基于浮选泡沫图像特征参数的应用研究

合集下载

矿石浮选中泡沫行为的研究

矿石浮选中泡沫行为的研究在矿石浮选的过程中，泡沫行为是一个至关重要的环节。

它不仅直接影响着选矿的效果和效率，还与资源的回收利用率密切相关。

为了更深入地理解和优化矿石浮选工艺，对泡沫行为的研究显得尤为重要。

泡沫在矿石浮选中扮演着“载体”的角色。

它负责将有用矿物从矿石中分离并携带至浮选槽的表面，从而实现矿物的富集。

泡沫的形成、稳定性、大小、结构以及其在浮选槽中的运动和分布等特性，都会对浮选效果产生显著影响。

首先，我们来探讨泡沫的形成机制。

在浮选过程中，向矿浆中添加浮选药剂是产生泡沫的关键步骤。

这些药剂可以改变矿物表面的性质，使其具有亲气性，从而促进气泡的附着和泡沫的生成。

同时，搅拌和充气等操作也为气泡的产生和分散提供了必要的条件。

气泡在上升过程中与矿物颗粒相互作用，当矿物颗粒附着在气泡表面时，就形成了泡沫。

泡沫的稳定性是另一个关键因素。

如果泡沫过于不稳定，容易破裂，就无法有效地携带矿物颗粒到达浮选槽表面；而过于稳定的泡沫则可能导致夹带过多的杂质，影响精矿的质量。

泡沫的稳定性受到多种因素的影响，包括表面张力、泡沫膜的厚度和强度、溶液中的电解质浓度等。

表面张力越小，泡沫越容易形成且稳定性越好；泡沫膜越厚、强度越高，泡沫的稳定性也越强；而电解质浓度的增加通常会降低泡沫的稳定性。

泡沫的大小和结构也对浮选效果有着重要影响。

一般来说，较小的泡沫具有更大的比表面积，能够更有效地与矿物颗粒接触和附着，但过小的泡沫可能导致携带能力不足。

泡沫的结构则包括泡沫的孔隙率和泡沫壁的厚度等。

孔隙率适中的泡沫有利于气体的流通和矿物颗粒的附着，而泡沫壁过薄可能导致泡沫易破裂，过厚则会影响泡沫的弹性和携带能力。

在浮选槽中，泡沫的运动和分布也需要引起关注。

合理的泡沫运动速度和分布状态可以确保有用矿物的有效富集和分离。

如果泡沫运动速度过快，可能会导致矿物颗粒来不及附着就被带出浮选槽；反之，如果运动速度过慢，则可能影响浮选效率。

此外，泡沫在浮选槽中的分布不均匀也会导致部分区域矿物富集效果不佳。

基于VC--的矿物浮选泡沫图像处理系统软件的设计与实现

基于VC++的矿物浮选泡沫图像处理系统软件的设计与实现摘要：为了改善传统的人工选矿造成的人力耗损、资源浪费和低效率等缺点，利用计算机技术、图像处理技术、机器视觉技术等，建立一个基于VC++的矿物浮选泡沫图像处理系统，该系统通过处理相机实时采集的浮选图像，得到当前矿物浮选的数字特征，同时，后台利用access 2007存储数据，可以实现数据的查询、删除等功能，实现选矿的机器化、智能化。

关键词：矿物浮选图像处理 VC++ MATLAB中图分类号： TP751.1 文献标识码：A 文章编号：1007-9416（2015）07-0000-001引言传统的选矿主要依靠操作工人观察浮选槽表面泡沫的物理特征，根据以往经验来调节浮选过程的各个控制变量，容易导致浮选过程并不能在最佳的工作状态。

针对该问题，本文介绍一种智能、高效的，由计算机控制的基于VC++编程环境，采用图像处理技术和机器视觉技术分析泡沫图像的软件，从而得到与工艺指标有关的特征数据，从而准确反映浮选工况。

2矿物浮选泡沫图像处理系统软件需求分析2.1 问题描述开发基于VC++的矿物浮选泡沫图像处理系统，是要解决传统的人工选矿所具有的一系列缺点，这就需要我们获取实时的泡沫状态变化，即泡沫图像进行图像处理与工艺指标相关的特征数据，最后需要设计数据库对泡沫数据进行存储，供用户查看分析，并对数据库表查询以及数据的删除。

2.2 系统需求分析通过问题描述知道，系统主要完成以下功能：（1）相机参数的设置、相机的启动和停止；（2）捕获矿物泡沫图像，并实时进行图像处理并计算泡沫特征数据，实时存入数据库；（3）对数据库表里的数据进行查询以及数据的删除。

3软件设计3.1 系统构架本系统由相关硬件和软件系统组成。

硬件主要包括PC机和海康威视DS-2CD854FWD-E高清网络摄像机，负责获取矿质泡沫图像和图像的存放。

软件系统主要实现实时采集、实时计算泡沫特征数据、手动计算泡沫特征数据以及数据库存储等功能。

泡沫图像处理技术在矿物浮选作业中的应用

关键词：沫图像；泡纹理；域相关矩阵；经网络邻神中图分类号：Ｐ１．Ｔ３７４文献标识码：Ａ
ＴｈｅＢｕｂｅＩａｅＰｒｃｓｉｃｏｏｙｉｈｂｌｍｇｏｅｓｎｇＴｅｈｎｌｇｎｔｅ
第３ｌLeabharlann 第３期２０ｌ２年９月
计算
技
术与自动化
ＶＯ．．Ｏ３１３１Ｎ．
ＣｏｐｕｉｇＴｅｈｎｏｎｄＡｕｔｍａｉｍｔｎｃｏｌｇｙａｏｔｏｎ
Ｓｐｅ．２０１２
文章编号：０３１９２１）３１８４１０ —６９（０２０ —０３ —０
ｓｒａｅｔｘｕｅａｄｆｔｔｎｃｎｉｏｓａｅｃｏｅｙｒｌｔｄｕｆｃｅｔｒｎｌａｉｏｄｔｎｒｌｓｌｅａｅ．Ｔｈｌｔｔｎｆａｓｒａｅｔｘｕｅｃｎｒｆｃｈｅｒｅｏｎｒｏｏｉｅｆａｉｏｍｕｆｃｅｔｒａｅｌｔｔｅｄｇｅｆｏｏｅｍｉｅ — ａｉａｉｎｏｈｏｍａｅｔｅｇａｅｏｎｒｌａｉｎｉｅｔ．Ｔｈｏｇｈｎｌｓｓｐｏｅｓｎｆｆｔｔｎｆａｉｇｌｔｏｆｔｅｆａｌｙｒ（ｈｒｄｆｍｉｅａｉｔ）ｄｒｃｌｚｚｏｙｒｕｈｔｅａａｙｉｒｃｓｉｇｏｌａｉｏｍｍａｅｉｏｏｎ
ＡｂｔａｔＣｍｂｎｄｗｉｈｔｅｃｌｇ — ｒｖｎｅｕｉｅｓｔｏｐｒｔｎｐｏｅｔｏｎａｒｖｎｅｏｌｔｔｎｆａｌｙｒｓｒｃ：ｏｉｅｔｈｏｌｅｐｏｉｃ —ｎｖｒｉｃｏｅａｉｒｊｃｆＹｕｎｎｐｏｉｃｆｆａｉｏｍａｅｅｙｏｏｏ

BFIPS—Ⅰ型浮选泡沫图像处理系统的应用与研究

１鑫ｌｌ — 融臣量圈
广泛的矿物分离工艺形式，同时也是矿物分离过程中最不稳定、不可预测的工艺过程。经过国内外同
行多年对浮选工艺的研究表明，浮选泡沫的变化能
及时反映过程控制量以及矿石性质的变化，因此可
业ＣＤ相机，可以获取高精度的彩色浮选泡沫图Ｃ
基金项目：国家高技术研究发展计划（６８３计划）重点项目（０６０００）２０ＡＡ６２５收稿日期：２１— ９１０００ —７作者简介：梁栋华（９９）１７一，男，河南濮阳人，工程师。
浮选泡沫图像传输设备，主要包括６类ＦＰＴ
双绞线、千兆网络交换机，以及可选的光纤传输
系统。
浮选泡沫图像处理设备，主要包括浮选泡沫图
像处理工作站以及安装运行在上面的浮选泡沫图像
处理软件系统。浮选泡沫图像处理软件系统可以根
后两次成功进行工业试验，其研究成果在ＫＦＹ一２０ｍ浮选机［］作业流程上得到应用。０３卜。
图１原理示意图
Ｆｉ．１ｐｉｃｐｅｃｅｔｃｉｇａｇｒｎｉｌｓｈｍａｉｄａｒｍ
（北京矿冶研究总院，北京１０７）０００
摘要：结合在大山选矿厂的具体应用，从系统方案、软硬件平台、模型建立等方面详细分析介绍了ＢＩｓＩＦＰ— 型

