第７期 任会峰等．基于自适应谷底检测的浮选泡沫形态特征提取 ７８５ 基于自适应谷底检测的浮选泡沫形态特征提取 任会峰阳春华周 璇桂卫华鄢锋 （中南大学信息科学与工程学院，长沙４１００８３） 摘要针对矿物浮选泡沫大小形状不一、光照不均等特点，提出一种基于适应度反馈微粒群优化算法 自适应优选谷底检测阈值的泡沫形态特征提取方法。将微粒群算法的惯性权重和加速因子设置为全局 最优点适应度的函数，优选谷底检测阈值，采用局部灰度极小选择边界检测模板，根据多角度逻辑规则 比较，获取气泡边界，分割结果的统计分析表明泡沫形态特征服从ｇａｍｍａ分布。 关键词浮选泡沫形态特征微粒群谷底检测模糊划分熵 中图分类号ＴＰ３９１ 文献标识码 Ａ 文章编号 １０００—３９３２（２０１１）０７－０７８５－０５ 矿物浮选泡沫的视觉表观特征是矿物的物理 １ 矿物泡沫图像的获取及特点 性质、浮选药剂、机械和操作条件等工况的综合反 泡沫浮选是气、液、固三相交互的复杂物理化 映…，其中泡沫的形态特征反映泡沫的矿物携带 学反应过程。在浮选机中添加各种药剂，与送人 量，直接关系到回收率和品位等重要的经济技术 浮选机的微粒矿物、工业用水等混合形成矿浆。 指标 。Ｍｏｏｌｍａｎ Ｄ Ｗ等采用灰度阈值法提取气 皮带轮带动叶轮高速旋转，风机压人的空气流在 泡中心的亮点来预测泡沫大小分布 Ｊ，但无法获 旋涡作用以及矿浆与气流垂直交叉运动的剪切作 得准确的泡沫边缘，且浮选泡沫噪声较大，亮点分 用下被分割成众多微小气泡，气泡在上升过程中 布不均，存在严重的过分割；Ｗａｎｇ Ｗ Ｘ等采用基 与疏水的有价矿物粘附，在浮选机液面表层聚集 于流域的边缘探索法分割泡沫图像 ｊ，该方法的 成为矿化泡沫，在刮板的作用下回收富集为精矿。 准确性受气泡类型和光照条件的影响；Ｋａａｒｔｉｎｅｎ Ｊ 等采用分水岭算法分割锌浮选泡沫图像 Ｊ，该方 而脉石等亲水性矿物由于不能与气泡粘附而滞留 在矿浆中，作为尾矿排出。气泡越小，与微细矿粒 法依然受到亮点分布不均的影响，易造成过分割， 并且对于气泡大小不一的泡沫图像，该方法效率 的碰撞机会越多，表面势能越小，泡沫属于相对稳 急剧下降；阳春华等在此基础上先后提出聚类预 定的热力学体系，泡沫含矿量越高，越有利于矿物 分割及其改进算法 ’ ，有效降低了过分割与欠 的富集回收。亮度高且色温稳定的荧光灯作为光 分割的风险，但是计算量较大，缺乏分割效果的客 源为摄像机照明，同时降低环境光照的影响，光源 观评价标准；其它经典的边缘检测方法 都受到 尽量靠近摄像机，其安装高度略高于摄像机镜头 气泡亮点分布不均以及气泡之间灰度变化不明显 的高度，在泡沫表层上方１ １０ｅｒａ处安装彩色ＣＣＤ 的影响，导致边缘检测模糊移位、边缘丢失等问 摄像机拍摄泡沫视频，视野为１２×９ｃｍ ，拍摄速 题。 率为７．５帧／ｓ。图像视频信号通过光纤传输到工 笔者以矿物浮选泡沫为研究对象，首先通过 业计算机的图像采集卡，其将连续的模拟信号转 形态开闭重构预处理泡沫图像，降低噪声的影响， 换成离散的数字信号实时显示。 然后选择合适的边界检测模板，利用改进的微粒 图１是现场采集的一幅泡沫图像，从中可见， 群算法自适应优选谷底检测阈值，根据逻辑规则 摄像机视野内充满挤压层叠的泡沫，浮选气泡大 获取气泡边界，再通过细化、滤波等后期处理得到 小不一、形状各异，泡沫表面亮点分布不均、边界 最终的分割结果，并对所得的气泡形状和大小形 模糊，泡沫图像噪声较大。 