CN110288260A - 基于半监督聚类的煤泥浮选药剂添加量评价方法 - Google Patents
基于半监督聚类的煤泥浮选药剂添加量评价方法 Download PDFInfo
- Publication number
- CN110288260A CN110288260A CN201910590685.2A CN201910590685A CN110288260A CN 110288260 A CN110288260 A CN 110288260A CN 201910590685 A CN201910590685 A CN 201910590685A CN 110288260 A CN110288260 A CN 110288260A
- Authority
- CN
- China
- Prior art keywords
- sample image
- foam
- additive amount
- medicament
- unknown sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 55
- 239000003814 drug Substances 0.000 title claims abstract description 52
- 239000000654 additive Substances 0.000 title claims abstract description 48
- 230000000996 additive effect Effects 0.000 title claims abstract description 48
- 238000005188 flotation Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 title claims abstract description 19
- 239000006260 foam Substances 0.000 claims abstract description 72
- 239000013598 vector Substances 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 239000000284 extract Substances 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 239000008177 pharmaceutical agent Substances 0.000 claims description 3
- 239000003153 chemical reaction reagent Substances 0.000 abstract description 5
- 238000011084 recovery Methods 0.000 abstract description 5
- 239000003795 chemical substances by application Substances 0.000 description 13
- 239000004088 foaming agent Substances 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 10
- 239000002245 particle Substances 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000003250 coal slurry Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000005273 aeration Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 230000002209 hydrophobic effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000001802 infusion Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010907 mechanical stirring Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明提供一种基于半监督聚类的煤泥浮选药剂添加量评价方法,属于煤泥浮选领域,以解决目前方法具有主观随意性和滞后性及易造成浮选工况波动大、资源回收率低下和药剂消耗量大的问题。包括:获取第一数值张已知样本图像,确定每张已知样本图像的泡沫类型;获取第二数值张未知样本图像;提取每张已知样本图像和每张未知样本图像的泡沫特征向量,得到第三数值个混合泡沫特征向量;根据每张已知样本图像的泡沫类型对每张已知样本图像的泡沫特征向量进行标记;使用GMM的EM算法对第三数值个混合泡沫特征向量进行聚类,得到聚类结果;根据聚类结果确定每张未知样本图像的泡沫类型;根据泡沫类型确定拍摄每张未知样本图像时的药剂添加量是否合适。
