机器视觉技术在浮选精矿品位软测量中的研究现状.pdf

7 0 有色金属 选矿部分2 0 1 4 年第1 期 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 4 ．0 1 ．0 1 8 机器视觉技术在浮选精矿品位软测量中的研究现状 任传成，杨建国 中国矿业大学国家煤加工与洁净化工程技术研究中心，江苏徐州2 2 1 1 1 6 摘要针对浮选过程中亟待解决的精矿品位测量问题，阐述了实现精矿品位检测的重要意义。概述了国内外机器视 觉技术在精矿品位软测量方面的研究进展，着重介绍了辅助变量选取、基于回归分析和神经网络的建模方法。最后对机器视 觉在精矿品位软测量中的发展趋势进行了展望。 关键词精矿品位；机器视觉；软测量 中图分类号I “ I 9 2 8 ．9 ；T P 2 7 3文献标志码A文章编号1 6 7 1 9 4 9 2 2 0 1 4 0 1 - 0 0 7 0 - 0 4 R e v i e wo ft h eM a c h i n eV i s i o nT e c h n o l o g yi nt h eS o f tS e n s o ro fC o n c e n t r a t eG r a d ef o rF l o t a t i o n P r o c e s s R E N C h u a n c h e n g ，Y A N GJ i a n g u o N a t i o n a lE n g i n e e r i n gR e s e a r c hC e n t e ro fC o a lP r e p a r a t i o na n dP u r i J 记a t i o n ，C h i n a U n i v e r s i t yo fM i n i n ga n dT e c h n o l o g y ，X u z h o uJ i a n g s u2 2 1 1 1 6 ，C h i n a A b s t r a c t T h em e a s u r e m e n tp r o b l e mo fc o n c e n t r a t eg r a d ew a sn e e d e dt ob es o l v e di nt h ef l o t a t i o n o p e r a t i o n ，a n dt h es i g n i f i c a n c eo ft h ec o n c e n t r a t eg r a d et e s t i n gw e r ec l a r i f i e d ．T h ep r o g r e s so fm a c h i n ev i s i o n t e c h n o l o g yi nt h es o f ts e n s o ro fc o n c e n t r a t eg r a d ew a ss u m m a r i z e di n t h i sp a p e r ．a n ds e l e c t i o no ft h e s e c o n d a r yv a r i a b l e s 。m o d e h n gb a s e do nr e g r e s s i o na n a l y s i s a n da r t i f i c i a ln e u r a ln e t w o r kw e r ei n t r o d u c e d e m p h a t i c a l l y ．F i n a l l yt h ep r o s p e c t i o no ft h i st e c h n o l o g yW a sd i s c u s s e d ． K e Vw o r d s c o n c e n t r a t eg r a d e ；m a c h i n ev i s i o n ；s o f ts e n s o r 在选矿厂浮选生产过程中，精矿品位不仅表征 浮选产品中有用矿物含量多少，而且还是浮选生产 的关键控制指标。