CN115861672B - 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 - Google Patents

Abstract

本发明公开了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，包括如下步骤步骤一、得到预处理的泡沫浮选图像特征数据；步骤二、筛选得到用于进行浮选运行性能评估的最终的评价特征；步骤三、得到训练好的聚类算法；步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；步骤五、根据高斯分布模型确定待识别工况的所属类别。本发明利用KNN针对K‑means聚类中不同分类簇交界区域的分类情况进行合理优化，在保证簇内相似性的前提下增强簇间相异性；利用聚类得到的分类结果建立高维高斯分布，并以高斯分布进行预测，可以使得簇的形状摆脱原本K‑means的圆，球或超球面，更接近实际的簇形状，从而提高分类和预测精度。

Description

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

技术领域

本发明属于泡沫浮选评估领域，尤其涉及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。

背景技术

泡沫浮选技术是利用不同矿物的物理化学性质之间的差异，在起泡剂等化学药剂和浮选装置鼓气搅拌等的作用下，最终使目标矿物富集在泡沫上，而其余杂质留存在矿浆中。泡沫浮选过程的泡沫图像是最容易获取的而且可以综合反映浮选运行性能的信息，在大多数企业中，操作人员根据自身的操作经验，通过肉眼观察浮选泡沫的状态对浮选运行性能进行评估，并以此来决定是否需要对浮选过程进行适当矫正，但是这种方法过于主观，而且操作误差极大，不利于大规模推广。对于泡沫浮选运行性能的准确评估，是确保浮选过程可以处于最优运行状况的关键，也是企业提高矿物回收率，提高生产能力的关键，因此建立起准确的浮选运行性能评估方法非常重要。

浮选运行性能评估是一个涉及到多参数多特征的复杂问题。目前文献主要通过提取泡沫的表面特征，如颜色，尺寸，速度等，利用深度学习，支持向量机等有监督方法或聚类等无监督方法进行工况识别。但是，连续的浮选过程可以产生大量的训练数据，对这些数据进行有效准确的标注会耗费大量的人力物力，同时，庞大的数据量也会带来了较长的训练时间，这些因素都不利于有监督学习的进行；泡沫浮选过程中不同运行状态下的泡沫表面特征之间可能不会有很明显的界限，因此单纯使用聚类等无监督方法可能出现分类精度不高，不能很好地处理分类面附近数据点的分类问题。因此，本发明提出一种基于簇边界变形的K-means聚类算法，一方面使用半监督学习来减少标注带来的人力物力支出，另一方面考虑数据点K近邻(KNN)内的其余数据点的分类情况来解决簇边缘地区的分类问题，本发明可以较好地弥补半监督和无监督方面的不足，具有较高的应用价值。

名词解释：

KNN(K-Nearest Neighbor)法：即K最邻近法:如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别

发明内容

为解决上述问题，本发明公开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。本发明利用KNN针对K-means聚类中不同分类簇交界区域的分类情况进行合理优化，在保证簇内相似性的前提下增强簇间相异性；利用聚类得到的分类结果建立高维高斯分布，并以高斯分布进行预测，可以使得簇的形状摆脱原本K-means的圆，球或超球面，更接近实际的簇形状，从而提高分类和预测精度。

为实现上述目的，本发明的技术方案如下：

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，包括以下步骤：

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，包括以下步骤：

步骤一、获得泡沫浮选图像特征数据并进行预处理得到预处理的泡沫浮选图像特征数据；

步骤二、将泡沫浮选的性能状况分为N种，从预处理的泡沫浮选图像特征数据筛选得到用于进行浮选运行性能评估的最终的评价特征；

步骤三、可用泡沫浮选图像特征数据按照泡沫浮选的性能状况分成N个簇，并提取泡沫浮选图像特征数据中的最终的评价特征输入基于簇边界变形的K-means聚类算法迭代聚类，当某次迭代聚类的结果与上一次迭代聚类的结果的样本点占比少于预设阈值时停止迭代，得到训练好的K-means聚类算法；

步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；

步骤五、根据高斯分布模型确定待识别工况的所属类别。

进一步的改进，所述步骤一包括如下步骤：

S11：得到泡沫浮选图像特征数据，然后剔除泡沫浮选图像特征数据中的缺失值和明显不符合实际运行情况的错误值；

S12：对不同的泡沫浮选图像特征数据进行无量纲处理，去除量纲的影响。

进一步的改进，步骤S12中，无量纲处理方法如下：

当泡沫浮选图像特征数据要求属于越小越优时,如泡沫破裂率，泡沫尺寸的均值和泡沫尺寸的方差：

当泡沫浮选图像特征数据要求属于越大越优时，如泡沫的承载率，某个颜色通道值(以铁的浮选为例，希望图像特征中红色通道的通道值尽可能大)：

当泡沫浮选图像特征数据要求落入某个区间最优时，如泡沫移动的速度(一般应在15.33mm/s，到22.01mm/s的区间内)：

其中，是第j个无量纲处理后的泡沫浮选图像特征数据，v_j是第i个原始图像泡沫浮选图像特征数据，/>分别是第i个图像特征信息的最大值，最小值，最优区间的上限，最优区间的下限；j＝1,2,3....n，n为泡沫浮选图像特征数据的种类。