基于浮选泡沫图像预测精矿品位的研究进展

基于浮选泡沫图像预测精矿品位的研究进展卜显忠;杨怡琳;宛鹤【期刊名称】《金属矿山》【年(卷),期】2024()2【摘要】随着人工智能技术在矿业生产的广泛应用,利用计算机视觉技术提高精矿品位预测的准确性和效率已成为必然趋势。

在综述了传统图像处理算法和深度学习算法在精矿品位预测中的应用与发展历程基础上,并探讨了未来的发展趋势和挑战。

传统图像处理技术通过提取泡沫图像的尺寸、颜色、纹理和流速等特征,结合分水岭分割、颜色矩、灰度共生矩阵和局部点特征匹配等算法进行特征提取。

这些特征在计算资源有限的场景中具有一定的应用价值,但在应对精矿品位预测任务时精度较低。

深度学习技术通过构建合适的模型架构并利用大量数据进行训练,能够提取高层语义特征,具有较高的预测精度,与图形处理单元(GPU)等高效运算设备配合使用,可实现高性能和高效率的统一。

介绍了支持向量机(SVM)、极限学习机(ELM)等机器学习算法以及多层感知器(MLP)、全连接层和多尺度特征融合等深度学习算法在特征映射和品位预测中的应用,以及深度学习模型的发展历程。

最后综述了工业界视觉检测系统的应用现状,并从数据驱动模型、多模态数据融合、算法实时性和数据集规模等方面分析了该领域所面临的挑战和未来发展趋势。

【总页数】14页(P25-38)【作者】卜显忠;杨怡琳;宛鹤【作者单位】西安建筑科技大学资源工程学院【正文语种】中文【中图分类】TD923【相关文献】1.基于泡沫视觉特征的浮选精矿品位的软测量2.基于泡沫图像特征的金锑浮选入矿品位估计3.基于人工神经网络的浮选精矿品位预测模型4.基于深度学习的浮选精矿品位预测方法5.基于动态随机森林算法的铜浮选精矿品位预测因版权原因，仅展示原文概要，查看原文内容请购买。

泡沫图像分析仪在浮选控制中的应用

泡沫图像分析仪在浮选控制中的应用王庆凯;高嵩;万洪涛;赵友【摘要】本文回顾了国内外泡沫图像产品的应用情况,介绍了北京矿冶研究总院在泡沫图像产品方面取得的进展,提出了一种以泡沫图像处理系统(BFIPS)为主要检测单元,结合浮选机液位充气控制系统,稳产率调泡沫厚度的新浮选控制方案.该方案具有易调试,维护量少,效果显著的优点.【期刊名称】《中国矿业》【年(卷),期】2015(024)0z2【总页数】4页(P194-197)【关键词】泡沫图像分析仪;浮选;产率【作者】王庆凯;高嵩;万洪涛;赵友【作者单位】北京矿冶研究总院,北京100160;矿冶过程自动控制技术北京市重点实验室,北京100160;北京矿冶研究总院,北京100160;矿冶过程自动控制技术北京市重点实验室,北京100160;山东黄金矿业(莱州)有限公司焦家金矿,山东莱州261441;山东黄金矿业(莱州)有限公司焦家金矿,山东莱州261441【正文语种】中文【中图分类】TD9231968年Outotec(原奥托昆普)公司库里厄300载流X射线荧光分析仪面世，并于1970年在Keretti矿成功应用，被认为可以将选矿工业自动化提升到一个新高度[1]。

但事情的发展却不如当时人们所预期的那样顺利。

一方面虽然分析仪能够在线测量浮选原精尾的品位，但对于浮选过程状态的检测仍然不够。

另一方面如果使用分析仪对所有浮选槽均进行检测，则需要复杂的取样系统、大量的资金投入和长的检测周期，大多数选矿厂无法接受。

1989年Woodburn提出采用图像处理方法对浮选泡沫进行在线监视分析，而在此之前，学术界对于泡沫特性与浮选指标之前的关系的关注度较低[2]。

然而一直以来浮选操作工在获得品位数据之前，主要是通过观察泡沫进行操作的。

近年来泡沫图像分析逐渐成为一个热点，并被寄予很高的期望。

随着计算机技术和图像处理方法的发展，图像处理技术在浮选方面应用的文章日渐增多，Outotec和Metso等国际知名厂商纷纷推出泡沫图像产品。

基于泡沫图像的浮选药剂判别方法研究

基于泡沫图像的浮选药剂判别方法研究发布时间：2022-06-21T06:06:18.024Z 来源：《当代电力文化》2022年第4期作者：刘昊、徐家富、张冠平、王赢博、曹哲、刘嘉奇[导读] 针对赤铁矿阴离子反浮选工艺过程，提出一种基于浮选泡沫图像的药剂状态判别方法。

刘昊、徐家富、张冠平、王赢博、曹哲、刘嘉奇鞍钢集团矿业有限公司辽宁省鞍山市 114000 摘要：针对赤铁矿阴离子反浮选工艺过程，提出一种基于浮选泡沫图像的药剂状态判别方法。

首先设计了污染环境下浮选泡沫图像的采集装置，然后通过图像处理技术提取图像特征信息，并采用粒子群算法优化的支持向量机建立浮选药剂状态判别模型。

仿真测试结果表明，本文建立的模型稳健性强、精度高，为实现浮选药剂量的自动调节奠定了基础。

关键词：浮选泡沫、图像采集、特征提取、支持向量机、粒子群算法Research on Flotation Reagent Identification Method Based on Foam Image 作者工作单位 Abstract— A discriminant method based on flotation froth image is proposed for the process of reverse flotation of hematite. First, a device for collecting froth image in polluted environment is designed, and then the image feature information is extracted by image processing technology. The state discriminant model of flotation reagent is established by using support vector machine optimized by particle swarm optimization. The simulation test results show that the model established in this paper has strong robustness and high precision, which lays a foundation for realizing the automatic adjustment of flotation reagent quantity. Keywords—flotation froth image, feature extraction, support vector machine, particle swarm optimization algorithm1.引言浮选是铁矿分选最有效的方法之一。

《基于机器视觉的煤泥浮选泡沫分类研究》

《基于机器视觉的煤泥浮选泡沫分类研究》一、引言随着工业化的快速发展，煤炭作为主要能源之一的需求量持续增长。

煤泥浮选是煤炭加工过程中的一个重要环节，它对提高煤炭质量和回收率具有重要作用。

在煤泥浮选过程中，泡沫的分类和识别是关键技术之一。

传统的泡沫分类方法主要依赖于人工观察和经验判断，这种方法效率低下且易受人为因素影响。

因此，研究基于机器视觉的煤泥浮选泡沫分类技术，对于提高煤炭加工效率和产品质量具有重要意义。

二、机器视觉在煤泥浮选泡沫分类中的应用机器视觉技术通过计算机模拟人的视觉功能实现对图像的获取、处理和解释。

在煤泥浮选过程中，机器视觉技术可以实现对泡沫的自动识别和分类。

首先，通过高清摄像头采集浮选过程中的泡沫图像；其次，利用图像处理技术对采集的图像进行处理和分析，提取出泡沫的特征信息；最后，通过机器学习算法对泡沫进行分类和识别。

三、煤泥浮选泡沫的特征提取煤泥浮选泡沫的特征提取是机器视觉分类的关键步骤。

泡沫的特征包括形状、大小、颜色、纹理等。

在图像处理过程中，需要运用数字图像处理技术对泡沫图像进行二值化、边缘检测、特征提取等操作。

同时，还需要考虑光照、背景等因素对图像处理的影响，以保证特征提取的准确性和稳定性。

四、机器学习算法在泡沫分类中的应用机器学习算法是实现煤泥浮选泡沫自动分类的核心。

常用的机器学习算法包括支持向量机（SVM）、神经网络、决策树等。

在泡沫分类过程中，需要选择合适的特征作为输入，通过训练集对机器学习模型进行训练，使模型能够自动学习和识别不同类型泡沫的特征。

在训练过程中，还需要考虑模型的泛化能力、鲁棒性等因素，以保证模型在实际应用中的效果。

五、实验与分析为了验证基于机器视觉的煤泥浮选泡沫分类方法的有效性，我们进行了相关实验。

首先，采集了不同类型煤泥浮选过程中的泡沫图像作为实验数据集；其次，运用图像处理技术对图像进行处理和分析，提取出泡沫的特征信息；最后，采用不同的机器学习算法对泡沫进行分类和识别。

