资源描述：
中图分类号婴2 2 垒 U D C6 2 0 硕士学位论文 学校代码 Q 3 三 密级公珏 基于局部特征的矿物浮选泡沫图像分类 与工况识别 F l o t a t i o nF r o t hI m a g eC l a s s i f i c a t i o na n d R e c o g n i t i o n b a s e do nL O C a lF e a t u r e s 作者姓名 学科专业 研究方向 学院 系、所 指导教师 张润钦 控制科学与工程 复杂工业过程优化控制 信息科学与工程学院 王雅琳教授 论文答辩日期砬2 ；。多、／0 答辩委员会主席堕盔鹫砬 中南大学 二。一三年五月 原删声明嘲y 2 4 2 ㈣4 3 1 5 本人声明，所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。尽我所知，除了论文中特别加以标注和致谢的 地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包 含为获得中南大学或其他单位的学位或证书而使用过的材料。与我共 同工作的同志对本研究所作的贡献均已在论文中作了明确的说明。 作者签名数爿盈奄筵日期丛粤年上月盟日 学位论文版权使用授权书 本人了解中南大学有关保留、使用学位论文的规定，即学校有 权保留学位论文并根据国家或湖南省有关部门规定送交学位论文，允 许学位论文被查阅和借阅；学校可以公布学位论文的全部或部分内 容，可以采用复印、缩印或其它手段保存学位论文。同时授权中国科 学技术信息研究所将本学位论文收录到中国学位论文全文数据库， 并通过网络向社会公众提供信息服务。 作者签名 主筮 i 亟基导师签名日期皿年』月卫日 基于局部特征的矿物浮选泡沫图像分类与工况识别 摘要近年来，数字图像处理技术在矿物浮选过程中得到了广泛的研 究与应用。浮选泡沫表面状态信息与浮选生产状况、经济指标之间密 切相关，通常不同的浮选工况，泡沫表面纹理深浅、清晰度、颜色等 特征各不相同，可以通过识别泡沫图像来得到工况信息。然而，由于 浮选泡沫图像含工业粉尘、光照噪声较大，影响了泡沫图像分类识别 的准确度。因此研究如果降低噪声影响，提高分类识别准确率具有重 要意义。论文主要研究工作与创新成果如 F 1 针对获取到的泡沫图像含噪声较大，影响了分类准确度的问 题，提出了一种基于局部特征向量空间模型的泡沫图像分类方法。该 方法通过对泡沫图像进行局部分块，抽取图像局部信息，再进行一定 抽象处理后进行分类识别，能够有效降低噪声对分类准确度的影响。 2 在泡沫图像词袋向量的基础上，引入贝叶斯概率模型，并用 最大期望算法对概率模型参数进行估计，提出了基于局部特征贝叶斯 概率模型的泡沫图像分类方法。相对于基于局部特征向量空间模型的 泡沫图像分类方法，该方法由于充分利用了经验知识和样本信息，分 类准确率得到进一步提高。 3 针对因局部纹理、颜色等静态特征相似，难以识别出运动紊 乱泡沫图像的问题，利用尺度不变特征变换算子，通过检测、匹配泡 沫图像局部特征点，提取浮选泡沫图像的动态特征参数。 4 以硫浮选为对象，在分析了泡沫各类特征参数与工况关系的 基础上，综合考虑泡沫图像局部的静、动态特征参数与浮选性能的关 系，提出了基于局部静、动态特征的浮选泡沫图像分层分类识别系统。 采用现场检测数据进行仿真研究，结果表明本文所提出的基于 局部静、动态特征的浮选泡沫分层分类识别系统能够达到很好的分类 效果，为矿物浮选优化控制打下了基础。论文共有图5 2 幅，表8 个， 参考文献6 2 篇。 关键词泡沫浮选；图像分类识别；局部特征；向量空间模型；贝叶 斯概率模型 分类号T P 2 7 4 I I F l o t a t i o nF r o t hI m a g eC l a s s i f i c a t i o na n dR e c o g n i t i o n B a s e do nL o c a lF e a t u r e s A B S T R A C TI th a sb e c a m eac o m n l o l lm e t h o dt ot a k ea d v a n t a g eo f d i g i t a li m a g ep r o c e s s i n gt e c h n o l o g yt o t oo b t a i nf l o t a t i o np e r f o r m a n c e i n f o r m a t i o ni nr e c e n ty e a r s ．