泡沫圖像處理技術(shù)在礦物浮選作業(yè)中的應(yīng)用

摘要：結(jié)合云南省院省校合作項(xiàng)目浮選泡沫層測控系統(tǒng)開發(fā)及產(chǎn)業(yè)化研發(fā)過程，介紹一種基于數(shù)字圖像處理及識別技術(shù)的浮選過程控制新思路。在浮選生產(chǎn)中，浮選泡沫表面紋理與浮選工況密切相關(guān)，直接反映泡沫層的礦化程度（品位高低）。通過對云南某鉛鋅礦選廠浮選泡沫圖像的分析處理，提取出能夠表示泡沫層特征的參數(shù)，達(dá)到間接測量氣泡的大小、紋理、穩(wěn)定性、流動性等泡沫層特征狀況。采用鄰域灰度相關(guān)矩陣法提取特征參數(shù)，然后用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，給出浮選效果的分類判斷。



關(guān)鍵詞：泡沫圖像；紋理；鄰域相關(guān)矩陣；神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP317.4 文獻(xiàn)標(biāo)識碼：A



The Bubble Image Processing Technology in the Application of Mineral Flotation Operation



LIU Xiaobo

（Faculty of Electric Engineering，Kunming Metallurgy College， Kunming650033，China）

Abstract：Combined with the collegeprovinceuniversity cooperation project of Yunnan province of flotation foam layer control system development and industrialization process， a new thinking of process control of flotation based on digital image processing and recognition technology was introduced in this paper. In the production of flotation， the flotation foam surface texture and flotation conditions are closely related. The flotation foam surface texture can reflect the degree of mineralization of the foam layer （the grade of mineralization） directly. Through the analysis processing of flotation foam image in a lead—zinc mineral produce factory of Yunnan province， the characteristic parameters of foam layer were obtained. The size， the texture， the stability and the fluidity of the foam layer status can be measured indirectly based on these parameters. The correlation matrix of neighborhood was used to extract the characteristic parameters. And then the neural network was used to classify and to make a classification judge to the flotation effect.



Key words：foam image； texture； corresponding matrix of neighborhood； neural network



1引言

浮選是將礦物按照表面疏水性強(qiáng)弱而分離的選礦方法。生產(chǎn)中是在礦漿中加入適量浮選藥劑， 使目標(biāo)礦物粘附在浮選泡沫上， 通過收集泡沫來提高精礦品位。通過分析泡沫圖像的靜態(tài)和動態(tài)特征，發(fā)現(xiàn)它們與浮選工藝參數(shù)密切相關(guān)[1]，浮選操作及礦物性質(zhì)的變化都會使泡沫狀態(tài)發(fā)生變化。浮選過程工藝參數(shù)的最佳配合是浮選作業(yè)的難點(diǎn)，也是保證產(chǎn)品質(zhì)量、提高礦物回收率的關(guān)鍵。因此，在浮選過程中，迫切需要對浮選泡沫層的狀態(tài)進(jìn)行監(jiān)測和識別。計算機(jī)圖像處理與模式識別的方法正是實(shí)現(xiàn)浮選自動控制的新途徑。

浮選泡沫的表面視覺特征主要包括：浮選泡沫的穩(wěn)定性、氣泡的大小、泡沫的灰度值、移動性及粘度等。一直以來，浮選各項(xiàng)技術(shù)參數(shù)是通過浮選廠員工觀察浮選槽表面泡沫視覺特征來調(diào)整的。因此，浮選的技術(shù)指標(biāo)在很大程度上取決于操作工的經(jīng)驗(yàn)和能力，對泡沫狀態(tài)的判斷沒有客觀標(biāo)準(zhǔn)，以人工操作為主的浮選過程難以處于最優(yōu)運(yùn)行狀態(tài)。

