CN101036904A - 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 - Google Patents

Abstract

一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法，本发明以选矿过程的浮选阶段的泡沫图像分析为基础，通过工业摄像机获取浮选泡沫图像，并在计算机上进行图像处理，提取浮选槽表面泡沫特征参数，以此定量的描述浮选过程，结合浮选过程其它工艺参数预测矿物品位和回收率，实现浮选生产过程的最佳操作。本发明的两台摄像机分别摄取浮选槽中不同位置的泡沫图像，经由图像采集卡转换为数字图像送往计算机，由计算机对采集到的泡沫图像进行有关特征分析计算，用RBF神经网络分类识别。系统可用于轻金属浮选泡沫图像识别，减少了药剂消耗量，提高了矿物品位和回收率。

Description

一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法

[技术领域]本发明涉及浮选泡沫图像识别系统及精矿品位预测方法，特别是轻金属浮选的泡沫图像识别系统及精矿品位预测。

[背景技术]浮选是矿物加工中应用最广泛的一种选矿方法，其过程矿化起泡是必须的，它涉及到极其复杂的物理化学过程。浮选过程指标非常重要，在实际生产过程中，有经验的操作工人常常是根据对浮选泡沫状态的观察来调整加药量，使得浮选过程处于稳定状态。浮选泡沫特征是判断浮选效果好坏的一个重要的依据，它包含有大量与操作变量和产品质量有关的信息。但由于操作人员的轮换、人工操作的不准确性和不可靠性，操作人员实际操作的随意性大，对泡沫结构好与坏的判断并没有一个统一的标准，因此仅仅依靠人的观察来理解和解释复杂的泡沫相非常困难，最终导致浮选过程难以处于最优运行状态。目前，研究开发泡沫图像分析系统主要针对重金属进行的，在轻金属方面研究不多。重金属与轻金属浮选的主要区别在于重金属泡沫大，而轻金属泡沫小而密实，由于轻金属的颗粒极轻，在浮选槽的表面累积了众多泡沫，气泡与气泡粘合在一起形成矿物的堆积层，且易破裂，使得浮选表面的气泡呈现棉絮状，重金属浮选所提取的泡沫图像特征主要有：泡沫大小、颜色、速度及稳定度参数，而对于轻金属浮选过程，仅仅依靠这些特征变量不能准确地反映浮选过程变量。目前的浮选过程是通过各种测量仪器，分析测量矿物的品位、浮选回路中的PH值、药物浓度等参数，根据分析得出的数学模型来调整加药量。但实际上，由于浮选过程十分复杂，影响浮选过程的因素非常多，所获得的数学模型并不能和实际很好吻合。

[发明内容]本发明的目的在于解决浮选过程人工操作的随意性，泡沫特征难以测量以及普通数学模型难以准确预测矿物品位的问题，提供一种基于机器视觉的泡沫图像识别系统，预测矿物品位及回收率，为矿物浮选提供操作参考信息。本发明采用光源、摄像机、图像采集卡、计算机及其附属部件构成系统硬件平台，获取浮选槽表面泡沫图像，采用形态学及分水岭方法得到气泡的个数和大小等形状参数，通过泡沫像素的位移来计算泡沫移动速度，用空间灰度相关矩阵和邻域灰度相关矩阵提取泡沫纹理特征。采用RBF神经网络预测浮选矿物品位，系统程序采用C++编程语言开发。本发明主要包括以下几方面内容：