Description
技术领域
本发明涉及煤泥浮选技术领域,尤其涉及一种基于半监督聚类的煤泥浮选药剂添加量评价方法。
背景技术
煤泥浮选主要是在浮选机或浮选柱等浮选设备中,利用煤颗粒表面亲水和疏水性质的差异,从煤泥中分选出精煤和尾煤。煤泥浮选过程的主要操作变量有入料浓度、入料流量、浮选槽充气量以及药剂添加量。其中,浓度、流量和充气量主要是从物理层次影响煤泥浮选效果,而药剂添加量是煤泥浮选效果好坏的主要影响因素,它是通过改变煤颗粒的表面物理化学性质来改变煤的可浮性。目前多数选煤厂在浮选生产过程中使用的药剂主要有起泡剂和捕收剂。捕收剂的最大作用是改变煤颗粒表面润湿性进而改变其亲疏水性,以此增加煤颗粒表面性质的差异,使得承载精煤颗粒的气泡具有可浮性,从而达到分选的目的。起泡剂用来稳定气泡,一般直接把空气通入煤浆中形成的气泡极其不稳定,很容易破碎,起泡剂可以降低煤浆溶液的表面张力,使进入煤浆中的气体容易扩散到溶液中,使得空气与煤浆融合形成气泡,增强气泡的稳定性,使得浮选过程有足够多的气泡来保证精煤颗粒的吸附。
在煤泥浮选过程中,泡沫发挥着“托运”精煤的作用,泡沫的个数、大小尺寸等特征直接关系到精煤的吸附效率,而泡沫的特征参数主要受药剂添加量这一操作变量的控制。当捕收剂用量过量时,泡沫层会变的紧密,这是由于煤颗粒表面的性质被改变,使得粘附在气泡上面的精煤过多,同时也夹杂着大量的矿泥;当捕收剂用量较少时,泡沫表面颜色会变浅并且很光滑,这主要是由于泡沫承载的精煤较少,大量的精煤流失。一般情况下,适量的起泡剂会使气泡大小均匀且稳定性良好。而起泡剂过量时,形成的气泡较小,气泡含水过,携带的精煤较少;起泡剂用量少时,形成的气泡较大,气泡壁较薄容易破裂,气泡不稳定,原本附着在气泡的精煤又回落到矿浆中。综上,在煤泥浮选过程中,要对药剂添加量进行合理控制。为此,在煤泥浮选过程中,需要实时观察泡沫情况从而对药剂添加量进行评价,以保证浮选效果。
目前多数选煤厂在煤泥浮选过程中对药剂添加量进行评价时,主要依靠有经验的浮选操作人员通过肉眼观察泡沫表观视觉特征来实现。具体为:人工肉眼观察泡面表面的特征来确定目前的捕收剂与起泡剂之间的配比是否合适。然而,这种人工评价方式,由于存在主观随意性和滞后性,不能对泡沫表观视觉特征进行量化描述,泡沫表观的特征量与药剂添加量难以建立精确可靠的数学模型,无法实现对浮选操作变量的优化控制,容易造成浮选工况波动大、浮选生产指标不合格、资源回收率低下和药剂消耗量大。
发明内容
为解决目前煤泥浮选过程中对药剂添加量进行评价的方法具有主观随意性和滞后性、不能对泡沫表观视觉特征进行量化描述及容易造成浮选工况波动大、浮选生产指标不合格、资源回收率低下和药剂消耗量大的技术问题,本发明提供一种基于半监督聚类的煤泥浮选药剂添加量评价方法。
为解决上述技术问题,本发明采用的技术方案是:
一种基于半监督聚类的煤泥浮选药剂添加量评价方法,其包括如下步骤:
S1,获取第一数值张已知药剂添加量的泡沫图像作为已知样本图像,并确定每张已知样本图像的泡沫类型,已知样本图像的泡沫类型是指在煤泥浮选的药剂添加量已知时所拍摄的已知样本图像中泡沫的形态;
S2,获取第二数值张未知药剂添加量的泡沫图像作为未知样本图像;
S3,提取每张已知样本图像的泡沫特征向量和每张未知样本图像的泡沫特征向量,得到第三数值个混合泡沫特征向量,所述第三数值为第一数值和第二数值之和;
S4,根据每张已知样本图像的泡沫类型对每张已知样本图像的泡沫特征向量进行标记,使不同泡沫类型的已知样本图像的泡沫特征向量对应不同的标识符号;
S5,使用GMM的EM算法对第三数值个混合泡沫特征向量进行聚类,得到聚类结果;
S6,根据聚类结果中显示的与每个标识符号聚在一起的未知样本图像的泡沫特征向量确定每张未知样本图像的泡沫类型;
S7,根据每张未知样本图像的泡沫类型对拍摄每张未知样本图像时的药剂添加量进行评价。
可选地,所述S3之前,还包括:对已知样本图像和未知样本图像进行预处理,以去除已知样本图像和未知样本图像中的噪音。
可选地,所述泡沫特征向量包括气泡数量、气泡周长和气泡面积。
