專利名稱：一種基于圖像特征分析的浮選回收率預(yù)測方法
一種基于圖像特征分析的浮選回收率預(yù)測方法[技術(shù)領(lǐng)域]本發(fā)明涉及選礦過程的泡沬圖像特征分析及礦物回收率預(yù) 測方法，特別是輕金屬浮選的泡沫特征分析及回收率預(yù)測。[背景技術(shù)]浮選是礦物加工中應(yīng)用最廣泛的一種選礦方法，它涉及到極 其復(fù)雜的物理化學(xué)過程。礦物浮選目的是提高原礦品位，滿足還原冶煉的要 求?；厥章首鳛楦∵x過程的一個關(guān)鍵指標(biāo)，直接影響到精礦的質(zhì)量和產(chǎn)量。 然而，浮選工藝流程長，影響因素多且耦合嚴重，無法實現(xiàn)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，滯后于浮選過程4個小時，不 能及時指導(dǎo)生產(chǎn)操作。浮選泡沫包含大量與回收率相關(guān)的視覺信息。常用方法是通過提取泡沫 顏色、尺寸等特征，采用神經(jīng)網(wǎng)絡(luò)，模糊模型等方法建立浮選視覺數(shù)據(jù)模型， 但圖像特征樣本數(shù)量較少時，這些基于經(jīng)驗風(fēng)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于最 優(yōu)運行狀態(tài)。[發(fā)明內(nèi)容]本發(fā)明的目的在于解決回收率無法在線檢測，避免常規(guī)方法 不能準確預(yù)測的問題，提供一種基于泡沬圖像特征分析的礦物回收率預(yù)測方 法，為礦物浮選過程的優(yōu)化操作提供參考信息。本發(fā)明采用攝像機、光源、 圖像采集卡、計算機及其附屬部件構(gòu)成系統(tǒng)硬件平臺，獲取浮選槽泡沫圖像， 并提取泡沫特征，采用LSSVM模型預(yù)測回收率，系統(tǒng)軟件采用0++編程語言 開發(fā)。本發(fā)明主要內(nèi)容如下首先通過一系列硬件設(shè)備，如計算機PC、照明系統(tǒng)、CCD彩色攝像機 和圖像采集卡構(gòu)建泡沫圖像獲取平臺。經(jīng)圖像采集卡轉(zhuǎn)換為數(shù)字圖像送往計 算機，再由計算機對采集到的泡沫圖像進行有關(guān)特征分析計算。采用相對紅 色分量提取顏色特征，結(jié)合聚類與分水嶺方法分割泡沫圖像并提取尺寸特征， 利用像素分析方法提取承載量特征，采用圖像對的相關(guān)性分析方法提取泡沬 速度、破碎率等動態(tài)特征，并對泡沫特征與回收率進行相關(guān)性分析。采用 LSSVM建立預(yù)測模型，以圖像特征作為模型輸入，通過交叉驗證實現(xiàn)模型參 數(shù)優(yōu)化。工業(yè)應(yīng)用表明，通過對浮選泡沫圖像的分析處理，提取的泡沫特征參數(shù)能夠反映回收率，LSSVM模型能準確地預(yù)測礦物回收率。通過構(gòu)建的泡沫圖像設(shè)備平臺有效地獲取到泡沫圖像，對泡沫圖像進行 特征提取，采用動態(tài)堆棧的野值數(shù)據(jù)剔除方法，具有比常用方法更準確便捷 的效果，以泡沫圖像特征作為LSSVM預(yù)測模型輸入，有效地解決了回收率無 法在線檢測，及常規(guī)方法不能準確預(yù)測的問題。[
]圖1浮選泡沫圖像分析系統(tǒng)硬件結(jié)構(gòu)示意圖； 圖2浮選回收率預(yù)測結(jié)果。下面結(jié)合附圖和具體實施方式
對本發(fā)明作進一步的詳細說明。[具體實施方式
]泡沫圖像分析系統(tǒng)硬件結(jié)構(gòu)如圖l所示，主要由攝像機 1、光源2、光纖3、圖像采集卡4、計算機5構(gòu)成。圖中攝像機l用來拍攝泡 沬層6，且垂直安裝于浮選槽7正上方，與溢流槽8距離為200cm。攝像機1的分辨率設(shè)置為1024X768，快門設(shè)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采用200W高頻熒光燈，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(shù)字化并轉(zhuǎn)換成光信號， 通過光纖3傳輸?shù)綀D像采集卡4，轉(zhuǎn)化為格式為RGB-24bits的數(shù)字圖像信號 然后讀入計算機5，圖像處理程序通過圖像采集卡4的底層驅(qū)動接口獲取泡沫 圖像。圖像處理程序提取泡沫圖像特征參數(shù)，如氣泡顏色、尺寸、速度、破 碎率及承載量特征，作為系統(tǒng)預(yù)測模型輸入并預(yù)測回收率。圖像特征提取具體實現(xiàn)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，然后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，采用形態(tài)學(xué)開運算和面積重構(gòu)操作對圖像進行預(yù)處理；用Ostu 算法進行二值轉(zhuǎn)化分割，同時采用新的重構(gòu)方法求二值圖像的距離變換圖； 基于A頂開重構(gòu)的改進變換為分水嶺變換提供標(biāo)識點從而完成泡沫圖像的分 割。