首先通过一系列硬件设备，如：计算机PC、照明系统、CCD彩色摄像机和图像采集卡构建泡沫图像获取平台。硬件系统有两台摄像机，分别摄取浮选槽中不同位置的泡沫图像，两路图像信号分别通过Camera Link方式传输到图像采集卡，经图像采集卡转换为数字图像送往计算机，再由计算机对采集到的两帧泡沫图像分别进行有关特征分析计算，通过三种不同的颜色参考系统计算整幅图像的颜色特征；采用形态学和分水岭方法分割泡沫图像，直接测量气泡大小、形状特征参数；用扫描标号法对泡沫图像中互不连通的亮点进行标号，对各个亮点的进行面积测量；利用像素点在连续两帧图像中的位移来计算泡沫速度，进而计算泡沫稳定度；利用空间灰度矩阵从4个方向上提取能量、熵及惯性矩纹理特征；采用邻域灰度相关矩阵提取细度、粗度、二阶矩纹理特征，经现场的试验表明，使用这些特征参数能对在恶劣的环境下采集到的泡沫图像进行准确的描述，并和生产指标对应起来，为泡沫图像识别提供了有效的数据。以原矿品位、矿浆浓度、矿浆PH值、泡沫厚度、泡沫颜色、气泡大小、移动速度和稳定度等特征参数作为神经网络的输入，以浮选矿物品位为网络的输出，建立RBF神经元网络矿物品位预测模型。

通过对浮选泡沫图象的分析处理，提取出能够表示泡沫特征的参数，达到测量气泡的大小、纹理、稳定性、流动性等泡沫层特征状况的目的，结合RBF神经网络模式识别的方法给出浮选矿物的判断，对浮选矿物品位做出评价并提出操作建议，从而稳定生产，进一步提高了矿物回收率和品位指标。

下面结合附图对本发明作进一步的详细说明。

[附图说明]

图1浮选泡沫图像识别硬件结构示意图；

图2RBF神经网络结构示意图。

[实施方式]泡沫图像分析系统硬件结构如图1所示，主要由电源2和电源5、光源3和光源6、摄像机1和摄像机4、图像采集卡7、计算机8及其信号导线12构成。图中摄像机1的用来拍摄浮选槽10溢流处被刮板9撕裂的泡沫层，获取气泡大小、稳定度特征；摄像机4用来拍摄浮选槽表面泡沫层，以获取泡沫速度、颜色及纹理特征。

在配置系统硬件方面，电源2和电源5采用可调稳压电源，光源2和光源5采用500W卤素灯，光源3和光源6分别靠近摄像机1和摄像机4，图像处理程序通过图像采集卡7的软件开发包接口获取泡沫图像。硬件接口由摄像机1和摄像机4的Camera Link接口提供，该接口是标准的图像传输接口，摄像机1和摄像机4由12V独立的直流电源供电。

彩色CCD摄像机1和摄像机4分别获取泡沫层图像，将视频信号数字化并生成PAL制式的数字图像信号，以Camera Link方式通过信号导线12传输到图像采集卡7，图像采集卡7具有两个采集通道，同时采集两路图像信号，经图像采集卡7解码、采样后转化为适于图像处理的RGB-24bits格式的数字视频信号然后读入计算机8，图像处理程序提取泡沫图像特征参数，然后送往分析程序进行泡沫结构分析，最终根据分析结果再结合工艺参数预测浮选矿物的品位。

摄像机2和摄像机4的分辨率为2048×2048，视场为20cm×20cm，架设高度为100cm，镜头焦距为70cm，测量精度视视场范围而定，在5-10pixels/mm范围之间，可统计40-10000个浮选气泡。例如：选择视场为40cm×40cm，则测量精度为5pixels/mm，最少可统计100个气泡，最多可统计20000个气泡。

图像特征提取具体实现如下：

气泡颜色，通过整幅泡沫图像计算气泡颜色，颜色分析在不同参考系统中进行：(1)RGB(红色，绿色，蓝色)，(2)HSV(色调，饱和度，值)，(3)HSI(色调，饱和度，亮度)，从每个颜色参考系统的组成部分即可计算出泡沫的颜色均值和标准偏差值，为了避免全反射点和阴影的影响，将最黑和最亮的亮度值排除掉。

