CN112016552A - 基于泡沫颜色的混合浮选工况识别方法和系统 - Google Patents
基于泡沫颜色的混合浮选工况识别方法和系统 Download PDFInfo
- Publication number
- CN112016552A CN112016552A CN202011200294.4A CN202011200294A CN112016552A CN 112016552 A CN112016552 A CN 112016552A CN 202011200294 A CN202011200294 A CN 202011200294A CN 112016552 A CN112016552 A CN 112016552A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- pixel point
- froth
- floated
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于泡沫颜色的混合浮选工况识别方法和系统,包括:提取待浮选泡沫图像的目标感兴趣区域;目标感兴趣区域包括待浮选泡沫图像中的最大泡沫区域;提取目标感兴趣区域中的每个像素点的RGB值;基于每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度;基于每个像素点的色度、饱和度和明亮度,提取目标感兴趣区域的目标特征向量;基于目标特征向量对待浮选泡沫图像进行工况识别。本发明缓解了现有技术中的基于颜色的机器视觉识别方法存在着因系统鲁棒性差而无法进行工业在线分类的技术问题。
Description
技术领域
本发明涉及冶金工程技术领域,尤其是涉及一种基于泡沫颜色的混合浮选工况识别方法和系统。
背景技术
混合型矿物在矿物加工过程中一般采用分段浮选的办法,选矿厂多采用班取样化验的方法得到当前班次氧化矿、硫化矿含量比例的变化趋势。由于班取样方式和化验时间的影响,往往是第二天才能拿到前一天的化验结果,其结果的参考价值对工业控制的指导意义很小。而传统的元素在线品位分析无法得到同一选别金属不同化合物的含量,因此对混合浮选过程的药剂自动添加及在线控制一直存在着在线检测手段缺失的问题。
另外,浮选操作工一般采用肉眼观察泡沫颜色的方法来区分不同工况,从而预测氧化物和硫化物含量比例的高低。目前,基于颜色的机器视觉识别方法已经有相应的技术成果,但目前的技术方案都存在各类的缺陷导致无法进行工业在线分类。主要问题包括以下几方面:
第一,混合浮选中化合物含量变化导致的泡沫颜色变化细微,有经验的操作人员无法用量化的描述语言来表述这一工况特征;
第二,机器视觉中各种图像颜色域变换得到的颜色特征值(如RGB的相对红色分量、HSV的色调分量、Lab空间的a分量等)表征方法一般都是采用像素平均法或全局像素直方图统计,这类方法对于上述颜色微弱变化导致的工况改变分辨率不够;
第三,人类感知泡沫颜色的变化是一个复杂的过程,不仅仅是颜色的偏差,同时还包含着饱和度、亮度的同时变化而引起的色觉感知改变。
综上所述,现有技术中的基于颜色的机器视觉识别方法存在着因系统鲁棒性差而无法进行工业在线分类的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于泡沫颜色的混合浮选工况识别方法和系统,以缓解现有技术中的基于颜色的机器视觉识别方法存在着因系统鲁棒性差而无法进行工业在线分类的技术问题。
第一方面,本发明实施例提供了一种基于泡沫颜色的混合浮选工况识别方法,包括:提取待浮选泡沫图像的目标感兴趣区域;目标感兴趣区域包括所述待浮选泡沫图像中的最大泡沫区域;提取所述目标感兴趣区域中的每个像素点的RGB值;基于所述每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度;基于所述每个像素点的色度、饱和度和明亮度,提取所述目标感兴趣区域的目标特征向量;基于所述目标特征向量对所述待浮选泡沫图像进行工况识别。
进一步地,提取待浮选泡沫图像的目标感兴趣区域,包括:对所述待浮选泡沫图像进行灰度变换,得到目标灰度图;基于所述目标灰度图中所有像素的灰度值,确定第一阈值;基于所述第一阈值对所述目标灰度图进行二值化处理,得到第一二值图;计算所述第一二值图中的所有连通域的质心坐标,并确定所有连通域的质心坐标中最大连通域所对应的第一质心坐标;在所述目标灰度图中选取以所述第一质心坐标为中心的预设大小区域,得到初始感兴趣区域;基于所述初始感兴趣区域,在所述待浮选泡沫图像中确定目标感兴趣区域。