其中未提及的图像特征信息在实际的现实意义上不存在上述的统计特性，但是为了统计上的方便，可以认为其具有越小越优或越大越优的特性，因此，本发明认为这类图像特征具有越大越优性，采用式(2)的归一化方法。

进一步的改进，所述步骤二包括如下步骤：

S21：计算不同泡沫浮选图像特征数据对工况变化的敏感性和不同泡沫浮选图像特征数据包含的数据量；所述泡沫浮选图像特征数据包括RGB通道值、HSV参数、相邻图像帧中泡沫移动的平均像素(即泡沫的移动速度)、图像中泡沫的尺寸均值和尺寸方差、承载率、破裂率、灰度均值、峰值和偏斜度；RGB通道值包括红色通道值，绿色通道值和蓝色通道值；HSV参数包括色调参数、饱和度参数和明度参数；

S23：综合不同特征对工况变化的敏感性和不同特征包含的数据量计算综合评分，取评分高于预设阈值的若干个特征作为代表特征；

S24：对代表特征进行主成分分析，得到最终的评价特征。

进一步的改进，所述S23步骤具体如下：

S231.把泡沫浮选的性能状况分为六种，分别为：最优浮选性能状态，矿化程度过高的状态，有价值矿物含量过低的状态，泡沫中包含泥浆等大量杂质的状态，泡沫塌缩严重的状态，以及设备故障或重大失误引起的异常状态，以k标识第k种状态；

S232.计算每一个平稳运行状态下的每一个泡沫浮选图像特征数据的均值u和方差σ，依次获得i个泡沫浮选图像特征数据对应的u_i和σ_i(i＝1,2,3…n)，n为泡沫浮选图像特征数据的种类数；

S233.计算泡沫浮选图像特征数据对性能变化的敏感度S：计算不同状态下第i种状态的方差σ_i的均值，以及方差/>，因此定义敏感度函数为/>

S234.计算泡沫浮选图像特征数据的数据量R：

S235.计算泡沫浮选图像特征数据的综合得分F_i＝ω₁S_i+ω₂R_i，其中ω₁，ω₂为权重，满足ω₁+ω₂＝1，设置分数阈值ε，选择得分高于分数阈值ε的特征信息作为关键特征；

S236.对关键特征信息进行主成分分析，降低数据冗余，最终得到四组特征,本发明选择红色通道值，泡沫移动速度，泡沫尺寸均值，泡沫破裂率。

进一步的改进，所述步骤三的具体步骤如下：

S31.在算法开始前，把标注的部分代表性数据作为初始簇中心；设置聚类算法的分类评价函数为距离函数与惩罚函数的加权和，即其中λ₁，λ₂是非零非负权重，λ₁+λ₂＝1，/>表示数据点c到第k个簇中心/>的欧式聚类，m_k为在数据点c的近邻范围内属于簇k的样本数量；当/>小于阈值τ(阈值根据经验确定)，则认为该样本点为异常点，直接归入异常类，在本发明中属于第六类，即k＝6，后续不再参与聚类计算；S32.依次计算数据点到所有簇的分类评价函数，若数据点不符合S31中对异常类的归类标准，则其中最小函数值的评价函数所对应的簇为该数据点的所属簇；依次应用到所有数据点，直到每一个数据点都被分类或者被归为异常簇；

S33.在完成对所有数据点的归类后，重新计算簇中心，计算方式为其中d_k′为第k个簇的新的簇中心，/>表示在分类中被分到簇k的所有样本点的向量和，其中c_l表示被分到第k个簇的第l个样本点，h表示被分到第k个簇的样本点数量，用分类后的簇的几何中心代替原簇中心，以减少簇中心对簇描述的误差；

S34.重复步骤S33直到单次聚类变化的样本点数量少于数据总量的0.5％，则认为分类完成。

进一步的改进，所述步骤四的具体步骤如下：

S41.分布计算每一个簇中数据的均值和协方差；

S42.根据均值和协方差建立起对应的高斯分布模型其中x指待判断的数据点，n为数据维数，本发明中n＝4，μ是聚类模型中每一个簇的数据点均值，是n维列向量，Σ指每一个簇的数据协方差，是n*n维半正定矩阵。

