当前投入工业应用的浮选智能化系统，一般都需要摄像头架在泡沫上方，完全对准泡沫拍摄，还需要补光拍摄，如图1、图2所示。这是因为，这些智能化系统采用的技术是“数字图像处理”算法和早期的“机器学习”算法作为底层逻辑。这些算法的适应能力差，对操作使用的限制多。

图1. 某公司的浮选智能化系统的图像采集装置

图2. 金川某矿企应用的浮选智能化系统的图像采集装置

人工智能技术，计算机视觉技术（CV）的发展非常快，到目前，已经进入了“深度学习”的时代。在“深度学习”时代，基于“卷积神经网络（CNN）”的CV技术在安防、医疗以及自动驾驶等很多领域都取得成功的应用。在选矿领域，一些大学和研究机构也已经开始了基于CNN的研究。

CNN相对于传统的“机器学习”，对图像的变化，适应能力更强，且识别的准确率更高，漏检率更低。因此，浮选智能化的技术上，CNN必将取代图1和图2所示装置采用的传统“机器学习”技术。这一点，已经是学术界和工业界的共识了。

笔者近日采用了一种先进的，用于图像检测的CNN模型，对西北某盐矿的浮选厂进行泡沫检测。采集的图像都是用普通的安卓智能手机完成，对图像采集没有任何限制或技术要求。图中红色检测框中为泡沫区域，蓝色检测框中为设备区域（浮选机刮板）。可以看到，检测的效果很好，没有错检的，基本上没有漏检的。检测框左上角的文字，为检测出的类别名称和检测置信度。重合的检测框，可以通过技术手段，进行优化提取。有了检测到的泡沫区域，便可以将其提取出进一步识别处理。

本文中，用来训练模型的数据集，是笔者在选厂随手拍摄的，数据量并不大。如果能增大数据集的规模，该模型必将具备工业应用的价值。笔者相信，在足够的数据支撑下，基于CNN的人工智能模型必将成为浮选智能化技术的更强大的新基石。

图3 实际检测结果

图4 实际检测结果