进一步地,基于所述初始感兴趣区域,确定目标感兴趣区域,包括:基于所述目标灰度图中所有像素的灰度值,确定第二阈值;基于所述第一阈值和所述第二阈值,对所述初始感兴趣区域进行二值化处理,得到第二二值图;对所述第二二值图进行滑动窗口聚类操作,得到第三二值图;基于所述第三二值图的坐标,在所述待浮选泡沫图像中确定目标感兴趣区域。
进一步地,基于所述每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度,包括:通过算式:,计算每个像素点的色度;通过算式:,计算每个像素点的饱和度;通过算式:I=(R+B+G)/3,计算每个像素点的明亮度;其中,,R、G、B分别为所述每个像素点的RGB值在红、绿、蓝三个通道的颜色值,H为色度,S为饱和度,I为明亮度。
进一步地,基于所述每个像素点的色度、饱和度和明亮度,提取所述目标感兴趣区域的目标特征向量,包括:对所述每个像素点的色度进行统计,得到统计结果,并基于所述统计结果确定第一特征值;以所述每个像素点的色度和每个像素点的饱和度为坐标,将所述目标感兴趣区域中的所有像素点映射到极坐标系中,并通过散点重心法确定所述所有像素点的重心坐标;将所述重心坐标的极角确定为第二特征值;将所述所有像素点的色度的均值和方差,分别确定为第三特征值和第四特征值;将所述所有像素点的饱和度的偏度和峰度,分别确定为第五特征值和第六特征值;计算所述所有像素点的明亮度的均值,并将所述明亮度的均值作为第七特征值;基于所述第一特征值、所述第二特征值、所述第三特征值、所述第四特征值、所述第五特征值、所述第六特征值和所述第七特征值,确定目标特征向量。
进一步地,基于所述目标特征向量对所述待浮选泡沫图像进行工况识别,包括:基于所述目标特征向量,利用机器学习的方法对所述待浮选泡沫图像进行工况识别。
第二方面,本发明实施例还提供了一种基于泡沫颜色的混合浮选工况识别系统,包括:第一提取模块,第二提取模块,计算模块,第三提取模块和识别模块;其中,所述第一提取模块,用于提取待浮选泡沫图像的目标感兴趣区域;目标感兴趣区域包括所述待浮选泡沫图像中的最大泡沫区域;所述第二提取模块,用于提取所述目标感兴趣区域中的每个像素点的RGB值;所述计算模块,用于基于所述每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度;所述第三提取模块,用于基于所述每个像素点的色度、饱和度和明亮度,提取所述目标感兴趣区域的目标特征向量;所述识别模块,用于基于所述目标特征向量对所述待浮选泡沫图像进行工况识别。
进一步地,所述第一提取模块,还包括:变换单元,第一确定单元,二值化单元,计算单元,选取单元和第二确定单元;其中,所述变换单元,用于对所述待浮选泡沫图像进行灰度变换,得到目标灰度图;所述第一确定单元,用于基于所述目标灰度图中所有像素的灰度值,确定第一阈值;所述二值化单元,用于基于所述第一阈值对所述目标灰度图进行二值化处理,得到第一二值图;所述计算单元,用于计算所述第一二值图中的所有连通域的质心坐标,并确定所有连通域的质心坐标中最大连通域所对应的第一质心坐标;所述选取单元,用于在所述目标灰度图中选取以所述第一质心坐标为中心的预设大小区域,得到初始感兴趣区域;所述第二确定单元,用于基于所述初始感兴趣区域,在所述待浮选泡沫图像中确定目标感兴趣区域。
第三方面,本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法的步骤。
第四方面,本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述第一方面所述方法。
本发明提供了一种基于泡沫颜色的混合浮选工况识别方法和系统,通过对泡沫实体区域的颜色域特征进行特征向量提取,将图像局部的色度、饱和度与明亮度进行综合分析,然后对待浮选泡沫图像进行工况识别,缓解了现有技术中的基于颜色的机器视觉识别方法存在着因系统鲁棒性差而无法进行工业在线分类的技术问题,以及解决了机器视觉分析泡沫图像中细微差异的变化特征不明显的问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于泡沫颜色的混合浮选工况识别方法的流程图;
图2为本发明实施例提供的一种像素点色度的直方图统计示意图;
图3为本发明实施例提供的一种像素点到极坐标系的映射示意图;