可选地,所述S3的实现方法为:
S31,通过分水岭算法对每张已知样本图像和每张未知样本图像进行分割处理,并根据处理后的图像中互不连通的区域确定每张已知样本图像和未知样本图像中的气泡数量;
S32,通过分水岭算法对每张已知样本图像和每张未知样本图像进行分割处理得到各个气泡周边的脊线后,计算被分割出的所有气泡脊线的像素数目的平均值,得到每张已知样本图像和每张未知样本图像的气泡周长;
S33,对于每张已知样本图像和未知样本图像,计算其中的每个气泡在水平面投影下的像素面积,并根据所有气泡的像素面积的平均值确定气泡面积。
可选地,预处理的方式包括图像增强、图像去噪、图像二值化和图像形态学处理中的一种或几种的组合。
本发明的有益效果是:
通过提取每张已知样本图像的泡沫特征向量和每张未知样本图像的泡沫特征向量,并使用GMM的EM算法对第三数值个混合泡沫特征向量进行聚类,提供了一种基于半监督聚类的煤泥浮选药剂添加量评价方法,通过该方法获得浮选过程中未知药剂添加量的类型后,可以对浮选生产过程中的药剂添加量进行预警提示和提供操作指导,并且评价方式不存在主观随意性和滞后性,能对泡沫表观视觉特征进行量化描述,建立了泡沫表观的特征量与药剂添加量之间的可靠模型,使得可以根据当前泡沫状况视觉识别判断药剂添加情况,进而实现了对浮选操作变量的优化控制,避免出现浮选工况波动大、浮选生产指标不合格、资源回收率低下和药剂消耗量大等问题,能够提高选煤厂的自动化水平和效益。
附图说明
图1是本发明的流程图。
图2为将气泡近似为椭圆的示意图。
图3为GMM的EM算法的迭代流程图。
图4为一种聚类结果示意图。
具体实施方式
下面将结合附图和实施例对本发明作进一步地详细描述。
本发明的实施环境由泡沫产生设备、光源、摄像机、图像存储及计算处理服务器及其附属部件构成。泡沫产生设备为浮选机,其可以为XJX-20机械搅拌自吸式浮选机,泡沫产生设备用于提供无污染且稳定的气泡。光源为机器视觉专用LED环形光源,能够为摄像机提供亮度高且色温稳定的照明,光强可根据环境变换进行调节。摄像机具有红外补光功能,可较清晰的拍摄泡沫表层,获取泡沫图像,输出图像质量高,且其接口易于软件访问操作。图像存储及计算处理服务器选用能够对泡沫图像进行实时处理分析的计算机。在此基础上,如图1所示,本发明实施例中的基于半监督聚类的煤泥浮选药剂添加量评价方法包括如下步骤S1至S7。
S1,获取第一数值张已知药剂添加量的泡沫图像作为已知样本图像,并确定每张已知样本图像的泡沫类型,已知样本图像的泡沫类型是指在煤泥浮选的药剂添加量已知时所拍摄的已知样本图像中泡沫的形态。
其中,所有已知样本图像的泡沫类型包括了当捕收剂和起泡剂为不同配比时泡沫的形态。
S2,获取第二数值张未知药剂添加量的泡沫图像作为未知样本图像。
本发明的目的就是评价拍摄未知样本图像时煤泥浮选的药剂添加量是否合适。因此,需要先获取一定数量的未知样本图像。
S3,提取每张已知样本图像的泡沫特征向量和每张未知样本图像的泡沫特征向量,得到第三数值个混合泡沫特征向量,所述第三数值为第一数值和第二数值之和。
可选地,所述S3之前本发明实施例还包括:对已知样本图像和未知样本图像进行预处理,以去除已知样本图像和未知样本图像中的噪音,达到改善图像质量、提取某些有用信息或消弱及去除某些无用信息的目的。其中,预处理的方式包括图像增强、图像去噪、图像二值化和图像形态学处理中的一种或几种的组合。
其中,在煤泥浮选过程中,气泡数量、气泡周长和气泡面积等因素能够反应药剂添加量是否合适,为此,本发明实施例在确定泡沫特征向量时,需要确定各个图像中的气泡数量、气泡周长和气泡面积。然而,在实际浮选过程中气泡的大小不一,形状不规则,很难确定泡沫尺度。为了便于定量描述气泡周长和气泡面积,本发明实施例将单个气泡近似为椭圆,如图2所示,并取椭圆的长轴为2a,短轴为2b。需要说明的是,此处及后续内容中提及的2a和2b为椭圆的长轴和短轴所占的像素数目。在此基础上,所述S3的实现方法为如下步骤S31至S33:
S31,通过分水岭算法对每张已知样本图像和每张未知样本图像进行分割处理,并根据处理后的图像中互不连通的区域确定每张已知样本图像和未知样本图像中的气泡数量。
其中,每张图像通过分水岭算法处理后其中的互不连通的区域的数量即为每张图像中的气泡数量。
S32,通过分水岭算法对每张已知样本图像和每张未知样本图像进行分割处理得到各个气泡周边的脊线后,计算被分割出的所有气泡脊线的像素数目的平均值,得到每张已知样本图像和每张未知样本图像的气泡周长。
其中,气泡周长通过椭圆的周长计算公式来实现。任一个气泡的气泡周长为L=2πb+4(a-b)。