气泡大小、形状，本发明利用k-均值聚类估计气泡与背景像素的分布，提取出气泡图像；采用形态学开运算和面积重构操作对图像进行预处理；用Ostu算法进行二值转化分割，同时采用新的重构方法求二值图像的距离变换图；基于h-顶开重构的改进变换为分水岭变换提供标识点从而完成泡沫图像的分割。利用分水岭算法标记气泡连通区域的骨架图像，计算每个连通区域的像素数目，可得到泡沫图像的尺寸。从气泡中心计算若干个方向径长，得最长、最短轴，长短轴尺寸之比作为形状系数，得出气泡的形状系数的平均值。

气泡面积，用扫描标号法对泡沫图像中互不连通的亮点(气泡中心)进行标号，对各个亮点的面积进行测量，其方法是对相同标号的像素点进行累加，得到每个亮点的像素点总和气泡速度，通过获取到了两个连续的移动目标，第一帧中目标的位置为x0、y0，其灰度值为V。在第二帧图像中，在x0、y0的位置跟踪八个方向直到目标的对象灰度值搜索到。对于在浮选过程中这种大量移动的泡沫，泡沫局部会形变而且是不同的速率移动，利用方阵灰度和的不同来检测整个泡沫图像的平均速率。

泡沫稳定度，泡沫稳定度由以下方法计算得到：利用泡沫速度信息，将连续两帧图像的后一帧图像变换到前一帧图像的同样位置，然后计算第一帧图像与变换图像的差分，差分图像的像素数目将超过给定的阈值即可计算出泡沫稳定度。

空间灰度相关矩阵，空间灰度相关矩阵p(u，v，d，θ)是对一幅灰度级为G的数字图像统计灰度值分别为u、v，相邻距离为d及位置角度为θ的两个像素在整幅图像中出现的次数。在本发明的泡沫图像处理过程中，像素之间的距离d取为1，两个像素之间的位置角度θ分别取为0°、45°、90°、135°。基于该矩阵可以在各个方向上提取能量E、熵ENTS及惯性矩I：

$E=\underset{u=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{G-1}{\mathrm{\Σ}}}{\left[p(u,v)\right]}^2$

$\mathrm{ENTS}=-\underset{u=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{G-1}{\mathrm{\Σ}}}p(u,v)\mathrm{lo}{g}_{2}p(u,v)$

$I=\underset{u=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{G-1}{\mathrm{\Σ}}}\left[(u,v{)}^{2}p(u,v)\right]$

根据空间灰度相关矩阵的定义，能量E是表征图像像素灰度均匀性的参数，能量越大，图像越均匀；熵ENTS是表征图像纹理复杂程度的参数，图像的纹理越复杂，熵值越大；惯性矩I从另外一个方向来评价图像的灰度变化情况，图像越不均匀，纹理越细，惯性矩越大。

在计算上述各特征值之前，将上述各特征参数作归一化处理，满足它们之和为1的条件。

$p^{\′}(u,v)=\frac{p(u,v)}{\underset{u=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{G-1}{\mathrm{\Σ}}}p(u,v)},$

$\underset{u=0}{\overset{G-1}{\mathrm{\Σ}}}\underset{v=0}{\overset{G-1}{\mathrm{\Σ}}}{p}^{\′}(u,v)=1$

各个特征数从图像的四个方向上(θ＝0°、45°、90°、135°)依次提取，取各个特征参数在4个方向上fi的平均值，得到每幅泡沫图像的三个特征参数。

$F=\underset{i=1}{\overset{4}{\mathrm{\Σ}}}\frac{f_i}{4}$

邻域灰度相关矩阵，本发明在提取图像的邻域灰度相关矩阵纹理特征时，统筹考虑图像中某一象素点(i，j)的8邻域方向上的所有象素的灰度值，邻域灰度相关矩阵包含一幅图像的纹理信息，相关矩阵Q(k，s)中元素分布的位置和大小反映了图像纹理的粗细。引入特征参数对其包含的纹理信息进行高浓缩的描述，设G为一幅图像的灰度级数，k为某一象素的灰度值，取象素的3×3面邻域，并统计该面邻域内与中心点(i，j)灰度值相等的象素的个数，从而得到一个新的频数矩阵，统计频数矩阵的中心象素点灰度值为k，且与中心象素点灰度值相等的象素个数为s的面邻域在整幅图像中出现的频数，即得到邻域灰度相关矩阵Q(k，s)。