煤泥浮选泡沫图像大小对其识别的影响

煤泥浮选泡沫图像大小对其识别的影响摘要：通过对煤泥浮选泡沫图像的任意大小、200×200象素图像和256×256象素图像的纹理特征分析，得出表征图像的纹理特征，并用此纹理特征作为图像识别的学习样本，在自组织神经网络的竞争学习下进行分类，得出了不同大小图像的识别结果，200×200象素图像的识别正确率达74%，256×256象素图像的识别正确率达到77%。

关键词：浮选泡沫；图像大小；纹理特征；自组织神经网络一、前言我国是煤炭生产和利用大国，煤炭是我国的主要能源，也是重要的工业原料。

同国外煤炭资源相比，中国煤炭资源具有煤种多，高灰、高硫煤比重大，煤炭洗选难等特点。

随着工业生产的不断发展，对煤炭资源利用率的要求越来越高。

而目前国内的煤矿开采多是大型机械化，在煤的开采、装载、运输、洗选过程中煤粒会不断变小，存在大多数细粒煤，这也增加了煤泥浮选的工艺和难度。

煤泥浮选过程是在气、固、液的三相矿浆体中进行的，并且是一个复杂的物理化学过程，浮选机理主要是根据煤和矸石表面物理化学性质的差异进行的，其中煤的表面显疏水性，而矸石表面显亲水性[1]。

煤泥浮选是根据煤泥中精煤和矸石表面润湿性的差异，通过气泡的上浮作用，将精煤从煤泥中分离的过程。

为了能更好的实现煤泥浮选自动控制对煤泥浮选泡沫的分类判断就尤为重要，它也是实现煤泥的浮选自动控制不可缺少的部分，为此，本文在刘文礼研究的煤泥浮选泡沫图像的基础上对任意大小、固定大小的图像进行对比研究分析，进一步分析煤泥浮选泡沫图像的识别情况。

二、浮选泡沫图像的准备：本文以刘文礼等[2]在实验室浮选柱浮选过程中拍摄的50组（每组有两次平行实验），共100幅浮选泡沫图像作为研究对象。

煤泥浮选泡沫图像的合理选取对浮选泡沫图像的研究有重要意义。

本文中分别采用了三种不同大小的图像，即：任意大小的图像、200×200象素图像和256×256象素图像，其中任意大小的图像是刘文礼在进行煤泥浮选泡沫识别研究课题时所切割出来的，为了与固定大小图像进行对比，借鉴了他的图像，作为第一类图像（如图1所示）。

基于Matlab的浮选图像形态学参数识别研究

中图分类号：ＴＰ３９１
在矿物加工生产过程中，视觉信息有着箱支持，使得它在许多科学领域中成为计长、形状系数、倾角以及整幅图片内的泡沫非常重要的作用。根据浮选泡沫颜色、大小算机辅助设计和分析、算法研究和应用开总数。２－３］。ＭＡＴＬＡＢ等特征估计浮选精矿品位，并可依此调节浮发的基本工具和首选平台［（１）面积：泡沫在水平面投影的面积】。选工艺流程，使其达到最佳状态。但人眼只具有其他高级语言难以比拟的优点，如编（２）直径：与投影面积相同的圆的直
（４）短轴长ｌ：用椭圆拟合投影区域所。该文重点对浮选图像的边缘提取算得的短轴长】（５）形状系数，．：对应于投影区域的短、（６）倾角ｅ：长轴与水平面所成的夹角。
（７）泡沫总数 Ⅳ ：实际圈定的泡沫数量
选矿指标的数学模型，可实现选矿指标的ＭＡＴＬＡＢ实现了对浮选泡沫边缘的准确快速预报。
ＭＡＴＬＡＢ是当今最优秀的科技应用分割以及形态学参数的提取。
软件之一 …，它以强大的科学计算与可视１泡沫图像的形态学参数化功能、简单易用、开放式可扩展环境，特形态学参数主要针对泡沫图像而言，

基于Gabor小波的浮选泡沫图像纹理特征提取

第３卷１
第８期
仪器仪表学报
ＣｈｎｓｏｒａｆＳｉｎｉｃＩｓｕｎｉｅｅＪｕｎｌｏｃｅｔｎｔｍｅｔｉｆｒ
ＶｏＩ３１．Ｎｏ．８Ａｕｇ．２０１０
２１００年８月
基于Ｇａｏｂｒ小波的浮选泡沫图像纹理特征提取术
Ａｂｓｒｃｔａｔ：Ｔｈｕｆｃｅｔｒｆｆｏａｉｎｆｏｈｉｎｉｏｔｎｎｃｔｒｏｏａｉｎｐｏｕｃｉｎｐｒｏｍａｃｅｓｒａｅｔｘｕｅｏｔｔｒｔｓａｍｐｒａｔｉｄｉａｏｆｆｔｔｏｒｄｔｏｅｒｎｅ，ａｍｒｐｆＧＰｅｓｔｆｎｃｉｎａｄｔｅｅｔｏｙｏＴＲｓｃｌｕａｅｙｉａｃｌｔｄ；ｔｅｄｓｒｂｔｏｓｏｈｉｔｕｉｎｆＧＭＴＲｎＴＲｎａｌｓｂｎｓａｅｉａｄＧＰｉｌｕｂａｄｒｃｎｉｅｅｏｓｄｒｄ，ａｄｂｔｆｔｅａｅｔｅｔｄａｅｔｒｅｔｒｒｍｅｅｓＴｏｈｉｇｓｃｐｕｅｒｍｎｕｔａｎｏｈｏｈｍｒｒａｅｓｔｘｕｅｆａｕｅｐａａｔｒ．ｈｅｆｔｍａｅａｔｒｄｆｏｉｄｓｒｌｒｉ
刘金平，卫华，牟学民，朝晖，李建奇桂唐
（中南大学信息科学与工程学院
摘
长沙
４０８）１０３
要：物浮选泡沫表面纹理是浮选Ｔ艺指标高低的重要指示器，了获取泡沫图像纹理的细微差别进而对浮选生产状态矿为

基于VC﹢﹢的矿物浮选泡沫图像处理系统软件的设计与实现的研究报告

基于VC﹢﹢的矿物浮选泡沫图像处理系统软件的设计与实现的研究报告本文针对矿物浮选泡沫图像处理的实际需求，研究设计了一款基于VC++的泡沫图像处理系统软件。

该系统软件主要包括图像采集、预处理、特征提取、分类识别和结果输出等五个重要模块。

首先，图像采集模块主要负责从雷达、红外、可见光等多种传感器获取矿物浮选泡沫图像。

其次，在预处理模块中，对采集到的图像进行了去噪、灰度化、二值化等一系列常见的图像预处理操作，为特征提取模块做好准备。

在特征提取模块中，采用了多维特征提取算法，通过泡沫大小、形状、颜色、纹理等多个方面的维度，将矿物浮选泡沫图像的特征进行提取，并生成相应的特征向量。

在分类识别模块中，采用了深度学习方法，搭建了卷积神经网络（CNN）进行分类和识别。

该模块通过对特征向量进行训练，得到相应的分类模型，并可实现对图像进行自动分类和识别。

最后，在结果输出模块中，软件将分类和识别结果输出到图形化界面上，为后续的矿物浮选作业提供了有力的支持。

综上所述，该基于VC++的矿物浮选泡沫图像处理系统软件的主要功能是实现矿物浮选泡沫图像的获取、预处理、特征提取、分类识别和结果输出，为矿物的分类和识别提供了有效的帮助，也为工业生产和科学研究提供了有力的支持。