在计算一个图像中所有气泡脊线的像素数目的平均值时,先计算该图像中各个气泡脊线的周长之和,然后再取平均值即可。
S33,对于每张已知样本图像和未知样本图像,计算其中的每个气泡在水平面投影下的像素面积,并根据所有气泡的像素面积的平均值确定气泡面积。
气泡面积通过椭圆的面积计算公式来实现。任一个气泡的气泡面积为S=πab。在计算一个图像中所有气泡的像素面积的平均值时,先计算该图像中各个气泡的像素面积之和,然后再取像素面积的平均值作为该图像的气泡面积。
S4,根据每张已知样本图像的泡沫类型对每张已知样本图像的泡沫特征向量进行标记,使不同泡沫类型的已知样本图像的泡沫特征向量对应不同的标识符号。
例如,对于泡沫类型为a类的已知样本图像,将该类已知样本图像的泡沫特征向量标记为■;对于泡沫类型为b类的已知样本图像,将该类已知样本图像的泡沫特征向量标记为★,等等。
S5,使用GMM的EM算法对第三数值个混合泡沫特征向量进行聚类,得到聚类结果。
GMM(高斯混合模型),又叫正态分布,对于浮选过程中各类形态的泡沫都是随机存在且相互独立的。当泡沫数据样本足够多的时候,根据中心极限定理,这些泡沫样本的分布情况趋于高斯分布。每一种类型的泡沫包含多个特征,可由一个多维高斯分布表示,而一个数据集中又包含多种泡沫样本类型,因此为了描述所有数据样本的分布情况,本发明实施例引入GMM对泡沫样本进行拟合。
其中,GMM用公式表示为:
式中:p(xi)为样本xi(i=1,2,…,N,N为第三数值)属于各泡沫类型的概率;αk为第k(k=1,2,…,K,K为泡沫类型数)个高斯分布的系数;N(xi|μk,∑k)为第k个高斯分布,μk为第k个高斯分布泡沫特征向量均值,∑k为第k个高斯分布泡沫特征向量协方差矩阵。
GMM的估计可使用最大似然估计法进行拟合。因此,GMM的似然函数可表示为:
采用期望最大化算法(EM)进行迭代。EM算法分为E步和M步:E步中根据初始值或上一步迭代的聚类中心μ、协方差矩阵Σ和混合模型权重π,使用贝叶斯公式计算每个分布的后验概率MAP;M步中,根据后验概率MAP确定新的μ、Σ和π。重复E步和M步迭代直到收敛,则算法结束。具体算法中涉及的公式如下:
E步:
M步:
EM算法的收敛条件,即似然函数(上式)第k步和第k+1步的变化量小于误差值eps,则表示迭代结束。EM算法的迭代流程如图3所示。
综上,本发明实施例提出的基于GMM的EM算法的聚类为半监督聚类方法,即已知样本图像及其泡沫类型,然后确定未知样本图像的泡沫类型。
S6,根据聚类结果中显示的与每个标识符号聚在一起的未知样本图像的泡沫特征向量确定每张未知样本图像的泡沫类型。
如图4所示,其为一种聚类结果的示意图。属于同一泡沫类型的未知样本图像的泡沫特征向量会聚集在一起,根据聚在一起的泡沫特征向量中所包括的标识符号即可确定未知样本图像的泡沫类型。
S7,根据每张未知样本图像的泡沫类型对拍摄每张未知样本图像时的药剂添加量进行评价。
在具体评价时,根据每张未知样本图像的泡沫类型对拍摄每张未知样本图像时的药剂添加量是否合适进行评价。如果拍摄任一张未知样本图像时的药剂添加量不合适,则需要调整药剂添加量;如果拍摄任一未知样本图像时的药剂添加量均合适,则可以继续生产任务。其中,在确定拍摄任一张未知样本图像时的药剂添加量是否合适时,可以根据该张未知样本图像中的泡沫类型及浮选经验确定。
为便于理解,下面以一个具体的例子对本发明实施例进行举例说明:
首先,采集不同药剂添加量下的煤泥浮选泡沫图像,例如,在3种药剂操作条件已知情况下共采集40张图像,这3种加药比分别为:起泡剂与捕收剂加药比例为3:1;起泡剂与捕收剂加药比例为3:2;起泡剂与捕收剂加药比例为1:1。将采集到的40张图像作为已知样本图像,然后在未知加药制度下获取760张图像作为未知样本图像。
然后,根据上述步骤S3中的内容提取每张已知样本图像的泡沫特征向量和每张未知样本图像的泡沫特征向量,得到800个混合泡沫特征向量。
接下来,对小部分已经获得先验知识(泡沫类型)的样本进行标记(每种类型的泡沫类型可以对其中的10个泡沫特征向量进行标记),将a类泡沫特征向量的标记■,b类泡沫特征向量的标记★,c类泡沫特征向量标记为▲,d类泡沫特征向量的标记◆。
接着,使用GMM的EM算法对800个混合泡沫特征向量进行聚类,得到聚类结果。具体为:首先设置相关参数聚类中心μ、协方差矩阵Σ和混合模型权重π,执行迭代过程,计算每个高斯分布的后验概率MAP。然后,根据后验概率MAP更新聚类中心及相关参数,重复迭代直到收敛,达到聚类的目的。