D i f f e r e n tk i n do ft e x t u r e ，c l a r i t y , c o l o ra n d o t h e rc h a r a c t e r i s t i c so ff r o t hi m a g ea l w a y sm e a nd i f f e r e n tk i n do f f l o t a t i o ns i t u a t i o n ．W h i l em u c hd u s t ，l i g h tn o i s ef e a t u r e so ff r o t hi m a g e s m a k ei th a r dt of i n da l le f f c c t i v ea l g o r i t h mt od i s t i n g u i s hd i f f e r e n tk i l l do f f r o t hi m a g ea c c o r d i n gt oi t sc o r r e s p o n d i n gf l o t a t i o np e r f o r m a n c e ．T h i s p a p e rt r yt of i n da ne f f e c t i v e 丘o t hi m a g ec l a s s i f i c a t i o nm e t h o db a s e do n l o c a lf e a t u r e s ．T h em a i nr e s e a r c hw o r ka n di n n o v a t i o n sa c h i e v e m e n to f t h i sP a p e ra r ea sf o l l o w s 1 T h ef l o t a t i o nf r o t hi m a g ec l a s s i f i c a t i o nm e t h o d sb a s e do nf r o t h b o t t o mc h a r a c t e r i s t i c sh a v et h ep r o b l e m so fl o wa c c u r a c yb e c a u s eo f n o i s e s ．S oaf l o t a t i o nf r o t hi m a g ec l a s s i f i c a t i o nm e t h o db a s e do n1 0 c a l f e a t u r e si sp r e s e n t e dt os o l v et h e s ep r o b l e m s ．R e f e r r i n gt ot h em e t h o do f t e x tc l a s s i f i c a t i o n ，t h ef r o t hi m a g ei Sf i r s t l yd i v i d e di n t ob l o c k s ，e x t r a c t e d t h e s eb l o c k s ’b o t t o mc h a r a c t e r i s t i c sa n dc l u s t e r e dt ob u i l d 也et a b l eo ft h e f r o t hs t a t u sw o r d s ．B a s e do nt h et a b l e ，t h es i m i l a r i t yb e t w e e nt h ew o r d s a n dt h ew o r d f r e q u e n c y a r ec a l c u l a t e d ，a n dt h e nt h ef r o t h i m a g ei s d e s c r i b e dw i t hab a g ．o f - w o r dv e c t o r ．F i n a l l y , t h ec l a s s i f i c a t i o na n d r e c o g n i t i o no fr e a lt i m ef r o t hi m a g ei Sr e a l i z e db a s e do nV S Mm e t h o d ． 2 V ot a k ef u l la d v a n t a g eo fe x p e r tk n o w l e d g e ，aB a y e s i a np r o b a b i l i t y m o d e li s b e i n gu s e d ，a n d t h e nt oe s t i m a t et h e p r o b a b i l i t y m o d e l p a r a m e t e r s 谢t hE Ma l g o r i t h m ．