为了更好地理解和评估VC++矿物浮选泡沫图像处理系统软件的性能，我们需要对相关数据进行分析。

1.图像采集数据在开发阶段，我们采集了大量的矿物浮选泡沫图像，这些图像来源于不同的传感器，以不同的角度拍摄，具有浮选泡沫的各种颜色和多样形态。

2.预处理效果数据我们对采集到的图像进行了去噪、灰度化、二值化等预处理操作，我们将不同预处理方法的结果进行了对比。

3.特征提取数据在特征提取模块中，我们采用了多维特征提取算法，并通过主成分分析（PCA）对特征进行了降维处理。

我们将降维前后的数据进行比较，以评估PCA的效果。

4.分类识别数据在分类识别模块中，我们通过K折交叉验证等方法对深度学习模型进行了评估。

基于小波理论的铜矿浮选泡沫图像特征提取研究

第１期
梁利利，等：基于小波理论的铜矿浮选泡沫图像特征提取研究
１１９
矿物表面的润湿性是决定矿物是否具备浮选资格的关键所在。通常情况下，大部分矿物的可浮性都相对较差，必须加以浮选药剂提高矿物的可浮性，使该矿物具备浮选资格。当前，工业现场普遍采用起泡剂以及调整剂作为主要的浮选添加药剂。其中起泡剂主要作用于增强泡沫的矿物粒子，对泡沫的形成以及矿化起到有效的促进作用；调整剂则起到改变矿物表面疏水性的作用，能够使泡沫吸附更多浮游的矿粒。
上的一种信号处理方法，表现出较好的性能优势。
小波分析可以通过伸缩、平移等预算，进而实现信号
的多尺度变换。正是因为小波变换的这个功能，使
得小波变换解决了传统傅里叶变换中窗口不固定，
同时缺乏离散正交的问题。
假设二维尺度空间Ｖ２ｊ在Ｖ２ｊ＋１中存在一个正交补，用Ｗ２ｊ表示。由此则有［４］：
!" #$
56./
%&
!+,-
23
./01 234
-
./;< 9'!8
-
=>9'
D
E
23 ?@!ABC
图１选矿工艺
收稿日期：２０１７－１２－２０基金项目：咸阳师范学院２０１５、２０１７年科研立项课题（１５ＸＳＹＫ００５、ＸＳＹＫ１７０２４）作者简介：梁利利（１９８１－），女，陕西咸阳人，工程师，研究生，研究方向：计算机管理及应用；通讯作者：高楠（１９８０－），女，陕西泾阳人，讲师，研究方向：语言学与文化，手机：１８７２９８０６５５７，Ｅ－ｍａｉｌ：６５２６６６３２１＠ｑｑ．ｃｏｍ．

《基于机器视觉的煤泥浮选泡沫分类研究》

《基于机器视觉的煤泥浮选泡沫分类研究》一、引言随着科技的不断发展，机器视觉技术逐渐成为各个领域的研究热点。

在煤炭工业中，煤泥浮选泡沫的分类处理是关键环节之一。

然而，由于煤泥浮选泡沫的复杂性和多变性，传统的人工分类方法已经无法满足高效、精准的生产需求。

因此，本研究将探讨基于机器视觉的煤泥浮选泡沫分类技术，旨在提高分类效率和准确性，为煤炭工业的智能化发展提供技术支持。

二、研究背景及意义煤泥浮选是煤炭工业中重要的选煤技术之一，其关键环节在于对浮选泡沫进行分类。

传统的分类方法主要依赖于人工观察和操作，不仅效率低下，而且易受人为因素影响，导致分类结果的不稳定。

因此，研究基于机器视觉的煤泥浮选泡沫分类技术具有重要的现实意义。

首先，该技术可以提高分类效率，减少人工成本，提高生产效率。

其次，该技术可以降低人为因素的干扰，提高分类结果的准确性和稳定性。

此外，机器视觉技术具有较高的自动化和智能化水平，能够实现对煤泥浮选泡沫的实时监测和在线分类，为煤炭工业的智能化发展提供技术支持。

三、研究内容本研究将采用机器视觉技术对煤泥浮选泡沫进行分类研究。

具体包括以下几个方面：1. 图像采集与预处理：通过高清摄像头对煤泥浮选泡沫进行图像采集，并对图像进行预处理，如去噪、增强等操作，以提高图像质量。

2. 特征提取：根据煤泥浮选泡沫的特点，提取出能够反映其性质的特征参数，如泡沫大小、形状、颜色等。

3. 分类算法设计：基于提取的特征参数，设计适合的分类算法，如支持向量机、神经网络等。

4. 实验验证：通过实验验证所设计的分类算法的准确性和稳定性。

首先在实验室条件下进行小样本试验，然后在实际生产环境中进行大样本试验。

四、技术实现及关键问题分析在实现基于机器视觉的煤泥浮选泡沫分类技术过程中，需要解决以下几个关键问题：1. 图像采集与处理技术：需要选择合适的摄像头和图像处理算法，以提高图像质量和处理速度。

2. 特征提取方法：需要根据煤泥浮选泡沫的特点，设计出能够准确反映其性质的特征参数提取方法。

浮选泡沫图像处理技术研究现状与进展

变化情况；某些变化难以用人眼来观测；恶劣的 ② ⑧
工作环境有损人的健康；④ 只能进行定性的粗糙观
测，可能进行定量的精细观测；观测结果因人而不 ⑧
收稿日期：０１Ｏ一４２１－１ｏ基金项目：西省自然科学基金资助项目（０８Ｚ０２）江２０ＧＣ０８
ＨＥＧｕ－ｈｎＦｉｃｕ，ＥＮＧｉ－ｉＷＵ－ｅｇＺＨＥＮＧ－ｉｎＪｎｎ，Ｙｉｐｎ，Ｘｉｌａ
（ａｕｔｏｅｏｒｅａｄＥｖｒｎｎａｎｉｅｒｇＪｎｘｎｖｒｉｆｃｅｃｎｅｈｏｏｙＧｎｈｕ３１０，ｈｎ）Ｆｃｌｆｓｕｃｎｎｉｍｅｔｌｇｎｅｉ，ｉｇｉｉｅｓｙｏｉｎｅａｄＴｃｎｌ，ａｚｏ４００ＣｉａｙＲｏＥｎａＵｔＳｇ
异，不稳定，致优化生产控制的随意性和变化性．导因
０引言
目前在浮游选矿过程中，浮选仍然主要依靠有经验的师傅或者工程师进行操作，他们通过观察浮选
矿浆表面泡沫状态，来调整浮选机矿浆液位和改变药剂制度等，得浮选过程处于一个较好的状态．在使但
第２卷第２期
２０１１年４月
有色金属科学与工程
ＮｏｆｒｏｓＭｅａｓＳｉｎｅｎｇｎｅｉｇｎｅｒｕｔｌｃｅｃａｄＥｎｉｅｒｎ

基于改进的SuperGlue模型的浮选泡沫稳定度检测方法研究

基于改进的SuperGlue模型的浮选泡沫稳定度检测方法研究刘惠中;阮怡晖;闻成钰;余华富
【期刊名称】《有色金属（选矿部分）》
【年(卷),期】2024()4
【摘要】在浮选过程中,浮选泡沫保持一定的稳定度对保证浮选指标的稳定至关重要。

由于浮选泡沫本身的复杂性和现有检测方法的局限性,目前还无法对工业现场泡沫的稳定度进行定量检测和评估。

为此,开发了一种基于改进的SuperGlue模型的浮选泡沫图像特征匹配算法,用于对浮选泡沫的稳定度进行测量。

该算法采用改进的SuperPoint模型网络对泡沫图像进行特征点提取,将原有的VGG网络进行了改进,利用特征匹配模型对所得到的两组特征点进行匹配,再进行误匹配精筛选,设置置信度阅值进一步提升匹配精度。

对比了在匹配算法中应用比较多的GMS算法,本文算法的有效特征点匹配对数提升了19.58%,匹配精度达99.85%。

与传统灰度差值法对比,本文的泡沫稳定度测量方法对不同状态的泡沫可辨识性提升明显,极大地提高了图像检测灵敏度,可以满足生产对泡沫稳定度测量的要求。

【总页数】8页(P97-104)
【作者】刘惠中;阮怡晖;闻成钰;余华富
【作者单位】江西理工大学机电工程学院;江西省矿冶机电工程技术研究中心【正文语种】中文
【中图分类】TD923.7
【相关文献】
1.基于提升改进方向波变换的浮选泡沫图像降噪方法
2.基于向量空间模型的浮选泡沫图像分类方法研究
3.基于模糊三值模式的矿物浮选泡沫图像边缘检测方法
4.基于改进Kriging代理模型的土质边坡稳定可靠度分析方法
5.基于泡沫图像在线检测与分析系统的浮选控制方法研究与应用
因版权原因，仅展示原文概要，查看原文内容请购买。

浅谈浮选泡沫图像监控系统的应用

浅谈浮选泡沫图像监控系统的应用1 引言冬瓜山铜矿系新建大型现代化铜矿山，矿石属高硫难选矿石，矿物组成复杂，是目前发现的最难处理的含铜矿石类型之一，其选矿工艺流程长而复杂。

在以往的浮选生产过程中，浮选操作主要以人工观察为主，通过肉眼观察泡沫的大小、颜色、速度等视觉信息来调节生产操作。

以人工观测为主的浮选操作受主观因素影响难以处于稳定最优运行状态，这种凭人工经验操作导致的问题是，不同工人对泡沫状态的判断没有客观标准，浮选过程难以处于优化运行状态，常出现对液位进行长时间的拉锯式调节，导致浮选槽溢流量少，造成尾矿金属含量高，或者泡沫过多，出现冒槽等一系列问题。