图4为本发明实施例提供的一种基于泡沫颜色的混合浮选工况识别系统的示意图;
图5为本发明实施例提供的一种第一提取模块的示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
针对于现有技术的混合浮选过程中在线工况分类器缺失的问题,如混合铜浮选过程中,一般工艺是先硫化铜选别,后氧化铜选别;在硫化铜选别中,硫化物和氧化物含量受出矿点的变化而不断变化,导致初级浮选过程中粗选加药需要不断调整。药剂不足会导致硫化铜进入氧化铜选别段,最终导致总回收率下降;药剂过量一方面增加了总体的回收成本,另外一方面,残存药剂对下一选别作业的回收不利,间接降低了总的经济效益。因此,混合浮选中不同化合物的工况判断至关重要,各个混合型矿山的初级作业都采用十分具有经验的操作人员作为分析控制人员。
目前,具有经验的操作人员一般将总的工况分为两大类,即是氧化铜占优和硫化铜占优两种。当氧化铜占优时,其表征的泡沫特性为“发白、透亮”等,而当硫化铜占优时,操作人员表征为“发黑、发污”等特征。根据这些表述特性,经过研究分析得出,在同一时刻保证光照、外部环境不变的情况下,不同工况下的泡沫图像的总体明亮度均值并无显著性差异,发白和发黑的差异在于泡沫中局部的颜色、饱和度等综合性差异;而当进行不同时刻的类似颜色饱和度的图片分类时,明亮度的差异会导致工况分类结果的不同。因此,对于混合浮选过程中泡沫颜色与工况改变的分类方法,需要将图像局部区域的颜色特征、饱和度特征与明亮度特征综合分析才能解决这一棘手问题。
图1是根据本发明实施例提供的一种基于泡沫颜色的混合浮选工况识别方法的流程图。如图1所示,该方法具体包括如下步骤:
步骤S102,提取待浮选泡沫图像的目标感兴趣区域;目标感兴趣区域包括待浮选泡沫图像中的最大泡沫区域。
步骤S104,提取目标感兴趣区域中的每个像素点的RGB值。
步骤S106,基于每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度。
步骤S108,基于每个像素点的色度、饱和度和明亮度,提取目标感兴趣区域的目标特征向量。可选地,目标特征向量包括多个特征值。
步骤S110,基于目标特征向量对待浮选泡沫图像进行工况识别。
本发明提供了一种基于泡沫颜色的混合浮选工况识别方法,通过对泡沫实体区域的颜色域特征进行特征向量提取,将图像局部的色度、饱和度与明亮度进行综合分析,然后对待浮选泡沫图像进行工况识别,缓解了现有技术中的基于颜色的机器视觉识别方法存在着因系统鲁棒性差而无法进行工业在线分类的技术问题,以及解决了机器视觉分析泡沫图像中细微差异的变化特征不明显的问题。
经过多次对比实验,人感知泡沫颜色的细微变化更多的是因为泡沫实体区的颜色、饱和度、亮度的细微变化,因此,对于人工光源的泡沫图像机器视觉系统而言,将单一泡沫分为亮斑区、实体区、阴影区三个部分,亮斑区为人工光源的高亮反射区域,这一区域的图像接近于满幅值,在亮度直方图中为双峰分布中的第二个子峰,其颜色与饱和度的信息失去了意义。而阴影区域的亮度均值较小,像素经过各类颜色变换后色度的分布会受单一颜色通道(RGB)的细微变化而变得很宽,实际上,这是传感器检测下限所导致的。
因此,在本发明实施例中,采用如下方法对步骤S102中的待浮选泡沫图像的目标感兴趣区域(即ROI区域)进行提取:
步骤S1021,对待浮选泡沫图像进行灰度变换,得到目标灰度图。例如待浮选泡沫图像为像素m*n的图像,进行灰度变换之后表示为Iorl→Igray。
步骤S1022,基于目标灰度图中所有像素的灰度值,确定第一阈值。
例如,将目标灰度图中的所有灰度像素Igray由大到小排序,得到灰度向量,然后选取灰度排序在前面的第15%位置处的灰度值作为第一阈值(上阈值),即LH=Gfloor(m*n*0.15)。
步骤S1024,计算第一二值图中的所有连通域的质心坐标,并确定所有连通域的质心坐标中最大连通域所对应的第一质心坐标。
例如,第一二值图BW1所有连通域质心坐标为Ci(x,y),求得符合条件的最大连通域质心坐标为(x0,y0),其中,Ci(x0,y0)=max(Si),x0∈[200,m-200),y0∈[200,n-200),满足上述条件。
步骤S1025,在目标灰度图中选取以第一质心坐标为中心的预设大小区域,得到初始感兴趣区域。
例如,以第一质心坐标为中心,200像素向外扩充选区,得到400*400图像,作为初始感兴趣区域。