B a s e d0 nt h i s ，a ni m a g ec l a s s i f i c a t i o n i d e n t i f i c a t i o nm e t h o db a s e do nB a y e s i a np r o b a b i l i t ym o d e l i Sp r e s e n t e d ． T h ep e r f o r m a n c eo ft h i sm e t h o di Sb e t t e rt h a nV S Mm e t h o df o rt a k e s f u l la d v a n t a g eo f e x p e r tk n o w l e d g e ． 3 C o n s i d e r i n gt h ed y n a m i cc h a r a c t e r i s t i e so ff l o t a t i o nf ．r o t hs h o w s o m ef l o t a t i o np e r f o r m a n c ei n f o r m a t i o n ．A1 0 c a lf e a t u r em a t c h i n gm e t h o d b a s e do nS c a l eI n v a r i a n tF e a t u r eT r a n s f o r m S I F T i Sg i v e nt oo b t a i n d y n a m i cc h a r a c t e r i s t i c sp a r a m e t e r s ． 4 A f t e rt h ea n a l y s i so ft h er e l a t i o n s h i p b e t w e e na l l t y p e s o f I l l c h a r a c t e r i s t i cp a r a m e t e r sa n df l o t a t i o n p e r f o r m a n c eo fS u l f u r , a 舶t h i m a g eh i e r a r c h i c a lc l a s s i f i c a t i o na n dr e c o g n i t i o ns y s t e mb a s e do nl o c a l s t a t i ca n dd y n a m i cf e a t u r e si sg i v e n ． U s i n gi n d u s t r i a ld a t af o rs y s t e mv a l i d a t i o n ，t h ee x p e r i m e n tr e s u l t s h a v es h o w nt h a tt h ee s t a b l i s h e d s y s t e m h a s g o o d c l a s s i f i c a t i o n a c c u r a c y ．T h i sc l a s s i f i c a t i o ns y s t e mc a nd i v e df r o t hi m a g e si n t od i f f e r e n t k i n d s a c c o r d i n g t of l o t a t i o n p e r f o r m a n c e ．F i g u r e s 5 2 ，t a b l e s 8 ， r e f e r e n c e s 6 2 ． K e y w o r d s f r o t hf l o t a t i o n ，i m a g ec l a s s i f i c a t i o na n d r e c o g n i t i o n ，l o c a l f e a t u r e ，v e c t o rs p a c em o d e l ，B a y e s i a np r o b a b i l i t ym o d e l C l a s s i f i c a t i o n T P 2 7 4 目录 原创性声明⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．I 摘要⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯I I 目录⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．V 1 绪论⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．