白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究.pdf

2 0 1 9 年第6 期有色金属 选矿部分 9 5 d o i 1 0 ．3 9 6 9 ／j ．i s s n ．1 6 7 1 9 4 9 2 ．2 0 1 9 ．0 6 ．0 1 8 白云鄂博稀土矿浮选泡沫图像颜色特征与 鼻辛 10 J 品位相关性研究 1 ’2 ，李梅1 ’2 ，高凯2 ⋯，张雨涵1 ’2 ，荆树励1 ’2 1 ．内蒙古科技大学矿业研究院，内蒙古包头0 1 4 0 1 0 ； 2 ．轻稀土资源绿色提取与高效利用教育部重点实验室，内蒙古包头0 1 4 0 1 0 ； 3 ．北京化工大学材料科学与工程学院，北京1 0 0 0 2 9 摘要在稀土矿物实际浮选中，泡沫颜色特征与稀土品位关系密切。针对白云鄂博稀土矿浮选过程中浮选槽中含气 率高、气泡重叠、变形，以及不断发生气泡兼并与破裂的情况，设计建立图像采集系统，并针对I 。E D 光源特点，设定照射光源最 佳角度，进行图像采集。对采集图像进行进一步颜色特征提取，对泡沫图像颜色与品位之间的相关性进行分析研究。根据浮 选过程中浮选泡沫表征颜色与品位的相关性．结合计算机图像处理技术，使用M a t l a b 数学分析软件，对泡沫图像进行预处理 并且进一步对泡沫图像进行边缘提取，对泡沫色彩进行色彩效果增强处理，将颜色分类量化，并进行色彩分类统计。通过对 泡沫图像灰度直方图分析，计算并统计其整体亮度情况，作为泡沫图像亮度值定量依据。结果表明通过分析浮选图像R G B 颜色值分布、颜色分级分类量化提取图像颜色特征值以及灰度信息，对泡沫颜色特征有一定代表性，并且提高泡沫图像颜色 提取精度。通过B P 神经网络，输入泡沫图像特征值颜色与品位信息并建立黑箱模型，通过样本训练，得到稀土品位预测值。 关键词稀土矿物；浮选；泡沫颜色；图像识别； 中图分类号T D 9 2 8 ．9文献标志码A文章编号16 7 1 9 4 9 2 2 0 19 0 6 一0 0 9 5 一0 7 S t u d vo nt h eC o r r e l a t i o nB e t w e e nC o l o rC h a r a c t e r i s t i c so fF l o t a t i o nF o a m I m a g ea n dG r a d eo fR a r eE a r t hO r ei nB a y a nO b o R A Nh ’～，L JM P i l ～，G A 0K “i2 ～，Z H A N Gh n 行1 ～，．，I N GS “f i ’’2 】．，珂s ￡i ￡“￡Po ，M i 行i 行g 以”d 了、P c 行o f o g y ，工行理P rM o ，2 9c l Z i “L 肠j u P ，．J i ￡yo 厂S f i P 以f 已 T P f ，2 0 Z o g y ， B “o ￡o “J ”行g rM o 行g o Z i 盘0 J4 D jO ，C i 九日； 2 ．K F yL a 6 0 r n ￡o r y 厂G r g P 行E z ￡r a f f i o ” E 厂厂i f i P 竹fU ￡i ￡i z 以￡i o no 厂L i g 矗￡R 日r P P ＆r ￡ 尺P s o “r c P s ， M i 行i s f r yo 厂E d “f 日，i D 行，B n D ￡o “J ”胛P r 巧。行g D Z j 乜D j 4 0 j 0 ，C i 行盘； 3 ．S f o o Zo 厂M 以f 已r j 【z sS c i P 规f 已a ”dE 门g i ”P 已r 订g ，B 已巧i 门gU 矗u P r 5 扎yo 厂C 已，竹i c 口ZT P c 理0 2 0 9 y ， B P i J i 行gj D 0 0 2 9 ，C i 行Ⅱ A b s t r a c t I nt h ea c t u a 】f l o t a t i o nD r o c e s so fr a r ee a r t ho r e ，f o a mc o l o rc h a r a c t e r i s t i c sa n dr a r e e a r t h g r a d ei sc l o s e l yr e l a t e d ．