步骤S1026,基于初始感兴趣区域,在待浮选泡沫图像中确定目标感兴趣区域。
具体地,基于目标灰度图中所有像素的灰度值,确定第二阈值;例如,选取灰度排序在后面的第20%位置处的灰度值作为第二阈值(下阈值),即LL=Gfloor(m*n*0.8)。
最后,对第二二值图进行滑动窗口聚类操作,得到第三二值图;例如,对第二二值图BW2进行5*5滑动窗口聚类,得到第三二值图BW3:
基于第三二值图BW3的坐标,在待浮选泡沫图像中确定目标感兴趣区域。
可选地,为了分辨不同工况下数字图像泡沫的颜色差异,将上述局部子图中ROI区域(即目标感兴趣区域)的像素进行数学变换,采用色度、饱和度、明亮度统计量的方法进行特征统计;由于矿物泡沫的特性,在不同类型的矿物中其色度统计量分布形态不同,并综合饱和度的因素,本发明实施例中的特征向量提取方法如下:
首先基于每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度,计算方法如下:
通过算式:I=(R+B+G)/3,计算每个像素点的明亮度;
然后,基于每个像素点的色度、饱和度和明亮度,提取目标感兴趣区域的目标特征向量。具体地,包括如下步骤:
步骤S1081,对每个像素点的色度进行统计,得到统计结果,并基于统计结果确定第一特征值。其中,第一特征值表示矿物的待浮选泡沫图像的微弱差异都是分布在黄色区域60°附近的差异。
可选地,对目标感兴趣区域(ROI区域)的像素的色度进行直方图统计,然后在色度坐标系下以每间隔60°对处在六个整数度数(即0°、60°、120°、180°、240°、300°)上的像素点个数进行统计采样,得到六个特征向量,分别记为X(1)~X(6),进行归一化得到X'(1)~X'(6),将上述六个特征向量之和与ROI区域中的像素数做比例计算,得到第七特征向量。如图2所示,图2中的右图为待浮选泡沫图像,左图为对待浮选泡沫图像进行色度直方图统计之后的七个特征向量的示意图。
为了消除灰色像素点的干扰,将所有灰色像素点(R=G=B)记为X(7),以便和0°红色纯色点区别;另外,还计算子图中实体区占总实体区的像素比例,如比例过低,则代表性较差,不适用与工况判断。
基于上述六个特征向量,通过如下计算算式确定第一特征值H1:
H1=X'(2)+0.5(X'(1)+X'(3))-0.5*(X'(6)+X'(4))-X'(5)。
步骤S1082,以每个像素点的色度和每个像素点的饱和度为坐标,将目标感兴趣区域中的所有像素点映射到极坐标系中,并通过散点重心法确定所有像素点的重心坐标;将重心坐标的极角确定为第二特征值。
具体地,为了消除一些颜色异常点的干扰,可以构造一个“松紧适度”的封闭曲线来包裹目标区域样本点。其优化目标可以描述为找到合适的高斯核参数应使得边缘点像到超平面距离的最大值较小,而内部点像到超平面距离的最大值较大。图3是根据本发明实施例提供的一种像素点到极坐标系的映射示意图。
通过高斯核参数优化算法(MIES):
最终求得上述二维包络曲线的重心C(x1,y1),最后将重心坐标在极坐标系中的极角作为第二特征值H2。
可选地,通过通过近似计算,仍然可以得到较为一致的结果。将上述X(1)~X(6)的每个像素点的色度H与饱和度S进行乘积,得到饱和度加权结果X''(1)~ X''(6),于是有:
x1=X'' (1)+0.5(X'' (2)+X'' (6))-0.5*(X'' (3)+X'' (5))-X'' (4)
y1=0.866(X'' (2)+X'' (3))-0.866(X'' (5)+X'' (6))
于是有角度特征值K:
当x1>0,y1=0,K=0;
当x1=0,y1>0,K=π/2;
当x1<0,y1=0,K=π;
当x1=0,y1<0,K=3π/2;
当x1>0,y1>0时K=arctan(x1/y1),K∈(0,π/2);
当x1<0,y1>0时K=π+arctan(x1/y1),K∈(π/2,π);
当x1<0,y1<0时K=π+arctan(x1/y1),K∈(π,3π/2);
当x1>0,y1<0时K=2π+arctan(x1/y1),K∈(3π/2,2π);
最后将K值作为第二特征值H2,即H2=K。
步骤S1083,将所有像素点的色度的均值和方差,分别确定为第三特征值和第四特征值。
具体地,通过如下算式计算第三特征值H3:
通过如下算式计算第四特征值H4:
步骤S1084,将所有像素点的饱和度的偏度和峰度,分别确定为第五特征值和第六特征值。