态特征进行统计分析，证明泡沫形态特征服从 ｇａｍｍａ分布。所提方法可以有效提高泡沫分割的 精度和效率，对混合尺寸和形状的泡沫分割具有 收稿日期：２０１１ ５之４（修改稿） 基金项目：国家自然科学基金资助项目（６０８７４０６９， 较强的鲁棒性。 ６１０７１１７６）；国家杰出青年科学基金资助项目（６１０２５０１５） ７８６ 化工自动化及仪表 第３８卷 图１ 泡沫图像 ２适应度反馈微粒群优化谷底检测的矿物泡沫 图像分割 泡沫图像含有的噪声是进行分割处理的障 碍，通过面积重构开闭运算等预处理 降低噪声 的影响。图２是泡沫灰度图像纵切面示意图，灰 度较低的像素点构成气泡的边缘，每个气泡的边 缘具有不同的灰度值，构成谷底分布特点。 图２ 泡沫灰度图像纵切面示意图 ２．１谷底检测算法 设 ｉ√）表示矿物泡沫图像在像素点（ｉ， ）的 灰度值，ｉ＝１，２，…，Ｍ；ｊ＝１，２，…，Ⅳ。如图３所 示，定义边缘检测模板 有３ Ｘ ３个子模板 ，ｍ ＝０，１，…；８表示子模板的序号，且 位于模板 的几何中心。每个子模板包含后Ｘ 个像素ｎ…矗 ＝１，２，３，…；ｎ＝０，１，…，（ｋ Ｘ ｋ一１）。 ４ ３ ｘ ５ ｘ ｏ ｘ１ ｘ ｂ Ｘ１ Ｘ８ 图３边缘检测模板 设ｇ（ｉ，Ｊ）∈｛０，１｝表示像素（ｉ， ）的状态，ｇ （ ）＝０表示边界像素，ｇ（ｉ，Ｊ）＝１表示非边界像 素。定义ｇｎ。（ｉ， ）表示ｆ（ｉ， ）在０。的状态，Ｆ 为 子模板Ｘｍ的平均灰度值，Ｆｍ 磊。 。在 点（ｉ√）的０。、４５。、９０。、１３５。４个方向分别进行灰 度值比较： Ｆ５＞Ｆｏ—ｔ＜Ｆ１，ｇ０。（ｉ√，ｋ，ｔ）＝０ ＞ —ｔ＜ ，ｇ４ｓ （ｉ，ｊ，ｋ， ）＝０ 一Ｆ７＞一Ｆｏ—ｆ＜一Ｆ３，ｇ９０ （ √， ，￡）：０ （１） Ｆｓ＞Ｆｏ—ｔ＜ ，ｇｌ３５。（ｉＪ， ，ｆ）＝０ 根据式（１）的逻辑规则确定气泡边界。其中 ｔ为阈值，ｔ太大，导致边缘不连续或丢失；ｔ太小， 导致边缘太粗或者伪边缘，因此ｔ合适的取值大 小是算法的关键。 ２．２适应度反馈微粒群优化谷底检测阈值 针对传统的边缘检测算法的阈值选取问题， Ｋａｐｕｒ Ｊ Ｎ等提出一维直方图的最大熵法 Ｊ，但是 泡沫图像的信噪比较低，一维最大熵阈值分割的 效果不佳。Ａｂｕｔａｌｅｂ Ａ Ｓ提出二维最大熵法搜索 阈值 ，能够有效地抑制噪声，但运算速度慢、复 杂性高，很难应用于实时处理。 阈值优选的本质可以看作目标函数极值问题 的求解，Ｐａｉ Ｐ Ｙ等采用遗传算法动态获取最优的 分割阈值…Ｊ。笔者针对标准微粒群算法（Ｓｔａｎｄ— ａｒｄ Ｐａｒｔｉｃｌｅ Ｓｗａｒｍ Ｏｐｔｉｍｉｚａｔｉｏｎ，ＳＰＳＯ）容易早熟， 并且惯性权重０９线性递减导致进化后期算法收 敛速度明显下降¨ 的问题，采用适应度反馈的形 式，将惯性权重 和加速因子Ｃ 、Ｃ：设置为全局 最优点适应度的函数： １／｛１ ｅｘｐ［一 Ｆ（Ｇ＾）］ ｝ （２） ｃ，＝１＋Ｉ／｛１＋ｅｘｐ［一 ×Ｆ（Ｇ ）］ ｝ ＝１，２ 其中Ｆ（Ｇ ）是算法第ｋ次迭代所得的全局最 优点适应度，Ｏｔ＝１／Ｆ（Ｇ ），ｎ∈（１，２），一般ｎ取值 为１．