细度F

$F=\frac{\underset{k=1}{\overset{G}{\mathrm{\Σ}}}\underset{s=1}{\overset{9}{\mathrm{\Σ}}}[Q(k,s)/s^2]}{\underset{k=1}{\overset{G}{\mathrm{\Σ}}}\underset{s=1}{\overset{9}{\mathrm{\Σ}}}Q(k,s)}$

对一幅细纹理的泡沫图像，邻域灰度相关矩阵中数值较大的元素Q(k，s)集中在邻域灰度相关矩阵中s值较小的列中，即邻域灰度相关矩阵的左边列中，这使得较小的s的Q(k，s)/s²值较大。因而一幅图像的F值越大，图像的纹理越细。

粗度C

$C=\frac{\underset{k=1}{\overset{G}{\mathrm{\Σ}}}\underset{s=1}{\overset{9}{\mathrm{\Σ}}}\left[s^{2}Q(k,s)\right]}{\underset{k=1}{\overset{G}{\mathrm{\Σ}}}\underset{s=1}{\overset{9}{\mathrm{\Σ}}}Q(k,s)}$

对一幅纹理较粗的泡沫图像，较大的邻域灰度相关矩阵元素Q(k，s)集中在邻域灰度相关矩阵中s值较大的列中，即邻域灰度相关矩阵的右边列中，这使得较大的s的s²Q(k，s)值也大。因此，泡沫图像的C值越大，图像的纹理越粗。

二阶矩Sec

$\mathrm{Sec}=\frac{\underset{k=1}{\overset{G}{\mathrm{\Σ}}}\underset{s-1}{\overset{9}{\mathrm{\Σ}}}{\left[Q(k,s)\right]}^2}{\underset{k=1}{\overset{G}{\mathrm{\Σ}}}\underset{s=1}{\overset{9}{\mathrm{\Σ}}}Q(k,s)}$

二阶矩参数是邻域灰度相关矩阵中元素分布均匀性的刻画。邻域灰度相关矩阵中元素分布的越均匀，即泡沫图像的灰度变化频率越高，二阶矩越小。

RBF神经网络矿物品位预测模型算法的具体实现如下：

如图2所示，利用RBF神经网络建立浮选过程特征参数与矿物品位之间的关系模型，RBF神经元网络由三层组成。以原矿品位、矿浆浓度、矿浆PH值、泡沫层厚度、泡沫颜色、气泡大小、移动速度、稳定度和泡沫纹理特征参数作为神经网络的输入，以浮选矿物的品位为网络的输出，建立神经元网络模型。由于RBF神经网络中待确定的参数有二类：基函数中心点及宽度、网络的权值，因此，网络的学习过程分为二步：首先确定基函数的中心点和宽度，其次是权值的学习。

RBF神经网络的学习算法主要有：随机算法、自组织学习算法和最近邻聚类算法，它们用于选取RBF的中心。采用一种动态白适应RBF网络模型，该模型是基于最近邻聚类学习算法，算法是一种在线自适应聚类线性算法，不需要事先确定隐含层单元的个数，完成聚类所得到的RBF网络最优，并且此算法可在线学习。

该算法的训练过程如下：

①选择一个适当的高斯函数宽度r，定义一个矢量A(l)用于存放属于各类的输出矢量之和，定义一个计数器B(l)用于统计属于各类的样本个数，其中l为类别数。

②从第1个数据对(x₁，y₁)开始，在x₁上建立一个聚类中心，令c₁＝x₁，A(1)＝y₁，B(1)＝1。所建立的RBF网络，只有一个隐含层单元，该隐含层单元的中心为c₁，该隐单元到输出层的权矢量为w₁＝A(1)/B(1)。

③考虑第2个样本数据对(x₂，y₂)，求出x₂到c₁这个聚类中心的距离‖x₂-c₁‖。如果‖x₂-c₁‖≤r，则c₁为x₂的最近邻聚类，且令A(1)＝y₁+y₂，B(1)＝2，w₁＝A(1)/B(1)；如果‖x₂-c₁‖＞r，则将x₂作为一个新聚类中心，并令c₂＝x₂，A(2)＝y₂，B(2)＝1。在上述建立的RBF网络中再添加一个隐含层单元，该隐单元到输出层的权矢量为w₂＝A(2)/B(2)。

④假设考虑第k个样本数据对(x_k，y_k)时，k＝3，4，…，N，存在M个聚类中心，其中心点分别为c₁，c₂…，c_M，在上述建立的RBF网络中已有M个隐层单元。再分别求出x_k到M个聚类中心的距离‖x_k-c_i‖，i＝1，2，…，M。设‖x_k-c_j‖为这些距离中的最小距离，即c_j为x_k的最近邻聚类，如果‖x_k-c_j‖＞r，则将x_k作为一个新聚类中心，并令c_M+1＝x_k，M＝M+1，A(M)＝y_k，B(M)＝1。保持A(i)、B(i)的值不变，i＝1，2，…，M-1，在上述建立的RBF网络中再添加第M个隐层单元，该隐层单元到输出层的权矢量为w_M＝A(M)/B(M)，如果‖x_k-c_j‖≤r，作如下计算：A(j)＝A(j)+y_k，B(j)＝B(j)+1。当i≠j时，i＝1，2，…，M，保持A(i)、B(i)的值不变。隐含层单元到输出层的权矢量为w_i＝A(i)/B(i)，i＝1，2，…，M。

⑤根据上述规则建立的RBF网络其输出应为：

$f\left(x_k\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i\exp (-{\left|\right|x_k-c_i\left|\right|}^2/r^2)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\exp (-{\left|\right|x_k-c_i\left|\right|}^2/r^2)}$

式中，R_i(x)＝exp(-‖x_k-c_i‖²/r²)为高斯函数，R_i(x)为隐含层第i个单元的输出。

用最近邻算法得到网络的基函数中心等参数及初始权值后，再用有监督学习算法调整隐层到输出层的权重，算法步骤如下：

(1)用min_max规范化方法，使特征属性归一到网络的处理范围。设min_A，max_A分别是特征属性A的最小和最大值，通过计算下式将A的值v映射到区间[new_min_A，new_max_A]中得

$v^{\′}=\frac{v-{\min }_A}{{\max }_A-{\min }_A}(\mathrm{new}\_{\max }_A-\mathrm{new}\_{\min }_A)+\mathrm{new}\_{\min }_A$

(2)用径向基函数计算中间层的输出Y_h。

(3)输出层神经元的输出根据 $Y=f\left(\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i{\·Y}_{\mathrm{hi}}\right)$ 计算，式中，Y_hi是隐层第i个神经元的输出值；w_i是隐层第i个神经元至输出层神经元的连接权，f取sigmoid函数 $f\left(x\right)=1/(1+e^{-x/x_0}).$

(4)用ΔY＝Y(1-Y)(d-Y)计算输出层误差，d是输出层神经元的期望输出，Y是输出层神经元的实际输出。

(5)按Δw＝α·ΔY计算权值的调整量，式中，α是学习率。

(6)权值的修正按下式用迭代法进行w_i＝w_i+Δw。

Claims (3)