进一步的改进，所述步骤五的步骤如下：根据高斯分布做预测

S51.根据高斯分布，计算当前样本点落入到非异常工况内的概率；

S52.选择最高概率所在的工况作为预测结果；

S53.如果所有的概率均低于阈值，则认为当前数据为异常工况。

本发明的优点：

本发明提出一种准确有效的基于图像特征联合分布的浮选运行性能评估方法，该方案通过对泡沫图像特征进行综合评价筛选，并结合主成分分析法提取泡沫图像的关键特征；针对浮选过程不同运行性能之间的图像特征信息可能不会存在明显差异的特点，提出一种更符合泡沫浮选图像数据分布特征的聚类算法，在不同簇的交接区域引入KNN的惩罚机制，提高边缘区域的分类精度，增强簇内相似性和簇间相异性，克服传统聚类在处理边界不明显的数据样本时精度不高的缺陷；针对聚类得到的簇形状通常为一个超球面，而通常情况下超球面对浮选的特征信息的描述和分类精度不高，因此使用聚类结果所建立的高斯模型作为判断依据，可以把分类结果由超球面转换为超椭球面，描述和分类精度更高。

该方案只需要对不同运行性能下的部分典型数据做标记即可，不需要对整个数据集进行大规模标注，一方面比深度网络等有监督学习节省标注成本，另一方面比传统的聚类算法需要的迭代次数更少，分类精度更高，便于在工程实际中进一步推广，指导操作变量的调整，实现优化控制。

附图说明

图1是本发明的流程图

图2是本发明的改良聚类算法流程图。

具体实施方式

下面结合附图以及实施例对本发明进行更为详细的说明，在实验室环境下，对在韶关某浮选厂精选槽采集的26个视频共1200个数据点(其中800个数据点作为训练集，400个数据点作为测试集)进行实验，本发明的方法可以达到84％的分类精度，而常规使用的kmeans和层次聚类只能达到74％和70％，本发明性能较好。

一种基于图像特征联合分布的浮选运行性能识别方法，该方法包括以下步骤：

S1：对记录是泡沫特征信息进行预处理。

其中，基于数据图像处理和特征采集技术得到大量关于浮选槽中泡沫图像的特征信息，但是这些数据可能由于设备故障，噪音干扰或数据记录错误等原因，出现空缺或明显不符合实际情况的数据，因此需要对这些数据进行预处理，详细步骤如下：

(1)剔除缺少主要数据的空缺数据项和明显不符合实际情况的数据项；

(2)由于不同的泡沫特征蕴含不同的物理含义，其量纲和数值范围也有所不同，因此需要对其进行无量纲处理，具体实施步骤如下：

当泡沫浮选图像特征数据要求属于越小越优时,如泡沫破裂率，泡沫尺寸的均值和泡沫尺寸的方差：

当泡沫浮选图像特征数据要求属于越大越优时，如泡沫的承载率，某个颜色通道值(以铁的浮选为例，希望图像特征中红色通道的通道值尽可能大)：

当泡沫浮选图像特征数据要求落入某个区间最优时，如泡沫移动的速度(一般应在15.33mm/s，到22.01mm/s的区间内)：

其中，下标i(i＝1,2,3…n)为第i个图像特征信息，是无量纲处理后的数据，v_i是原始数据，/>分别是第i个图像特征信息的最大值，最小值，最优区间的上限，最优区间的下限。

S2：从泡沫特征处理后的数据中建立综合评分，根据综合评分选择关键泡沫特征，并通过主成分分析降低数据冗余。

泡沫特征中包含大量与浮选运行性能相关的信息，根据现场的操作经验，本发明选用下列14种图像特征，包括RGB(红色，绿色，蓝色)通道，HSV(色调，饱和度，明度)参数，速度，尺寸均值，尺寸方差，承载率，破裂率，灰度均值，峰值，偏斜度，但是并非每一个泡沫特征信息都会对运行性能的变化敏感，而且不同的数据之间存在明显相关性，同时部分数据可能比较稳定，自身包含的数据量较少，如果直接使用所有的特征数据，会增加浮选性能评估的难度和计算量，从而影响性能评价的准确性。因此有必要根据敏感性和数据量两方面建立综合评分机制选取关键特征，具体步骤如下：

(1)根据现场经验把泡沫浮选的性能状况分为六种，分别为：最优浮选性能状态，矿化程度过高的状态，有价值矿物含量过低的状态，泡沫中包含泥浆等大量杂质的状态，泡沫塌缩严重的状态，以及设备故障或重大失误引起的异常状态，以k标识第k种状态。