导致矿物回收率低、浮选药剂消耗量大，降低了企业的效益。

当前基于视频监控的图像处理系统在工业中应用越来越广泛，采用图像监控的泡沫处理系统可以自动识别泡沫状态和预测矿浆品位，对浮选过程的自动化提升有重要作用。

2 系统的硬件总体结构系统硬件配置主要从能获取到高质量泡沫图像，能够对图像进行实时处理的角度来确定硬件型号、数量和具体安装位置，摄像机和光源的合理配套，以及各部件软硬件接口的连接问题。

系统硬件总体构架如图1所示，摄像机主要拍摄粗选首槽的泡沫图像，将图像传输至计算机进行分析处理。

硬件系统主要由泡沫产生设备、光源、摄像机、图像转换卡、计算机及其附属部件构成。

要求泡沫产生设备能够长时间不间断工作，生成无污染且稳定的气泡；对光源的要求是能够为摄像机提供亮度高且色温稳定的照明，要求照度在1500lux以上，摄像机的作用是拍摄泡沫表层，获取泡沫图像，要求能够长时间工作，输出图像质量高，且其接口易于软件访问操作。

计算机的作用是显示实时图像，并对气泡图像进行处理分析，要求图像显示、运算和存取速度快，硬盘存取空间大。

系统视频信号流程图如图2所示。

彩色CCD摄像机获取泡沫层图像，将视频信号数字化并生成数字视频信号，通过1394接口和光纤传输至图像转换卡。

图像转换卡将相机的1394协议数据转化为适于计算机处理的数字信号，计算机生成数字图像，并通过底层驱动程序的软件接口读取至系统内存，计算机图像处理应用程序读取泡沫图像、提取泡沫图像特征参数，并进行分析。