浮选生产的主要目的是在确保精 矿品位符合等级要求的条件下追求最大回收率和最 佳经济效益，因此，只有实时准确地测量出精矿品 位，有利于现场随时调整运行参数，将精矿品位控 制在最佳范围内，从而最大可能地提高浮选生产效 率。但是精矿品位受到入浮矿物特性、矿浆流量和 浓度、药剂用量、充气量、以及泡沫层厚度、气泡 尺寸等多种因素的影响，而且浮选过程具有非线 性、大迟滞性、参数时变和多变量耦合等特点，其 工作机理十分复杂，这些复杂性和不确定性给精矿 品位在线测量带来了极大挑战。 采用基于机器视觉的精矿品位软测量技术是解 决以上问题的有效途径之一。2 0 世纪9 0 年代以 来，国内外研究人员已提出通过视觉传感器建立浮 选泡沫图像采集系统[ 1 - 1 0 ] ，利用图像技术分析得到 基金项目中央高校基本科研业务费专项资金资助项目 2 0 1 2 L W B 2 2 收稿日期2 0 1 3 - 0 3 ．0 5修回日期2 0 1 3 1 1 - 2 3 作者简介任传成 1 9 7 2 一 ，男，山东淄博人，副教授，博士研究生。 泡沫图像特征，构造出泡沫图像特征与精矿品位之 间的数学模型，通过该模型可以实现精矿品位信息 的连续输出，为优化浮选生产提供可靠的数据保 证。基于机器视觉的精矿品位软测量技术主要包括 泡沫图像采集、泡沫图像分析与处理、精矿品位模 型等部分组成。图1 是一种典型的浮选泡沫图像采集 系统。精矿品位模型是精矿品位软测量技术的重要 组成部分。下面重点阐述基于机器视觉的精矿品位软 测量建模方法的研究现状，为今后的机器视觉技术 在浮选精矿品位软测量中应用研究提供重要参考。 1 浮选精矿品位软测量 基于机器视觉技术的浮选精矿品位软测量模型 主要由辅助变量的选取、精矿品位软测量建模方法 两部分组成，如图2 所示。其中精矿软测量建模方 法是机器视觉技术在精矿品位软测量应用的核心部 分。精矿软测量建模方法的关键是确定与主导变量 万方数据 2 0 1 4 年第1 期 任传成等机器视觉技术在浮选精矿品位软测量中的研究现状 7 1 i } 蒺 照明系统 浮选稻 图1 典型的浮选泡沫图像采集系统 F i g ．1T y p i c a lf l o t a t i o nf r o t hi m a g ec o n e c t i o n s y s t e m 精矿品位 关系相近、关系密切的可测量变量 泡沫图像 之间关系。精矿品位软测量模型的性 能将依赖于辅助变量的特性、建模方法选取。在基 于机器视觉技术的浮选精矿品位软测量建模过程 中，视觉传感器的应用使得浮选槽 或浮选柱 表 面的泡沫图像成为易测变量，通过对泡沫图像进行 分析处理，从泡沫图像特征参数中选取辅助变量并 结合主导变量，可为建立精矿品位软测量模型提供 训练数据和验证数据。 辅助变量‘_ 叫颜色特征卜_ _ 叫纹理特征卜- I 泡沫图像卜}爿精矿品位软测量模型J - q 结构特征F - 叫速度特征卜 图2 精矿品位软测量模型示意图 F i g ．2 B l o c kd i a g r a mo fs o f ts e n s o ro fc o n c e n t r a t e g r a d e 2 辅助变量的选取 在浮选过程中，泡沫特征要受到人浮矿物种 类、浮选药剂、充气率、人浮矿浆浓度、颗粒分布 和泡沫高度等因素的影响[ 1 1 | ，关系较为复杂。在 利用机器视觉技术进行浮选精矿品位软测量建模 时，国内外研究人员针对各自研究的浮选泡沫对象 的实际情况，进行泡沫图像分析和软测量模型辅助 变量的选择。在确定主导变量为精矿品位后，一些 研究人员主要对浮选泡沫图像进行颜色分析，从泡 沫颜色特征和纹理特征中选取辅助变量。如英国诺 丁汉大学的H a r g r a v e 等人[ 2 】6 t [ 3 ] 6 1 5 将锡矿泡沫颜 色中相对红色作为辅助变量。中国矿业大学的张奕 奎等人【7 选取精煤泡沫图像的平均灰度、能量、 熵和矩等参数作为辅助变量；华南师范大学的黄胜 国等人㈦考虑到浮选自钨矿时泡沫层精矿品位越 高，泡沫图像越亮，图像的灰度值也越高，也选取 了泡沫图像的灰度平均值、能量、熵和矩等纹理参 数作为辅助变量。江西理工大学的何桂春等人[ 1 3 】 为了预测黄铜矿浮选试验的精矿铜品位和回收率， 选取泡沫图像灰度直方图的均值、方差、偏差和熵 等6 个统计纹理特征量作为软测量模型的辅助变 量。