一種基於圖像特徵分析的浮選回收率預測方法

2023-05-27 12:00:21

專利名稱：一種基於圖像特徵分析的浮選回收率預測方法
一種基於圖像特徵分析的浮選回收率預測方法[技術領域]本發明涉及選礦過程的泡沬圖像特徵分析及礦物回收率預 測方法，特別是輕金屬浮選的泡沫特徵分析及回收率預測。[背景技術]浮選是礦物加工中應用最廣泛的一種選礦方法，它涉及到極 其複雜的物理化學過程。礦物浮選目的是提高原礦品位，滿足還原冶煉的要 求。回收率作為浮選過程的一個關鍵指標，直接影響到精礦的質量和產量。 然而，浮選工藝流程長，影響因素多且耦合嚴重，無法實現回收率的在線檢測。 一直以來選廠通過離線化驗分析回收率，滯後於浮選過程4個小時，不 能及時指導生產操作。浮選泡沫包含大量與回收率相關的視覺信息。常用方法是通過提取泡沫 顏色、尺寸等特徵，採用神經網絡，模糊模型等方法建立浮選視覺數據模型， 但圖像特徵樣本數量較少時，這些基於經驗風險最小化準則的方法普遍存在 泛化性差和過擬合等問題，不能準確檢測回收率，使得浮選過程難以處於最 優運行狀態。[發明內容]本發明的目的在於解決回收率無法在線檢測，避免常規方法 不能準確預測的問題，提供一種基於泡沬圖像特徵分析的礦物回收率預測方 法，為礦物浮選過程的優化操作提供參考信息。本發明採用攝像機、光源、 圖像採集卡、計算機及其附屬部件構成系統硬體平臺，獲取浮選槽泡沫圖像， 並提取泡沫特徵，採用LSSVM模型預測回收率，系統軟體採用0++程式語言 開發。本發明主要內容如下首先通過一系列硬體設備，如計算機PC、照明系統、CCD彩色攝像機 和圖像採集卡構建泡沫圖像獲取平臺。經圖像採集卡轉換為數字圖像送往計 算機，再由計算機對採集到的泡沫圖像進行有關特徵分析計算。採用相對紅 色分量提取顏色特徵，結合聚類與分水嶺方法分割泡沫圖像並提取尺寸特徵， 利用像素分析方法提取承載量特徵，採用圖像對的相關性分析方法提取泡沬 速度、破碎率等動態特徵，並對泡沫特徵與回收率進行相關性分析。採用 LSSVM建立預測模型，以圖像特徵作為模型輸入，通過交叉驗證實現模型參 數優化。工業應用表明，通過對浮選泡沫圖像的分析處理，提取的泡沫特徵參數能夠反映回收率，LSSVM模型能準確地預測礦物回收率。通過構建的泡沫圖像設備平臺有效地獲取到泡沫圖像，對泡沫圖像進行 特徵提取，採用動態堆棧的野值數據剔除方法，具有比常用方法更準確便捷 的效果，以泡沫圖像特徵作為LSSVM預測模型輸入，有效地解決了回收率無 法在線檢測，及常規方法不能準確預測的問題。[


]圖1浮選泡沫圖像分析系統硬體結構示意圖； 圖2浮選回收率預測結果。下面結合附圖和具體實施方式
對本發明作進一步的詳細說明。[具體實施方式
]泡沫圖像分析系統硬體結構如圖l所示，主要由攝像機 1、光源2、光纖3、圖像採集卡4、計算機5構成。圖中攝像機l用來拍攝泡 沬層6，且垂直安裝於浮選槽7正上方，與溢流槽8距離為200cm。攝像機1的解析度設置為1024X768，快門設置為323"S，工作距離為 110cm，鏡頭焦距為55mm，視場為16cmX 12cm，由12V直流電源供電，測 量精度為6.4—6.8pixels/mm。光源2採用200W高頻螢光燈，色溫為4500K，供電電源為220V@50HZ， 光源2靠近攝像機1，水平距離為10cm。彩色CCD攝像機1獲取泡沬層圖像，將視頻信號數位化並轉換成光信號， 通過光纖3傳輸到圖像採集卡4，轉化為格式為RGB-24bits的數字圖像信號 然後讀入計算機5，圖像處理程序通過圖像採集卡4的底層驅動接口獲取泡沫 圖像。圖像處理程序提取泡沫圖像特徵參數，如氣泡顏色、尺寸、速度、破 碎率及承載量特徵，作為系統預測模型輸入並預測回收率。圖像特徵提取具體實現如下-氣泡顏色，通過整幅泡沫圖像計算氣泡顏色，提取圖像的相對紅色分量， 分別計算出紅色分量的均值和灰度圖像的均值，然後計算圖像的相對紅色分 量信息。為了避免全反射點和陰影的影響，去掉最暗和最亮的像素值。