《基于机器视觉的煤泥浮选泡沫分类研究》范文

《基于机器视觉的煤泥浮选泡沫分类研究》篇一一、引言随着煤泥浮选工艺的普及和进步，煤泥浮选过程中泡沫分类技术已成为该领域重要的研究内容。

机器视觉技术的迅速发展，为解决煤泥浮选泡沫分类的难题提供了新的可能性。

本文基于机器视觉技术，对煤泥浮选泡沫进行分类研究，以期为提高煤泥浮选效率和产品品质提供新的技术手段。

二、机器视觉在煤泥浮选中的应用机器视觉技术是一种以计算机为核心，以图像处理和分析为基础的智能感知技术。

在煤泥浮选过程中，利用机器视觉技术可以对泡沫图像进行实时获取和分类，以判断浮选的效果和煤质。

首先，通过图像采集系统获取煤泥浮选过程中的泡沫图像。

然后，利用图像处理技术对泡沫图像进行预处理，如去噪、增强等，以提高图像的清晰度和对比度。

接着，通过特征提取算法提取泡沫图像中的关键特征，如形状、大小、颜色等。

最后，利用分类算法对提取的特征进行分类，以判断泡沫的成分和品质。

三、煤泥浮选泡沫分类研究针对煤泥浮选过程中的泡沫分类问题，本文提出了一种基于机器视觉的分类方法。

该方法主要包括以下步骤：1. 图像采集与预处理：通过高分辨率摄像头实时获取煤泥浮选过程中的泡沫图像，并对图像进行预处理以提高其质量。

2. 特征提取：采用特征提取算法从泡沫图像中提取出形状、大小、颜色等关键特征。

3. 分类算法：利用机器学习算法对提取的特征进行分类。

本文采用支持向量机（SVM）作为分类器，通过训练样本学习不同泡沫的特征与成分之间的关系。

4. 模型优化：根据分类结果对模型进行优化，提高分类准确率。

采用交叉验证等方法对模型进行评估，以确定最佳参数和模型结构。

5. 结果分析：对分类结果进行分析，得出不同类型泡沫的成分和品质信息，为煤泥浮选过程提供指导。

四、实验结果与分析为了验证本文提出的基于机器视觉的煤泥浮选泡沫分类方法的可行性和有效性，我们进行了实验研究。

实验结果表明，该方法可以有效地对煤泥浮选过程中的泡沫进行分类，并提高了分类准确率。

基于泡沫图像特征的浮选槽液位智能优化设定方法

第40卷第6期自动化学报Vol.40,No.6 2014年6月ACTA AUTOMATICA SINICA June,2014基于泡沫图像特征的浮选槽液位智能优化设定方法赵洪伟1谢永芳1蒋朝辉1徐德刚1阳春华1桂卫华1摘要浮选生产过程中浮选槽液位通常根据经验人工设定,具有主观随意性﹑液位波动大,使精/尾矿品位不满足要求.为此,提出一种基于浮选泡沫图像多特征的浮选槽液位智能优化设定的方法.在浮选槽工作原理以及液位与泡沫图像特征间关系的分析基础上,将基于案例推理的浮选槽液位预设定﹑基于多泡沫图像特征的改进LS-SVM(Least squares support vector machine)品位预测及基于BP神经网络的自学习模糊推理智能补偿等模型有机集成,提出了充分利用泡沫图像特征的液位智能优化设定方法.将该方法在某铝土矿浮选生产过程进行应用验证,可使粗选槽液位波动减小,提高了粗选精/尾矿品位合格率、总精矿品位合格率及回收率.关键词浮选液位,泡沫特征,案例推理,品位预测,BP神经网络模糊推理,优化设定引用格式赵洪伟,谢永芳,蒋朝辉,徐德刚,阳春华,桂卫华.基于泡沫图像特征的浮选槽液位智能优化设定方法.自动化学报,2014,40(6):1086−1097DOI10.3724/SP.J.1004.2014.01086An Intelligent Optimal Setting Approach Based on Froth Features for Level ofFlotation CellsZHAO Hong-Wei1XIE Yong-Fang1JIANG Zhao-Hui1XU De-Gang1YANG Chun-Hua1GUI Wei-Hua1Abstract In theﬂotation production process,the liquid level ofﬂotation cells is usually set by on experiences.The liquid level canﬂuctuate in a large range such that the concentrate grade and tailings grade may not meet the requirement. In this paper,an intelligent optimal setting approach based on forth image features is proposed.On the basis of analysis ofﬂotation cells working principle and relationship between level and froth image features,the pre-setting model based on CBR,the improved least squares support vector machine(LS-SVM)grade prediction model based on multiple froth features,and the self-learning fuzzy reasoning intelligent compensation model based on BP neural network are integrated together.This method is tested on a bauxiteﬂotation process.The levelﬂuctuation of rougherﬂotation cells decreases. The pass rates of concentrate and tailings grade in rougherﬂotation and the pass rate of the concentrate grade and recovery of the overallﬂotation increase.Key words Flotation level,froth feature,case-based reasoning,grade prediction,BP neural network fuzzy reasoning, optimal settingCitation Zhao Hong-Wei,Xie Yong-Fang,Jiang Zhao-Hui,Xu De-Gang,Yang Chun-Hua,Gui Wei-Hua.An intelli-gent optimal setting approach based on froth features for level ofﬂotation cells.Acta Automatica Sinica,2014,40(6): 1086−1097选矿是矿产资源加工中的一个重要生产环节,收稿日期2013-07-04录用日期2013-11-14Manuscript received July4,2013;accepted November14,2013国家自然科学基金重点项目(61134006),国家创新研究群体科学基金(61321003),高等学校博士学科点专项基金博导类资助课题(20120162110076),高等学校博士学科点专项科研基金优先发展领域资助课题(20110162130011),中央科研基本业务费中南大学国家杰青培育专项(2011JQ009)资助Supported by National Natural Science Foundation of China (61134006),the Funds for Creative Research Groups of China (61321003),Doctoral Tutor Classes Funded Project of Special-ized Research Fund for the Doctoral Program of Higher Educa-tion(20120162110076),Priority Areas of Development Funding Issues of Specialized Research Fund for the Doctoral Program of Higher Education(20110162130011),and the Fundamental Research Funds for the Central Universities(2011JQ009)本文责任编委文成林Recommended by Associate Editor WEN Cheng-Lin1.中南大学信息科学与工程学院长沙4100831.School of Information Science and Engineering,Central South University,Changsha410083直接影响矿物资源的利用率和回收率[1].泡沫浮选是选矿过程中最重要的矿物分选方法,广泛应用于冶金、煤炭、化工等生产部门,我国90%以上有色金属是经泡沫浮选处理的.由于浮选工艺流程长、机理复杂、矿物品位等生产指标难以在线测量,且浮选给矿条件经常变化,长期以来,主要依靠人工观察浮选槽表面泡沫颜色、大小等视觉特征进行操作,存在主观随意性,往往导致工况波动大,精/尾矿品位不满足要求,造成浮选药剂和能源消耗大.因此,需要深入研究浮选过程操作参数的优化设定方法,保证浮选生产的自动优化运行.浮选过程的主要操作参数包括矿浆液位(泡沫层厚度)、通风量及加药量等,其中矿浆液位作为重要的操作变量[2−3],通常是在给矿及药剂添加量给定情况下进行调整,以获得满足工艺要求的精/尾矿品位.6期赵洪伟等:基于泡沫图像特征的浮选槽液位智能优化设定方法1087浮选现场的液位设定是由操作人员观察泡沫进行调节,常出现冒槽﹑液位过低而难以溢流等失控现象,导致精/尾矿品位波动较大﹑难以满足生产要求.针对浮选过程液位控制问题,国内外很多学者进行了研究.如文献[4]建立了浮选槽及调节阀的数学模型,获得液位PI控制参数,并以PI控制器为基础研究了SISO控制器与其他几种MIMO控制器的控制效果,仿真结果表明MIMO控制器的液位控制性能优于经典的SISO控制器;文献[5]提出了一种PI与模型预测相结合的柱式浮选液位控制策略,仿真表明预测控制器的引入使液位控制过程中其他操作变量的约束限制得到较好的满足,比传统PI控制更能满足实际要求;文献[6]对柱式浮选槽液位控制的多种控制策略进行了综述和对比分析,指出多数方法仍停留在理论阶段而未经现场验证.文献[7]针对串级浮选槽液位控制问题,提出了一种PID参数整定方法,利用前馈控制改善了控制性能.这些研究主要是针对浮选过程液位自动控制策略开展的,未考虑浮选生产的工艺指标,由于浮选过程机理复杂,而且给矿条件经常变化,浮选生产难以优化运行.因此,根据浮选工况,研究液位自动优化设定方法以改善浮选效果十分必要.此外,在矿物选别中浮选泡沫表面视觉特征(如颜色、大小、流速、纹理等)不仅可直接反映浮选生产过程工况,还可以作为工艺指标的直接指示器.工业机器视觉检测速度快,可同时监测整个浮选槽的泡沫状态,实现泡沫表面视觉特征的量化描述与浮选生产状态的客观评价.基于机器视觉的泡沫浮选监测系统已经应用于浮选过程,取得了一定的效果[8−12].为此,本文结合多浮选泡沫图像特征,利用基于案例推理的浮选槽液位预设定模型对浮选槽液位进行预设定,采用改进型LS-SVM(Least squares support vector machine)品位预测模型对浮选矿物品位进行实时预测,在此基础上,采用基于BP神经网络的自学习模糊推理智能补偿模型对预设定值进行补偿,得到液位优化设定值.该优化设定方法能充分利用机器视觉所提供的泡沫图像特征信息对浮选槽液位进行优化设定.最后,将所提方法在铝土矿浮选生产现场进行工业验证,减少了浮选槽精/尾矿品位的波动范围,改善了浮选效果.1浮选槽工作原理及液位分析浮选是利用有用矿物颗粒与无用脉石颗粒表面物理化学性质不同所导致的亲水性或疏水性差异对矿物进行分选的方法[13].在浮选过程中,矿物颗粒、水及浮选药剂按一定比例在搅拌槽内混合、搅拌、调配成满足浮选要求的矿浆,并送入浮选槽,矿浆在浮选槽内与鼓入的空气混合搅拌形成大量气泡,矿物颗粒与气泡发生充分接触和碰撞.疏水性的目的矿物颗粒附着于气泡表面,随气泡上浮至矿浆表面并被刮至溜槽得到精矿产品,从而实现目的矿物的富集.而亲水性的脉石矿物颗粒则留在矿浆中,随矿浆流被排出浮选槽形成尾矿.浮选槽的工作原理如图1所示,可以看出,浮选槽中含有固体、液体及气体,影响因素复杂.为了使最终精矿品位满足工艺要求,浮选操作人员根据给矿条件(给矿流量G V、给矿浓度G c、给矿粒度G d、给矿品位G p),并结合观察的浮选槽表面泡沫状态对浮选槽矿浆液位、通风量及加药量进行控制.而当给矿条件或其他工况条件发生变化时,现场操作人员由于经验有限或操作滞后等原因往往不能及时对相关参数进行调节,常出现“跑槽”或者其他失控的状态,导致精矿品位及回收率不符合要求.图1浮选槽工作原理图Fig.1Working principle diagram ofﬂotation cell由图1可知,浮选槽内分为两个区域,即捕收区(也称作“矿浆区”,空气含量<30%)和泡沫区(空气含量>70%).浮选槽液位指的是捕收区和泡沫区的接触面位置,即图1中最长虚线标注的位置,通常用浮选槽顶端至该位置的距离H表示.浮选槽的矿浆液位影响最终精矿产品的质量.一方面,若捕收区厚度增加,有用矿物颗粒有更多时间与气泡接触并粘附于其表面,而不少非疏水性的脉石颗粒也会随泡沫溢流至溜槽,从而导致精矿品位下降;另一方面,若泡沫区厚度增加,非疏水性的脉石颗粒在泡沫区有更多时间脱离气泡表面,使得精矿品位提高,但会导致回收率下降.因而对矿浆液位进行合理设定,对浮选生产过程十分重要.目前,我国浮选现场对浮选槽液位的调整主要依靠操作工人观察泡沫,凭经验手动操作浮选槽尾矿阀门,劳动强度大,且难以保证产品质量.在浮选过程中泡沫层厚度扮演着关键角色,气泡从泡沫层底部上升运动至泡沫层表面的过程中,1088自动化学报40卷其结构、形态及运动状态都发生变化,进而引起泡沫表面视觉特征发生变化[14].因此可利用泡沫层表面视觉特征评估浮选性能,并进行操作变量调控以改善浮选性能.本文利用泡沫图像特征对浮选生产过程中精/尾矿品位进行实时预测,得到浮选效果评价标准,结合案例推理、自学习模糊推理等实现液位的预设定和预设定补偿,以实现浮选槽液位的智能优化设定.2浮选槽液位智能优化设定浮选流程包括粗选﹑精选及扫选等环节,粗选为首个生产环节,对精矿品位及尾矿回收率的提升有重要影响.这里以浮选流程中粗选槽为例,提出如图2所示的浮选槽液位智能优化设定方法,主要包括浮选槽液位预设定模型、品位预测模型及智能补偿模型.2.1基于案例推理的浮选槽液位预设定模型案例推理(Case based reasoning,CBR)是一种借鉴人类思维方式对问题进行处理的人工智能推理方法[15−16],它能够从案例中获取经验知识用于解决新问题,克服了传统基于规则推理(Rule based reasoning,RBR)的知识获取困难.本文基于浮选过程工艺指标及给矿条件采用CBR对浮选槽液位进行预设定.2.1.1预设定模型结构基于案例推理的浮选槽液位预设定模型结构如图3所示.