５即可。对粒子进行更新操作： “＝∞ ＋ｃ ｒ。（ 一 ）＋Ｃ２／＇２（ 一 ） … 【３） ： ＋ 其中ｋ＝１，２，…，ｍ为迭代次数，惯性权重ｏＪ 根据迭代次数线性递减，加速因子ｃ 和ｃ 取值为 ２，ｒ 和ｒ：是均匀分布于［０，１］之间的两个随机 数。 由式（２）、（３）可见，如果全局适应度很大，粒 子距离全局最优点会很远，因为ｃｃ，和ｃ数值较大， 所以粒子以较大的飞行速度探索整个解空间；反 之，当粒子接近全局最优点时，因为∞和ｃ数值较 小，粒子以较小的移动步长开发局部解空间。 定义泡沫图像的背景和目标分别为： 第７期 任会峰等．基于自适应谷底检测的浮选泡沫形态特征提取 ７８７ 其中ｔ为分割阈值，Ｐ 表示图像中灰度级ｉ出 最优阈值取值，否则转步骤ｅ； 现的概率，０≤ｉ≤Ｌ一１，Ｐ ＝ ｐ ，其模糊划分 ｅ．按式（２）计算 和Ｃｌ，Ｃ２； 熵¨ 为： ｆ．按式（３）更新粒子的速度和位置，返回ｂ。 珥 Ｈ ＝１ｏｇ２ｐＴ ＋筹＋ （５） 其中步骤Ｃ的具体过程为： ＦＯＲ ｉ＝１：Ｍ 其中Ｈｔ＝一 。ｌｏｇ２Ｐ ，ＨＴ＝一 Ｐ ｌｏｇ２Ｐ。。 ＩＦ ｆ（Ｘｉ）＜ｆ（Ｐｉ）ＴＨＥＮ Ｐｉ＝Ｘｉ，ｆ（Ｐｉ）＝ｆ（Ｘｉ） ＩＦ ｆ（Ｘｉ）＜ｆ（Ｐｓ）ＴＨＥＮ Ｐｇ＝Ｘｉ，ｆ（Ｐｓ）＝ｆ（Ｘｉ） 当珥取得最大值时，对应的阈值就是最佳阈 ＥＮＤ ＦＯＲ 值，记为ｔ ，因此选择适应度函数为： ｆｉｔｎｅｓｓ（ｔ ）＝ｍａｘ｛ＨＴ｝ （６） ２．３泡沫图像分割结果 ０≤Ｉ≤￡一ｌ 对适应度反馈微粒群优化谷底检测的矿物泡 令 、Ｐ 分别表示当前第ｉ个粒子经历的最 优点和全局最优点，则采用ＦＦＰＳＯ算法优选ｔ的 沫边界进行细化和滤波，删除孤立点。图４是对 步骤如下： 图１泡沫图像采用不同分割方法的处理结果。从 ａ。初始化种群规模 、终止条件，为每个粒 中可见，利用阈值分割算法 分割泡沫图像很难 子随机产生一个位置 和速度ｖｉ，ｉ＝１，２，…， ； 确定气泡的边缘信息，更无法合理地统计出泡沫 ｂ．按照式（６）计算粒子的适应度 Ｘ ）； 的个数和面积。采用Ｖｉｎｃｅｎｔ提出的经典分水岭 Ｃ．更新个体极值和全局极值； 分割法 ，易受干扰信号影响，造成过分割和欠 ｄ．若满足终止条件，则Ｐ 对应的位置就是 分割。 ａ．阀值分割 ｂ．分水岭分割 ｃ优化的谷底检测 图４不同方法的泡沫分割结果 对分割后的图像进行像素标定得到气泡的实 表１ 泡沫形态特征ｇａｍｍａ分布统计参数 际面积，并以与气泡区域具有相同标准二阶中心 矩的椭圆的离心率描述气泡形状特征。图５是泡 沫大小和形状的统计分布直方图，利用极大似然 法进行ｇａｍｍａ拟合，直方图的包络曲线为ｇａｍｍａ 拟合效果，可见泡沫大小服从ｇａｍｍａ分布，将泡 ２．４泡沫图像分割效果评估 沫离心率向量 对数化以提高其对称性，证明泡 笔者采用一种区域均匀化测度 方法评价 沫形状也服从ｇａｍｍａ分布。泡沫形态特征的统 分割效果，该方法无需先验分割图像，且评判更加 计分布参数见表１。 客观，具体计算方法为： （ 一 ，） ，ｕ＝１—２ｃ — （７） 互 Ｎ（ …一－，…厂 式中Ｃ——阈值数目； 『＿＿一第 个气泡区域； 泡沫图像的像素总数； Ｏ ０ ０．２ ０．４ ０．６ ０．