浮选泡沫的动态特征有速度,崩塌率等。本论文研究了浮选过程中泡沫的速度以及崩塌率与品位之间的关系,以白云鄂博稀土矿为原料并对其进行浮选,之后对每个时间段的泡沫进行拍照并进行一系列的图像特征处理并提取泡沫速度和崩塌率并分析二者与品位之间的相关性。对浮选照片采集前通过浮选条件实验找出最佳的浮选药剂用量以及浮选温度。可得出最佳的浮选状态:浮选温度在50℃~55℃之间,此时矿浆的pH为9,抑制剂用量为6mL、捕收剂用量为20mL、起泡剂用量为3滴。同时为避免实验出现偶然性,再次在最佳药剂条件下进行5组条件实验,对每一组的浮选实验进行刮泡与品位测定,记录数据后得出:稀土品位在1min时达到最大,之后开始逐渐下降,并且在最后一分钟时达到了最低值。在整个浮选过程中1min时浮选处于最佳状态。本文采用计算机图像处理技术来捕获泡沫的动态特征信息,分析泡沫速度、崩塌率并且实行定量多元化处理,使用SIFT特征匹配法提取动态特征。首先进行最佳药剂条件下的浮选照片采集,采集时间总长为4min,每59s进行一次拍照,拍照时间间隔为0.5s。之后将拍摄好的照片进行图像特征处理,为防止拍照过程中的场外噪声以及可能产生的失真情况需要对照片进行灰度、去噪、边缘检测等一系列预处理。之后提取速度特征值,在采集到的50组数据中,当速度为1.9mm/s、崩塌率在0.33%时所对应的品位值最高,达到了60.45%,速度为4.1mm/s、崩塌率在1.3%时对应的品位值最低,仅为48.6%。最后本文通过BP神经网络对稀土矿物浮选流程的优化以及动态特征的匹配进行建模并对结果进行了预测得出:泡沫速度与品位的回归值R~2=0.9678,崩塌率与品位的回归值R~2=0.95882,二者的R~2值均接近于1,同时二者的预测误差均小于0.06,即浮选泡沫的速度与崩塌率和品位之间的相关性很强且预测的误差值在一个很小的范围内,使用BP神经网络进行预测有着很好的预测效果。本文提出的一种基于图像动态特征提取的浮选品位的检测方法,它具有结果直观、数据分析方便、客观、精准等特点,为稀土矿物浮选品位的软件测量与建模提供了一个新的思路。