具体地,泡沫图像为低饱和度图像,其色彩饱和度在一个比较窄的区间内波动,不同类型的泡沫除在色调上存在差异,在其饱和度直方图的分布形状上也有差别,因此,采用实体区像素点饱和度的偏度、峰度作为样本图像的两个特征值,一般意义上,实体区饱和度样本的偏度都为正偏态,偏度越大,气泡越不透明;峰度越小,瘦尾状态约明显,对应的气泡粘连程度越高,显得气泡“发粘”。
具体地,通过如下算式计算所有像素点饱和度的偏度(即第五特征值)S1:
通过如下算式计算所有像素点饱和度的峰度(即第六特征值)S2:
步骤S1085,计算所有像素点的明亮度的均值,并将明亮度的均值作为第七特征值;
步骤S1086,基于第一特征值、第二特征值、第三特征值、第四特征值、第五特征值、第六特征值和第七特征值,确定目标特征向量。
可选地,步骤S110还包括:基于目标特征向量,利用机器学习的方法对待浮选泡沫图像进行工况识别。
具体地,获取预设数据样本,然后通过本发明实施例提供的上述目标特征向量提取方法,分别提取预设数据样本的七种特征值组成的目标特征向量,然后利用预设数据样本的目标特征向量基于机器学习的方法训练预设分类器,得到训练之后的分类器,最后利用训练之后的分类器对待浮选泡沫图像进行工况识别。
例如,在已标定的3个时间段的239组样本中,采用RBF-SVM的分类方法,无论是否采用规范化均得到了较好的学习分类效果,其最低分类准确率也可以保证在95%以上。
本发明实施例提供了一种基于泡沫颜色的混合浮选工况识别方法,通过对局部像素的泡沫颜色特征值、饱和度特征值和明度特征值提取,获得一种具有工业应用价值的特征参数提取办法,解决工业过程中泡沫特征检测缺失的问题。同时,该方法在两个工业现场实施得以验证,具有很高的鲁棒性,适用于混合浮选中氧化物、硫化物含量分类问题。
实施例二:
图4是根据本发明实施例提供的一种基于泡沫颜色的混合浮选工况识别系统的示意图。如图4所示,该系统包括:第一提取模块10,第二提取模块20,计算模块30,第三提取模块40和识别模块50。
具体地,第一提取模块10,用于提取待浮选泡沫图像的目标感兴趣区域;目标感兴趣区域包括待浮选泡沫图像中的最大泡沫区域。
第二提取模块20,用于提取目标感兴趣区域中的每个像素点的RGB值。
计算模块30,用于基于每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度。
具体地,通过算式:,计算每个像素点的色度;通过算式:,计算每个像素点的饱和度;通过算式:I=(R+B+G)/3,计算每个像素点的明亮度;其中,,R、G、B分别为每个像素点的RGB值在红、绿、蓝三个通道的颜色值,H为色度,S为饱和度,I为明亮度。
第三提取模块40,用于基于每个像素点的色度、饱和度和明亮度,提取目标感兴趣区域的目标特征向量。
识别模块50,用于基于目标特征向量对待浮选泡沫图像进行工况识别。
可选地,识别模块50,还用于基于目标特征向量,利用机器学习的方法对待浮选泡沫图像进行工况识别。
本发明提供了一种基于泡沫颜色的混合浮选工况识别系统,通过对泡沫实体区域的颜色域特征进行特征向量提取,将图像局部的色度、饱和度与明亮度进行综合分析,然后对待浮选泡沫图像进行工况识别,缓解了现有技术中的基于颜色的机器视觉识别方法存在着因系统鲁棒性差而无法进行工业在线分类的技术问题,以及解决了机器视觉分析泡沫图像中细微差异的变化特征不明显的问题。
可选地,图5是根据本发明实施例提供的一种第一提取模块的示意图。如图5所示,第一提取模块10,还包括:变换单元11,第一确定单元12,二值化单元13,计算单元14,选取单元15和第二确定单元16。
具体地,变换单元11,用于对待浮选泡沫图像进行灰度变换,得到目标灰度图。
第一确定单元12,用于基于目标灰度图中所有像素的灰度值,确定第一阈值。
二值化单元13,用于基于第一阈值对目标灰度图进行二值化处理,得到第一二值图。
计算单元14,用于计算第一二值图中的所有连通域的质心坐标,并确定所有连通域的质心坐标中最大连通域所对应的第一质心坐标。
选取单元15,用于在目标灰度图中选取以第一质心坐标为中心的预设大小区域,得到初始感兴趣区域。
第二确定单元16,用于基于初始感兴趣区域,在待浮选泡沫图像中确定目标感兴趣区域。
可选地,第二确定单元16还用于:基于目标灰度图中所有像素的灰度值,确定第二阈值;基于第一阈值和第二阈值,对初始感兴趣区域进行二值化处理,得到第二二值图;对第二二值图进行滑动窗口聚类操作,得到第三二值图;基于第三二值图的坐标,在待浮选泡沫图像中确定目标感兴趣区域。