B a r t o l a c c i 研究小组Dr ] “ ／“ 3 6 - 7 4 2 利用P C A 技术分析 得到泡沫图像颜色，采用灰度级共生矩阵技术和小 波分析对泡沫图像进行纹理分析，通过这些技术所 得到变量作为精矿品位软测量的辅助变量。南非斯 坦陵布什大学的M a r a i s 等人[ 9 ] 4 3 弧[ 1 0 ] 昭韶分别构 造了适合于描述泡沫的彩色图像、灰度图像、直方 图均衡化图像、对比度增强图像和二值图像的空间 灰度共生矩阵，并在此基础上提取了泡沫的1 9 个 纹理特征参数作为软测量模型的辅助变量。为了更 好分析泡沫表面结构特征，B o n i f a z i 等人[ 1 4 , 1 5 】构 建了浮选泡沫表面3 D 模型，推导得到泡沫表面的 分形维数，将其结合泡沫颜色特征参数作为软测量 的辅助变量。 除了泡沫图像颜色特征和泡沫结构特征对精矿 品位有影响之外，泡沫速度特征还对精矿品位产生 一定影响，因此软测量模型的辅助变量还应考虑到 从泡沫速度特征中选取。北京矿冶研究总院的曾荣 研究小组【4 】碍瑚对镍选矿厂的浮选泡沫图像进行分 析，提取出泡沫图像颜色、气泡大小和个数、泡沫 的稳定度和移动速度等参数作为预测精矿镍和氧化 镁的软测量模型的辅助变量。沃国经I S ] 鹃选取泡 沫颜色、气泡个数和大小、泡沫的稳定度和移动速 度等参数作为软测量模型的辅助变量。中南工业大 学的李启福研究小组I s i s 6 选取泡沫颜色特征中的 红、绿、蓝均值、相对红色分量、色调、饱和度以 及泡沫的平均大小、泡沫速度和泡沫稳定性等1 4 个参数作为辅助变量。梁栋华研究小组[ s ㈨[ - s 1 选 择泡沫颜色的红、绿、蓝三色值、惯性矩、泡沫移 动速度、气泡个数和大小等参数，用于预测铜品位 软测量模型的辅助变量。芬兰赫尔辛基工业大学的 H a t o n e n 研究小组[ 1 7 】在选择辅助变量时不仅考虑 泡沫颜色特征，而且还考虑了泡沫破裂率和泡沫速 度的空间差异性等参数，从中选择1 4 个参数作为 辅助变量。 3 软测量建模方法 浮选精矿品位软测量模型是表征辅助变量 泡 息～ 万方数据 7 2 有色金属 选矿部分2 0 1 4 年第1 期 沫图像特征 与主导变量 精矿品位 的数学关系 模型。由于浮选过程是一个复杂的物理、化学过 程，影响浮选精矿品位诸多因素具有耦合性和非线 性、大滞后等特征，因此浮选精矿品位的软测量难 以采用机理建模方法，比较适合采用经验建模方 法。经验建模方法根据实际测量浮选泡沫图像特征 或长期积累的浮选生产经验，主要采用回归分析和 神经网络等智能方法构建精矿品位软测量模型。 3 ．1 基于回归分析的精矿品位软测量 回归分析作为一种经验建模方法，是以最小二 乘法为基础的一元或多元回归辨识统计方法。在实 际应用过程中，常采用多元回归方法和偏最小二乘 回归法建立精矿品位软测量模型。 黄胜国等人[ 1 2 ] 缱通过泡沫图像纹理参数的线 性回归分析，建立了铅精矿品位的软测量模型，对 精矿品位预测精度基本达到实用要求。J ．M ． H a r g r a r e 等人[ 2 3 卵．[ 3 ] 6 1 ，采用回归分析方法构建了泡 沫颜色与锡精矿品位之间的软测量模型，该模型表 明泡沫的相对红色与锡精矿品位之间存在指数关 系，通过该模型可以较好地估计锡精矿品位。 由于辅助变量与精矿品位之间没有显著的相关 性，可以根据估计浮选泡沫中不同精矿，有选择地 选取不同辅助变量。C ．B o n f f 北i 等人[ 1 4 ] 删．[ 1 5 瑚在 选取不同辅助变量基础上，利用多元回归方法分别 构建出估算铅、锌、铜和氧化镁的品位软测量模 型，均可用于预测浮选泡沫中矿物品位。张奕奎等 人[ ，1 使用多元线性回归法建立泡沫的灰分和浓度 的软测量模型，为浮选过程控制的决策提供依据。 曾荣等人[ t ] 纠一利用多元回归分析技术分别建立预 测精矿的镍、铜和氧化镁品位的软测量模型，预测 镍品位的软测量模型和预测氧化镁品位的软测量 模型精度最好，预测铜品位的软测量模型精度最差， 镍和氧化镁品位软测量模型已应用到浮选生产实 践中。 