浮選是一個極其復(fù)雜的物理化學(xué)過程，難以建立準(zhǔn)確的實(shí)時控制模型[2]。為增強(qiáng)浮選控制的準(zhǔn)確性與可靠性，國外在20世紀(jì)90年代開始將圖像處理技術(shù)、人工神經(jīng)網(wǎng)絡(luò)、計算機(jī)技術(shù)等現(xiàn)代高科技方法引入到浮選過程的測量控制中，并取得較好的浮選效果[3—5]。2000年以后，國內(nèi)已有相關(guān)研究報道[1，6—8]，該領(lǐng)域的研究逐漸成為熱點(diǎn)。隨著視覺傳感、圖像處理、模式識別等技術(shù)的發(fā)展，采用數(shù)字圖像處理方法實(shí)現(xiàn)泡沫狀態(tài)的客觀評價，極大提高了礦物浮選的生產(chǎn)效率[8]。

2浮選泡沫圖像特征參數(shù)的提取

浮選泡沫層圖像是一種特殊的紋理圖像。圖1所示的是通過攝像機(jī)實(shí)時采集的云南某鉛鋅礦選廠幾種典型的浮選泡沫圖像。通過對現(xiàn)場采集的大量泡沫圖像分析對比，發(fā)現(xiàn)不同浮選工況下的泡沫紋理差異很大，浮選過程變量發(fā)生變化，浮選泡沫的狀態(tài)就要發(fā)生變化，浮選泡沫體中包含著大量與浮選過程變量及浮選結(jié)果相關(guān)的信息。

圖1云南某鉛鋅礦浮選泡沫典型圖像

計算技術(shù)與自動化2012年9月

第31卷第3期劉小波：泡沫圖像處理技術(shù)在礦物浮選作業(yè)中的應(yīng)用

紋理是由紋理基元排列組合而成的，基元排列的疏密、方向性、周期性等的不同，能使圖像的外觀產(chǎn)生極大的改變。本文從圖像的紋理屬性研究浮選泡沫特征參數(shù)的提取，采用鄰域灰度相關(guān)矩陣法來提取圖像的全局紋理特征。

紋理是相鄰象素的相關(guān)性的表現(xiàn)，考察處于同樣幾何位置的一對對象素的灰度相關(guān)性的表現(xiàn)，并以這一對對象素出現(xiàn)某種灰度的條件概率來表征，可以定量地描述圖像的紋理。對一副m×n （圖像的寬為m個象素、高為n個象素）的圖像 M（I，j），（i=1，2，…m；j=1，2，…n），可以用一個二維的灰度矩陣G來表示其灰度值：

G=g（0，0）g（0，1）…g（0，n）g（1，0）g（1，1）…g（1，n）g（m，0）g（m，1）…g（m，n）（1）

鄰域灰度相關(guān)矩陣Q（k，s）可定義為： 

Q（k，s）={（i，j）|M（i，j）=k 

AND[（q，r）|ρ（（i，j），（q，r））≤d

AND |M（i，j）—M（q，r）|≤a]=s} （2）

式中，（i，j）和（q，r）是圖像中的象素點(diǎn)；ρ（（i，j），（q，r））表示點(diǎn)（i，j）和（q，r）間的棋盤距離， d是棋盤距離閾值；a是象素的灰度差值閾值，d和a是可以根據(jù)圖像的粗糙程度進(jìn)行選擇的正數(shù)；AND 表示“與”的邏輯關(guān)系；k是象素的灰度值；s表示滿足相應(yīng)條件的點(diǎn)的個數(shù)；{ }表示滿足括號內(nèi)相應(yīng)條件的點(diǎn)的個數(shù)。

在實(shí)際計算中，在得到Q（k，s）之前，首先遍歷圖像，得到一個表格p（i，j，d，a），定義如下：

p（i，j，d，a）=（M（i，j），s）i=1，2…n，j=1，2…m（3）

鄰域灰度相關(guān)矩陣Q（k，s）中，元素分布的位置和大小反映了圖像紋理的粗細(xì)程度，在它的基礎(chǔ)上，通過Q（k，s）（k=1，2，…G；s=1，2，…H；H=（2×d+1）2），可以得到下列紋理特征參數(shù)：