可选地,第三提取模块40还用于:对每个像素点的色度进行统计,得到统计结果,并基于统计结果确定第一特征值;以每个像素点的色度和每个像素点的饱和度为坐标,将目标感兴趣区域中的所有像素点映射到极坐标系中,并通过散点重心法确定所有像素点的重心坐标;将重心坐标的极角确定为第二特征值;将所有像素点的色度的均值和方差,分别确定为第三特征值和第四特征值;将所有像素点的饱和度的偏度和峰度,分别确定为第五特征值和第六特征值;计算所有像素点的明亮度的均值,并将明亮度的均值作为第七特征值;基于第一特征值、第二特征值、第三特征值、第四特征值、第五特征值、第六特征值和第七特征值,确定目标特征向量。
本发明实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述实施例一中的方法的步骤。
本发明实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质,程序代码使处理器执行上述实施例一中的方法。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于泡沫颜色的混合浮选工况识别方法,其特征在于,包括:
提取待浮选泡沫图像的目标感兴趣区域;目标感兴趣区域包括所述待浮选泡沫图像中的最大泡沫区域;
提取所述目标感兴趣区域中的每个像素点的RGB值;
基于所述每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度;
基于所述每个像素点的色度、饱和度和明亮度,提取所述目标感兴趣区域的目标特征向量;
基于所述目标特征向量对所述待浮选泡沫图像进行工况识别。
2.根据权利要求1所述的方法,其特征在于,提取待浮选泡沫图像的目标感兴趣区域,包括:
对所述待浮选泡沫图像进行灰度变换,得到目标灰度图;
基于所述目标灰度图中所有像素的灰度值,确定第一阈值;
基于所述第一阈值对所述目标灰度图进行二值化处理,得到第一二值图;
计算所述第一二值图中的所有连通域的质心坐标,并确定所有连通域的质心坐标中最大连通域所对应的第一质心坐标;
在所述目标灰度图中选取以所述第一质心坐标为中心的预设大小区域,得到初始感兴趣区域;
基于所述初始感兴趣区域,在所述待浮选泡沫图像中确定目标感兴趣区域。
3.根据权利要求2所述的方法,其特征在于,基于所述初始感兴趣区域,确定目标感兴趣区域,包括:
基于所述目标灰度图中所有像素的灰度值,确定第二阈值;
基于所述第一阈值和所述第二阈值,对所述初始感兴趣区域进行二值化处理,得到第二二值图;
对所述第二二值图进行滑动窗口聚类操作,得到第三二值图;
基于所述第三二值图的坐标,在所述待浮选泡沫图像中确定目标感兴趣区域。
5.根据权利要求1所述的方法,其特征在于,基于所述每个像素点的色度、饱和度和明亮度,提取所述目标感兴趣区域的目标特征向量,包括:
对所述每个像素点的色度进行统计,得到统计结果,并基于所述统计结果确定第一特征值;
以所述每个像素点的色度和每个像素点的饱和度为坐标,将所述目标感兴趣区域中的所有像素点映射到极坐标系中,并通过散点重心法确定所述所有像素点的重心坐标;
将所述重心坐标的极角确定为第二特征值;
将所述所有像素点的色度的均值和方差,分别确定为第三特征值和第四特征值;
将所述所有像素点的饱和度的偏度和峰度,分别确定为第五特征值和第六特征值;
计算所述所有像素点的明亮度的均值,并将所述明亮度的均值作为第七特征值;
基于所述第一特征值、所述第二特征值、所述第三特征值、所述第四特征值、所述第五特征值、所述第六特征值和所述第七特征值,确定目标特征向量。
6.根据权利要求1所述的方法,其特征在于,基于所述目标特征向量对所述待浮选泡沫图像进行工况识别,包括:
基于所述目标特征向量,利用机器学习的方法对所述待浮选泡沫图像进行工况识别。
7.一种基于泡沫颜色的混合浮选工况识别系统,其特征在于,包括:第一提取模块,第二提取模块,计算模块,第三提取模块和识别模块;其中,
所述第一提取模块,用于提取待浮选泡沫图像的目标感兴趣区域;目标感兴趣区域包括所述待浮选泡沫图像中的最大泡沫区域;
所述第二提取模块,用于提取所述目标感兴趣区域中的每个像素点的RGB值;
所述计算模块,用于基于所述每个像素点的RGB值,计算每个像素点的色度、饱和度和明亮度;
所述第三提取模块,用于基于所述每个像素点的色度、饱和度和明亮度,提取所述目标感兴趣区域的目标特征向量;
所述识别模块,用于基于所述目标特征向量对所述待浮选泡沫图像进行工况识别。