８ ｌ Ｏ 气泡离心率（一ｌｏｇ ） ． 像素ｉ的灰度级； 『＿＿一第 个气泡区域的灰度均值； 图５泡沫形态特征的统计分布 ——泡沫图像的最大灰度值； ７８８ 化工自动化及仪表 第３８卷 ——泡沫图像的最小灰度值。 Ｖｉｓｉｏｎ ｂａｓｅｄ Ｃｏｎｔｒｏｌ ｏｆ Ｚｉｎｃ Ｆｌｏｔａｔｉｏｎ‘ａ Ｃａｓｅ Ｓｔｕｄｙ 显然，Ｕ数值越大表明分割效果越好。表２ ［Ｊ］．Ｃｏｎｔｒｏｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｐｒａｃｔｉｃｅ，２００６，１４（１２）：１４５５ 是采用文献［９］的阈值分割法，与标准的谷底检 —１４６６． 测及笔者提出的适应度反馈微粒群优化的谷底检 ［６］ 阳春华，杨尽英，牟学民等．基于聚类预分割和高低 测方法比较，可知笔者所提方法更加优越。 精度距离重构的彩色浮选泡沫图像分割［Ｊ］．电子 与信息学报，２００８，３０（６）：１２８６—１２９０． 表２泡沫图像分割效果评估 ［７］ 阳春华，周开军，牟学民等．基于计算机视觉的浮选 泡沫颜色及尺寸测量方法［Ｊ］．仪器仪表学报， ２００９，３０（４）：７１７—７２１． ［８］ 段瑞玲，李庆祥，李玉和．图像边缘检测方法研究综 述［Ｊ］．光学技术，２００５，３１（３）：４１５－４１９． ３结束语 ［９］ Ｋａｐｕｒ Ｊ Ｎ，Ｓａｈｏｏ Ｐ Ｋ，Ｗｏｎｇ Ａ Ｋ－Ｃ．Ａ Ｎｅｗ Ｍｅｔｈｏｄ ｆｏｒ 浮选泡沫谷底检测阈值的选取受到泡沫形态 Ｇｒａｙｌｅｖｅｌ Ｐｉｃｔｕｒｅ Ｔｈｒｅｓｈｏｌｄｉｎｇ Ｕｓｉｎｇ ｔｈｅ Ｅｎｔｒｏｐｙ ｏｆ 时变，以及气泡尺寸和形状混合分布特点的制约。 ｔｈｅ Ｈｉｓｔｏｇｒａｍ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ Ｇｒａｐｈｉｃｓ Ｉｍａｇｅ 通过适应度反馈的形式改进微粒群算法优选谷底 Ｐｒｏｃｅｓｓ，１９８５，２９（３）：２７３—２８５． 检测阈值，提高了气泡边界检测的精度和效率，适 ［１０］ Ａｂｕｔｌａｅｂ Ａ Ｓ．Ａｕｔｏｍａｔｉｃ Ｔｈｒｅｓｈｏｌｄｉｎｇ ｏｆ Ｇｒａｙｌｅｖｅｌ 合复杂多变的泡沫图像分割。对谷底检测气泡边 Ｐｉｃｔｕｒｅｓ Ｕｓｉｎｇ Ｔｗｏ－ｄｉｍｅｎｓｉｏｎ Ｅｎｔｏｒｐｙ［Ｊ］．Ｃｏｍｐｕｔ－ 界的泡沫形态特征进行统计分析，证明了泡沫的 ｅｒ Ｖｉｓｉｏｎ Ｇｒａｐｈｉｃｓ ａｎｄ Ｉｍａｇｅ Ｐｒｏｃｅｓｓ，１９８９，４７（１）： ２２—３２． 形态特征服从ｇａｍｍａ分布，可以选择形状参数和 Ｐａｌ Ｐ Ｙ，Ｃｈａｎｇ Ｃ Ｃ，Ｃｈａｎ Ｙ Ｋ ｅｔ ａ１．Ａｎ Ａｄａｐｔａｂｌｅ 尺度参数描述泡沫形态特征，进而用于判断浮选 Ｔｈｒｅｓｈｏｌｄ Ｄｅｔｅｃｔｏｒ，Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅｓ，２０１ １，１８１ 工况，以及指导回收率或品位等经济技术指标的 （８）：１４６３—１４８３． 预测，这也是下一步要研究的问题。 ［１２］ 刘波，王凌，金以慧等．微粒群优化算法研究进展 参考文献 ［Ｊ］．化工自动化及仪表，２００５，３２（３）：１—６． ［１３］ Ｍａｉｔｒａ Ｍ．