1.一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法，其特征在于：由两套位于浮选槽上方的防尘罩和一台计算机组成，防尘罩起支撑作用，并保护设备不受浮选槽周围光源的影响，罩内装有工业摄像机和卤素灯光源，摄像机配备有防水防尘的防护罩，靠近摄像机配有可调独立光源，摄像机垂直于泡沫槽表面，且距离浮选槽泡沫表面的高度为80-120cm。

2.一种利用权利要求1所述的浮选泡沫图像识别设备预测泡沫层精矿品位的方法，其特征在于：

摄像机获取的图像送往图像采集卡，转换成计算机可处理的图像信号，由计算机对采集到的泡沫图像进行特征分析计算，根据RGB和HIS颜色模型计算浮选泡沫的颜色参数，用形态学及分水岭方法得到气泡的个数和大小形状参数，通过泡沫像素的位移来计算泡沫移动速度，用空间灰度相关矩阵和邻域灰度相关矩阵提取泡沫纹理特征；最后根据原矿品位、矿浆浓度、矿浆PH值、泡沫厚度、泡沫颜色、气泡大小、移动速度、稳定度和泡沫纹理，用RBF神经网络模型预测泡沫层精矿品位。

3.根据权利要求2所述的预测泡沫层精矿品位的方法，其特征在于：所述的RBF神经网络的训练过程包括如下步骤：

①选择一个高斯函数宽度r，定义一个矢量A(l)用于存放属于各类的输出矢量之和，定义一个计数器B(l)用于统计属于各类的样本个数，其中l为类别数；

②从第1个数据对(x₁，y₁)开始，在x₁上建立一个聚类中心，令c₁＝x₁，A(1)＝y₁，B(1)＝1，所建立的RBF网络，只有一个隐含层单元，该隐含层单元的中心为c₁，该隐单元到输出层的权矢量为w₁＝A(1)/B(1)；

③考虑第2个样本数据对(x₂，y₂)，求出x₂到c₁这个聚类中心的距离‖x₂-c₁‖，如果‖x₂-c₁‖≤r，则c₁为x₂的最近邻聚类，且令A(1)＝y₁+y₂，B(1)＝2，w₁＝A(1)/B(1)；如果‖x₂-c₁‖＞r，则将x₂作为一个新聚类中心，并令c₂＝x₂，A(2)＝y₂，B(2)＝1，在上述建立的RBF网络中再添加一个隐含层单元，该隐单元到输出层的权矢量为w₂＝A(2)/B(2)；

④假设考虑第k个样本数据对(x_k，y_k)时，k＝3，4，…，N，存在M个聚类中心，其中心点分别为c₁，c₂，…，c_M，在上述建立的RBF网络中已有M个隐层单元，再分别求出x_k到M个聚类中心的距离‖x_k-c_i‖，i＝1，2，…，M，设‖x_k-c_j‖为这些距离中的最小距离，即c_j为x_k的最近邻聚类，如果‖x_k-c_j‖＞r，则将x_k作为一个新聚类中心，并令c_M+1＝x_k，M＝M+1，A(M)＝y_k，B(M)＝1，保持A(i)、B(i)的值不变，i＝1，2，…，M-1，在上述建立的RBF网络中再添加第M个隐层单元，该隐层单元到输出层的权矢量为w_M＝A(M)/B(M)，如果‖x_k-c_j‖≤r，作如下计算：A(j)＝A(j)+y_k，B(j)＝B(j)+1。当i≠j时，i＝1，2，…，M，保持A(i)、B(i)的值不变。隐含层单元到输出层的权矢量为w_i＝A(i)/B(i)，i＝1，2，…，M；

⑤根据上述规则建立的RBF网络其输出应为：

$f\left(x_k\right)=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{w}_i\exp (-{\left|\right|x_k-c_i\left|\right|}^2/r^2)}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\exp (-{\left|\right|x_k-c_i\left|\right|}^2/r^2)}$

式中，R_i(x)＝exp(-‖x_k-c_i‖²/r²)为高斯函数，R_i(x)为隐含层第i个单元的输出。

Images