Para resolver o problema da dificuldade na extração de características de fluxo devido às variações dinâmicas das imagens da superfície da espuma de flotação, influência da iluminação e interferência de ruído, foi proposta uma metodologia de extração de características de fluxo de espuma aprimorada ORB no domínio NSST, aplicada ao reconhecimento do estado de dosagem na flotação. A decomposição NSST de dois quadros consecutivos da imagem da espuma foi realizada; para as sub-bandas de alta frequência multiescala, o ruído foi removido inicialmente por meio do coeficiente de correlação de escala, seguido pela divisão em múltiplas camadas internas e externas. Em cada camada interna, pontos de interesse foram extraídos por detecção do pico máximo direcional polar e, em seguida, pontos característicos foram extraídos nas camadas correspondente, superior e inferior por supressão de não-máximos. Os pontos característicos foram descritos por descritores BRIEF multiescala, ajustando dinamicamente a região de busca dos pares correspondentes conforme a tendência de movimento da espuma, e as características de fluxo da espuma foram calculadas com base no resultado do pareamento. Por fim, foi construída uma máquina de aprendizado extremo autoencoder matricial para fundir as características de morfologia, distribuição de tamanho e fluxo da espuma, seguido por uma floresta aleatória adaptativa para a classificação e reconhecimento do estado de dosagem. Os resultados experimentais mostraram que o ORB aprimorado é menos afetado por ruído e iluminação, e melhora significativamente a precisão e eficiência da detecção das características de fluxo em comparação com métodos existentes. Ele pode caracterizar com precisão as características de fluxo na superfície da espuma sob diferentes estados de dosagem, alcançando uma precisão média de reconhecimento do estado de dosagem de 97,85%, representando um avanço significativo em relação aos métodos existentes e estabelecendo uma base para o controle otimizado da dosagem futura.

imagem de espuma de flotação;extração de características de fluxo;ORB;transformada wavelet de corte não subamostrada;máquina de aprendizado extremo autoencoder matricial;floresta aleatória adaptativa