Ｃｈａｔｔｅｒｊｅｅ Ａ．Ａ Ｈｙｂｒｉｄ Ｃｏｏｐｅｒａｔｉｖｅ—ＣＯＩｎ— Ａｌ＆ｉｃｈ Ｃ，Ｍａｒａｌｓ Ｃ，ｇｈｅａｎ Ｂ Ｊ ｅｔ ａ１．Ｏｎｌｉｎｅ Ｍｏｎｉｔｏ． ｐｒｃｈｅｎｓｉｖｃ Ｌｅａｒｎｉｎｇ Ｂａｓｅｄ ＰＳＯ Ａｌｇｏｒｉｔｈｍ ｆｏｒ Ｉｍａｇｅ ｒｉｎｇ ａｎｄ Ｃｏｎｔｒｏｌ ｏｆ Ｆｒｏｔｈ Ｆｌｏｔａｔｉｏｎ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ｍａ— Ｓｅｇｍｅｎｔａｔｉｏｎ Ｕｓｉｎｇ Ｍｕｌｔｉｌｅｖｅｌ Ｔｈｒｅｓｈｏｌｄｉｎｇ［Ｊ］．Ｅｘ— ｃｈｉｎｅ Ｖｉｓｉｏｎ：Ａ Ｒｅｖｉｅｗ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ ｐｅｒｔ Ｓｙｓｔｅｍｓ ｗｉｔｈ Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，３４（２）：１３４１— Ｍｉｎｅｒａｌ Ｐｒｏｃｅｓｓｉｎｇ，２０１０，９６（４）：１～ｌ３． １３５０． ［２］ Ｂｏｕｃｈａｒｄ Ｊ，Ａｎｄｒ６ Ｄ，ｄｅｌ Ｖｉｌｌａｒ Ｒ ｅｔ ａ１．Ｃｏｌｕｍｎ Ｆｌｏ－ ［１４］ 路迈西，王勇，王凡等．利用阈值分割技术提取煤 ｒａｔｉｏｎ Ｓｉｍｕｌａｔｉｏｎ ａｎｄ Ｃｏｎｔｒｏｌ：Ａｎ Ｏｖｅｒｖｉｅｗ［Ｊ］．Ｍｉｎ— 泥浮选泡沫图像的物理特征［Ｊ］．煤炭科学技术， ｅｎｄｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，２２（６）：５１９～５２９． ２００２，３０（８）：３４—３７． ［３］ Ｍｏｏｌｍａｎ Ｄ Ｗ，Ａｌｄｒｉｃｈ Ｃ，Ｓｃｈｍｉｔｚ Ｇ Ｐ Ｊ．Ｔｈｅ ｌｎｔｅｒｒｅ． ［１５］ Ｖｉｎｃｅｎｔ Ｌ ａｎｄ ＳｏｉＵｅ Ｐ．Ｗａｔｅｒｓｈｅｄｓ ｉｎ Ｄｉｉｇｔａｌ １ａｔｉｏｎｓｈｉｐ ｂｅｔｗｅｅｎ Ｓｕｒｆａｃｅ Ｆｒｏｔｈ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｎｄ Ｓｐａｃｅｓ：Ａｎ Ｅｆｉｆｃｉｅｎｔ Ａｌｇｏｒｉｔｈｍ Ｂａｓｅｄ ｏｎ Ｉｍｍｅｒｓｉｏｎ Ｉｎｄｕｓｔｉｒａｌ ｎｏｔａｔｉｏｎ Ｐｅｒｆｏｒｍａｎｃｅ『Ｊ］．Ｍｉｎｅｒａｌｓ Ｅｎｇｉｎ． Ｓｉｍｕｌａｔｉｏｎｓ『Ｊ］．ＩＥＥＥ Ｔｒａｎｓ ｏｎ Ｐａｔｔｅｎｒ Ａｎａｌｙｓｉｓ ａｎｄ ｅｒｒｉｎｇ，１９９６，９（８）：８３７～８５４． Ｍａｃｈｉｎｅ Ｉｎｔｅｌｌｉｇｅｎｃｅ，１９９１，１３（６）：５８３～５９８． ［４］ Ｗａｎｇ Ｗ Ｘ，Ｂｅｒｇｈｏｌｍ Ｆ，Ｙａｎｇ Ｂ．Ｆｒｏｔｈ Ｄｅｌｉｎｅａｔｉｏｎ ［１６］ Ｚｈａｎｇ Ｈ，Ｆｒｉｔｔｓ Ｊ Ｅ，Ｇｏｌｄｍａｎ Ｓ Ａ．Ｉｍａｇｅ Ｓｃｇｍｅｎｔａ・ Ｂａｓｅｄ ｏｎ Ｉｍａｇｅ Ｃｌａｓｓｉｉｆｃａｔｉｏｎ［Ｊ］．Ｍｉｎｅｒａｌ Ｅｎｇｉｎｅｅｒ— ｔｉｏｎ Ｅｖａｌｕａｔｉｏｎ：Ａ Ｓｕｒｖｅｙ ｏｆ Ｕｎｓｕｐｅｒｖｉｓｅｄ Ｍｅｔｈｏｄｓ ｉｎｇ，２００３，１６（１１）：１１８３～１１９２． ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｉｍａｇｅ Ｕｎｄｅｒｓｔａｎｄｉｎｇ， ［５］ Ｋａａｒｔｉｎｅｎ Ｊ，Ｈａｔｏｎｅｎ Ｊ，Ｈｙｏｔｙｎｉｅｍｉ Ｈ ｅｔ ａ１．Ｍａｃｈｉｎｅ ２００８，１１０（２）：２６０—２８０． Ｍｏｒｐｈｏｌｏｇｉｃａｌ Ｃｈａｒａｃｔｅ ｒｊｓｔｊｃｓ Ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｍｉｎｅｒａｌ Ｆｌｏｔａｔｉｏｎ Ｆｒｏｔｈ Ｂａｓｅｄ ｏｎ Ａｄａｐｔｉｖｅ Ｖａｌｌｅｙ Ｅｄｇｅ Ｄｅｔｅｃｔｉｏｎ ＲＥＮ Ｈｕｉ—ｆｅｎｇ，ＹＡＮＧ Ｃｈｕｎ—ｈｕａ，ＺＨＯＵ Ｘｕａｎ，ＧＵＩ Ｗｅｉ—ｈｕａ，ＹＡＮ Ｆｅｎｇ （Ｓｃｈｏｏｌ ｏｆＩｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｅｎｔｒａｌ Ｓｏｕｔｈ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ ４１００８３，Ｃｈｉｎａ） （Ｃｏｎｔｉｎｕｅｄ ｏｎ Ｐａｇｅ ８０６） ８Ｏ６ 化工自动化及仪表 第３８卷 ［４］ 李凤苏．苯及苯系物对作业人员健康状况的影响 ［Ｊ］．职业与健康，２００８，２４（１７）：１７６０～１７６２． 空气中挥发性有机物的测定研究［Ｊ］．化工自动化 及仪表，２０１０，３７（６）：５５—５７． ｎ Ｈ，Ｋｉｍ Ｓ Ｊ ｅｔ ａ１．Ｒａｐｉｄ Ｄｅｔｅｒｍｉｎａ－ ［１２］ Ｏｈ Ｓ Ｙ，Ｄｕ Ｓｈｉｔｉｏｎ ｏｆ Ｆｌｏｒａｌ Ａｒｏｍａ Ｃｏｍｐｏｕｎｄｓ ｏｆ Ｌｉｌａｃ Ｂｌｏｓｓｏｍ ｂｙ ［５］ Ｂａｄｊａｇｂｏ Ｋ，Ｌｏｒａｎｇｅｒ Ｓ，Ｍｏｏｒｅ Ｓ ｅｔ ａ１．ＢＴＥＸ Ｅｘｐｏ— ｓｕｒｅｓ ａｍｏｎｇ Ａｕｔｏｍｏｂｉｌｅ Ｍｅｃｈａｎｉｃｓ ａｎｄ Ｐａｉｎｔｅｒｓ ａｎｄ Ｔｈｅｉｒ Ａｓｓｏｃｉａｔｅｄ Ｈｅａｌｔｈ Ｒｉｓｋｓ［Ｊ］．Ｈｕｍ Ｅｃｏｌ Ｒｉｓｋ Ａｓ— ｓｅｓｓ，２０１０，１６（２）：３０１—３１６． Ｆａｓｔ Ｇａｓ Ｃｈｒｏｍａｔｏｇｒａｐｈｙ Ｃｏｍｂｉｎｅｄ ｗｉｔｈ Ｓｕｒｆａｃｅ Ａ— ｃｏｕｓｔｉｃ Ｗａｖｅ Ｓｅｎｓｏｒ［Ｊ］．Ｃｈｒｏｍａｔｏｇｒａｐｈｉａ，２００８，７９ （１／２）：１７０～１７８． ｒ Ｊ Ｄ，Ｂａｉｌｅｙ Ｗ Ｆ．Ｆｅｈｙ Ｒ Ａ ｅｔ ａ１．Ｍｅｔｈｏｄ ｆｏｒ ［１３］ Ｆａｉ［６］ 郭建民，傅国林，王晓宁．如何保证在线气相色谱仪 的分析准确性［Ｊ］．化工自动化及仪表，２０００，２７ （５）：５９～６０． Ｒａｐｉｄ ｏｎ—ｓｉｔｅ Ｉｄｅｎｔｉｉｆｃａｔｉｏｎ ｏｆ ＶＯＣｓ［Ｊ］．Ｅｎｖｉｏｎ ｒ［７］ 郭冰．气相色谱仪及其应用［Ｊ］．石油化工自动化， Ｓｉｃ—Ｃｈｉｎａ，２００９，２１（７）：１００５—１００８． ２００７，（５）：８８—８９． ［８］ 傅若农．气相色谱近年的发展［Ｊ］．色谱，２００９，２７ ［１４］ Ｗａｔｓｏｎ Ｇ Ｗ，Ｓｔａｐｌｅｓ Ｅ Ｊ，Ｖｉｓｗａｎａｔｈａｎ Ｓ．