(2)计算每一个平稳运行状态下的每一个图像特征变量均值u和方差σ，依次获得i个图像特征对应的u_i和σ_i(i＝1,2,3…n)，n为泡沫特征的种类数，这里是n＝14。

(3)计算泡沫特征信息对性能变化的敏感度S：计算不同状态下第i种状态的方差σ_i的均值以及方差/>因此定义敏感度函数为/>

(4)计算泡沫特征信息的数据量R：

(5)计算泡沫特征的综合得分F_i＝ω₁S_i+ω₂R_i，其中ω₁，ω₂为权重，满足ω₁+ω₂＝1，设置分数阈值ε(阈值和权重根据经验确定)，选择得分高于阈值的特征信息作为关键特征进行进行下一步计算。

(6)对上述得到的关键特征信息进行主成分分析，降低数据冗余，最终得到四组特征。本发明中选择红色通道值，泡沫移动速度，泡沫尺寸均值，泡沫破裂率

S3：使用改良的聚类算法结合少量标记信息对数据进行聚类分析

详细步骤如下：

(1)考虑到浮选过程数据分布的特点，设置聚类算法的分类标准为距离函数与惩罚函数的和，即其中λ₁，λ₂是非零非负权重，λ₁+λ₂＝1，表示数据点c到第k个簇中心/>的欧式聚类，m_k为在该样本点通过KNN算法计算得到在K近邻内属于簇k的样本数量，f_k'函数表示在分类该样本点时不仅考虑该点到簇中心的距离，即该样本点与簇中心的相似性，还考虑周围点的分布，即样本点与周围数据点的相似性，通过选择合适的近邻数量，准确地处理簇交界处的分类问题。另外，当/>小于阈值τ(阈值根据经验确定)，则认为该样本为异常点，直接归入第六类，即异常类，后续不再参与聚类计算。

(2)重复迭代，直到单次聚类变化的样本点少于数据总量的0.5％，则认为分类完成。

S4：根据分类结果计算除异常状态外的簇内样本的高斯分布

(1)分布计算每一个簇中数据的均值和协方差；

(2)根据均值和协方差建立起对应的高斯分布模型

S5：根据高斯分布做预测

(1)根据高斯分布，计算当前样本点落入到非异常工况内的概率

(2)选择最高概率所在的工况作为预测结果

(3)如果所有的概率均低于阈值，则认为当前数据为异常工况

本发明提出一种基于图像特征联合分布的浮选运行性能评估方法，通过基于近邻样本分布和K均值的聚类算法，在训练过程中，除了考虑样本点到簇中心的距离，还考虑当前样本点周围的其余数据的所属簇的类型，在保证簇间相异性的前提下，进一步提高簇内相似性，有效地解决因浮选过程中不同运行工况之间可能存在界限不明显而导致分类不准确的问题；同时考虑到异常状态下；同时使用基于聚类结果的高斯模型作为判断依据而非聚类模型，可以使簇的形状由原本的超球面转变成超椭球面，判断准确率进一步提高。

上述仅为本发明的一个具体导向实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明的保护范围的行为。

Claims (8)

1.一种基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，包括以下步骤：

步骤一、获得泡沫浮选图像特征数据并进行预处理得到预处理的泡沫浮选图像特征数据；

步骤二、将泡沫浮选的性能状况分为N种，从预处理的泡沫浮选图像特征数据筛选得到用于进行浮选运行性能评估的最终的评价特征；

步骤三、可用泡沫浮选图像特征数据按照泡沫浮选的性能状况分成N个簇，并提取泡沫浮选图像特征数据中的最终的评价特征输入基于簇边界变形的K-means聚类算法迭代聚类，当某次迭代聚类的结果与上一次迭代聚类的结果的样本点占比少于预设阈值时停止迭代，得到训练好的K-means聚类算法；

具体步骤如下：

S31.把标注的部分代表性数据作为初始簇中心；设置聚类算法的分类评价函数为距离函数与惩罚函数的加权和，即其中λ₁，λ₂是非零非负权重，λ₁+λ₂＝1，/>表示数据点c到第k个簇中心/>的欧式聚类，m_k为在数据点c的近邻范围内属于簇k的样本数量；当/>小于预设阈值τ，则认为该样本点为异常点，直接归入异常类，后续不再参与聚类计算；k＝6；

S32.依次计算数据点到所有簇的分类评价函数，若数据点不符合S31中对异常类的归类标准，则其中最小函数值的评价函数所对应的簇为该数据点的所属簇；依次应用到所有数据点，直到每一个数据点都被分类或者被归为异常簇；