1 1 ．1 课题来源与研究背景⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 1 ．2 矿物浮选流程及其数字图像处理技术的应用⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．2 1 ．2 ．1 矿物浮选工艺⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．2 1 ．2 ．2 矿物浮选中数字图像处理技术的应用⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．3 1 ．3 浮选泡沫图像处理技术研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 1 ．3 ．1 浮选泡沫数字图像处理技术国内外研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．4 1 ．3 ．2 浮选泡沫数字图像分类方法研究现状⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．6 1 ．4 论文的主要内容和结构安排⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯7 2 基于局部特征向量空间模型的泡沫图像分类方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯8 2 ．1 向量空间模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯8 2 ．2 基于局部特征V S M 的泡沫图像分类方法⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．9 2 ．2 ．1 泡沫图像的局部底层特征选择和提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 0 2 ．2 ．2 泡沫图像的泡沫状态词汇表生成⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 2 2 。2 。3 泡沫图像的词袋描述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 2 2 ．2 ．4 基于向量空间模型的泡沫图像分类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 3 2 ．3 仿真研究及其结果分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．1 4 2 ．4 本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．1 7 3 基于局部特征贝叶斯概率模型的泡沫图像分类方法⋯⋯⋯⋯⋯⋯⋯⋯．1 8 3 ．1 基于贝叶斯概率的分类模型⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 8 3 ．1 ．1 贝叶斯定理⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 8 3 ．1 ．2 基于贝叶斯概率的分类模型建立⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯1 8 3 ．1 ．3 基于晟大期望算法的模型参数估计⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 0 3 ．2 ．基于局部特征贝叶斯概率模型的泡沫图像分类⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 2 3 ．3 实验验证与分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．2 3 3 ．4 本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．2 5 4 基于尺度不变特征变换S I F T 的泡沫图像动态特征提取方法⋯⋯⋯⋯⋯2 6 4 ．1S I F T 算法介绍与实麓⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．2 6 V 4 ，1 ．1S I F T 算法概述⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 6 4 ．