8.根据权利要求7所述的系统,其特征在于,所述第一提取模块,还包括:变换单元,第一确定单元,二值化单元,计算单元,选取单元和第二确定单元;其中,
所述变换单元,用于对所述待浮选泡沫图像进行灰度变换,得到目标灰度图;
所述第一确定单元,用于基于所述目标灰度图中所有像素的灰度值,确定第一阈值;
所述二值化单元,用于基于所述第一阈值对所述目标灰度图进行二值化处理,得到第一二值图;
所述计算单元,用于计算所述第一二值图中的所有连通域的质心坐标,并确定所有连通域的质心坐标中最大连通域所对应的第一质心坐标;
所述选取单元,用于在所述目标灰度图中选取以所述第一质心坐标为中心的预设大小区域,得到初始感兴趣区域;
所述第二确定单元,用于基于所述初始感兴趣区域,在所述待浮选泡沫图像中确定目标感兴趣区域。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至6任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1-6任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200294.4A CN112016552B (zh) | 2020-11-02 | 2020-11-02 | 基于泡沫颜色的混合浮选工况识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011200294.4A CN112016552B (zh) | 2020-11-02 | 2020-11-02 | 基于泡沫颜色的混合浮选工况识别方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016552A true CN112016552A (zh) | 2020-12-01 |
CN112016552B CN112016552B (zh) | 2021-02-12 |
Family
ID=73527464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011200294.4A Active CN112016552B (zh) | 2020-11-02 | 2020-11-02 | 基于泡沫颜色的混合浮选工况识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016552B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643298A (zh) * | 2021-10-18 | 2021-11-12 | 矿冶科技集团有限公司 | 工况诊断方法、装置、电子设备及计算机可读存储介质 |
CN116703916A (zh) * | 2023-08-07 | 2023-09-05 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109993083A (zh) * | 2019-03-20 | 2019-07-09 | 吉林大学 | 一种夜间车辆识别的方法 |
CN110222633B (zh) * | 2019-06-04 | 2021-04-27 | 北京工业大学 | 基于火焰图像颜色特征提取的城市固废焚烧过程燃烧工况识别方法 |
CN110276350B (zh) * | 2019-06-25 | 2021-08-27 | 上海海事大学 | 一种海上船舶目标检测方法 |
CN110490836B (zh) * | 2019-07-04 | 2023-03-24 | 中国科学院苏州生物医学工程技术研究所 | dPCR微阵列图像信息处理方法 |
CN110675588B (zh) * | 2019-09-30 | 2021-06-01 | 北方民族大学 | 一种森林火灾检测装置和方法 |
-
2020
- 2020-11-02 CN CN202011200294.4A patent/CN112016552B/zh active Active
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113643298A (zh) * | 2021-10-18 | 2021-11-12 | 矿冶科技集团有限公司 | 工况诊断方法、装置、电子设备及计算机可读存储介质 |