1） 細(xì)度

SNE=∑k∑s[Q（k，s）/s2]∑k∑sQ（k，s） （4）

2） 粗度

LNE=∑k∑s[s2Q（k，s）]∑k∑sQ（k，s） （5）

3） 二階矩

SM=∑k∑s[Q（k，s）]2∑k∑sQ（k，s）（6）

4） 數(shù)值不均勻性

NN=∑s[∑kQ（k，s）]2∑k∑sQ（k，s）（7）

5）熵

En=—∑k∑sQ（k，s）log [Q（k，s）]∑k∑sQ（k，s） （8）

鄰域灰度相關(guān)矩陣中元素分布均勻性參數(shù)用En表征，圖像越均勻，En值越小。圖像灰度值變化的均勻性用SM來度量。元素分布不均勻性用NN刻畫，NN與圖像的粗度有關(guān)。通過理論分析，SM的參數(shù)值越大，圖像的灰度值越均勻。

由于鄰域灰度相關(guān)矩陣不受角度變化的影響，基于它所獲得的上述5個特征也具有角度不相關(guān)性，這對正確的分類識別具有重要的意義。

3基于浮選泡沫特征的BP神經(jīng)網(wǎng)絡(luò)設(shè)計

通過對浮選泡沫圖像的分析，如大小、紋理、穩(wěn)定性、流動性等參數(shù)，提取出反映泡沫層的特征狀態(tài)，即SNE、LNE、SM、NN和En。結(jié)合模式識別的方法，作為浮選最優(yōu)控制的判決條件信息。

網(wǎng)絡(luò)把一組樣本的輸入輸出問題轉(zhuǎn)化為一個非線性優(yōu)化問題，根據(jù)對浮選泡沫圖像的分析，用鄰域灰度相關(guān)矩陣的一些特征參數(shù)值對其進(jìn)行描述，輸入的神經(jīng)元根據(jù)圖像的采樣點(diǎn)數(shù)決定輸入單元的維數(shù)，系統(tǒng)所采用的特征向量是5維的，需要劃分的類別為5類，因此可確定其輸入層節(jié)點(diǎn)數(shù)為5，節(jié)點(diǎn)采用s形函數(shù)；將BP網(wǎng)絡(luò)用作分類器，類別模式一共有x個，那么輸出層神經(jīng)元的個數(shù)為log2x個，系統(tǒng)輸出層節(jié)點(diǎn)數(shù)為3。根據(jù)試驗(yàn)結(jié)果，使用一個隱含層，訓(xùn)練次數(shù)及分類精度都能達(dá)到滿意的效果。

圖2系統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)



系統(tǒng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，神經(jīng)元分層排列，每一層的神經(jīng)元只接收前一層神經(jīng)元的輸入，同一層的神經(jīng)元互不相連。第一層通過外部輸入模式建立自己的激勵值。這個網(wǎng)絡(luò)的功能是在網(wǎng)絡(luò)的最后一層上再產(chǎn)生激勵模式的目標(biāo)輸出。

學(xué)習(xí)算法使用梯度下降算法，學(xué)習(xí)記憶問題中的權(quán)值運(yùn)用迭代運(yùn)算求解。修改每一個權(quán)值或沿輸出激勵模式向目標(biāo)值靠近的方向改變參數(shù)偏差，加入隱結(jié)點(diǎn)使優(yōu)化問題的可調(diào)參數(shù)增加，從而得到更精確的解。BP學(xué)習(xí)算法的流程圖，如圖3所示。

圖3BP學(xué)習(xí)算法的流程圖

4實(shí)驗(yàn)結(jié)果及分析

在現(xiàn)場采集浮選泡沫圖像約5000余幅并記錄其采集時刻，同時，采集相應(yīng)時刻的泡沫樣品，并對所有樣品進(jìn)行化學(xué)分析。根據(jù)分析結(jié)果，按礦物回收率和精度指標(biāo)的好壞分為五個類別，分別是：好，良，中，較差和差。每個類別對應(yīng)的采集圖像有100幅，將這些原始圖像作為訓(xùn)練樣本對神經(jīng)元進(jìn)行學(xué)習(xí)訓(xùn)練，從而總結(jié)出每個類別圖像的特征參數(shù)，進(jìn)而分別建立了浮選泡沫層的五個特征圖像的識別模型，完成神經(jīng)網(wǎng)絡(luò)的構(gòu)成。