1 ．2S I F T 算法实施⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯2 7 4 ．2 利用S I F T 算法获取浮选泡沫动态特征⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯3 l 4 ．2 ．1 泡沫图像关键点的提取与匹配⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯3 l 4 ．2 ．2 泡沫图像动态特征提取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯3 4 4 ．3 本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．3 9 5 基于局部动静态特征的浮选泡沫图像分层分类识别系统⋯⋯⋯⋯⋯⋯．4 0 5 ．1 常用浮选泡沫的视觉参数选取⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一4 0 5 ，1 ．1 泡沫静态参数与工况分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 0 5 ．1 ．2 泡沫动态参数与工况分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 1 5 ．2 基于局部动静特征的泡沫图像分层分类系统⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．4 3 5 ．3 仿真研究及其结果分析⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 5 5 ．4 本章小结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯一4 7 6 结论与展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．4 8 6 ．1 研究工作总结⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯4 8 6 ．2 后续工作展望⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．．4 9 参考文献⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．5 0 攻读学位期间主要研究成果⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．5 5 致谢⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯⋯．5 6 Ⅵ 硕士学位论文 1 绪论 1 绪论 1 ．1 课题来源与研究背景 矿物浮选是一种广泛应用的矿物分选技术，其基本原理是利用矿物表面润湿 性的不同来分离矿物。目前，矿物浮选方法在重金属 如铅、锌、铜等 ，轻金属 如铝 ，非金属 如硫、煤等 的分选领域等均有广泛应用。 浮选过程中涉及复杂的物理化学过程，流程长，因变量和可操作变量众多 矿浆浓度、原矿品位、充气量、各类药剂等等。现阶段仍然难以建立浮选过程准 确的数学模型川。实际矿物浮选过程中，主要通过观察浮选泡沫表面状态来调节 药剂加入量、鼓风量、加水量来保持浮选过程的平稳，使得浮选系统运行在较优 状态。由于操作工人经验的差异、工人轮班等各种因素，导致浮选过程的操作各 异，没有一套统一的操作规范。这种操作的不确定性、随意性很难使浮选过程运 行在最优状态，在一定程度上造成药剂、矿物等的浪费。因此，通过合理利用现 代计算机技术提升浮选效率具有很好的现实意义和应用前景1 3 】。 近年来，机器视觉和人工智能技术在选矿领域取得了广泛的应用1 4 吲。由于 浮选泡沫包含了操作变量和浮选性能相关的信息，充分利用数字图像处理技术来 提取浮选泡沫的表面状态对泡沫进行分类识别，进而进行优化控制，成为浮选过 程控制的发展趋势【o _ 引。 浮选泡沫的表面状态主要通过纹理、气泡大小、泡沫的颜色、泡沫稳定度、 泡沫移动速度等特征来描述【1 3 锄] 。一般通过在工业现场安装工业摄像机来获取浮 选泡沫图像再进行特征提取分析。浮选工业现场由于环境恶劣，摄像机受粉尘、 光照等强干扰，获取到的泡沫图像都参杂了很多噪声，同时由于浮选泡沫大都具 有亮度低、相似度高等特点，利用数字图像技术进行浮选泡沫识别面临诸多困难。 