A i m i n g a tt h eh i g ha i rc o n t e n ti nt h ef l o t a t i o nt a n k ，b u b b l eo v e r l a pa n d d e f o r m a t i o n ，a s 、v e I Ia st h ec o n t i n u o u sm e r g e ra n dr u p t u r eo fb u b b l e sd u r i n gt h ef l o t a t i o no fr a r ee a r t ho r e i nB a y a no b o ，a ni m a g ea c q u i s i t i o ns y s t e mw a sd e s i g n e da n de s t a b l i s h e d ，a n da c c o r d i n gt ot h ec h a r a c t e r i s t i c s o fI 。E Dl i g h ts o u r c e ，t h eb e s ta n g l eo fi r r a d i a t i o nl i g h ts o u r c ew a ss e tf o ri m a g ea c q u i s i t i o n ．F u r t h e r ，t h e c 0 1 0 rf e a t u r e so ft h ec o l l e c t e di m a g e sw e r ee x t r a c t e d ，a n dt h ec o r r e l a t i o nb e t w e e nc 0 1 0 ra n dg r a d eo ft h e f o a mi m a g e sw a sa n a l y z e da n ds t u d i e d ．F o rf l o t a t i o nf o a mf l o t a t i o np r o c e s sc h a r a c t e r i z a t i o no ft h e c o ”e l a t i o no fc o l o ra n dt a s t e ，i nc o m b i n a t i o nw i t hc o m p u t e ri m a g ep r o c e s s i n gt e c h n o l o g y ，t h eu s eo fM a t l a b m a t h e m a t i c a la n a l y s i ss o f t w a r e ，t h eb u b b l ei m a g ep r e p r o c e s s i n ga n df u r t h e rc a r r i e do u to nt h ef o a mi m a g e e d g ee x t r a c t i o n ， t oc o l o re f f e c t st oe n h a n c et h ef o a mc 0 1 0 r ， q u a n t i f i c a t i o n ， c 0 1 0 rc l a s s i f i c a t i o na n dc o l o r c l a s s i f i c a t i o ns t a t i s t i c s ． B ya n a l y z i n gt h eg r a yh i s t o g r a mo ft h ef o a mi m a g e ，t h eo v e r a l lb r i g h t n e s so ft h e f o a mi m a g ei sc a l c u l a t e da n dc o u n t e d ．T h er e s u l t ss h o wt h a t b ya n a l y z i n gt h ed i s t r i b u t i o no ft h eR G Bc o l o r V a l u eo ft h ef l o t a t i o ni m a g e ，e x t r a c t i n gt h ec o l o rf e a t u r ev a l u ea n dg r a yi n f o r m a t i o no ft h ei m a g eb yc o l o r 基金项目国家自然科学基金资助项目 5 1 6 3 4 0 0 5 ；内蒙古自然科学基金资助项目 2 0 l7 M s 0 5 3 1 ；内蒙古科技大学创新基金资助项目 2 0 16 Y Q I 。