最后,对聚类结果进行分析。经过聚类过程后,得到的聚类结果通常可以分为三种情况:一、聚类中没有已标识的样本,即未知簇,这种情况一般被认为是噪声样本。二、聚类中已标识的样本的类型仅有一种,即已知簇,已知簇中已标识的样本的类型仅有一种,所以可将簇中所有样本均划分为该已知样本的类型。三、聚类中含有多种已标识的样本类型,即混合簇。混合簇中样本类型包括多种类型,可以按照多数投票的原则处理。由于本发明实施例采集的已知样本图像和未知样本图像均为拍摄的不同药剂添加量下的图像,所以聚类获得的簇基本均为已知簇。
如图4示,A区域的未标识的泡沫特征向量与标识符号为◆的泡沫特征向量聚集为一类,因此可以认为此一簇的未知样本图像的泡沫类型为d类;B区域的未标识的泡沫特征向量与标识符号为★的样本聚集为一类,因此可以认为此一簇的未知样本图像的泡沫类型为b类;C区域的未标识的泡沫特征向量与标识符号为的■的泡沫特征向量聚集为一类,因此可以认为此一簇的未知样本图像的泡沫类型为a类;D区域粉的未标识的泡沫特征向量与标识符号为▲的泡沫特征向量聚集为一类,因此可以认为此一簇的未知样本图像的泡沫类型为c类;分别将a、b、c和d映射为各自对应的泡沫类型(药剂添加量)。至此,实现了泡沫样本的半监督聚类。
具体地,浮选生产过程中,如果泡沫类型为图4中的a类,说明当前加药量合适,无需做调整;如果泡沫类型为图4中的b类,说明捕收剂用量少,可适当加大捕收剂的用药比例;如果泡沫类型为图4中的c,说明捕收剂用量过大,可适当降低捕收剂的用量比例;如果泡沫类型为图4中的d类,说明此时矿浆浓度较低,可能皮带未带煤,此时可以降低或停止两种药剂的用量,避免药剂浪费。
综上,通过本发明实施例提供的方法获得浮选过程中未知药剂添加量的类型后,可以对浮选生产过程中的药剂添加量进行预警提示和提供操作指导,并且评价方式不存在主观随意性和滞后性,能对泡沫表观视觉特征进行量化描述,建立了泡沫表观的特征量与药剂添加量之间的可靠模型,使得可以根据当前泡沫状况视觉识别判断药剂添加情况,进而实现了对浮选操作变量的优化控制,避免出现浮选工况波动大、浮选生产指标不合格、资源回收率低下和药剂消耗量大等问题,能够提高选煤厂的自动化水平和效益。
将本发明实施例提供的方法应用于某选煤厂,经过一个月的测试,发现:相对于原有评价方法,捕收剂消耗量降低了8.22%,起泡剂消耗量降低了7.67%。基于机器视觉的泡沫聚类识别可作为浮选生产状态调节指示量为浮选加药量提供指导,实现节药降耗的目标,提高了选煤厂的经济效益。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (5)
1.一种基于半监督聚类的煤泥浮选药剂添加量评价方法,其特征在于,包括如下步骤:
S1,获取第一数值张已知药剂添加量的泡沫图像作为已知样本图像,并确定每张已知样本图像的泡沫类型,已知样本图像的泡沫类型是指在煤泥浮选的药剂添加量已知时所拍摄的已知样本图像中泡沫的形态;
S2,获取第二数值张未知药剂添加量的泡沫图像作为未知样本图像;
S3,提取每张已知样本图像的泡沫特征向量和每张未知样本图像的泡沫特征向量,得到第三数值个混合泡沫特征向量,所述第三数值为第一数值和第二数值之和;
S4,根据每张已知样本图像的泡沫类型对每张已知样本图像的泡沫特征向量进行标记,使不同泡沫类型的已知样本图像的泡沫特征向量对应不同的标识符号;
S5,使用GMM的EM算法对第三数值个混合泡沫特征向量进行聚类,得到聚类结果;
S6,根据聚类结果中显示的与每个标识符号聚在一起的未知样本图像的泡沫特征向量确定每张未知样本图像的泡沫类型;
S7,根据每张未知样本图像的泡沫类型对拍摄每张未知样本图像时的药剂添加量进行评价。
2.根据权利要求1所述的基于半监督聚类的煤泥浮选药剂添加量评价方法,其特征在于,所述S3之前,还包括:对已知样本图像和未知样本图像进行预处理,以去除已知样本图像和未知样本图像中的噪音。
3.根据权利要求1所述的基于半监督聚类的煤泥浮选药剂添加量评价方法,其特征在于,所述泡沫特征向量包括气泡数量、气泡周长和气泡面积。
4.根据权利要求3所述的基于半监督聚类的煤泥浮选药剂添加量评价方法,其特征在于,所述S3的实现方法为:
S31,通过分水岭算法对每张已知样本图像和每张未知样本图像进行分割处理,并根据处理后的图像中互不连通的区域确定每张已知样本图像和未知样本图像中的气泡数量;
S32,通过分水岭算法对每张已知样本图像和每张未知样本图像进行分割处理得到各个气泡周边的脊线后,计算被分割出的所有气泡脊线的像素数目的平均值,得到每张已知样本图像和每张未知样本图像的气泡周长;
S33,对于每张已知样本图像和未知样本图像,计算其中的每个气泡在水平面投影下的像素面积,并根据所有气泡的像素面积的平均值确定气泡面积。