本课题研究受国家自然科学基金重点项目 6 1 1 3 4 0 0 6 “基于机器视觉的矿 物浮选过程建模与优化控制”、国家自然科学基金项目 6 1 2 7 3 1 8 7 “具有复杂非 一阶破碎特性的铝土矿球磨过程建模与粒度分布预测方法研究”以及湖南省科技 计划项目 2 0 1 2 C K 4 0 1 8 “锌湿法冶炼绿色生产的自动化关键技术及应用示范” 支持。在基于机器视觉的矿物浮选过程中，由于获取到的泡沫图像含噪声较大， 影响了分类识别准确率。为提高浮选泡沫图像分类识别准确率，给浮选过程优化 控制提供更可靠的浮选性能信息和操作指导，本文对浮选泡沫图像的分类识别问 题进行研究。文章从泡沫图像局部静、动态特征出发，通过对泡沫图像进行局部 分块处理，研究基于局部特征向量空间模型 V e c t o rS p a c eM o d e l V S M 的浮选泡 硕士学位论文 1 绪论 沫图像分类方法；并在此基础上，通过引入贝叶斯概率模型，研究基于局部特征 贝叶斯概率模型的泡沫图像分类方法。为分析浮选泡沫动态特征与浮选性能的关 系，文章研究基于尺度不变特征变换 s c a l ei n v a r i a n tf e a t u r et r a n s f o r m S I F T 算子 的浮选泡沫图像的动态特征参数提取方法。最后，通过综合考虑浮选泡沫图像局 部静、动态特征参数与浮选性能关系，提出基于局部静、动态特征的浮选泡沫图 像分层分类方法。 1 ．2 矿物浮选流程及其数字图像处理技术的应用 矿物浮选是利用矿物表面物理化学性质的差异，在气、液、固三相体系中完 成的复杂的物理化学过程，其实质是疏水的目的矿物粘附在气泡上形成精矿泡沫 层，亲水性矿粒停留在水中，最后随矿浆流排出形成尾矿，从而实现目的矿物和 非目的矿物分离的选矿方法。 随着计算机、人工智能、电子等技术的日趋成熟，将数字图像处理技术应用 于矿物浮选中已成为可能。近年来，越来越多的学者投身研究如何将数字图像处 理技术应用到矿物浮选中来，以提高选矿效率，减轻人工劳动负荷。基于数字图 像技术的矿物浮选是指通过在浮选现场选择适当的地方安装工业摄像头，实时从 现场获取泡沫图像，然后传送至计算机，通过一定的人工智能算法或专家经验， 对泡沫图像进行分类识别，进而给出浮选性能描述信息，指导生产。 1 ．2 ．1 矿物浮选工艺 泡沫浮选是磨矿的后一道工序，主要目的是通过浮选去除矿浆中无用物质， 提高矿物富集程度，以达到后续工艺的要求。图1 ．1 为浮选流程操作示意图。浮 选一般分为粗选和精选两阶段，浮选过程中牵涉到加药、鼓风、搅拌等操作，最 终得到泡沫精品，输往后续工艺。 经破硅后的盈五 磨芷盆纽蠢统 加药搅挂 ； 药趔挂腰l ； 刍抱龇 ’ 面I 泡 非泡沫产品 泡沫精品 图1 ．1 浮选流程操作示意图 2 硕士学位论文 1 绪论 1 ．2 ．2 矿物浮选中数字图像处理技术的应用 基于数字图像处理技术的矿物浮选工艺过程是指利用工业摄像机获取到泡 沫图像后，利用数字图像技术，提取泡沫的一些有用特征，并通过一定算法或专 家经验，得到泡沫浮选的性能信息，给操作提供参考信息，优化生产。图1 ．2 为 基于机器视觉的泡沫浮选处理系统示意图。 汁舅j j 屹源 黼 j 光纤貔尹F 、I 气二 赛赢 ≯≯j ；㈡ ㈠㈡曩{ 乏 。，’歹 搅拌鞠 图1 - 2 基于机器视觉的泡沫浮选处理系统示意图 将数字图像处理技术应用到矿物浮选工艺中来主要需要解决以下问题。 第一，获取浮选现场实时泡沫图像。由于工业现场光照不稳定、有粉尘等的 影响，因此在现场安装光源，并采取一定的措施保护摄像头，以保证现场有恒定 的光照，摄像头的镜头尽量免受外界影响，以获取含噪声干扰较少的泡沫图像。 第二，确定与浮选性能息息相关的泡沫图像特征。根据浮选工人的经验，他 们主要通过观察泡沫的颜色、泡沫大小分布、表面纹理、流速、泡沫虚实度等来 进行操作。 第三，选择提取泡沫有效特征的方法。泡沫大小一般通过图像分割算法来求 取，常用的分割算法有边缘检测法、分水岭算法、阈值分割法等。泡沫纹理信 息的提取通常是利用灰度共生矩阵[ 8 】算法来求取。浮选泡沫的动态信息如速度、 稳定度的提取方法则有光流法、宏块跟踪法、相域相关法等[ 3 7 0 9 1 。 第四，根据所提取到的泡沫图像特征参数提供操作指导。目前，建立浮选泡 沫图像特征参数与浮选性能的精确关系模型还存在较大困难。但是根据所提取到 的各类特征参数，可以较好的反映出工况信息，从而给出相应的操作指导。比如， 若提取到的泡沫流动速度过快，则可能是鼓风量过大引起的。在充分了解浮选过 程信息后，便可以给出操作指导，优化浮选生产。 3 硕士学位论文1 绪论 1 ．3 浮选泡沫图像处理技术研究现状 自上个世纪9 0 年代国外研究者提出将数字图像技术应用到泡沫浮选领域以 来，基于数字图像处理的泡沫浮选技术得到了广泛的重视。近年来，大量的国内 外学者参与到这一研究课题。在理论上和实际应用中，均获得了可喜的成绩。