CN101059450A - 冶金矿相智能识别方法 - Google Patents

Abstract

本发明涉及的冶金矿相智能识别方法，采用矿相显微镜、摄像机、图像采集卡和计算机系统，具体步骤包括：对已知烧结矿矿相的反射率和矿相纹理特征进行特征提取，建立矿相特征的数据库；采集待测样品矿相图片，提取反射率和矿相纹理特征；由计算机系统识别待测样品矿相，并与矿相特征的数据库比较，寻找最小空间值，从而判断矿物的种类。本发明具有鉴定步骤简单，劳动强度低；过程方便、快速；结果准确的优点。

Description

冶金矿相智能识别方法

技术领域

本发明涉及冶金领域中，使用矿相显微镜对烧结矿、球团矿和高炉渣等检测过程中的矿相智能化识别方法。

背景技术

目前，对冶金领域的烧结矿、球团矿和高炉渣等矿相的检测过程，主要是依靠人工来完成的。尤其是对烧结矿中矿相的识别问题，操作者通过在显微镜视场观测到的矿物的形貌，然后依据前人已经总结和研究得到有关矿物形貌的规律，最后得出检测试样中矿物的种类和含量。因此，操作者的经验和技能水平决定着实验结果的准确性。而且，一旦烧结生产工艺或原料发生较大变化时，这种人工鉴定结果的准确程度就很难保证。中国专利申请200610012897.5公开的“球团矿矿相鉴定方法及该方法所用转动装置”，是根据球团矿组织结构层状分布特征设计的球团矿矿相环测鉴定方法，获得具有结构特征的球团矿组织结构数据，进而根据数据反映影响球团矿性能的因素，虽然可有针对性的对球团矿质量评价提供准确的信息，为现场改进球团矿质量提供丰富的参考依据，但不能对矿相进行识别。此外，由于烧结矿从取样、制样直到显微镜下观测，整个实验过程步骤复杂，劳动强度较大，因此，无论在钢铁企业还是科研院校，优秀的矿相实验员的培养都需要长期的实践经验和学习积累。而且，由于个体差异存在鉴定结果的差异。

中国专利申请200610114146.4公开的“高碱度烧结矿主要矿物自动识别与定量方法”，虽然能快速、自动识别出烧结矿内矿物种类和含量，但存在如下问题：第一，由于采用X仪射线衍射仪，设备昂贵，不适合工业企业使用；第二，此方法不能辩别原生矿和次生矿；第三，对于烧结矿中的矿物相分布、矿相尺寸不能辩别；第四，对于烧结矿中的气孔大小及分布不能辩别。

发明内容

针对现有技术存在的上述不足，本发明的目的在于提供一种方便、快速，而且鉴定结果准确的智能矿相机器识别方法。

本发明的目的是这样实现的：冶金矿相智能识别方法，其特征在于采用矿相显微镜、摄像机、图像采集卡和计算机系统，具体方法包括：

1)标准矿相特征数据库建立

利用矿物反射率计算模型和矿相纹理特征提取模型分别对已知矿物组成的烧结矿矿相进行特征提取，建立矿相特征的数据库；

其中，矿物反射率计算模型按照本申请人在先申请的2006100953629“一种测量矿物反射率及矿相组成的方法”采集反射率。

矿相纹理特征提取模型采集直方图峰值，二阶矩，对比度及熵。

2)待测矿物的特征提取

按照上述方法利用矿物反射率计算模型和矿相纹理特征提取模型分别对待测烧结矿的矿相进行特征提取，得到该矿物的发射率和纹理特征值。

3)兰氏空间距离计算

利用兰氏空间距离公式 $D_{\mathrm{xl}}=\frac{1}{J}\underset{J=1}{\overset{1}{\mathrm{\Σ}}}\frac{|x_J-S_{\mathrm{ij}}|}{x_j+S_{\mathrm{ij}}}$ 计算待测样本与特征数据库中样本的空间距离。

4)矿物识别

根据空间距离的计算结果，判定空间距离最小的两种矿物为相同的矿物，从而判断矿物的种类。

进一步，所述利用矿物反射率计算模型和矿相纹理特征提取模型，通过计算机编程实现矿相纹理特征提取模型，其矿相纹理特征模型建立方法包括：

1)归一化灰度直方图

通过式(4)、(5)和(6)得到了图像归一化的直方图，针对该图，通过式(7)提取出归一化的直方图的曲线峰值和所对应的灰度区间；

$G_i=\underset{m=1}{\overset{M}{\mathrm{\Σ}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}P(i,m,n)---\left(4\right)$