氣泡尺寸，採用形態學開運算和面積重構操作對圖像進行預處理；用Ostu 算法進行二值轉化分割，同時採用新的重構方法求二值圖像的距離變換圖； 基於A頂開重構的改進變換為分水嶺變換提供標識點從而完成泡沫圖像的分 割。利用分水嶺算法標記氣泡連通區域的骨架圖像，計算每個連通區域的像素數目，可得到泡沬圖像的尺寸。氣泡速度，通過獲取到兩個連續的移動目標，第一幀中目標的位置為xO、 y0，其灰度值為V。在第二幀圖像中，在x0、 y0的位置跟蹤8個方向直到目 標的灰度值搜索到。對於在浮選過程中這種大量移動的泡沫，泡沫局部形變 而導致以不同的速率移動，採用圖像對的相關性分析檢測整個泡沫圖像的平 均速率。泡沫破碎率，利用泡沫速度信息，將連續兩幀圖像的後一幀圖像變換到 前一幀圖像的同一位置，然後計算第一幀圖像與變換圖像的差分，差分圖像 的像素數目將超過給定的閾值即可計算出破碎率。泡沬承載量，在泡沬圖像中，含大量礦物的泡沬往往沒有全反射點，首 先用掃描標號法對泡沫圖像中互不連通的亮點(氣泡中心)進行標號，測量 各亮點的面積，其方法是對相同標號的像素點進行累加，得到每個亮點的像 素點總面積，然後計算氣泡總面積與泡沬圖像面積的比例得到氣泡承載量。LSSVM預測模型的具體實現如下對於給定的訓練樣本集S=(x,, (/=7，...,A0，其中5維輸入;c,.ei 5， 一維輸出z,e及。禾U用非線性映射函數^c)將樣本映射到高維特徵空間，將原 樣本空間中的非線性函數估計問題轉化成高維特徵空間中的線性函數估計問 題/(a:) = h>>(a:) + 6 (1) 根據結構風險最小化原理(即綜合考慮函數複雜度和預測誤差)，將以上 問題表示為一個等式約束的優化問題，如下式所示-formula see original document page 5 為求解上述優化問題，建立拉格朗日等式，把約束優化問題變為無約束 優化問題formula see original document page 5其中，a力、l,…局是Lagrange乘子。 根據KKT條件得到formula see original document page 6再根據Mercer條件定義^'x》^伊(x》 (5)從方程組(4)中消去e,， w後，可以得到-o 1 L 1 "|「6"|「0_x = (6) MMOM MM V7將求得的係數《,,6代入(1)式，即得到支持向量機的輸出/W = |>,"a:'x,) + 6 (7)上式中的核函數採用高斯徑向基函數x,.) = exp {- II/2cr2} (8)在求解問題(2)的過程中，本發明採用網格搜索法先選擇參數對(C， CT)，然後用交叉驗證法對目標函數(均方差最小)進行尋優，直至找到最佳的參數對，使交叉驗證的精度最高。具體過程為將樣本數據集D(含有W組標定工業 數據)隨機分為10等分，分別標記為Dp A，…，"川(每份含有w/10組數據)； 依次以A(i-l， ...， IO)為驗證集，其餘9份作為訓練集，對LSSVM進行總共IO 次訓練和驗證，累加10次驗證過程的驗證集中預測數據的均方差(MS^),作為10 川"本次交叉驗證性能參數。累加結果表示為巡五=藝似證,=^1>，，其中e廣3-力，》為預測值，力為實際值。在用10折交叉驗證對參數C和ct進行優化時，使用網格搜索辦法，具體地，給定兩個調整參數的取值範圍，取對數並均分為io等份，產生102種參數組合，在每一種參數組合下分別對LSSVM進行交叉驗證， 並存儲相應的MSS，最後共獲得102個#5^,取最小MS五所對應的調整參數作 為最優組合；以獲得的最優調整參數為中心，重新給定每個參數更小的取值範圍，重複以上過程，直到網格搜索停止，得到進一步優化調整參數。利用圖像特徵提取方法，提取樣本集中圖像集{^特徵，得到5維特徵數 據集&.}，通過預處理剔除樣本集中的野值，同時規範所有特徵值為實數，採 用多維動態堆棧剔除野值的方法為-初始化一維數組stag，數組長度等於數據集&J的長度，求取x,.的平均值^ 若fe^Ul，則將數據集{^,}壓入堆棧，將stag數組對應位置為l，否則刪除當前數據，再將stag數組對應位置為O。依次類推，直到數據集(xj中所有數據訪 問完畢。選用75%的數據樣本作為訓練集對預測模型進行訓練，用剩餘的25% 組樣本數據進行預測，確定模型中的核寬參數X).8，懲罰參數015。