0 7 、2 0 1 5 Q D I ，2 4 收稿日期2 0 1 9 一0 5 2 0修回日期2 0 19 1 0 一1 0 作者简介冉宇 19 9 4 ～ ．男，陕西咸阳人，硕士研究生．主要从事稀土矿物浮选计算机视觉分析研究。 万方数据 9 6 有色金属 选矿部分2 0 1 9 年第6 期 c l a s s i f i c a t i o na n dq u a n t i f i c a t i o n ，t h ef o a mc o l o rf e a t u r ei s r e p r e s e n t a t i v et os o m ee x t e n t ， a n dt h ec o l o r e x t r a c t i o na c c u r a c yo ft h ef o a mi m a g ei si m p r o v e d ．B Pn e u r a ln e t w o r kw a su s e dt oi n p u tt h ec o l o ra n dg r a d e i n f o r m a t i o no ft h ec h a r a c t e r i s t i cv a l u e so ft h ef o a mi m a g e ，a n dab l a c k b o xm o d e lw a se s t a b l i s h e d ．T h e p r e d i c t e dv a l u eo fr a r ee a r t hg r a d ew a so b t a i n e dt h r o u g hs a m p l et r a i n i n g ． K e yw o r d s r a r ee a r t h ；f l o t a t i o n ；f o a mc o l o u r 在实际矿物浮选加工中，泡沫颜色视觉特征信 息与稀土品位关系密切。通常，操作工人通过观察 泡沫状态、颜色深浅、泡沫透明程度等表征信息进行 浮选操作，泡沫颜色虽能对浮选效果进行指导，对泡 沫状态无法做出精确、定量、客观的判断和预测，导 致浮选过程难以处于最优运行状态。因此进行浮选 泡沫颜色测量方法研究，对优化浮选操作、减少资源 浪费具有重要的研究价值和意义。 浮选过程智能控制的关键环节，是通过计算机 对图像进行定量分析检测。在选矿过程中，有经验 的操作工可以根据泡沫颜色来判断稀土品位，然而 这种凭借经验来预测稀土品位会由于现场机械因 素、噪声影响和操作工的经验程度不同造成结果上 的偏差。那么提出一种科学定量化的观测手段就显 得尤为重要。本文通过高清彩色相机捕捉泡沫图 像，设计算法对图像进行处理，在大量数据的支持 下，构建泡沫图像与品位、回收率之间的相关性统 计。并且建立预测模型，为优化浮选控制奠定基础。 1试验 1 ．1 试验矿样与药剂 试验所使用矿物为内蒙古白云鄂博稀土精矿， 其多组分分析结果见表1 ，可以看出，稀土品位 R E O 为4 9 ．9 7 ％。试验所用起泡剂为松醇油，捕 收剂为5 0 6 E ，抑制剂为水玻璃。 表1精矿多组分分析结果 T a b l e1 M u l t i c o m p o s i t i o na n a l y s i s r e s u 】t so fc o n c e n t r a t e 组分 R E oT F ’e M g OS i 2 C a 0B a o 1 ．2 试验系统的建立 试验系统建立包括三部分X C n U l o o C RC C D 彩色相机、L E D 光源、1 ．5LX F D 机械搅拌式浮选 机。相机感光度1 0 0 ，硬件像素38 0 0 28 0 0 ，支持 P D A F 相位对焦；其中广角摄像头为S O N Y 高端 C O M S 感光芯片，信噪比3 0d B ，焦段4 8m m ，曝光 时间1 ／1 0 0 0s 防止拍摄过程中由于泡沫在动态流动 中出现重叠、虚影。系统工作时，采用12 0 0l x 的 L E D 白色环形光源，并调整好I 。E D 光源照射角度及 亮度均匀照射，使气泡边界成像清晰，用相机拍摄浮 选槽表面泡沫图像。泡沫图像采集系统如图1 所示。 图1浮选泡沫图像采集装置结构图 F i g ．