Ｐｅｒｆｏｒｍ－ ａｎｃｅ Ｅｖａｌｕａｔｉｏｎ ｏｆ ａ Ｓｕｒｆａｃｅ Ａｃｏｕｓｔｉｃ Ｗａｖｅ Ａｎａｌｙｚｅｒ （５）：５８４～５９１． ［９］ 刑家续，李东伟．９３１Ｃ在线气相色谱仪的应用［Ｊ］． ｔｏ Ｍｅａｓｕｒｅ ＶＯＣｓ ｉｎ Ａｉｒ ａｎｄ Ｗａｔｅｒ［Ｊ］．Ｅｎｖｉｏｒｎ 化工自动化及仪表，２００１，２８（４）：７７～７８． Ｐｒｏｇ，２００３，２２（３）：２１５—２２６． ［１０］ Ｚｈａｎｇ Ｓ，Ｚｈａｏ Ｔ Ｂ，Ｘｕ Ｘ ｅｔ ａ１．Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ［｛５］ Ｓｔａｐｌｅｓ Ｅ Ｊ。Ｖｉｓｗａｎａｔｈａｎ Ｓ．Ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ａ Ｎ０ｖｅ】 ＢＴＥＸ Ｃｏｍｐｏｕｎｄｓ ｉｎ Ｓｏｌｉｄ—Ｌｉｑｕｉｄ Ｍｉｘｉｎｇ Ｐａｉｎｔ Ｕｓｉｎｇ Ｏｄｏｒ Ｍｅａｓｕｒｅｍｅｎｔ Ｓｙｓｔｅｍ Ｕｓｉｎｇ Ｇａｓ Ｃｈｒｏｍａｔｏｇｒａｐｈｙ ｔｈｅ Ｃｏｍｂｉｎａｔｉｏｎ ｏｆ Ｓｏｌｉｄ Ｐｈａｓｅ Ｅｘｔｒａｃｔｉｏｎ，Ｔｈｅｒｍａｌ 山Ｓｕｒｆａｃｅ Ａｃｏｕｓｔｉｃ Ｗａｖｅ Ｓｅｎｓｏｒ［Ｊ］．Ａｉｒ Ｗａｓｔｅ Ｄｅｓｏｒｐｔｉｏｎ ａｎｄ ＧＣ－ＦＩＤ［Ｊ］．Ｃｈｒｏｍａｔｏｇｒａｐｈｉａ，２０１０， Ｍａｎａｇｅ，２００８，５８（１２）：１５２２～１５２８． ７１（１１／１２）：ｉ１３１～ｌ１３５． ［１６］ 毛友安，刘巍，钟科军．电子鼻技术应用研究进展 ［１１］ 周烈兴，钱天才，王绍华．光离子化气相色谱法对 ［Ｊ］．化学传感器，２００９，（２）：ｌ２—１７． Ｂｅｎｚｅｎｅｓ Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｗｉｔｈ Ｅｌｅｃｔｒｏｎｉｃ Ｎｏｓｅ ＧＵＯ Ｘｉａ，ＴＩＡＮ Ｓｅｎ．１ｉｎ。ＮＩＮＧ Ｐｉｎｇ．ＪＩＡＮＧ Ｌｅｉ （Ｆａｃｕｌｔｙ ｏｆＥｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｋｕｎｍｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｋｕｎｍｉｎｇ ６５００９３，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ Ｔｈｅ ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ（ｚＮｏｓｅ４２００，ＧＣ／ＳＡＷ）ａｎｄ ｇａｓ ｃｈｒｏｍａｔｏｇｒａｐｈｙ（ＧＣ５２２，ＦＩＤ）ｗｅｒｅ ｒｅｓｐｅｃ— ｔｉｖｅｌｙ ｅｍｐｌｏｙｅｄ ｔｏ ａｎａｌｙｚｅ ｆｅａｓｉｂｉｌｉｔｙ ｏｆ ｄｅｔｅｃｔｉｎｇ Ｂｅｎｚｅｎｅｓ（ＢＴＥＸ）ｗｉｔｈ ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ．Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ ｏｕｔｐｅｒｆｏｒｍｓ ｔｈｅ ｇｅｎｅｒａｌ ｇａｓ ｃｈｒｏｍａｔｏｇｒａｐｈｙ ｍｏｒｅ ｔｈａｎ １０ ｔｉｍｅｓ，ａｎｄ ｅｖｅｎ ｕｐ ｔｏ １４０ ｔｉｍｅｓ；ａｎｄ ｉｔｓ ｒｅｐｒｏｄｕｃｉｂｉｌｉｔｙ ａｎｄ ａｃｃｕｒａｃｙ ａｒｅ ａｌｓｏ ｂｅｔｔｅｒ ｔｈａｎ ｔｈｅ ｇｅｎｅｒｌａ ｇａｓ ｃｈｒｏｍａｔｏｇｒａｐｈｙ ａｎｄ ｉｔ ｃａｎ ｂｅｎｅｆｉｔ ｖｏｌａｔｉｌｅ ａｎｄ ｓｅｍｉ－ｖｏｌａｔｉｌｅ ｏｒｇａｎｉｃ ｃｏｍｐｏｕｎｄｓ ａｎａｌｙｓｉｓ． Ｋｅｙ ｗｏｒｄｓ ｅｌｅｃｔｒｏｎｉｃ ｎｏｓｅ，ｇｅｎｅｒｌａ ｇａｓ ｃｈｒｏｍａｔｏｇｒａｐｈｙ，ＳＡＷ，Ｂｅｎｚｅｎｅｓ （Ｃｏｎｔｉｎｕｅｄ ｆｒｏｍ Ｐａｇｅ ７８８） Ａｂｓｔｒａｃｔ Ｃｏｎｓｉｄｅｒｉｎｇ ｔｈｅ ｄｉｆｆｅｒｅｎｔ ｓｉｚｅ ａｎｄ ｓｈａｐｅ ａｎｄ ｐｏｏｒ ｉｌｌｕｍｉｎａｔｉｏｎ ｏｆ ｍｉｎｅｒａｌ ｆｌｏｔａｔｉｏｎ ｆｒｏｔｈ，ｔｈｅ ｍｏｔ－ ｐｈｏｌｏｇｉｅａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｅｘｔｒａｃｔｉｏｎ ｏｆ ｍｉｎｅｒａｌ ｆｌｏｔａｔｉｏｎ ｆｒｏｔｈ ｗａｓ ｐｒｏｐｏｓｅｄ ｂａｓｅｄ Ｏｉｌ ｔｈｅ ａｄａｐｔｉｖｅ ｖａｌｌｅｙ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｆｉｔｎｅｓｓ ｆｅｅｄｂａｃｋ ｐａｒｔｉｃｌｅｓ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ（ＦＦＰＳＯ）．Ｈａｖｉｎｇ ｔｈｅ ｉｎｅｒｔｉａ ｗｅｉｇｈｔ ａｎｄ ａｃｃｅｌｅｒａ－ ｔｉｏｎ ｆａｃｔｏｒｓ ｏｆ ＰＳＯ ｔａｋｅｎ ａｓ ｔｈｅ ｇｌｏｂａｌ ｍｉｎｉｍａ ｆｕｎｃｔｉｏｎ ｔｏ ｃｈｏｏｓｅ ｂｅｓｔ ｄｅｔｅｃｔｉｏｎ ｔｈｒｅｓｈｏｌｄ．ａｎｄ ｈａｖｉｎｇ ｔｈｅ ｌｏｃａｌ ｇｒａｙ ｓｃａｌｅ ｍｉｎｉｍａ ｂａｓｅｄ ｔｏ ｓｅｌｅｃｔ ｅｄｇｅ ｄｅｔｅｃｔｉｏｎ ｔｅｍｐｌａｔｅ，ａｎｄ ａｓ ｗｅｌｌ ａｓ ｈａｖｉｎｇ ｔｈｅ ｍｕｌｔｉ－ａｎｇｌｅ ｌｏｇｉｃａｌ ｒｕｌｅｓ ｃｏｍｐａｒｅｄ ｔｏ ｄｅｔｅｃｔ ｆｒｏｔｈ ｂｏｕｎｄａｒｙ．Ｓｔａｔｉｓｔｉｃａｌ ａｎａｌｙｓｉｓ ｏｆ ｓｅｇｍｅｎｔａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗｓ ｔｈａｔ ｔｈｅ ｆｒｏｔｈ ｍｏｒｐｈｏｌｏｇｉ－ ｃａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ａｒｅ ｇａｍｍａ ｄｉｓｔｉｒｂｕｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ ｆｌｏｔａｔｉｏｎ ｆｒｏｔｈ，ｍｏｒｐｈｏｌｏｇｉｃａｌ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ，ｐａｒｔｉｃｌｅｓ ｓｗａｒｎｌ ｏｐｔｉｍｉｚａｔｉｏｎ，ｖａｌｌｅｙ ｅｄｇｅ ｄｅｔｅｃ— ｔｉｏｎ，ｆｕｚｚｙ ｐａｒｔｉｔｉｏｎ ｅｎｔｒｏｐｙ