由于构建精矿品位软测量模型的辅助变量之间 往往存在一定相关| 生，这种情况会影响回归预测模 型的精度，而偏最d x - - 乘回归法能够很好解决这个 问题。J ．H a t o n e n 等人m ] 稻1 堋利用偏最小二乘回归 法对辅助变量进行处理，最后得到5 个变量来构建 锌精矿品位软测量模型，取得了较好预测效果。C ． B a r t o l a c c i 等人[ 1 1 ] 瑚- 7 4 2 采用偏最小二乘回归方法建 立了锌、铅和铁品位的软测量模型，该模型能够较 好利用泡沫颜色特征来预测精矿品位。 浮选工艺流程是一个多变量、非线性及工作机 理复杂的流程，浮选泡沫图像特征与精矿品位之间 一般地存在非线性关系，为了解决这一问题，李 启福等人[ 8 ] 研珊采用数值分析理论中样条函数对 每个浮选泡沫图像特征做3 次B 样条变换，用拟线 性的方法将非线性问题转化为线性化问题，然后再 利用偏最小二乘非线性回归方法建立精矿品位的软 测量模型；在模型校正方面，采用滑窗的方式对回 归模型中参数进行更新和输出补偿，从而为浮选工 艺的进一步过程控制和优化提供指导。 3 ．2 基于神经网络的精矿品位软测量 基于神经网络的精矿品位软测量建模技术可以 在不需要了解浮选过程的机理知识条件下，根据泡 沫图像特征参数建立与精矿品位之间网络模型，比 较适合解决非线性和不确定性的浮选泡沫精矿品位 软测量建模问题。 J ．M ．哈格雷夫等人E 2 ] 7 也E 3 36 l ，捌利用神经网络建 立了泡沫颜色与锡精矿品位之间软测量模型，该模 型与基于回归分析的软测量模型相比较，拟合系数 没有较大变化，预测精矿品位精度相近。梁栋华等 人[ o ] 4 4 通过提取泡沫图像得到泡沫图像特征参数， 选择改进型B P 神经网络建立了泡沫图像特征参数 与铜精矿品位之间的软测量模型，结果表明该模 型可以预测铜精矿品位。为了加快人工神经网络 学习的收敛速度，何桂春等人[ 1 3 ] 鲫- 1 0 0 在黄铜矿浮 选过程中，采用径向基神经网络建立了浮选指标 与泡沫特征之间软测量模型，模型具有相当好的 学习能力，收敛速度快。C ．M a a i s [ 9 ] 僻4 剪[ 1 0 ] 8 4 书分 别以实验室和工业浮选泡沫图像特征数据为训练样 本，采用多层感知器神经网络，建立了泡沫图像特征 参数与铂精矿品位及回收率之间的实验室和工业两 个软测量模型，并分别利用这两个软测量模型对精矿 品位进行预测，仿真结果验证了这种建模方法的有 效性和优越性，为在线测量精矿品位提供了有力依据。 4 结论 在浮选生产过程中，精矿品位的测量要受到如 矿石性质的变化、入浮给矿特性的变化和浮选生产 中操作条件的变化等多种因素的影响，快速、精确 地测量精矿品位比较困难。基于机器视觉的精矿品 位软测量技术为精矿品位测量提供了一种行之有效 的方法。通过选取合适的辅助变量，利用智能算法 构建泡沫图像特征参数与精矿品位之间的软测量模 型，进一步改善和提高预测精矿品位精度已经成为 研究与应用的主要方向。 万方数据 2 0 1 4 年第1 期任传成等机器视觉技术在浮选精矿品位软测量中的研究现状 7 3 参考文献 [ 1 ] M o o l m a l lDW ，A 1 d r i e hC ，V a nD e v e n t e rJSJ ，e ta 1 ． D i g i t a li m a g ep r o c e s s i n g a sat o o l f o ro n - l i n e m o n i t o r i n g o ff r o t h i nf l o t a t i o np l a n t s [ J ] ．M i n e r a l sE n g i n e e r i n g ， 1 9 9 4 ，7 9 1 1 4 9 1 1 6 4 ． [ 2 ] 哈格雷夫JM ，哈尔s ．T ．根据泡沫的颜色和表面结 构判断锡矿物中浮选的精矿品位和泡沫中的固体流量 [ J ] ．国外选矿快报，1 9 9 8 2 5 - 8 ． [ 3 ] H a r g r a v eJM ，H a l lST 。