圖4是采用基于鄰域灰度相關(guān)矩陣得到的特征參數(shù)進(jìn)行訓(xùn)練的誤差變化趨勢圖。

以上實(shí)驗(yàn)所采用的泡沫圖像是在云南某鉛鋅礦選廠的生產(chǎn)現(xiàn)場獲取，根據(jù)現(xiàn)場化學(xué)分析結(jié)果進(jìn)行篩選劃分的。實(shí)驗(yàn)結(jié)果表明：

1）系統(tǒng)能實(shí)時獲取泡沫圖像，清晰度高?？捎^看生產(chǎn)現(xiàn)場的泡沫狀況，并在工況異常情況下自動保存泡沫圖像，方便操作人員總結(jié)生產(chǎn)經(jīng)驗(yàn)，提高工作效率。

2）采用鄰域灰度相關(guān)矩陣方法提取泡沫圖像的紋理特征，提取的特征能實(shí)時地反映工況變化情況，通過這些泡沫特征能夠及時地發(fā)現(xiàn)生產(chǎn)中存在的問題。

3）以提取的紋理特征參數(shù)作為BP神經(jīng)網(wǎng)絡(luò)的輸入，對特征參數(shù)進(jìn)行分類，分類正確率大大提高，原先難以進(jìn)行分類的模式也得到了正確的區(qū)分。該方法能很好地實(shí)現(xiàn)對生產(chǎn)狀況的識別任務(wù)，為浮選測控的自動化奠定了一個堅(jiān)實(shí)的基礎(chǔ)。

×104圖4鄰域灰度相關(guān)矩陣實(shí)驗(yàn)結(jié)果



5結(jié)語

本研究利用計算機(jī)視覺和神經(jīng)網(wǎng)絡(luò)技術(shù)對浮選泡沫層圖像進(jìn)行分析處理，通過大量現(xiàn)場采集圖像，分析測量參數(shù)與泡沫層特征參數(shù)之間的關(guān)系，建立泡沫層特征參數(shù)和浮選效果之間的人工神經(jīng)網(wǎng)絡(luò)模型。系統(tǒng)初步建立了泡沫圖像特征與生產(chǎn)指標(biāo)、關(guān)鍵工藝參數(shù)的關(guān)系，能根據(jù)泡沫圖像特征與浮選自動加藥系統(tǒng)結(jié)合，實(shí)現(xiàn)浮選過程的優(yōu)化控制，從而提高礦物回收率和精度指標(biāo)。系統(tǒng)自投入使用以來，運(yùn)行穩(wěn)定可靠，效果良好。本研究在其他采用浮選工藝的領(lǐng)域也具有廣闊的應(yīng)用前景和巨大的社會經(jīng)濟(jì)效益。

參考文獻(xiàn)

[1]何桂春，黃開啟.浮選指標(biāo)與浮選泡沫數(shù)字圖像關(guān)系研究[J].金屬礦山，2008（8）：96—101.

[2]張勇，王峰，潘學(xué)軍，等.粗糙集理論在陽離子反浮選控制中的應(yīng)用[J].中南工業(yè)大學(xué)學(xué)報：自然科學(xué)版，2003，34（4）：368—372.

[3]Schulze H J. Physico—Chemical Elementary Processes in Flotation， Develoments in Mineral Processing[J].Elsevier：1984，348：20—26.

[4]Moolman D W. Eksteen J J. The Significance of Flotation Froth Appearance for Machine Vision Control[J].International Journal of Mineral Processing，1996，48：135—158.

[5]Alkrich C，Maraisc C，Shean B J， et al.Online Monitoring And Control of Froth Flotation Systems with Machine Vision：A Review[J].International Journal of Mineral Processing，2010，96（1/4）：1—13.

[6]劉文禮，路邁西，壬勇，等.媒泥浮選泡沫圖像紋理特征的提取及泡沫狀態(tài)的識別[J].化工學(xué)報， 2003， 54（6）： 832—836.

[7]曾榮，沃國經(jīng).圖像處理技術(shù)在鎳選礦廠中的應(yīng)用[J].礦冶，2002，11（1）：37—41.

[8]唐朝暉，劉金平，桂衛(wèi)華，等.基于數(shù)字圖像處理的浮選泡沫速度特征提取及分析[J].中南大學(xué)學(xué)報：自然科學(xué)版，2009，40（6）：1616—1622.