S33.在完成对所有数据点的归类后，重新计算簇中心，计算方式为其中d_k′为第k个簇的新的簇中心，/>表示在分类中被分到簇k的所有样本点的向量和，其中c_l表示被分到第k个簇的第l个样本点，h表示被分到第k个簇的样本点数量，用分类后的簇的几何中心代替原簇中心，以减少簇中心对簇描述的误差；

步骤S34.重复步骤S33直到单次聚类变化的样本点数量少于数据总量的0.5％，则认为分类完成；

步骤四、根据聚类得到的结果建立泡沫浮选运行状况下的高斯分布模型；

步骤五、根据高斯分布模型确定待识别工况的所属类别。

2.如权利要求1所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述步骤一包括如下步骤：

S11：得到泡沫浮选图像特征数据，然后剔除泡沫浮选图像特征数据中的缺失值和明显不符合实际运行情况的错误值；

S12：对不同的泡沫浮选图像特征数据进行无量纲处理，去除量纲的影响。

3.如权利要求2所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，步骤S12中，无量纲处理方法如下：

当泡沫浮选图像特征数据要求属于越小越优时：

当泡沫浮选图像特征数据要求属于越大越优时：

当泡沫浮选图像特征数据要求落入某个区间最优时：

其中，是第j个无量纲处理后的泡沫浮选图像特征数据，v_j是第i个原始图像泡沫浮选图像特征数据，/>分别是第i个图像特征信息的最大值，最小值，最优区间的上限，最优区间的下限；j＝1,2,3....n，n为泡沫浮选图像特征数据的种类。

4.如权利要求1所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述步骤二包括如下步骤：

S21：计算不同泡沫浮选图像特征数据对工况变化的敏感性和不同泡沫浮选图像特征数据包含的数据量；所述泡沫浮选图像特征数据包括RGB通道值、HSV参数、相邻图像帧中泡沫移动的平均像素、图像中泡沫的尺寸均值和尺寸方差、承载率、破裂率、灰度均值、峰值和偏斜度；RGB通道值包括红色通道值，绿色通道值和蓝色通道值；HSV参数包括色调参数、饱和度参数和明度参数；

S23：综合不同特征对工况变化的敏感性和不同特征包含的数据量计算综合评分，取评分高于预设阈值的若干个特征作为代表特征；

S24：对代表特征进行主成分分析，得到最终的评价特征。

5.如权利要求4所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述S23步骤具体如下：

S231.把泡沫浮选的性能状况分为六种，分别为：最优浮选性能状态，矿化程度过高的状态，有价值矿物含量过低的状态，泡沫中包含泥浆等大量杂质的状态，泡沫塌缩严重的状态，以及设备故障或重大失误引起的异常状态，以k标识第k种状态；

S232.计算每一个平稳运行状态下的每一个泡沫浮选图像特征数据的均值u和方差σ，依次获得i个泡沫浮选图像特征数据对应的u_i和σ_i(i＝1,2,3...n)，n为泡沫浮选图像特征数据的种类数；

S233.计算泡沫浮选图像特征数据对性能变化的敏感度S：计算不同状态下第i种状态的方差σ_i的均值以及方差/>因此定义敏感度函数为/>

S234.计算泡沫浮选图像特征数据的数据量R：

S235.计算泡沫浮选图像特征数据的综合得分F_i＝ω₁S_i+ω₂R_i，其中ω₁，ω₂为权重，满足ω₁+ω₂＝1，设置分数阈值ε，选择得分高于分数阈值ε的特征信息作为关键特征；

S236.对关键特征信息进行主成分分析，降低数据冗余，得到最终的评价特征。

6.如权利要求1所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述最终的评价特征包括红色通道值，泡沫移动速度，泡沫尺寸均值，泡沫破裂率。

7.如权利要求6所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述步骤四的具体步骤如下：

S41.分布计算每一个簇中数据的均值和协方差；

S42.根据均值和协方差建立起对应的高斯分布模型其中x指待判断的数据点，n为数据维数，μ是聚类模型中每一个簇的数据点均值，是n维列向量，Σ指每一个簇的数据协方差，是n*n维半正定矩阵，n＝4。

8.如权利要求1所述的基于图像特征联合分布的泡沫浮选运行性能评估方法，其特征在于，所述步骤五的步骤如下：根据高斯分布做预测

S51.根据高斯分布，计算当前样本点落入到非异常工况内的概率；

S52.选择最高概率所在的工况作为预测结果；

S53.如果所有的概率均低于阈值，则认为当前数据为异常工况。