權利要求
1.一種基於圖像特徵分析的浮選回收率預測方法，其特徵在於先用攝像機獲取泡沫層圖像，將視頻信號數位化並轉換成光信號，通過光纖傳輸到圖像採集卡，轉化為格式為RGB-24bits的數字圖像信號然後讀入計算機，圖像處理程序通過圖像採集卡的驅動接口獲取泡沫圖像，圖像處理程序提取泡沫的氣泡顏色、尺寸、速度、破碎率及承載量圖像特徵參數，作為系統預測模型輸入，預測浮選回收率，構建預測模型的具體過程為(1)對於某時段內的生產過程，取其泡沫圖像及其回收率指標作為樣本集{(si，Pi)|1≤i≤N}；si為圖像特徵數據，Pi為回收率，N的範圍為[150，200]；(2)利用圖像特徵提取方法，提取樣本集中圖像集{si}特徵，得到5維特徵數據集{xi}，通過預處理剔除樣本集中的野值，同時規範所有特徵值為實數，採用多維動態堆棧剔除野值的方法為初始化一維數組stag，數組長度等於數據集{xi}的長度，求取xi的平均值x，若<![CDATA[ | x i- x | x 1, ]]> top= "115" left = "27"/>則將數據集{xi}壓入堆棧，將stag數組對應位置為1，否則刪除當前數據，再將stag數組對應位置為0；依次類推，直到數據集{xi}中所有數據訪問完畢；(3)根據LSSVM方法，求解方程<![CDATA[ min w,b,e J ( w , e )= 1 2 w Tw+ C 2 i=1 N e i 2, ]]> top= "155" left = "109"/>ej為模型誤差，由此得模型輸出<![CDATA[ f ( x )= i=1 N ik ( x , xi )+b, ]]> top= "171" left = "71"/>式中αi，b為模型係數，核函數採用高斯徑向基函數<![CDATA[ K ( x , xi )=exp { - | | x - xi |22 / 2 2 }, ]]> top= "187" left = "67"/>xi為5維特徵數據，1≤i≤N，採用10折交叉驗證選擇最優模型參數，核寬參數δ＝0.8，懲罰參數C＝15，1≤j≤N；(4)將75％的數據樣本{xi，zi}作為訓練集，餘下的25％為測試集，首先用訓練集對LSSVM進行訓練，然後用測試集對訓練完畢的LSSVM進行測試，得到預測誤差<![CDATA[ MSE= i=1 N ( z i- f i) 2, ]]> top= "243" left = "47"/>其中zi為預測值，fi為實際值，1≤i≤N；(5)對生產中新的泡沫圖像進行特徵提取，用訓練完畢的LSSVM進行回收率指標預測。
全文摘要
一種基於圖像特徵分析的浮選回收率預測方法，本發明以工業攝像機獲取選礦過程的泡沫圖像基礎，通過採用相對紅色分量提取顏色特徵，結合形態學與分水嶺方法分割泡沫圖像並提取尺寸特徵，利用像素分析方法提取承載量特徵，採用圖像對的相關性分析方法提取泡沫速度、破碎率等動態特徵。採用最小二乘支持向量機(LSSVM)建立回收率預測模型，以圖像特徵作為模型輸入，並採用動態堆棧的野值數據剔除方法，通過10折交叉驗證實現模型參數優化。本發明可用於礦物浮選回收率預測，實現浮選生產操作優化，進而可提高礦物回收率，減少礦物資源浪費。
文檔編號G01N21/84GK101334366SQ20081003180
公開日2008年12月31日 申請日期2008年7月18日 優先權日2008年7月18日
發明者劉金平, 周開軍, 唐朝暉, 桂衛華, 程翠蘭, 許燦輝, 陽春華 申請人:中南大學