该模型首先根据粗选槽目标品位及给矿条件组成的案例在浮选液位调整案例库中检索到与之相似的案例;然后,根据设定的相似度阈值对其进行匹配判断和重用,得到当前工况输入特征的案例解作为结果输出,即浮选槽液位预设定值;最后,根据液位预设定值的应用效果,即作用后的工艺指标进行评价.若满足要求则直接作为一条新案例存入案例库;否则,对其进行修正,待其满足要求后存入案例库,从而使案例库得到更新.图3浮选槽液位预设定模型结构Fig.3Structure of pre-setting model ofﬂotationcells level从图3可看出,该模型的核心是浮选液位调整的案例库.案例库由很多条历史操作案例组成,每一条案例由工况描述及其对应的案例解组成.根据浮选槽工作原理及液位的分析,将目标精矿品位βJ、目标尾矿品位βW、给矿流量G V、给矿浓度G c、给图2浮选槽液位优化设定结构图Fig.2Optimal setting structure diagram ofﬂotation cells level6期赵洪伟等:基于泡沫图像特征的浮选槽液位智能优化设定方法1089矿粒度G d、给矿品位G p作为模型的工况描述,将浮选槽液位的预设定值H作为其对应的案例解.其中第k条案例用C k={F k,J k}表示,其对应关系如表1所示.表1案例描述Table1Case description工况描述F解Jf1f2f3f4f5f6jβJβW G V G c G d G p H2.1.2案例检索、匹配与重用假定浮选生产过程的某实时工况C x的案例描述为F x={f1,f2,f3,f4,f5,f6},它的解J=(j x).案例库中有n个案例C1,C2,···,C n,每条案例C t(t=1,2,···,n)的描述为F t={f t,1,f t,2,f t,3,f t,4,f t,5,f t,6},对应的解为J t=(j t).为了得到案例库中与C x匹配的案例,需要按照一定的规则进行检索.定义当前浮选工况案例描述f m(m=1,2,···,6)与案例库中案例描述f t,m的相似度函数为S A(f m,f t,m)=1−|f m−f t,m|max(f m,f t,m),t=1,2,···,n(1)其中,max(f m,f t,m)表示取f m与f t,m的较大值,根据式(1)可定义F x与F t的相似度函数为S W(F x,F t)=6m=1λm S A(f m,f t,m)6m=1λm(2)其中,λm为每一种工况特征的加权系数,其大小由工况数据确定,即根据各种给矿边界条件及目标品位的相对重要性确定其大小,通常由经验凑试法得到.F x与案例库中的所有案例F t(t=1,2,···,n)的最大相似度为S max=Max{S W(F x,F t)},t=1,2,···,n(3)为判断相似度S W(F x,F t)是否满足要求,需进一步确定相似度阈值并进行判断,设相似度阈值为S T H,其大小由式(4)确定:S T H=0.85,S max≥0.85S max,S max<0.85(4)若案例库中案例与当前工况的相似度满足阈值要求,则将被检索出来作为匹配案例,假定有h 个匹配案例{C1,C2,···,C h}.为得到当前浮选工况的最优解,CBR方法往往通过对h个匹配案例{C1,C2,···,C h}再做相应处理.C i(i=1,···,h)与当前工况的相似度分别为S W,1,S W,2,···,S W,h,其对应的案例解为J i=(j i).则当前工况下的案例解J x通过式(5)得到:J x=hi=1ηi j ihi=1ηi(5)ηi为检索到的匹配案例的权值,ηi=S W,i,则最终得到的液位预设定值为J x,即H=J x.2.1.3案例修正、评价与存储首先根据案例重用的结果得到浮选槽需要调整的液位预设定值H,并以其作为液位的给定值对浮选过程进行控制.随着系统运行,智能补偿模型按照一定补偿周期对浮选液位预设定值进行补偿,补偿值为∆H.若补偿相对值|∆H/H|≤λ(λ为补偿量最小阈值,取3%∼5%),则说明预设定液位基本满足要求.若|∆H/H|>λ,对当前的品位预测值βJX及βW X进行评价.若满足|∆βJX/βJ|≤δ且|∆βW X/βW|≤ε(δ和ε为根据工艺要求确定的品位波动阈值,大小通常为3%∼10%),则说明此时液位设定值H∗满足要求,将此时H∗作为案例解与工况条件组成一条新的案例进行预存储,可对后续得到的离线检测品位值βJC与βW C评价.一般情况下满足|βJ−βJC|/βJ≤δ且βW−βW C|/βW≤ε,则将预存储案例直接存储.否则,按照实际品位偏差通过补偿模型对H∗进行适当修正(H∗+∆H C,∆H C由∆βJC与∆βW C通过补偿模型计算得到)并存储.此外,若某工况条件下S max≥0.95且液位补偿相对值|∆H/H|≥30%,说明案例库中与该工况案例相似度最大的存储案例有误,需对案例库进行修正.将其h个匹配案例中与其相似度最大的案例C i max从案例库删除,从而保证案例库中不出现冗余信息.然后再由实时工况进行案例推理,并重复上述过程.通常情况下,仅采用基于案例推理的浮选槽液位预设定模型对浮选槽液位进行设定,可得到一个相对合理的设定值.由图2可看出,此时相当于对浮选槽液位的开环设定.由于不能有效克服各种扰动及工况变动的影响,性能较差.本文通过实验验证了采用智能补偿模型较单独采用预设定模型浮选生产性能有明显提高.2.2基于多泡沫图像特征的品位预测模型在实际浮选生产过程中,精矿品位βJX及尾矿品位βW X通常通过离线检验分析得到,无法为在线优化设定提供必要的实时数据.目前,有学者采用神1090自动化学报40卷经网络方法[17]对浮选指标进行在线预测,但该方法在样本量不大时,易出现过拟合及泛化能力差的问题.LS-SVM是对SVM[18]的改进方法,主要解决了其在求解二次规划问题时,遇到的稀疏性及运算复杂问题,对小样本建模效果较好.而浮选实际生产过程中,矿物品位化验时间长、费用高,难以获得大量离线品位样本数据.为此,课题组最早提出利用泡沫图像特征,采用LS-SVM方法对浮选生产指标进行在线预测[10,19].本文在文献[19]的基础上,提出了一种改进的LS-SVM预测方法,利用可直接反映浮选生产状态的多种泡沫图像特征,实现对精矿品位及尾矿品位的在线预测.2.2.1泡沫图像特征与品位相关性分析由于浮选槽表面泡沫图像特征可有效反映浮选工况状态,并可作为浮选过程操作的参考量,泡沫图像特征也常用来对浮选工艺指标(精矿品位和尾矿品位)预测.例如,浮选泡沫的颜色特征可有效反映气泡所携带目标矿物的多少[10].本文以某铝土矿浮选粗选槽为研究对象,提取了其泡沫图像颜色、尺寸(大小均值+方差)、纹理及动态特征,研究了这些特征与其对应工艺指标的相关性.如图4(a)∼(d)所示为提取到的90幅粗选泡沫图像的4种图像特征及与其对应的粗选化验精矿品位的关系图.由图4所示结果可知,4种泡沫图像特征与粗选槽精矿品位有较强相关性.此外,泡沫图像特征与粗选槽尾矿品位的相关性分析亦发现均有较强的相关性.这充分表明提取到的各种泡沫图像特征可有效反映矿物品位.2.2.2改进型LS-SVM预测模型图4表明各种泡沫图像特征与精矿品位之间有较强非线性关系,但从图4中亦可看出有不少样本点远离拟合曲线,而这些点也与实际工况不符,误差(a)颜色特征分析(a)Analysis of colorfeature(b)尺寸特征分析(b)Analysis of sizefeature(c)纹理特征分析(c)Analysis of texturesfeature(d)速度特征分析(d)Analysis of velocity feature图4泡沫特征与精矿品位关系Fig.4The relationship between froth features andconcentrate grad较大.这是由于实际浮选生产环境恶劣,对各种图像采集及传输设备造成影响,进而导致泡沫特征提取过程中出现误差.虽然在图像处理过程中进行去噪等一系列预处理操作,在一定程度上减小了误差,但仍存在由于各种工况故障导致的错误样本点,使得建立的LS-SVM模型不准确,易出现较大预测误差.6期赵洪伟等:基于泡沫图像特征的浮选槽液位智能优化设定方法1091为此,提出一种改进型LS-SVM预测方法,以降低在其建模过程中错误样本对模型准确性的影响.LS-SVM预测模型是将包含i(i=1,2,···,N)组训练样本的样本集S=(u i,v i)(d维输入u i∈R d,一维输出v i∈R)的非线性函数估计问题转化为求解式(6)所示的高维特征空间中线性函数估计问题[19]:f(x)=Ni=1a i K(x,x i)+b(6)其中,a i为拉格朗日乘子,b为该模型的另一回归参数,K(x,x i)表示核函数.在模型训练过程中,由于某些错误训练样本所导致|a i|的剧烈变化影响了模型的估计性能,而衡量的LS-SVM模型的性能指标为其预测均方误差,E RMSE=1kki=1(ˆv i−v i)2(7)其中,k为预测样本个数,ˆv i为预测值,v i为真实值.E RMSE越大表明预测误差越大,E RMSE越小则预测越准确.因此,改进型LS-SVM的建模过程主要有以下几个步骤:步骤1.构建由泡沫图像特征与对应的浮选指标组成的训练样本集和测试样本集;步骤2.确定核函数类型与核参数,利用训练样本集数据训练基本LS-SVM模型;步骤3.利用基本LS-SVM模型对测试样本集进行测试,计算性能指标E RMSE;步骤4.求取LS-SVM模型的拉格朗日乘子a i;步骤5.求取τ=|a i+1|/|a i|,τ表示|a i|的变化率.假定τ的阈值为τTH,τTH的大小根据模型训练效果确定.若τ≥τTH,表明|a i|变化过大,则删除使|a i|变化过大的样本点;步骤6.将剩余的样本点作为训练样本集对LS-SVM模型进行训练,重新对测试集进行测试并得到其性能指标E RMSE;步骤7.判断E RMSE与E RMSE的大小以衡量改进效果.若E RMSE≤E RMSE则返回步骤4,并以E RMSE取代E RMSE作为再次衡量改进效果的标准;若E RMSE>E RMSE,则说明剔除样本点未达到优化效果,不予以剔除.依次进行,直到对整个训练样本集中数据点优化完成,得到改进LS-SVM模型.基于上述建模步骤,采用如图5所示的基于LS-SVM的预测模型对精/尾矿品位进行预测.该模型利用历史工况数据库中的颜色特征Red、尺寸特征Size、纹理特征Ener、速度特征Vel及与其对应精矿及尾矿品位构造由特征向量集{T i}及品位向量集{P i}(i∈N+,表示第i组向量)组成的训练集,通过训练集对LS-SVM模型进行训练.LS-SVM模型的核函数采用高斯径向基函数,在训练过程中,求取该模型的回归参数a i和b,并通过网格搜索法及交叉验证法对惩罚参数C和核宽σ进行搜索和寻优.训练结束后,对由实时泡沫特征构造的实时特征向量集{T i(t)}进行测试,通过反预处理得到最终预测精矿和尾矿品位指标βJX、βW X作为输出,并作为智能补偿模型的反馈输入.同时,实时泡沫特征及预测结果进入LS-SVM历史数据库进行存储.图5基于LS-SVM的品位预测模型Fig.5Grade prediction model based on LS-SVM为验证预测模型对粗选槽精/尾矿品位预测的准确性,利用某铝土矿浮选工业现场得到的450组精/尾矿品位数据(通过离线化验分析得到)和对应的泡沫图像特征数据对LS-SVM模型进行训练.其中泡沫图像为40天内不同时段通过粗选槽监控系统获取,但由于浮选生产现场环境比较恶劣,灯光亮度不均及图像数据传输通道误差都会造成得到的泡沫图像具有噪点,所以首先需要对图像预处理,然后采用多种泡沫图像特征提取方法[20−23]得到图像特征数据.通过训练得到LS-SVM的惩罚参数C=12,核宽σ=0.65.利用另外提取到的70组铝土矿粗选槽泡沫图像特征向量在已经训练好的模型上进行测试,并与人工化验得到的70组泡沫特征向量所对应的粗选槽溢流及底流品位进行对比分析,结果如图6所示.为评价其效果,按式(8)和(9)计算了预测相对误差E与均方根误差RMSE.E=|βY C(i)−βHY(i)|βHY(i)×100%(8) RMSE=17070i=1[βY C(i)−βHY(i)]2(9)其中,βY C(i)为第i(i=1,2,···,70)个预测品位值,βHY(i)为与其对应的实际化验品位值.以相对1092自动化学报40卷图6基于泡沫特征的改进LS-SVM品位预测效果Fig.6Grade prediction eﬀect of the improved LS-SVM based on froth features误差在15%之内的数据点比例(E≤15%)、最大相对误差E max及RMSE作为预测值的评价指标,得到结果如表2所示.表2改进LS-SVM模型预测误差分析Table2Improved LS-SVM model prediction erroranalysis预测评价指标E≤15%数据点所占比例E max RMSE 精矿品位97.14%17.47%0.582尾矿品位91.43%19.39%0.359由表2可以看出,预测误差E较小,说明预测值较好地跟踪实际值,同时较小的RMSE说明该预测模型可信度较高.本文还采用基本LS-SVM模型对上述测试样本精/尾矿品位进行了预测,其中精矿品位预测的E max为26.64%,RMSE为0.758,尾矿品位预测的E max为29.16%,RMSE为0.671,说明改进型LS-SVM预测模型的预测效果更好.由于在特征提取之前进行了图像去噪等操作,克服了一定的环境干扰,泡沫图像特征能较好地表征泡沫状态,且由于在建模过程中剔除了错误样本的影响,使得预测效果相对稳定.2.3基于BP神经网络模糊推理的智能补偿模型浮选生产过程非常复杂,影响其正常运行的未知干扰因素较多,而且给矿也发生波动.这些影响因素都会导致预设定的液位值不满足实时工况要求,工艺指标不在目标范围内.因此,必须根据品位预测模型得到的预测品位对液位预设定值进行适当补偿.但由于机理复杂,难以建立精确的数学补偿模型.为解决这类问题,文献[24−25]提出了基于RBR的反馈补偿模型实现对浮选操作变量预设定值的修正.但应用该方法对浮选液位预设定值进行补偿调整时存在几个主要问题:1)由于浮选现场操作人员对浮选槽液位设定值的调整,往往是先依据经验对品位偏差粗略估计,再对操作量进行粗略调整,导致其不能以确切的量化值表示成专家规则;2)浮选工况变化范围大,若将所有工况关系用规则表达,规则库将十分巨大和复杂,组织规则困难;3)每次进行补偿时,规则推理都要重新进行搜索和匹配,效率低,且不具备自学习能力,不能自动对规则库进行更新,需人为修改,不能对浮选液位设定调整量进行自动优化.针对以上问题,本文提出一种基于BP神经网络的自学习模糊推理补偿模型实现对浮选液位预设定值的智能补偿,如图7所示.图7浮选液位预设定的补偿模型结构Fig.7Structure of theﬂotation level pre-settingcompensation model该方法将浮选现场根据品位偏差进行液位预设定值调整的模糊专家操作经验按照一定隶属度进行模糊量化处理,再将实际的品位偏差∆βJ∈[−10,10],∆βW∈[−5,5](表示目标精/尾矿品位与预测或实际检测精/尾矿品位偏差,包括∆βJX,∆βW X,∆βJC及∆βW C,如图2中所示)及液位设定补偿值∆H∈。