D i a g n o s i so fc o n c e n t r a t eg r a d e a n dm a s sf l o w r a t ei nt i nf l o t a t i o nf r o mc o l o u ra n d s u r f a c et e x t u r ea n a l y s i s [ J ] ．M i n e r a l sE n g i n e e r i n g ，1 9 9 7 ， 1 0 6 6 1 3 6 2 1 ， [ 4 ] 曾荣，沃国经．图像处理技术在镍选矿厂中的应用 [ J ] ．矿冶，2 0 0 2 ，1 1 1 3 7 - 4 1 ． [ 5 ] 沃国经．F P - 0 1 浮选泡沫图像处理系统[ J ] ．有色冶金设 计与研究，2 0 0 3 ，2 4 S 1 8 7 8 9 ． [ 6 ] 梁栋华，于飞，赵建军，等．B F I P S I 型浮选泡沫图像 处理系统的应用与研究[ J ] _ 有色金属 选矿部分 ， 2 0 1 l 1 4 3 4 5 ． [ 7 ] 张奕奎，陈凌，王飞．基于图像识别的浮选控制系统 [ J ] ．工矿自动化，2 0 0 2 1 1 4 - 1 6 ． [ 8 ] 李启福，王雅琳，曹泊，等．基于滑窗B 样条偏最小二 乘的浮选过程质量指标软测量[ J ] ．中国科技论文， 2 0 1 2 4 2 9 4 3 0 1 ． [ 9 ] M a r a i sC ，A l d r i c hC ．E s t i m a t i o no fp l a t i n u mf l o t a t i o n g r a d e sf r o mf r o t hi m a g ed a t a [ J ] ．M i n e r a l sE n g i n e e r i n g ， 2 0 1 1 ．2 4 5 4 3 3 4 4 1 ． [ 1 0 ] M a r a i sC ，A l d r i chC ．T h ee s t i m a t i o no fp l a t i n u m f l o t a t i o n g r a d ef r o m f r o t h i m a g e f e a t u r e s b yu s i n g a I t i f i c i a ln e u r a ln e t w o r k s [ J ] ．J o u r n a lo ft h eS o u t h A f r i c a nI n s t i t u t e o fM i n i n ga n dM e t a l l u r g y ，2 0 1l ，1l 1 2 8 1 8 5 ． 『1 11B a r t o l a c c iG ，P e l l e t i e rJ r ．P ，T e s s i e rJ r ．J ，e t a 1 ． A p p l i c a t i o n o fn u m e r i c a li m a g ea n a l y s i st op r o c e s s d i a g n o s i sa n dp h y s i c a lp a r a m e t e rm e a s u r e m e n ti nm i n e r a l p r o c e s s e s - - P a r tI F l o t a t i o n c o n t r o lb a s e do nf r o t h t e x t u r a lc h a r a c t e r i s t i c s [ J ] ．M i n e r a l sE n g i n e e r i n g ，2 0 0 6 ， 1 9 6 8 7 3 4 7 4 7 ． [ 1 2 ] 黄胜国，杨英杰．浮选泡沫图像识别系统的设计与实现 [ J ] ．工业控制计算机，2 0 0 6 ，1 9 6 6 2 6 3 ，6 8 ． [ 1 3 ] 何桂春，黄开启．浮选指标与浮选泡沫数字图像关系研 究[ J ] ．金属矿I 上I ，2 0 0 8 8 9 6 1 0 1 ． 1 4B o n i f a z iG ，M a s s a c c iP ，M e l o n iA ．