利用分水嶺算法標(biāo)記氣泡連通區(qū)域的骨架圖像，計算每個連通區(qū)域的像素數(shù)目，可得到泡沬圖像的尺寸。氣泡速度，通過獲取到兩個連續(xù)的移動目標(biāo)，第一幀中目標(biāo)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(biāo)的灰度值搜索到。對于在浮選過程中這種大量移動的泡沫，泡沫局部形變 而導(dǎo)致以不同的速率移動，采用圖像對的相關(guān)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(xù)兩幀圖像的后一幀圖像變換到 前一幀圖像的同一位置，然后計算第一幀圖像與變換圖像的差分，差分圖像 的像素數(shù)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(biāo)號法對泡沫圖像中互不連通的亮點(氣泡中心)進行標(biāo)號，測量 各亮點的面積，其方法是對相同標(biāo)號的像素點進行累加，得到每個亮點的像 素點總面積，然后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(yù)測模型的具體實現(xiàn)如下對于給定的訓(xùn)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(shù)^c)將樣本映射到高維特征空間，將原 樣本空間中的非線性函數(shù)估計問題轉(zhuǎn)化成高維特征空間中的線性函數(shù)估計問 題/(a:) = h>>(a:) + 6 (1) 根據(jù)結(jié)構(gòu)風(fēng)險最小化原理(即綜合考慮函數(shù)復(fù)雜度和預(yù)測誤差)，將以上 問題表示為一個等式約束的優(yōu)化問題，如下式所示-<formula>formula see original document page 5</formula> 為求解上述優(yōu)化問題，建立拉格朗日等式，把約束優(yōu)化問題變?yōu)闊o約束 優(yōu)化問題<formula>formula see original document page 5</formula>其中，a力、l,…局是Lagrange乘子。 根據(jù)KKT條件得到<formula>formula see original document page 6</formula>再根據(jù)Mercer條件定義^'x》^伊(x》 (5)從方程組(4)中消去e,， w后，可以得到-o 1 L 1 "|「6"|「0_x = (6) MMOM MM V7將求得的系數(shù)《,,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(shù)采用高斯徑向基函數(shù)x,.) = exp {- II/2cr2} (8)在求解問題(2)的過程中，本發(fā)明采用網(wǎng)格搜索法先選擇參數(shù)對(C， CT)，然后用交叉驗證法對目標(biāo)函數(shù)(均方差最小)進行尋優(yōu)，直至找到最佳的參數(shù)對，使交叉驗證的精度最高。具體過程為將樣本數(shù)據(jù)集D(含有W組標(biāo)定工業(yè) 數(shù)據(jù))隨機分為10等分，分別標(biāo)記為Dp A，…，"川(每份含有w/10組數(shù)據(jù))； 依次以A(i-l， ...， IO)為驗證集，其余9份作為訓(xùn)練集，對LSSVM進行總共IO 次訓(xùn)練和驗證，累加10次驗證過程的驗證集中預(yù)測數(shù)據(jù)的均方差(MS^),作為10 川"本次交叉驗證性能參數(shù)。累加結(jié)果表示為巡五=藝似證,=^1>，，其中e廣3-力，》為預(yù)測值，力為實際值。在用10折交叉驗證對參數(shù)C和ct進行優(yōu)化時，使用網(wǎng)格搜索辦法，具體地，給定兩個調(diào)整參數(shù)的取值范圍，取對數(shù)并均分為io等份，產(chǎn)生102種參數(shù)組合，在每一種參數(shù)組合下分別對LSSVM進行交叉驗證， 并存儲相應(yīng)的MSS，最后共獲得102個#5^,取最小MS五所對應(yīng)的調(diào)整參數(shù)作 為最優(yōu)組合；以獲得的最優(yōu)調(diào)整參數(shù)為中心，重新給定每個參數(shù)更小的取值范圍，重復(fù)以上過程，直到網(wǎng)格搜索停止，得到進一步優(yōu)化調(diào)整參數(shù)。