在 理论研究方面，研究思路大体可分为两类[ 删其一，利用数字图像处理技术获 取浮选性能相关的参数以建立浮选过程的数学模型；其二，利用数字图像处理技 术提取浮选泡沫图像的特征参数，并建立这些参数与浮选性能之间的关系。实际 应用方面，目前已经有一些国家将数字图像处理这一技术投入到实际生产过程 中，并取得了良好的经济效益。 1 ．3 ．1 浮选泡沫数字图像处理技术国内外研究现状 泡沫浮选中，常用的浮选性能指标有矿物品位和回收率等。这些浮选性能指 标通常是通过实验室人工分析得到，然而从得到样本到分析出实验结果通常需要 耗费几个小时，因此这些数据无法用于实时指导优化生产。近年来机器视觉与人 工智能技术的迅猛发展，为将数字图像技术应用到泡沫浮选中来打下了基础。通 过采用先进的技术，将计算机视觉代替人工视觉具有很好的现实意义，能够有效 去除人工随意性、工人经验不同所带来的差异性所带来的弊端，同时可以大大减 轻工人的劳动强度，成为现阶段矿物浮选领域的研究热点。 利用数字图像处理技术，提取浮选泡沫图像特征参数可以将人工感官信息进 行数值化并存储，结合后续的矿物品位、矿物回收率等浮选性能参数，建立起浮 选泡沫图像特征参数与浮选性能之间的关系，获得浮选流程进行更全面的了解， 从而更好的对浮选流程进行操作。 早在上个世纪6 0 年代，第一个通过泡沫外观来反映矿浆物理化学变化的浮 选控制系统被建立以来，浮选泡沫外观特征与浮选过程可操作变量之间的关系一 直是浮选领域的研究热点。 英国学者C I L L I E R S 和S A D R ．K A Z E M l l 4 1 ] 首先提出了测量浮选泡沫尺寸的分 水岭算法，这一算法在基于数字图像处理技术的浮选泡沫领域获得了广泛的研究 和应用。 M o o l m a n [ 7 】较早做了将数字图像处理算法应用到泡沫浮选的尝试，通过建立 计算机监控系统获取浮选泡沫图像，然后利用领域灰度相关矩阵算法提取泡沫图 像的纹理特征来分类泡沫图像。南非学者将快速傅里叶变化应用于泡沫图像，提 取泡沫的视觉特征参数以辨识浮选泡沫的有用金属含量。 C i p r i a n o [ 4 2 4 3 】等人较早提出的浮选槽专家监控系统。该系统通过监控三个浮 4 硕士学位论文 1 绪论 选槽，通过在线分析仪A C E F L O T 提取泡沫图像特征参数为浮选操作提供参考依 据。在长达数月的浮选现场试验结果表明，该系统能够为现场提供规范化的操作 指导，且在有异常工况出现时能够实时给出警告信息并分析故障产生的原因，该 系统是将数字图像技术应用到泡沫浮选的典范。 K a a r t i n e n [ 8 ，删等人在芬兰某锌浮选搭建多相机泡沫浮选计算机视觉分析系 统。该项目团队给出了浮选泡沫图像的特征提取算法，并通过提取多个相机所获 取的一系列泡沫图像的泡沫颜色、尺寸、稳定度、移动速度等特征，建立了一个 基于专家经验的泡沫图像视觉特征的反馈系统，但由于浮选泡沫特征的计算准确 性，系统尚未能达到工业应用的要求。 A Ⅱ甜5 】等人通过提取R G B 彩色图像的光谱变化特征、纹理特征，并利用偏 最小二乘回归法建立了矿物品位的预测模型。作者同时通过提取泡沫结构特征建 立起加药量的反馈控制机制，最后提出了基于结构品位预测模型和加药量反馈控 制机制的混合控制模型。类似地，B o n i f a z i [ 1 4 】等人在H S V 颜色空问提取浮选泡沫 的颜色信息，并利用分水岭算法提取浮选泡沫的尺寸分布信息建立颜色参数、尺 寸参数与浮选性能之问的回归关系模型。H a r g r a v e 【l5 ’№】则通过提取煤、锡浮选泡 沫相对红色分量建立其与矿物品位之间的关联模型。 V a nD e v e n t e r t 4 6 ] 研究指出，通过提取泡沫图像的结构信息能定量地分析锌浮 选泡沫特性。为提高浮选系统性能，C h u k [ 4 7 ] 等人将神经网络、模糊推理、统计 学方法相结合，并应用到浮选泡沫图像分析系统中。弗朗西斯科E 杜普利西斯1 4 剐 通过提取泡沫尺寸大小、移动速度、稳定度等参数，用于建立了重金属泡沫浮选 监控系统，并申请了专利，但该方法对于轻金属浮选过程则不太适用。 近年来，国内基于数字图像技术的泡沫浮选方面的研究应用也取得了较大的 进步，在金川公司引进国外技术求取浮选泡沫的尺寸、稳定性、移动速度等参数， 并结合在线X ．荧光分析仪所得数据，进行综合分析来优化浮选生产。将该技术 投入浮选过程进行试验，各类金属回收率提高了1 ．7 8 ％- 5 ．1 4 ％不等。 陈子鸣【4 9 】等人率先探讨了将数字处理技术应用于泡沫浮选的相关问题。曾 荣 拇’2 1 ] 等人对从工业现场采集浮选泡沫图像，利用数字图像处理技术提取到的 泡沫颜色、泡沫尺寸、泡沫个数、移动速度和稳定性等参数，建立了浮选泡沫精 矿品位预测模型，实时获取泡沫浮选工况信息，用于指导、优化生产。