P r e d i c t i o no f c o m p l e xs u l f i d e f l o t a t i o n p e r f o r m a n c e sb ya c o m b i n e d 3 Df r a c t a la n de o l o u ra n a l y s i so ft h ef r o t h s [ J ] ．M i n e r a l s E n g i n e e r i n g ，2 0 0 0 ，1 3 7 7 3 7 7 4 6 ． [ 1 5 ] G ．伯尼法兹，P ．马萨奇，A ．米洛尼．用3 D 分形和颜色 分析相结合的方法预测复杂硫化矿物浮选指标[ J ] ．国 外金属矿选矿，2 0 0 0 ，3 7 1 2 3 5 3 8 ，4 1 ． [ 1 6 ] 汪中伟，梁栋华．基于浮选泡沫图像特征参数的应用研 究E J ] ．矿冶，2 0 1 1 ，2 0 2 8 2 8 4 ． 11 7 ] H a t o n e nJ ，H y o t y n i e m iH ，M i e t t u n e nJ ，e ta 1 ．U s i n g i m a g ei n f o r m a t i o na n dp a r t i a ll e a s ts q u a r e sm e t h o dt o e s t i m a t em i n e r a lc o n c e n t r a t i o n si nm i n e r a lf l o t a t i o n lCj ． I P M M ’9 9 ．1 9 9 9 4 5 9 4 6 4 ． C 仓 僚 僚 仓 仓 仓 岔 岔 岔 仓 仓 仓 命 仓 命 命 岔 仓 命 岔 岔 仓 个 仓 岔 命 岔 仓 岔 夼 仓 命 仓 岔 上接第4 5 页 表5闭路试验结果 T a b l e5R e s u l t so ft h ec l o s e d c i r c u i tt e s t／％ 3 结论 1 云南某铅锌矿尾矿中萤石含量较高，铅锌 尾矿多元素分析结果表明，萤石含量达4 5 ．4 9 ％， 具有较高的回收价值，主要的脉石矿物为石英，同 时含有少量的白云石和方解石等碳酸盐矿物。 2 对此铅锌尾矿中的萤石进行了原矿嵌布粒 度测定，结果表明，萤石的主要粒度范围为0 ．0 8 ～ 2 ．5 6m m ，在现场磨矿细度为一7 4 ／x r n 占8 1 ．0 ％的 条件下，萤石解离度达9 9 ．2 3 ％，基本完全解离， 所以没有必要对其进行再磨。 3 本铅锌尾矿为典型的萤石一石英型萤石矿， 采用“三次粗选、两次扫选、七次精选”的浮选流 程，抑制剂选用新型复合脉石抑制剂F D 一1 ，捕收 剂采用低温条件下捕收性能较好的F C 一8 ，可以获 得萤石精矿品位9 7 ．1 2 ％，回收率为9 3 ．5 0 ％的优良 指标。 参考文献 [ 1 ] 牛丽贤，张寿庭．中国萤石产业发展战略思考[ J ] ．中国 矿业，2 0 1 0 ，1 9 8 2 1 2 5 ． [ 2 ] 钟江春．我国萤石资源利用概况及其发展趋势[ J ] ．化学 工业，2 0 1 1 ，2 9 1 2 1 1 - 1 5 ． [ 3 ] 周菁．钨钼铋萤石复杂多金属矿选矿工艺方案研究[ J ] ． 有色金属 选矿部分 ，2 0 0 9 6 1 9 2 2 ． [ 4 ] g - 产资源综合利用手册编辑委员会．矿产资源综合 利用手册[ M ] ．北京科学出版社，2 1 3 0 0 5 6 4 ． [ 5 ] 朱建光．萤石浮选的几个问题[ J ] ．国外金属矿选矿。 2 0 0 4 6 4 9 ． [ 6 ] 罗溪梅，童雄，王云帆．萤石浮选药剂的研究状况[ J ] ． 湿法冶金，2 0 0 9 ，2 8 3 1 4 6 1 5 3 ． [ 7 ] 凌石生，肖婉琴，肖巧斌，等．新型捕收剂B K 4 1 0 在某萤 石矿中的应用[ J ] ．有色金属 选矿部分 ，2 0 1 0 6 4 8 5 0 ． [ 8 ] 叶志平，何国伟．柿竹园萤石浮选捕收剂的研究[ J ] ．有 色金属 选矿部分 ，2 0 0 7 1 4 7 ．4 9 ． 万方数据