基于泡沫图像特征融合的煤泥浮选工况识别

第38卷第4期计算机仿真2021年4月文章编号:1〇〇6 -9348(2021 )04 - 0385 -05基于泡沬图像特征融合的煤泥浮选工况识别梁秀满\田童\刘文涛、牛福生2(1.华北理工大学电气工程学院，河北唐山063210;2.华北理工大学矿业工程学院，河北唐山063210)摘要:煤泥浮选泡沫的图像特征与浮选工况密切相关。

为提髙图像特征分类的准确率，提出一种泡沫亮点分布特征、图像灰度特征与Tam ura纹理特征相融合的方法用以表征浮选工况状态。

首先利用〇tsu阈值分割与形态学开操作提取泡沫的亮点，统计其大小、数量等分布特征;然后根据图像灰度值计算像素均值、方差和峰度方差;再提取泡沫图像Tam ura纹理的粗糙度、对比度与方向度参数。

将以上三类图像特征线性排列，标记特征数据建立支持向量机分类模型，并验证分类效果。

结果表明，所提出的多种图像特征融合的方法的分类准确率达到88. 6%,优于单一特征的分类结果。

关键词:煤泥浮选;亮点分布;灰度特征;纹理特征;支持向量机分类中图分类号:TP391 文献标识码：BCoal slime Flotation Condition IdentiflcationBased on Fusion of Froth Image FeaturesLIANG Xiu - man1,TIAN Tong1 ,LIU Wen - tao1,NIU Fu - sheng2(1. College of E lectrical E n g in e erin g,North C hina U niversity of S cience and T echnology,T angshan H ebei 063210,C h in a；2. College of M ining E n g in eerin g,N o rth C hina U niversity of S cience and T echnology,T angshan H ebei 063210,C h in a)A B S T R A C T：The im age ch aracteristics of slim e flotation froth are closely related to flotation co nditions.In order toim prove the accuracy of im age feature classificatio n^fusion m ethod com bining the features of froth highlights d istribution,im age grayscale features and T am ura texture features was proposed to characterize the state of flotation conditio n s.F irst,w e used O tsu threshold segm entation and m orphological opening operation to extract the highlights of the fro th,co u n t the features of siz e,q u a n tity,e tc.T hen according to the im age gray v a lu e,the pixel m e a n,variance and kurtosis - variance w ere calcu la ted.A nd then the c o a rse n e ss,contrast and directionality param eters of T am ura texture w ere ex tracted.T he features of the above three categories of im age were arranged lin e a rly,and the S upport V ector Machine (SV M)classification model was estab lish ed with the feature d a ta,a n d the classification effect was verified.The results show that the classification accuracy of the proposed m ethod is 88. 6% ,which is b etter than that of single featu re.K E Y W O R D S：Coal slim e flo ta tio n；H ighlights d istrib u tio n；G rayscale fe a tu re s；T exture fe a tu re s；SVM classificationi引言煤泥浮选是将矿物进行分离提取的过程。