利用圖像特征提取方法，提取樣本集中圖像集{^特征，得到5維特征數(shù) 據(jù)集&.}，通過預(yù)處理剔除樣本集中的野值，同時規(guī)范所有特征值為實數(shù)，采 用多維動態(tài)堆棧剔除野值的方法為-初始化一維數(shù)組stag，數(shù)組長度等于數(shù)據(jù)集&J的長度，求取x,.的平均值^ 若fe^Ul，則將數(shù)據(jù)集{^,}壓入堆棧，將stag數(shù)組對應(yīng)位置為l，否則刪除當(dāng)前數(shù)據(jù)，再將stag數(shù)組對應(yīng)位置為O。依次類推，直到數(shù)據(jù)集(xj中所有數(shù)據(jù)訪 問完畢。選用75%的數(shù)據(jù)樣本作為訓(xùn)練集對預(yù)測模型進行訓(xùn)練，用剩余的25% 組樣本數(shù)據(jù)進行預(yù)測，確定模型中的核寬參數(shù)X).8，懲罰參數(shù)015。
權(quán)利要求
1.一種基于圖像特征分析的浮選回收率預(yù)測方法，其特征在于先用攝像機獲取泡沫層圖像，將視頻信號數(shù)字化并轉(zhuǎn)換成光信號，通過光纖傳輸?shù)綀D像采集卡，轉(zhuǎn)化為格式為RGB-24bits的數(shù)字圖像信號然后讀入計算機，圖像處理程序通過圖像采集卡的驅(qū)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征參數(shù)，作為系統(tǒng)預(yù)測模型輸入，預(yù)測浮選回收率，構(gòu)建預(yù)測模型的具體過程為(1)對于某時段內(nèi)的生產(chǎn)過程，取其泡沫圖像及其回收率指標(biāo)作為樣本集{(si，Pi)|1≤i≤N}；si為圖像特征數(shù)據(jù)，Pi為回收率，N的范圍為[150，200]；(2)利用圖像特征提取方法，提取樣本集中圖像集{si}特征，得到5維特征數(shù)據(jù)集{xi}，通過預(yù)處理剔除樣本集中的野值，同時規(guī)范所有特征值為實數(shù)，采用多維動態(tài)堆棧剔除野值的方法為初始化一維數(shù)組stag，數(shù)組長度等于數(shù)據(jù)集{xi}的長度，求取xi的平均值<overscore>x</overscore>，若<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mfrac> <mrow><mo>|</mo><msub> <mi>x</mi> <mi>i</mi></msub><mo>-</mo><mover> <mi>x</mi> <mo>‾</mo></mover><mo>|</mo> </mrow> <mover><mi>x</mi><mo>‾</mo> </mover></mfrac><mo><</mo><mn>1</mn><mo>,</mo> </mrow>]]></math> id="icf0001" file="A2008100318060002C1.tif" wi="18" he="10" top= "115" left = "27" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>則將數(shù)據(jù)集{xi}壓入堆棧，將stag數(shù)組對應(yīng)位置為1，否則刪除當(dāng)前數(shù)據(jù)，再將stag數(shù)組對應(yīng)位置為0；依次類推，直到數(shù)據(jù)集{xi}中所有數(shù)據(jù)訪問完畢；(3)根據(jù)LSSVM方法，求解方程<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><munder> <mi>min</mi> <mrow><mi>w</mi><mo>,</mo><mi>b</mi><mo>,</mo><mi>e</mi> </mrow></munder><mi>J</mi><mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>e</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><msup> <mi>w</mi> <mi>T</mi></msup><mi>w</mi><mo>+</mo><mfrac> <mi>C</mi> <mn>2</mn></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msubsup> <mi>e</mi> <mi>i</mi> <mn>2</mn></msubsup><mo>,</mo> </mrow>]]></math> id="icf0002" file="A2008100318060002C2.tif" wi="53" he="9" top= "155" left = "109" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>ej為模型誤差，由此得模型輸出<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msub> <mi>α</mi> <mi>i</mi></msub><mi>k</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mo>+</mo><mi>b</mi><mo>,</mo> </mrow>]]></math> id="icf0003" file="A2008100318060002C3.tif" wi="45" he="10" top= "171" left = "71" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>式中αi，b為模型系數(shù)，核函數(shù)采用高斯徑向基函數(shù)<maths id="math0004" num="0004" ><math><![CDATA[ <mrow><mi>K</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mrow> <mo>{</mo> <mo>-</mo> <msubsup><mrow> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>|</mo></mrow><mn>2</mn><mn>2</mn> </msubsup> <mo>/</mo> <mn>2</mn> <msup><mi>σ</mi><mn>2</mn> </msup> <mo>}</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0004" file="A2008100318060002C4.tif" wi="52" he="7" top= "187" left = "67" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>xi為5維特征數(shù)據(jù)，1≤i≤N，采用10折交叉驗證選擇最優(yōu)模型參數(shù)，核寬參數(shù)δ＝0.8，懲罰參數(shù)C＝15，1≤j≤N；(4)將75％的數(shù)據(jù)樣本{xi，zi}作為訓(xùn)練集，余下的25％為測試集，首先用訓(xùn)練集對LSSVM進行訓(xùn)練，然后用測試集對訓(xùn)練完畢的LSSVM進行測試，得到預(yù)測誤差<maths id="math0005" num="0005" ><math><![CDATA[ <mrow><mi>MSE</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msup> <mrow><mo>(</mo><msub> <mi>z</mi> <mi>i</mi></msub><mo>-</mo><msub> <mi>f</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>,</mo> </mrow>]]></math> id="icf0005" file="A2008100318060002C5.tif" wi="39" he="12" top= "243" left = "47" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中zi為預(yù)測值，fi為實際值，1≤i≤N；(5)對生產(chǎn)中新的泡沫圖像進行特征提取，用訓(xùn)練完畢的LSSVM進行回收率指標(biāo)預(yù)測。
全文摘要
一種基于圖像特征分析的浮選回收率預(yù)測方法，本發(fā)明以工業(yè)攝像機獲取選礦過程的泡沫圖像基礎(chǔ)，通過采用相對紅色分量提取顏色特征，結(jié)合形態(tài)學(xué)與分水嶺方法分割泡沫圖像并提取尺寸特征，利用像素分析方法提取承載量特征，采用圖像對的相關(guān)性分析方法提取泡沫速度、破碎率等動態(tài)特征。采用最小二乘支持向量機(LSSVM)建立回收率預(yù)測模型，以圖像特征作為模型輸入，并采用動態(tài)堆棧的野值數(shù)據(jù)剔除方法，通過10折交叉驗證實現(xiàn)模型參數(shù)優(yōu)化。本發(fā)明可用于礦物浮選回收率預(yù)測，實現(xiàn)浮選生產(chǎn)操作優(yōu)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(yōu)先權(quán)日2008年7月18日
發(fā)明者劉金平, 周開軍, 唐朝暉, 桂衛(wèi)華, 程翠蘭, 許燦輝, 陽春華 申請人:中南大學(xué)