刘文礼【9 j 等人对煤泥浮选泡沫图像进行分析，利用灰度共生矩阵算法，提取泡沫纹理特征 参数，并采用自组织神经网络分类浮选泡沫以指导工业生产。王卫星[ 5 0 】等人则 采用一种通过检查泡沫亮点，并动态选取最优阂值对泡沫图像进行处理的方法， 研发出泡沫浮选计算机视觉分析系统。周开军【5 l 】等人通过数字图像处理技术， 提取浮选泡沫图像的特征建立了浮选回收率的预测模型。 5 硕士学位论文1 绪论 1 ．3 ．2 浮选泡沫数字图像分类方法研究现状 泡沫浮选过程中工况的人工判断主要是通过观察泡沫表面的特征，常用特征 有泡沫大小、颜色、光泽、泡沫厚实度、流动速度、紊乱度等，这些特征主要 由入料量、浮选药剂加入量、鼓风量、矿浆液位等决定。泡沫的这些特征能够很 好的反映出浮选工况信息。如泡沫矿物携带量越大，泡沫的颜色越深；药剂加入 量过小，泡沫不稳定，容易破裂或者兼并，矿物回收率较低；泡沫速度跟矿浆液 位呈正相关性。 近年来国内外学者对基于数字图像处理技术的浮选泡沫图像分类以及工况 识别开展了大量的研究工作，人工智能算法在浮选泡沫图像分类中得到了广泛的 应用，如神经网络、遗传算法等。基于概率统计的方法在泡沫图像分类与工况识 别中也有见报道。 M o o l m a n [ 7 , 5 2 ] 等人利用数字图像分析和人工神经网络方法对浮选泡沫表面进 行分类识别。但由于泡沫浮选工艺机理的复杂性，他们认为要通过神经网络模型 将浮选泡沫视觉特征参数与各类操作参数关联起来具有一定的难度。V e e r e n d r a S i n g h [ 5 3 ] 等人通过将矿物浮选图像分成5 x 5 大小的分块，提取每个小分块的R G B 颜色信息，并通过径向基神经网络对浮选图像进行分类识别。 刘文．{ L t g J 等人则利用灰度共生矩阵算法提取到浮选泡沫的纹理特征后，再通 过自组织神经网络对煤泥浮选泡沫图像进行分类识别。广大学者通过研究发现， 利用灰度共生矩阵提取泡沫图像纹理特征参数时，不同纹理参数之间会存在特征 相互重叠的问题，会降低分类识别的准确性，针对此问题，郝元宏【5 4 】等人提出 了一种新的方法，利用正交投影对提取到的原始纹理参数进行变换，并用支持向 量机对泡沫图像进行分类识别。而王红平 5 5 1 等人则利用主成分分析法对泡沫的 纹理特征参数进行变换处理以解决各纹理参数相互重叠的问题，然后利用神经网 络进行分类。利用灰度共生矩阵提取泡沫纹理特征参数时，由于纹理的复杂性， 不同方向上的提取到的矩阵值差异较大，阳春华[ 5 6 】等人通过对提取到的纹理参 数进行信度分配，并采用一对一加权支持向量机对浮选泡沫进行分类识别。周开 军【5 7 】采用最小二乘支持向量机建立了泡沫浮选回收率在线预测模型。程翠兰【9 】 利用基于统计学习理论的支持向量机方法构建了精选泡沫图像状态识别模型。 向量空间模型是一个表示文本的代数模型，在文本分类、检索领域有广泛的 应用，但在矿物浮选泡沫图像分类中尚未见相关研究报道。根据泡沫图像的特点， 对其进行一定技术处理后，便可将其抽象成文本描述，利用向量模型进行分类识 别。在泡沫图像的文本描述基础上，引入贝叶斯定理以及语义概念，可得基于贝 叶斯概率的分类模型，是一种新颖的泡沫浮选图像分类方法。 6 硕士学位论文 1 绪论 1 ．4 论文的主要内容和结构安排 数字图像处理技术在矿物浮选工艺中的应用得到了广泛关注和研究。通过提 取浮选泡沫图像特征参数，利用支持向量机、神经网络、专家经验等方法建立起 泡沫特征参数与矿物浮选性能之间的关系，对泡沫图像进行分类识别，并用于指 导生产，是研究者广泛采用的方法。由于从现场获取到的泡沫图像含噪声较大， 降低了分类识别的准确率。本文针对此问题，对浮选泡沫图像的分类识别进行深 入研究。论文主要的研究内容与结构如下 第1 章绪论。阐述课题来源与研究背景，简要介绍矿物浮选工艺流程以及 数字图像处理技术在矿物浮选中的应用，并综述矿物浮选泡沫图像图像处理技 术、泡沫图像分类方法国内外研究现状。 第2 章基于局部特征向量空问模型的泡沫图像分类方法。针对获取到的泡 沫图像含噪声较大的问题，为降低噪声对分类准确度的影响，首先，通过对泡沫 图像进行合理分块，提取浮选泡沫图像局部分块的纹理、颜色特征向量，通过对 特征向量k 均值聚类得到C 个聚类中心，构成泡沫状态表；接着，通过提取局 部分块的纹理、颜色特征向量，与泡沫状态表进行对照，通过标示状态并统计各 个状态频次，得到浮选泡沫图像的词袋描述；最后，利用向量空间模型对泡沫图 像词袋向量进行分类。 第3 章基于局部特征贝叶斯概率模型的泡沫图像分类方法。为充分利用经 验知识及样本信息，在得到泡沫图像词袋描述的基础上，引入贝叶斯概率模型， 并用最大期望算法对概率模型参数进行估计，提出基于局部特征贝叶斯概率模型 的泡沫图像分类方法。 第4 章基于尺度
展开阅读全文