其中，M、N分别表示图像的行数和列数，G_i为灰度为i的像素个数，P(i，m，n)的定义如式(5)：

$P(i,m,n)=\left\{\begin{array}{cc}1& P(m,n)=i\\ 0& P(m,n)\≠i\end{array}---\left(5\right)\right.$

对式(5)进行归一化处理，得到了式(6)所示的归一化直方图函数；其中，G_i′为归一化值，T为总像素数，

G_i′＝G_i/T                           (6)

归一化直方图曲线寻峰方法如式(7)所示：

$\&PartialD;{G_i}^{\&prime;}=\left\{\begin{array}{cc}1& {G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}<-H\\ 0& |{G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}|<H\\ -1& {G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}>H\end{array}\right.---\left(7\right)$

其中，H为设定的阈值，υG_i′代表归一化直方图中灰度值i处曲线的发展趋势，1代表曲线上升，-1代表曲线下降，0代表曲线水平稳定；

2)灰度共生矩阵：

式(8)就是灰度共生矩阵的数学表达式，在此灰度共生矩阵基础上通过式(9)进行归一化处理后，再通过式(10)、(11)、(12)提取二阶矩、对比度、熵；

P(i，j，δ，θ)＝{[(x，y)，(x+Δx，y+Δy)]

|f(x，y)＝i，f(x+Δx，y+Δy)＝j；x＝0，1，…，N_x-1；y＝0，1，…，N_y-1}

                                     (8)

式(8)中，i和j为灰度值，x和y为图像中的像素坐标，N_x和N_y是图像的行列数，δ是两个像素之间的距离，θ为两像素的连线按顺时针与x轴的夹角；

p′(i，j)＝p(i，j)/R                 (9)

$f_1=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}^{\&prime;2}(i,j)---\left(10\right)$

$f_2=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{(i-j)}^2{p}^{\&prime;}(i,j)---\left(11\right)$

$f_3=-\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}^{\&prime;}(i,j){\log }_2{p}^{\&prime;}(i,j)---\left(12\right).$

相比现有技术，本发明具有如下优点：

1、鉴定结果准确；能辩别原生矿和次生矿；而且，能够辩别烧结矿中的矿物相分布和矿相尺寸，以及气孔大小及分布。

2、鉴定步骤简单，劳动强度低。

3、鉴定过程为智能化的机器识别，方便、快速。

附图说明

图1是图像采集系统结构示意图。

图2是本发明智能识别方法流程图。

图3是一种待测矿样照片。

图4本发明一种具体实施方式的归一化灰度直方图。

具体实施方式

1、制样

1)样品准备

选择有代表性的铁矿石或人造富矿等样品。十分致密而坚固的样品可直接磨制；疏松散粒的样品，可先用树胶胶结加固后，再进行磨制。磨制光片所用矿石块，可先用切片机，将矿·块切成略大于2×1.5×1(或2.5×1.5×1)厘米长方形矿石决，然后进行磨制。

2)粗磨

将切下的矿石块，放在磨片机的铁盘上进行粗磨，先用120^#～150^#金刚砂把矿石磨成2×1.5×1厘米到2.5×1.5×1厘米的长方形矿石光片，然后再用清水洗净。

3)细磨

为了防止光片在细磨时有疏松碎屑掉下，在细磨前要用树胶胶结，再用400^#～500^#金刚砂在细而平的铁盘上进行细磨，直到把粗磨痕迹磨去为止，而后用清水洗净。洗净后换用800^#～1000^#金刚砂进行研磨，直到把400^#～500^#金刚砂细磨留下的痕迹磨去为止，用清水洗净。最后用氧化铝泥浆在玻璃板上精磨，磨到消除所有擦痕，使光片表面光滑有发光感觉时，再用清水洗净。

4)磨光(抛光、打光)