CN116703916A (zh) * | 2023-08-07 | 2023-09-05 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
CN116703916B (zh) * | 2023-08-07 | 2023-10-20 | 山东正基药业有限公司 | 一种基于图像处理的洗化水质量监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016552B (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796046B (zh) | 基于卷积神经网络的智能钢渣检测方法和系统 | |
US10088600B2 (en) | Weather recognition method and device based on image information detection | |
CN112016552B (zh) | 基于泡沫颜色的混合浮选工况识别方法和系统 | |
CN108765443B (zh) | 一种自适应颜色阈值分割的标志增强处理方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
Sun et al. | Moving cast shadow detection of vehicle using combined color models | |
CN109671046B (zh) | 利用皮肤图像分析皮肤水分的方法及装置 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN109975196B (zh) | 一种网织红细胞检测方法及其系统 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
Liu et al. | A robust vision-based skyline detection algorithm under different weather conditions | |
CN110110810B (zh) | 一种鱿鱼质量等级识别分选方法 | |
CN108765426A (zh) | 自动图像分割方法及装置 | |
Sidehabi et al. | The Development of Machine Vision System for Sorting Passion Fruit using Multi-Class Support Vector Machine. | |
Kanade et al. | Development of machine vision based system for classification of Guava fruits on the basis of CIE1931 chromaticity coordinates | |
KR101801266B1 (ko) | 이미지 분류 방법 및 장치 | |
CN111968078A (zh) | 一种变电设备的外观检测方法、装置、设备和存储介质 | |
CN110929740A (zh) | 一种基于lgbm模型的舌质舌苔分离方法 | |
Shelke et al. | Detection of Artificially Ripened Fruits using Machine Learning | |
Jin et al. | Image segmentation method of mine pass soil and ore based on the fusion of the confidence edge detection algorithm and mean shift algorithm | |
CN102103752A (zh) | 一种人机交互中多色标块检测方法 | |
CN106845479B (zh) | 一种基于对比色矩形特征的小尺寸车牌检测方法 | |
CN111028258A (zh) | 一种大尺度灰度图像自适应阈值提取方法 | |
CN111523583A (zh) | 一种利用无人机对设备铭牌照片自动识别分类的方法 |
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 |