5.根据权利要求2所述的基于半监督聚类的煤泥浮选药剂添加量评价方法,其特征在于,预处理的方式包括图像增强、图像去噪、图像二值化和图像形态学处理中的一种或几种的组合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590685.2A CN110288260B (zh) | 2019-07-02 | 2019-07-02 | 基于半监督聚类的煤泥浮选药剂添加量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910590685.2A CN110288260B (zh) | 2019-07-02 | 2019-07-02 | 基于半监督聚类的煤泥浮选药剂添加量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110288260A true CN110288260A (zh) | 2019-09-27 |
CN110288260B CN110288260B (zh) | 2022-04-22 |
Family
ID=68021741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910590685.2A Active CN110288260B (zh) | 2019-07-02 | 2019-07-02 | 基于半监督聚类的煤泥浮选药剂添加量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110288260B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128126A (zh) * | 2021-04-26 | 2021-07-16 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
CN113791090A (zh) * | 2021-09-14 | 2021-12-14 | 慧镕电子系统工程股份有限公司 | 一种回收电路板焊接缺陷快速检定系统及方法 |
CN114663405A (zh) * | 2022-03-27 | 2022-06-24 | 扬州市苏灵农药化工有限公司 | 用于农药生产企业的废水处理控制方法 |
CN115861672A (zh) * | 2022-12-20 | 2023-03-28 | 中南大学 | 一种基于图像特征联合分布的泡沫浮选运行性能评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855492A (zh) * | 2012-07-27 | 2013-01-02 | 中南大学 | 基于矿物浮选泡沫图像的分类方法 |
CN104408724A (zh) * | 2014-11-27 | 2015-03-11 | 中南大学 | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 |
CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
CN107392232A (zh) * | 2017-06-23 | 2017-11-24 | 中南大学 | 一种浮选工况分类方法和系统 |
-
2019
- 2019-07-02 CN CN201910590685.2A patent/CN110288260B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855492A (zh) * | 2012-07-27 | 2013-01-02 | 中南大学 | 基于矿物浮选泡沫图像的分类方法 |
CN104408724A (zh) * | 2014-11-27 | 2015-03-11 | 中南大学 | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 |
CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
CN107392232A (zh) * | 2017-06-23 | 2017-11-24 | 中南大学 | 一种浮选工况分类方法和系统 |
Non-Patent Citations (2)
Title |
---|
王雅琳等: "基于向量空间模型的浮选泡沫图像分类方法研究", 《高技术通讯》 * |