将细磨好的光片在抛光机上磨光。抛光机实际上是在磨片机的铁盘上蒙上一层磨光布(丝绒、呢绒和帆布)，周围用金属圈紧紧卡住。磨光时可根据矿物软硬程度不同，选择不同的磨料和磨光布。一般较硬的矿石，如铁矿石、烧结矿和球团矿等用氧化铬粉在丝绒上进行磨光，效果很好。光片磨光后在清水中漂洗，再用干丝绒和麂皮把光面轻轻擦干切忌用手模。

2、图像采集

待测矿物的光片制样结束后，将其放在矿相显微镜上进行观察，并且获取矿物的图片。整个图像采集系统的结构如图1所示，系统中各部分的功能介绍如下：

矿相显微镜：观察矿物显微结构的主要设备，操作者可直接用肉眼通过目镜观察。

摄像机：获取数字图像的设备，将其在安装在目镜的镜筒上，以便于通过电脑观察。

图像采集卡：采集摄像机传输过来的数字信号，并且将其通过相关驱动程序和软件再转换成图像，在显示器上显示。

主机-显示器：相关软件和图像采集卡的工作平台，矿物图像的显示设备。

3、矿物特征提取

纹理是图像中一个重要而又难于描述的特征。习惯上，把这局部不规则，而宏观有规律的特征称之为纹理特性。矿相鉴定依据主要有两点，一是矿物的反射率，即矿物在视野中的亮度；二是矿物的晶体结构特征，即矿物在视野中的纹理结构。根据这两点依据，分别建立如下两个矿物特征提取模型。

1)反射率计算模型

反射率是鉴别不透明矿物的重要依据，描述了矿物对光反射的多少。因此，对反射率的定义如式(1)所示。

$\mathrm{Reflect}=\frac{I_r}{I_i}---\left(1\right)$

其中，I_r是反射光强度；I_i是入射光强度；Reflect为反射率，用％表示。

使用显微镜观察矿物，反射率不同表现为矿物在视场中的亮度不同。亮度不同在图像上就表现为图像的不同灰度，灰度是HSI颜色模型定义的变量。因此，建立起矿物反射率与图像灰度的数学关系：

Reflect＝k×I                        (2)

I是图像上某点的灰度，K为修正系数，使用前需要标定。一般数字图像都是以(R，G，B)模型格式存储和处理的，故利用加权法把RGB模型数据转换成HSI模型的数据。

首先，提出两个假设：

其一，当物体的反射率为0时，得到的反射图像将是一幅黑色图像，灰度值为0。

其二，当物体的反射率为100％时，将会得到一幅白色图像，灰度值为255。

因此，在上面两个假设的基础上，提出如式(3)所示的反射率计算模型：

$\mathrm{Reflect}=\frac{k}{255}\&times;(0.299\&times;R+0.587\&times;G+0.114\&times;B)---\left(3\right)$

只要确定出了k值，就可以方便、准确地计算出不同矿物的反射率。

按照本申请人在先申请的2006100953629“一种测量矿物反射率及矿相组成的方法”即可完成反射率的采集，在此不累述。

2)矿相纹理特征提取模型

通过对各种矿相显微结构的分析发现，不同的矿相纹理特征的差别主要体现在以下两个方面：

(1)图像灰度值分布特征。由于矿物的反射率不同，不同的矿物交织构成了特有的灰度分布特点。这些特征包括：灰度分布的均匀程度、灰度直方图的峰值情况等。

(2)图像纹理形状特征。由于矿物的晶型结构和结晶过程的不同造成了纹理粗细程度、清晰程度、复杂程度和不同方向的相似程度的不同等。

根据上述的纹理特征差别，本发明选择归一化灰度直方图和灰度共生矩阵作为纹理特征的提取算法。

归一化灰度直方图：

灰度直方图是图像的重要特征，可以认为是灰度分布密度函数的近似，它表示了在图像区域所有像素中，不同的灰度值出现的次数。其函数表达式如式(4)所示：

$G_i=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}P(i,m,n)---\left(4\right)$

其中，M、N分别表示图像的行数和列数，G_i为灰度为i的像素个数，P(i，m，n)的定义如式(5)所示。

$P(i,m,n)=\left\{\begin{array}{cc}1& P(m,n)=i\\ 0& P(m,n)\&NotEqual;i\end{array}\right.---\left(5\right)$

由于在图像分析和处理的过程中，图像的大小有时是变化的，这时不同图像的直方图就失去了可比性，因此就需要对式(5)进行归一化处理，得到了式(6)所示的归一化直方图函数。其中，G_i′为归一化值，T为总像素数。

G_i′＝G_i/T                         (6)

通过式(4)、(5)和(6)得到了图像归一化的直方图，针对该图，提取出曲线的峰值和所对应的灰度区间。

归一化直方图曲线寻峰方法如式(7)所示：

$\&PartialD;{G_i}^{\&prime;}=\left\{\begin{array}{cc}1& {G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}<-H\\ 0& |{G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}|<H\\ -1& {G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}>H\end{array}\right.---\left(7\right)$

其中，H为设定的阈值，υG_i′代表归一化直方图中灰度值i处曲线的发展趋势，1代表曲线上升，-1代表曲线下降，0代表曲线水平稳定。因此，-101或者-1001等类似的组合就代表了曲线的谷，10-1或者100-1就代表了曲线的峰。

灰度共生矩阵：

灰度直方图只反映的是单个像素灰度级的统计分布规律，但是不包含像素空间位置关系的信息。灰度共生矩阵反映的就是具有一定的灰度关系，相隔某一距离的两个像素的联合分布的统计形式。式(8)就是灰度共生矩阵的数学表达式。

P(i，j，δ，θ)＝{[(x，y)，(x+Δx，y+Δy)]

|f(x，y)＝i，f(x+Δx，y+Δy)＝j；x＝0，1，…，N_x-1；y＝0，1，…，N_y-1}

                                             (8)

式(8)中，i和j为灰度值，x和y为图像中的像素坐标，N_x和N_y是图像的行列数，δ是两个像素之间的距离，θ为两像素的连线按顺时针与x轴的夹角。

得到图像的灰度共生矩阵以后，在此矩阵基础上进行归一化处理后，再提取其它二次统计量。主要用到的二次统计量有二阶矩、对比度、熵。

灰度共生矩阵归一化：

p′(i，j)＝p(i，j)/R                         (9)

式(9)中，R代表归一化常数，是图像中像素对的总数目。

二阶矩：

$f_1=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}^{\&prime;2}(i,j)---\left(10\right)$

对比度：

$f_2=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{(i-j)}^2{p}^{\&prime;}(i,j)---\left(11\right)$

熵：

$f_3=-\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}^{\&prime;}(i,j){\log }_2{p}^{\&prime;}(i,j)---\left(12\right)$

4)矿相特征数据库建立

利用上述矿物反射率计算模型和矿相纹理特征提取模型分别对实验室已知矿物组成的烧结矿矿相进行特征提取，建立矿相特征的数据库。对一类矿物，采取计算不同区域求平均值的办法，以达到增加算法稳定性、提高识别准确率的目的。

5)矿物识别

采用统计模式识别法中的监督分类法，样本空间距离计算采用兰氏距离函数，如式(13)所示。其中，x是待定矿相，S为标准矿相，i为数据库中标准矿相编号，j为特征参数空间中的变量编号，因此，Dxi为待定矿相x与标准矿相S的空间距离。

$D_{\mathrm{xi}}=\frac{1}{J}\underset{J=1}{\overset{J}{\mathrm{\&Sigma;}}}\frac{|x_j-S_{\mathrm{ij}}|}{x_j+S_{\mathrm{ij}}}---\left(13\right)$

采用本发明方法，由计算机系统识别待测样品矿相，并与矿相特征的数据库比较，寻找最小空间值，从而判断矿物的种类。实现了鉴定步骤简单，劳动强度低；过程方便、快速；鉴定结果准确的目的。

实施例：

1.建立标准矿相数据库

                                    表1矿相特征参数表

矿物名称	反射率	峰值区间1	峰值区间2	峰值区间3	二阶矩	对比度	熵
								赤铁矿磁铁矿铁酸钙	22～252018～18.5	41～517～845～49	98～10274～8377～85	136～138127～128113～116	0.08840.04650.1781	4.84753.57246.0078	5.16804.30923.3286

2.提取待测矿样的特征(如图3、图4所示)

                                     表2待定矿相特征参数

矿物名称	反射率	峰值区间1	峰值区间2	峰值区间3	二阶矩	对比度	熵
								待测矿物	20.7	7～8	43～44	121～122	0.0412	4.2969	4.8095

3.计算待测样与数据库中样品的空间距离：

由计算机计算，根据 $D_{\mathrm{xi}}=\frac{1}{J}\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}\frac{|x_j-S_{\mathrm{ij}}|}{x_j+S_{\mathrm{ij}}}$

表3待测矿相与标准矿相的空间距离

兰氏距离	赤铁矿	磁铁矿	铁酸钙
				待测矿相	0.2663	0.0780	0.2917

4、判断样品

根据表3所示，待测样与磁铁矿的空间距离最小，因此，判断待测矿为磁铁矿。

Claims (2)

1、冶金矿相智能识别方法，其特征在于采用矿相显微镜、摄像机、图像采集卡和计算机系统，具体方法包括：

1)标准矿相特征数据库建立

利用矿物反射率计算模型和矿相纹理特征提取模型分别对已知矿物组成的烧结矿矿相进行特征提取，建立矿相特征的数据库；

2)待测矿物的特征提取

利用矿物反射率计算模型和矿相纹理特征提取模型分别对待测烧结矿的矿相进行特征提取，得到该矿物的发射率和纹理特征值；

3)兰氏空间距离计算

利用兰氏空间距离公式 $D_{\mathrm{xi}}=\frac{1}{J}\underset{j=1}{\overset{J}{\mathrm{\&Sigma;}}}\frac{|x_j-S_{\mathrm{ij}}|}{x_j+S_{\mathrm{ij}}}$ 计算待测样本与特征数据库中样本的空间距离；

4)矿物识别

根据空间距离的计算结果，判定空间距离最小的两种矿物为相同的矿物，从而判断矿物的种类。

2、根据权利要求1所述的智能矿相机器识别方法，其特征在于所述矿相纹理特征提取模型，通过计算机编程实现，其模型建立方法包括：

1)归一化灰度直方图

通过式(4)、(5)和(6)得到了图像归一化的直方图，针对该图，通过式(7)提取出归一化的直方图的曲线峰值和所对应的灰度区间；

$G_i=\underset{m=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}P(i,m,n)---\left(4\right)$

其中，M、N分别表示图像的行数和列数，G_i为灰度为i的像素个数，P(i，m，n)的定义如式(5)：

$P(i,m,n)=\left\{\begin{array}{cc}1& P(m,n)=i\\ 0& P(m,n)\&NotEqual;i\end{array}\right.---\left(5\right)$

对式(5)进行归一化处理，得到了式(6)所示的归一化直方图函数；其中，G_i′为归一化值，T为总像素数，

G_i′＝G_i/T                                (6)

归一化直方图曲线寻峰方法如式(7)所示：

$\&PartialD;{G_i}^{\&prime;}=\left\{\begin{array}{cc}1& {G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}<-H\\ 0& |{G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}|<H\\ -1& {G_i}^{\&prime;}-{G_{i+1}}^{\&prime;}>H\end{array}\right.--\left(7\right)$

其中，H为设定的阈值，υG_i′代表归一化直方图中灰度值i处曲线的发展趋势，1代表曲线上升，-1代表曲线下降，0代表曲线水平稳定；

2)灰度共生矩阵：

式(8)就是灰度共生矩阵的数学表达式，在此灰度共生矩阵基础上通过式(9)进行归一化处理后，再通过式(10)、(11)、(12)提取二阶矩、对比度、熵；

P(i，j，δ，θ)＝{[(x，y)，(x+Δx，y+Δy)]

|f(x，y)＝i，f(x+Δx，y+Δy)＝j；x＝0，1，…，N_x-1；y＝0，1，…，N_y-1)    (8)

式(8)中，i和j为灰度值，x和y为图像中的像素坐标，N_x和N_y是图像的行列数，δ是两个像素之间的距离，θ为两像素的连线按顺时针与x轴的夹角；

p′(i，j)＝p(i，j)/R                                (9)

$f_1=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}^{{\&prime;}^2}(i,j)---\left(10\right)$

$f_2=\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{(i-j)}^2{p}^{\&prime;}(i,j)---\left(11\right)$

$f_3=-\underset{i=0}{\overset{L-1}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{L-1}{\mathrm{\&Sigma;}}}{p}^{\&prime;}(i,j){\log }_2{p}^{\&prime;}(i,j)---\left(12\right).$

Images