1 S t r u c t u r ed i a g r a mo ff l o t a t i o nf o a m i m a g ea c q u i s i t i o nd e v i c e 为了使表面泡沫光照均匀，图像采集系统需保 证光照充足、均匀的条件，这样才能在很大程度上获 取高质量的图像，本文选择环形光源为泡沫表面图 像提供照明。选择环形光源，保证了相机在浮选泡 沫样本上方拍摄，降低拍摄的图像畸变，而且保证了 光照充足，泡沫表面光照均匀。实际拍摄的泡沫图 像与降噪后泡沫图像如图2 所示。 a 泡沫图像 b 降噪图像 图2泡沫图像与降噪图像 F i g ．2 B u b b l ei m a g ea n dn o i s er e d u c t i o ni m a g e 万方数据 2 0 1 9 年第6 期冉宇等白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究 9 7 1 ．3 气泡图像的处理 拍摄图片使用M a t l a b 软件设计算法，选取目标 区域，运用M a t l a b 图像处理库对图像进行二值化处 理；随后使用C a n n y 算子对采集图像气泡进行边缘 分割，对泡沫图像进行网格化分割，像素颜色标定， 建立算法，实现泡沫图像颜色灰度化，彩色图像均衡 化，对泡沫颜色进行提取、分类，根据气泡比表面积， 建立排除规则，排除无效数据，从而得到有效的气泡 大小。 1 ．3 ．1 泡沫图像预处理 该算法是一种基于标记的分水岭算法，与神经 网络分类器相结合。分水岭分割算法是基于检测白 点和标记实现的，气泡上方形成的总反射率称为白 点，其像素强度明显高于气泡的其它部分。开发的 算法框图如图3 所示。在该算法中，首先使用中值 滤波器和自适应阈值对原始的泡沫图像进行处理， 然后通过从处理后的图像提取白点。 提取出含白点泡沫，作为神经网络分类器的输 入特征，以确定泡沫类型。实现一个中值滤波器，可 实现更新中值前滤波器的大小，确定中值后滤波器 的大小，然后实现自适应阈值，并提取第一组标记。 在平滑的原始泡沫图像上应用一些形态学算子提取 第二组和第三组标记。将所有标记集叠加，然后用 中值滤波器对表面图像进行滤波，最终得到光滑的 表面。 I 采集原始图像 I J 泡沫图像预处理 巨至困 图3泡沫图像分析与表征处理流程 F i g ．3 B u b b l ei m a g ea n a l y s i sa n d c h a r a c t e r i z a t i o np r o c e s s 1 ．3 ．2 泡沫颜色分析方法 在实际浮选过程中，由于现场环境恶劣，光照不 均及浮选动态过程中导致泡沫形态产生变化较大， 对于泡沫颜色测量产生了困难。K A A R T I E N NJ [ I ] 等人从多方位对泡沫颜色进行测量，文献对泡沫图 像分割进行了深入研究，计算了气泡面积等参数。 J A H E D S A R A V A N IA [ 2 1 将泡沫进行分类，然后采 取谷边缘检测方法分割泡沫，为测量气泡打下基础。 然而，基于这些测量方法的在线检测工业型仪表为 数还很少，适用场合有一定局限性，所以工况条件下 受限。 阳春华[ 3 ] 提出，采用计算机视觉的方法，提取 R G B 颜色空间相对红色分量，此外还采用面积重构 H 顶改进变换分水岭方法的图像分割算法，计算每 个连通区域的像素数目，由此得到泡沫图像的尺寸， 为浮选操作过程提供定量指导，提高矿厂企业经济 效益。 桂卫华[ 4 3 提出一种颜色共生矩阵方法来取代传 统的G L C M 泡沫图像纹理分析方法。随后，定义并 提取基于C C M 的有效泡沫纹理测量参数以捕获泡 沫表面纹理特征的更独特的描述。在收集了大量具 有相应冶金参数的泡沫图像后，手动测量精矿品位， 以检测的浮选槽的泡沫层中的矿物含量为代表，分 析了泡沫品复杂性与相应的精矿品位之间的定量 关系。 本文提出对泡沫图像进行二级分类，首先对于 图像原色彩进行特征提取，进一步网格化像素颜色 标定，区域面积计算，进行一级分类。第二步对图像 整体灰度进行直方图分析，提取泡沫图像整体亮度 数据。进一步使用B P 神经网络对数据进行多元化 建模预测，得出品位与颜色间复杂的相关性∞。1 “。 1 ．3 ．3B P 神经网络分类器的设计 为了建立一个全面的数据库，从实验室浮选槽 在不同条件下采集了多幅泡沫图像。每个试验选取 一个样本图像，用前面提到的测量技术提取相应的 白斑。对于每个图像，采集输入数据，即泡沫颜色量 化值，颜色量化值由原色彩分级量化指标与灰度指 标构成。输出样本值由试验测得矿物品位值，建立 输入量与输出量相关性样本，形成包含多元素数据 库。人工神经网络已被公认为解决模式分类问题的 有力工具，利用B P 神经网络，建立试验数据样本，并 且训练实验样本，建立试验黑箱模型。 2讨论 将泡沫图像有效区分为4 5 5 5 24 7 5 个像素 点，每个像素转化为实际面积约为9m m 2 ，泡沫图像 区域总面积2 22 7 5m m 2 。 万方数据 9 8 有色金属 选矿部分2 0 1 9 年第6 期 在分割图像基础上，测量气泡得出的是像素大 小和距离而不是实际气泡尺寸，为了真实反映泡沫 尺寸数据，在分割结果基础上，进行像素网格颜色标 定，统计连通区域像素个数，根据相机分辨率、工作 距离及观察区像素比例，从而确定泡沫颜色区域 面积。 2 ．1 泡沫颜色与品位相关性研究 在浮选过程中，浮选泡沫颜色与品位有着极强 的关系，通过人为经验观察图像，在浮选om i n 时泡 沫发白，整体图像亮度值偏高，标志着此时泡沫中精 矿含量偏低，精矿品位不高；浮选2m i n 时，泡沫中 矿物含量增加，泡沫图像颜色呈淡黄色；4m i n 时泡 沫颜色深度最高，呈淡黄色；6m i n 时泡沫颜色逐渐 变淡；8m i n 时精矿含量减少，泡沫图像呈现白色，泡 沫发虚。 2 ．1 ．1 形态学运算 浮选实际操作环境干扰较多、光照强度不均，泡 沫图像中极易存在一些细小的亮点干扰，所以需对 泡沫图像进行预处理，对泡沫图像中存在的噪声信 号进行消除，并在此基础上尽可能保留图像细节信 息，突出泡沫信息特征。 对图像滤波过程中，主要采用形态开、闭运算的 方法来对图像进行滤波，对于形态学开运算来说，它 首先检测泡沫图像中与整体结构相比相对较亮的部 分，对这些区域从整体形态中删除，留下与结构元素 相匹配的部分，闭运算执行的操作与开运算相反。 所以形态学开、闭运算都可对图像降噪优化，在进行 形态学运算时根据所需，选择与待处理图像特征相 符的形状、大小和方向特性的结构元素。该方法能 从图像的几何角度来对图像进行处理，并能保证图 像不被钝化。其形态学滤波部分算法程序如下 s e s t r e l ’d i s k5 ； i m s h o w 1 ，t i t l e ’o r i g i n a l i m a g e ’ ； f o i m o p e n I ，s e ； f i g u r e ，s u b p l o t 2 2 1 ，i m s h o w f o ； t i t l e ’开运算7 ； f c i m c l o s e I ，s e ； s u b p I o t 2 2 2 ，i m s h o w f c ，t i t l e ’闭运算’ ； f s e i m d i l a t e I ，s e ； f i g u r e ，s u b p l o t 2 2 1 ，i m s h o w f s e ； t i t l e 膨胀’ ； f e s i m e r o d e f s e ，s e ； s u b p l o t 2 2 2 ，i m s h o w f e s ，t i t l e ’闭运算7 ； f s e i m e r o d e I 。s e s u b p l o t 2 2 3 ，i m s h o w f s e ，t i t l e ’腐蚀’ ； f e s i m d i l a t e f s e ，s e ； s u b p l o t 2 2 4 ，i m s h o w f e s ，t i t l e ’开运算’ ； 2 ．1 ．2 原图像色彩均衡化 在图像采集过程中，由于噪声干扰，机械干扰等 因素，造成图像存在色偏，过饱和和饱和度不足等问 题。采用彩色图像均衡化方法，对图像色彩进行补 偿、校正，使图像呈现效果增强，并设计算法如图4 所示。 读人J P C 彩色 图像文件 灰度化后数据 存人数组 计算每级灰度 出现概率，存 人C P 中 ’r 填充各像素点 新的灰度值 1r 显示均衡 化后图像 图4色彩均衡化算法框图 F i g ．4 C o l o re q u a l i z a t i o na l g o r i t h m b l o c kd i a g r a m 使用M a t l a b 对色彩均衡化算法进行编程，色彩 均衡化部分程序如下 p s i m r e a d ‘c ／p i c ．j p g ’ ％读j p g 彩 色图； p s r 曲2 9 r a y P S ；％数组内存人灰度化 数据； n e w g r a y p i c f i n d g r a y p i c 一一 i 一1 一 S 2 i G p z e r o s 1 ，2 5 6 ；％计算各灰度出现的 概率； n e w G r a y p i c g r a y p i c ；％填充各像素点新 的灰度值； f 培u r e ，i m s h o w p a ％显示均衡化后图像； 图5 中 a 为拍摄原图，图 b 为均衡化后图像， 并生成比色条，对图像真色彩进行比对、分类颜色图 c 、 d 分别为增强效果前后的直方图，图像色彩均 衡化后拉伸了物体灰度细节，这样拓展了图像对比 万方数据 2 0 1 9 年第6 期冉宇等白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究 9 9 度，突出图像的特征。 a 原图像 灰度值／级 ㈤原图像直方网 h 图像色彩均衡化后图像 训⋯岫 灰度／级 f d l 色彩均衡化后灰度直方图 图5图像色彩均衡处理前后图像及灰度直方图效果对比 F i g ．5C o m p a r i s o no fi m a g ea n dg r a yh i s t o g r a mb e f o r ea n da f t e ri m a g ec o l o re q u a l i z a t i o n 色彩增强后图像色彩鲜明，根据拍摄图像色调建 立比色条，对泡沫色彩进行二级分类。首先，在色彩 均衡化后图像进行网格化处理，分析图像主色调色彩 比例，对色彩图像进行定量估计。第二步，绘制R 、G 、 B 颜色分量灰度直方图，再对灰度级对色彩进行估计。 绘制灰度直方图对图像进行灰度级分类。对泡 沫图像颜色进行颜色及分类，根据图像色调生成比色 条，将色彩由蓝到黄分为2 5 5 级，对色彩均衡化图像进 行网格化像素点标记，通过统计每一色级像素点颜色 出现频率，分析图像色彩占比，确定泡沫内矿物含量。 如图6 所示，色彩均衡化后图像对泡沫原色进 行效果增强与补偿，能够较为真实还原泡沫色彩，A 区域内深色区域为泡沫含矿量较高区域，色级度范 围为2 0 0 级一2 5 5 级；浅色区域为泡沫透明区，即矿 物含矿量较低区域，色级范围为。级一5 0 级。 图6图像矿物含量分析 F i g ．6I m a g em i n e r a lc o n t e n ta n a l y s i s O 万方数据 1 0 0 有色金属 选矿部分2 0 1 9 年第6 期 对泡沫图像色彩进行概率分布统计如图7 所 示，黄色区域占比4 6 ．0 2 ％，深黄色区域占比 2 3 ．9 5 ％。对图像灰黄色带与蓝色带区域面积出现 京 坦] 聪 概率进行概率分布统计，并对试验过程黄色带区域 占比进行统计，如图7 所示。 图7泡沫颜色概率分布统计及实验拟合曲线 F i g ．7 B u b b l ec o l o rp r o b a b i l i t yd i s t r i b u t i o ns t a t i s t i c sa n de x p e r i m e n t a lf i t t i n g 通过对原图像灰度分析，如图8 所示，对图像整 体明暗程度进行定量分析，绘制灰度分布直方图，除 去高亮反射点，以及极暗点，图像整体呈正态分布， l 4 红色分量 l0 4 绿色分量1 0 a 蓝色分量 05 01 0 01 5 02 0 02 5 0 O5 01 0 01 5 0 2 0 02 5 0O5 01 0 01 5 02 0 02 5 0 灰度／级灰度／级 灰度／级 a R 、G 、B 颜色分量 om i n 时泡沫图像灰度峰值为1 7 7 。从而进一步对 o ～8m i n 图像灰度峰值进行统计，为样本分析提供 依据。 图8 颜色分量灰度直方图 F i g ．8 C o l o rc o m p o n e n tg r a yh i s t o g r a m 2 ．2 品位预测模型 安装图像采集系统，选用5 0wL E D 光源，选择 合适角度照射。均匀的将光照射在泡沫表面，使每 一泡沫上均有高亮反射点，此点为泡沫的顶点，泡沫 阈值分割的起始点。为减少图像噪声、机械干扰，需 适当调整焦距，光源角度，保证图像质量达最佳 灰度／级 f b 灰度直方图曲线 状态。 验证测量方法可靠性，使用一段时间内试验数 据，分析图像，同时进行矿物品位指标，对于泡沫颜 色与品位关系，由图中看出泡沫大小与回收率的相 关性强，品位与颜色、灰度值相关性强。使用B P 神 经网络对向本进行训练，设置输入数据样本，输出数 万方数据 2 0 1 9 年第6 期冉宇等白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究 1 0 1 据样本，对样本进行预测。R 越接近1 ，回归方程越 显著；通过多元线性回归如图9 所示。 冰 萍 擎 回 预测样本／个 图9B P 神经网络测试集品位预测结果及误差分析 F i g ．9 B Pn e u r a ln e t w o r kt e s ts e tg r a d ep r e d i c t i o n r e s u l ta n de r r o ra n a l y s i s 3结论 本文提出了一种基于计算机图像处理的泡沫颜 色估计测量方法，通过高性能彩色相机，采集浮选过 程中浮选泡沫图像，分别研究以下内容 1 通过算法设计，对采集泡沫图像进行预处理， 形态学滤波，降噪处理。 2 通过阈值分割，图像均衡化处理，对泡沫颜色 进行二级分类索引，推原图像色彩进行分级分类定 量。绘制颜色分布直方图，绘制 R ，G ，B 灰度直方 图，从而对泡沫颜色进行灰度定量估计。 3 对泡沫图像与浮选品位进行相关性分析，建 立预测模型，品位与颜色相关性R 2 达到O ．9 7 9 9 ，说 明相关性强。 参考文献 [ 1 ] K A A R T I N E NJ ，H A T O N E NJ ，H Y O U T Y N I E M IH ， e ta 1 ．M a c h i n e v i s i o n b a s e dc o n t r o lo fz i n ef l o t a t i o n A c a s es t u d y [ J ] ．c o n t r o lE n g i n e e r i n gP r a c t i c e ，2 0 0 6 ，1 0 9 1 4 5 5 一1 4 6 6 ． [ 2 ] JA H E D s A R A V A N IA ，M A S S l N A E IM ，M A R H A B A N MH ．A ni m a g es e g m e n t a t i o na l g o r i t h mf o rm e a s u r e m e n t o ff l o t a t i o nf r o t hb u b b l es i z e d i s t r i b u t i o n s [ J ] ． M e a s u r e m e n t ，2 0 1 7 ，3 7 2 9 3 7 ． [ 3 ] 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，2 0 0 9 4 7 1 7 7 2 1 ． [ 4 ] 桂卫华，阳春华，徐德刚，等．基于机器视觉的矿物浮选过 程监控技术研究进展[ J ] ．自动化学报，2 0 1 3 ，3 9 1 1 1 8 7 9 1 8 8 6 ． [ 5 ] 刘文礼，路迈西，王振种，等．煤泥浮选泡沫数字图象处理 研究[ J ] ．中国矿业大学学报，2 0 0 2 ，3 1 3 2 3 3 2 3 6 ． [ 6 ] 杨英杰，黄光辉，李侠．计算机仿真在浮选过程中的应用[ J ] ． 有色金属 选矿部分 ，2 0 0 6 1 4 5 4 7 ． [ 7 ] 邹国斌，王庆凯，余刚．M A T I ，A B 仿真在选矿过程控制 中的多层次应用[ J ] ．有色冶金设计与研究，2 0 1 5 ，3 6 6 3 5 3 7 ． [ 8 ] 赵广元．M A T L A B 与控制系统仿真实践[ M ] ．北京北京 航空航天大学出版社，2 0 0 9 3 0 6 ． [ 9 ] 张翼．选矿过程自动化[ M ] ．北京化学工业出版社， 2 0 1 7 1 9 0 ． [ 1 0 ] 马爱莲，徐德刚，谢永芳，等．基于复杂网络时空特性的 泡沫图像动态纹理特征分析[ J ] ．化工学报，2 0 1 7 ， 6 8 3 1 0 2 3 1 0 3 0 ． [ 1 1 ] 吴佳，谢永芳，阳春华，等．基于泡沫图像特征的金锑浮 选入矿品位估计[ J ] ．控制理论与应用，2 0 1 5 ，3 2 2 2 6 2 2 6 6 ． 万方数据