郝元宏等: "一种新的浮选泡沫图像识别方法", 《西安交通大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128126A (zh) * | 2021-04-26 | 2021-07-16 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
CN113128126B (zh) * | 2021-04-26 | 2022-06-10 | 湖南理工学院 | 一种基于生成对抗网络的浮选加药过程的建模方法 |
CN113791090A (zh) * | 2021-09-14 | 2021-12-14 | 慧镕电子系统工程股份有限公司 | 一种回收电路板焊接缺陷快速检定系统及方法 |
CN114663405A (zh) * | 2022-03-27 | 2022-06-24 | 扬州市苏灵农药化工有限公司 | 用于农药生产企业的废水处理控制方法 |
CN115861672A (zh) * | 2022-12-20 | 2023-03-28 | 中南大学 | 一种基于图像特征联合分布的泡沫浮选运行性能评估方法 |
CN115861672B (zh) * | 2022-12-20 | 2023-09-19 | 中南大学 | 一种基于图像特征联合分布的泡沫浮选运行性能评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110288260B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288260A (zh) | 基于半监督聚类的煤泥浮选药剂添加量评价方法 | |
CN105404861B (zh) | 人脸关键特征点检测模型的训练、检测方法及系统 | |
CN106778821B (zh) | 基于slic和改进的cnn的极化sar图像分类方法 | |
CN109190567A (zh) | 基于深度卷积神经网络的异常宫颈细胞自动检测方法 | |
CN105205804B (zh) | 血细胞图像中白细胞的核浆分离方法、分类方法及装置 | |
CN103106645B (zh) | 一种机织物组织结构识别方法 | |
CN104851085B (zh) | 自动获取图像中检测区的方法及系统 | |
Tanielian et al. | Learning disconnected manifolds: a no gan’s land | |
CN104282008B (zh) | 对图像进行纹理分割的方法和装置 | |
Liang et al. | Horizon detection from electro-optical sensors under maritime environment | |
CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
CN102819733A (zh) | 一种快速的街景图像中人脸的检测模糊方法 | |
CN108182440A (zh) | 一种基于渣片图像识别获取围岩类别的方法 | |
CN109544564A (zh) | 一种医疗图像分割方法 | |
CN103903012A (zh) | 基于面向对象和支持向量机的极化sar数据分类方法 | |
CN108280480A (zh) | 一种基于残差共生概率的隐写图像载体安全性评价方法 | |
CN103365985B (zh) | 一种类别自适应的极化sar分类方法 | |
CN109087276A (zh) | 基于smt料盘的x射线图像的元器件自动计数和定位方法 | |
CN106780376A (zh) | 基于显著性检测和联合分割算法的背景图像分割方法 | |
Ershov et al. | A generalization of Otsu method for linear separation of two unbalanced classes in document image binarization | |
CN104751462B (zh) | 一种基于多特征非线性组合的白细胞分割方法 | |
CN102236786A (zh) | 一种光照自适应的人体肤色检测方法 | |
CN108961301A (zh) | 一种基于无监督逐像素分类的角毛藻图像分割方法 | |
CN109801208A (zh) | 基于多gpu任务优化的sar图像变化检测方法 | |
CN108122000A (zh) | 一种基于特征学习的车标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |