专利名称：一种基于图像特征分析的浮选回收率预测方法
一种基于图像特征分析的浮选回收率预测方法[技术领域]本发明涉及选矿过程的泡沬图像特征分析及矿物回收率预 测方法，特别是轻金属浮选的泡沫特征分析及回收率预测。[背景技术]浮选是矿物加工中应用最广泛的一种选矿方法，它涉及到极 其复杂的物理化学过程。矿物浮选目的是提高原矿品位，满足还原冶炼的要 求。回收率作为浮选过程的一个关键指标，直接影响到精矿的质量和产量。 然而，浮选工艺流程长，影响因素多且耦合严重，无法实现回收率的在线检测。 一直以来选厂通过离线化验分析回收率，滞后于浮选过程4个小时，不 能及时指导生产操作。浮选泡沫包含大量与回收率相关的视觉信息。常用方法是通过提取泡沫 颜色、尺寸等特征，采用神经网络，模糊模型等方法建立浮选视觉数据模型， 但图像特征样本数量较少时，这些基于经验风险最小化准则的方法普遍存在 泛化性差和过拟合等问题，不能准确检测回收率，使得浮选过程难以处于最 优运行状态。[发明内容]本发明的目的在于解决回收率无法在线检测，避免常规方法 不能准确预测的问题，提供一种基于泡沬图像特征分析的矿物回收率预测方 法，为矿物浮选过程的优化操作提供参考信息。本发明采用摄像机、光源、 图像采集卡、计算机及其附属部件构成系统硬件平台，获取浮选槽泡沫图像， 并提取泡沫特征，采用LSSVM模型预测回收率，系统软件采用0++编程语言 开发。本发明主要内容如下首先通过一系列硬件设备，如计算机PC、照明系统、CCD彩色摄像机 和图像采集卡构建泡沫图像获取平台。经图像采集卡转换为数字图像送往计 算机，再由计算机对采集到的泡沫图像进行有关特征分析计算。采用相对红 色分量提取颜色特征，结合聚类与分水岭方法分割泡沫图像并提取尺寸特征， 利用像素分析方法提取承载量特征，采用图像对的相关性分析方法提取泡沬 速度、破碎率等动态特征，并对泡沫特征与回收率进行相关性分析。采用 LSSVM建立预测模型，以图像特征作为模型输入，通过交叉验证实现模型参 数优化。工业应用表明，通过对浮选泡沫图像的分析处理，提取的泡沫特征参数能够反映回收率，LSSVM模型能准确地预测矿物回收率。通过构建的泡沫图像设备平台有效地获取到泡沫图像，对泡沫图像进行 特征提取，采用动态堆栈的野值数据剔除方法，具有比常用方法更准确便捷 的效果，以泡沫图像特征作为LSSVM预测模型输入，有效地解决了回收率无 法在线检测，及常规方法不能准确预测的问题。[
]图1浮选泡沫图像分析系统硬件结构示意图； 图2浮选回收率预测结果。下面结合附图和具体实施方式
对本发明作进一步的详细说明。[具体实施方式
]泡沫图像分析系统硬件结构如图l所示，主要由摄像机 1、光源2、光纤3、图像采集卡4、计算机5构成。图中摄像机l用来拍摄泡 沬层6，且垂直安装于浮选槽7正上方，与溢流槽8距离为200cm。摄像机1的分辨率设置为1024X768，快门设置为323"S，工作距离为 110cm，镜头焦距为55mm，视场为16cmX 12cm，由12V直流电源供电，测 量精度为6.4—6.8pixels/mm。光源2采用200W高频荧光灯，色温为4500K，供电电源为220V@50HZ， 光源2靠近摄像机1，水平距离为10cm。彩色CCD摄像机1获取泡沬层图像，将视频信号数字化并转换成光信号， 通过光纤3传输到图像采集卡4，转化为格式为RGB-24bits的数字图像信号 然后读入计算机5，图像处理程序通过图像采集卡4的底层驱动接口获取泡沫 图像。图像处理程序提取泡沫图像特征参数，如气泡颜色、尺寸、速度、破 碎率及承载量特征，作为系统预测模型输入并预测回收率。图像特征提取具体实现如下-气泡颜色，通过整幅泡沫图像计算气泡颜色，提取图像的相对红色分量， 分别计算出红色分量的均值和灰度图像的均值，然后计算图像的相对红色分 量信息。为了避免全反射点和阴影的影响，去掉最暗和最亮的像素值。气泡尺寸，采用形态学开运算和面积重构操作对图像进行预处理；用Ostu 算法进行二值转化分割，同时采用新的重构方法求二值图像的距离变换图； 基于A顶开重构的改进变换为分水岭变换提供标识点从而完成泡沫图像的分 割。利用分水岭算法标记气泡连通区域的骨架图像，计算每个连通区域的像素数目，可得到泡沬图像的尺寸。气泡速度，通过获取到两个连续的移动目标，第一帧中目标的位置为xO、 y0，其灰度值为V。在第二帧图像中，在x0、 y0的位置跟踪8个方向直到目 标的灰度值搜索到。对于在浮选过程中这种大量移动的泡沫，泡沫局部形变 而导致以不同的速率移动，采用图像对的相关性分析检测整个泡沫图像的平 均速率。泡沫破碎率，利用泡沫速度信息，将连续两帧图像的后一帧图像变换到 前一帧图像的同一位置，然后计算第一帧图像与变换图像的差分，差分图像 的像素数目将超过给定的阈值即可计算出破碎率。泡沬承载量，在泡沬图像中，含大量矿物的泡沬往往没有全反射点，首 先用扫描标号法对泡沫图像中互不连通的亮点(气泡中心)进行标号，测量 各亮点的面积，其方法是对相同标号的像素点进行累加，得到每个亮点的像 素点总面积，然后计算气泡总面积与泡沬图像面积的比例得到气泡承载量。LSSVM预测模型的具体实现如下对于给定的训练样本集S=(x,, (/=7，...,A0，其中5维输入;c,.ei 5， 一维输出z,e及。禾U用非线性映射函数^c)将样本映射到高维特征空间，将原 样本空间中的非线性函数估计问题转化成高维特征空间中的线性函数估计问 题/(a:) = h>>(a:) + 6 (1) 根据结构风险最小化原理(即综合考虑函数复杂度和预测误差)，将以上 问题表示为一个等式约束的优化问题，如下式所示-<formula>formula see original document page 5</formula> 为求解上述优化问题，建立拉格朗日等式，把约束优化问题变为无约束 优化问题<formula>formula see original document page 5</formula>其中，a力、l,…局是Lagrange乘子。 根据KKT条件得到<formula>formula see original document page 6</formula>再根据Mercer条件定义^'x》^伊(x》 (5)从方程组(4)中消去e,， w后，可以得到-o 1 L 1 "|「6"|「0_x = (6) MMOM MM V7将求得的系数《,,6代入(1)式，即得到支持向量机的输出/W = |>,"a:'x,) + 6 (7)上式中的核函数采用高斯径向基函数x,.) = exp {- II/2cr2} (8)在求解问题(2)的过程中，本发明采用网格搜索法先选择参数对(C， CT)，然后用交叉验证法对目标函数(均方差最小)进行寻优，直至找到最佳的参数对，使交叉验证的精度最高。具体过程为将样本数据集D(含有W组标定工业 数据)随机分为10等分，分别标记为Dp A，…，"川(每份含有w/10组数据)； 依次以A(i-l， ...， IO)为验证集，其余9份作为训练集，对LSSVM进行总共IO 次训练和验证，累加10次验证过程的验证集中预测数据的均方差(MS^),作为10 川"本次交叉验证性能参数。累加结果表示为巡五=艺似证,=^1>，，其中e广3-力，》为预测值，力为实际值。在用10折交叉验证对参数C和ct进行优化时，使用网格搜索办法，具体地，给定两个调整参数的取值范围，取对数并均分为io等份，产生102种参数组合，在每一种参数组合下分别对LSSVM进行交叉验证， 并存储相应的MSS，最后共获得102个#5^,取最小MS五所对应的调整参数作 为最优组合；以获得的最优调整参数为中心，重新给定每个参数更小的取值范围，重复以上过程，直到网格搜索停止，得到进一步优化调整参数。利用图像特征提取方法，提取样本集中图像集{^特征，得到5维特征数 据集&.}，通过预处理剔除样本集中的野值，同时规范所有特征值为实数，采 用多维动态堆栈剔除野值的方法为-初始化一维数组stag，数组长度等于数据集&J的长度，求取x,.的平均值^ 若fe^Ul，则将数据集{^,}压入堆栈，将stag数组对应位置为l，否则删除当前数据，再将stag数组对应位置为O。依次类推，直到数据集(xj中所有数据访 问完毕。选用75%的数据样本作为训练集对预测模型进行训练，用剩余的25% 组样本数据进行预测，确定模型中的核宽参数X).8，惩罚参数015。
权利要求
1.一种基于图像特征分析的浮选回收率预测方法，其特征在于先用摄像机获取泡沫层图像，将视频信号数字化并转换成光信号，通过光纤传输到图像采集卡，转化为格式为RGB-24bits的数字图像信号然后读入计算机，图像处理程序通过图像采集卡的驱动接口获取泡沫图像，图像处理程序提取泡沫的气泡颜色、尺寸、速度、破碎率及承载量图像特征参数，作为系统预测模型输入，预测浮选回收率，构建预测模型的具体过程为(1)对于某时段内的生产过程，取其泡沫图像及其回收率指标作为样本集{(si，Pi)|1≤i≤N}；si为图像特征数据，Pi为回收率，N的范围为[150，200]；(2)利用图像特征提取方法，提取样本集中图像集{si}特征，得到5维特征数据集{xi}，通过预处理剔除样本集中的野值，同时规范所有特征值为实数，采用多维动态堆栈剔除野值的方法为初始化一维数组stag，数组长度等于数据集{xi}的长度，求取xi的平均值<overscore>x</overscore>，若<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mfrac> <mrow><mo>|</mo><msub> <mi>x</mi> <mi>i</mi></msub><mo>-</mo><mover> <mi>x</mi> <mo>‾</mo></mover><mo>|</mo> </mrow> <mover><mi>x</mi><mo>‾</mo> </mover></mfrac><mo><</mo><mn>1</mn><mo>,</mo> </mrow>]]></math> id="icf0001" file="A2008100318060002C1.tif" wi="18" he="10" top= "115" left = "27" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>则将数据集{xi}压入堆栈，将stag数组对应位置为1，否则删除当前数据，再将stag数组对应位置为0；依次类推，直到数据集{xi}中所有数据访问完毕；(3)根据LSSVM方法，求解方程<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><munder> <mi>min</mi> <mrow><mi>w</mi><mo>,</mo><mi>b</mi><mo>,</mo><mi>e</mi> </mrow></munder><mi>J</mi><mrow> <mo>(</mo> <mi>w</mi> <mo>,</mo> <mi>e</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mn>2</mn></mfrac><msup> <mi>w</mi> <mi>T</mi></msup><mi>w</mi><mo>+</mo><mfrac> <mi>C</mi> <mn>2</mn></mfrac><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msubsup> <mi>e</mi> <mi>i</mi> <mn>2</mn></msubsup><mo>,</mo> </mrow>]]></math> id="icf0002" file="A2008100318060002C2.tif" wi="53" he="9" top= "155" left = "109" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>ej为模型误差，由此得模型输出<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msub> <mi>α</mi> <mi>i</mi></msub><mi>k</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mo>+</mo><mi>b</mi><mo>,</mo> </mrow>]]></math> id="icf0003" file="A2008100318060002C3.tif" wi="45" he="10" top= "171" left = "71" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>式中αi，b为模型系数，核函数采用高斯径向基函数<maths id="math0004" num="0004" ><math><![CDATA[ <mrow><mi>K</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mrow> <mo>{</mo> <mo>-</mo> <msubsup><mrow> <mo>|</mo> <mo>|</mo> <mi>x</mi> <mo>-</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>|</mo></mrow><mn>2</mn><mn>2</mn> </msubsup> <mo>/</mo> <mn>2</mn> <msup><mi>σ</mi><mn>2</mn> </msup> <mo>}</mo></mrow><mo>,</mo> </mrow>]]></math> id="icf0004" file="A2008100318060002C4.tif" wi="52" he="7" top= "187" left = "67" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>xi为5维特征数据，1≤i≤N，采用10折交叉验证选择最优模型参数，核宽参数δ＝0.8，惩罚参数C＝15，1≤j≤N；(4)将75％的数据样本{xi，zi}作为训练集，余下的25％为测试集，首先用训练集对LSSVM进行训练，然后用测试集对训练完毕的LSSVM进行测试，得到预测误差<maths id="math0005" num="0005" ><math><![CDATA[ <mrow><mi>MSE</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><msup> <mrow><mo>(</mo><msub> <mi>z</mi> <mi>i</mi></msub><mo>-</mo><msub> <mi>f</mi> <mi>i</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>,</mo> </mrow>]]></math> id="icf0005" file="A2008100318060002C5.tif" wi="39" he="12" top= "243" left = "47" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中zi为预测值，fi为实际值，1≤i≤N；(5)对生产中新的泡沫图像进行特征提取，用训练完毕的LSSVM进行回收率指标预测。
全文摘要
一种基于图像特征分析的浮选回收率预测方法，本发明以工业摄像机获取选矿过程的泡沫图像基础，通过采用相对红色分量提取颜色特征，结合形态学与分水岭方法分割泡沫图像并提取尺寸特征，利用像素分析方法提取承载量特征，采用图像对的相关性分析方法提取泡沫速度、破碎率等动态特征。采用最小二乘支持向量机(LSSVM)建立回收率预测模型，以图像特征作为模型输入，并采用动态堆栈的野值数据剔除方法，通过10折交叉验证实现模型参数优化。本发明可用于矿物浮选回收率预测，实现浮选生产操作优化，进而可提高矿物回收率，减少矿物资源浪费。
文档编号G01N21/84GK101334366SQ20081003180
公开日2008年12月31日 申请日期2008年7月18日 优先权日2008年7月18日
发明者刘金平, 周开军, 唐朝晖, 桂卫华, 程翠兰, 许灿辉, 阳春华 申请人:中南大学