基于機(jī)器視覺的鎢濃度在線檢測系統(tǒng)

劉飛飛，羅賢平，辛鵬武，龔亞忠

（1.江西理工大學(xué) 電氣工程與自動化學(xué)院，江西 贛州 341000；2.江西理工大學(xué) 機(jī)電工程學(xué)院，江西 贛州 341000）

基于機(jī)器視覺的鎢濃度在線檢測系統(tǒng)

劉飛飛1，羅賢平2，辛鵬武2，龔亞忠1

（1.江西理工大學(xué) 電氣工程與自動化學(xué)院，江西 贛州 341000；2.江西理工大學(xué) 機(jī)電工程學(xué)院，江西 贛州 341000）

報(bào)告了我國鎢冶煉企業(yè)離子交換過程鎢濃度（WO3）檢測技術(shù)的現(xiàn)狀，針對鎢濃度離線化驗(yàn)不連續(xù)、非實(shí)時、重復(fù)性差的問題，基于比色法測鎢的傳統(tǒng)思想，研究設(shè)計(jì)了流動注射原理與機(jī)器視覺技術(shù)相結(jié)合，應(yīng)用最小二乘支持向量機(jī)（LS-SVM）建立預(yù)測模型的鎢濃度在線檢測系統(tǒng)。系統(tǒng)采用符合人的視覺特性的HSV空間表征顯色圖像，確定了鎢濃度與H、S、V參數(shù)的數(shù)學(xué)關(guān)系。試驗(yàn)表明，基于機(jī)器視覺的鎢濃度在線檢測系統(tǒng)實(shí)時性較好，精度較高，重復(fù)性好，預(yù)測模型泛化能力強(qiáng)，相對誤差在3%以內(nèi)，符合生產(chǎn)要求。

鎢濃度；流動注射；機(jī)器視覺；最小二乘支持向量機(jī)；在線檢測

0 引言

1 檢測原理

全球80%以上的鎢礦和仲鎢酸銨（APT）產(chǎn)量在中國[1]，而大部分冶煉企業(yè)鎢濃度檢測仍是采用手工取樣到化驗(yàn)室分析的方式[2-3]，這導(dǎo)致現(xiàn)場技術(shù)人員無法及時獲得鎢濃度的變化情況，造成鎢的回收率和產(chǎn)品質(zhì)量降低。

近年來離子濃度在線檢測技術(shù)逐漸應(yīng)用于冶煉生產(chǎn)過程，這對鎢離子濃度在線檢測的實(shí)現(xiàn)具有借鑒意義。文獻(xiàn)[4]基于流動注射-分光光度原理設(shè)計(jì)了離子濃度在線分析系統(tǒng)，但存在分光光度計(jì)結(jié)構(gòu)復(fù)雜，功能擴(kuò)展性不強(qiáng)的問題；文獻(xiàn)[5-6]對LS-SVM用于凈化過程鈷離子濃度預(yù)測進(jìn)行了深入研究，為優(yōu)化生產(chǎn)工藝及過程控制提供了指導(dǎo)；文獻(xiàn)[7]提及機(jī)器視覺應(yīng)用于鎢濃度檢測，但并未進(jìn)行深入研究，更未實(shí)現(xiàn)自動取樣、分析。因此，設(shè)計(jì)基于機(jī)器視覺的鎢濃度在線檢測系統(tǒng)，以替代傳統(tǒng)鎢濃度檢測方法的實(shí)現(xiàn)具有重要意義。

比色法測鎢的基本原理是以生成有色化合物的顯色反應(yīng)為基礎(chǔ)，通過測量有色溶液顏色深度來確定待測組分含量。具體步驟為：取若干體積待測溶液于比色管中，加入適量水和草酸，再用HCl、SnCl2、 KSCN、TiCl3混合溶液定容，發(fā)生式（1）反應(yīng)，靜置后與標(biāo)準(zhǔn)色階比對確定鎢濃度。

基于上述原理，利用計(jì)算機(jī)模擬人對顏色的判斷，設(shè)計(jì)結(jié)構(gòu)如圖1所示的鎢濃度在線檢測系統(tǒng)。系統(tǒng)通過下位機(jī)控制蠕動泵、電磁閥和進(jìn)樣閥使含鎢的試樣與顯色劑等在反應(yīng)盤管發(fā)生式（1）反應(yīng)，生成黃色絡(luò)合物經(jīng)載流推動流入顯色池。

圖1 系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Schematic diagram of on-line testing system

在此過程中，絡(luò)合物的顏色參數(shù)能夠體現(xiàn)反應(yīng)物中鎢的濃度信息，因此采用高性能工業(yè)攝像機(jī)拍攝顯色池，圖像信號傳送至上位機(jī)，將其轉(zhuǎn)化為顏色參數(shù)，并作為鎢濃度預(yù)測模型的輸入?yún)?shù)。

2 系統(tǒng)設(shè)計(jì)

系統(tǒng)主要由自動取樣機(jī)構(gòu)、自動進(jìn)樣機(jī)構(gòu)和流路組成，其示意圖如圖2。其中托盤上放置R2中的4種試劑，R2進(jìn)樣是通過托盤的旋轉(zhuǎn)及上下運(yùn)動實(shí)現(xiàn)。

圖2 機(jī)械結(jié)構(gòu)示意圖Fig.2 Diagram for mechanical structure

系統(tǒng)硬件主要由BT100-2J蠕動泵（蘭格），電磁閥與進(jìn)樣閥（亞德客），顯色池（自制），下位機(jī)（AT89C52），WP-M130攝像機(jī)（華谷動力），光源（LED），CH1006恒溫槽（上海精科），上位機(jī)（聯(lián)想M4500）組成。為消除環(huán)境溫度變化對反應(yīng)時間的影響，進(jìn)而保證圖像采集時間準(zhǔn)確，將反應(yīng)盤管置于恒溫槽中，同時為了減少環(huán)境對圖像質(zhì)量的影響，顯色池、攝像機(jī)、LED光源密閉在光照箱內(nèi)，采集背景統(tǒng)一為白色?；诂F(xiàn)場工藝，其主要工作流程設(shè)置如下：

步驟一：在上位機(jī)監(jiān)控下，恒溫槽設(shè)置溫度為25℃，設(shè)置蠕動泵P1、P2的流速分別為15 mL/min、135 mL/min，下位機(jī)控制啟動P1、P2和托盤，與此同時進(jìn)樣閥在載樣位，電磁閥開啟，將試樣注入進(jìn)樣閥內(nèi)的定量管（體積1 mL）。

步驟二：5 s后關(guān)閉電磁閥，使進(jìn)樣閥在進(jìn)樣位將試劑R1和試樣推入反應(yīng)盤管并與混合試劑R2反應(yīng)，進(jìn)樣15s后關(guān)閉P1、P2，此時進(jìn)樣閥在載樣位。

步驟三：11 min后顏色穩(wěn)定，攝像機(jī)在顯色池處拍攝照片一張。

步驟四：拍攝完成后啟動P1、P2，清洗管道準(zhǔn)備下一次測定，10 s后關(guān)閉，至此完成一次測定。

3 試驗(yàn)研究

3.1 特征提取

由于常用的RGB顏色空間存在著顏色分量與亮度分量的非線性耦合，受亮度影響大且與人的色彩感知不符[8]，而HSV顏色空間是根據(jù)人的視覺感知特征建立[9]，符合人的視覺特性，因此采用圖像的H、S、V參數(shù)來表示圖像顏色。

設(shè)備噪聲主要是隨機(jī)噪聲，可以認(rèn)為對某一像素點(diǎn)的影響是孤立的，因此首先采用中值濾波消除設(shè)備對圖像造成的干擾；隨后基于多級小波分解對背景噪聲進(jìn)行估計(jì)以進(jìn)一步減少光照干擾，同時利用能夠保持圖像色度不變的動態(tài)巴特沃斯同態(tài)濾波算法[10]，實(shí)現(xiàn)光源衰減補(bǔ)償；再利用最大類間方差法對圖像進(jìn)行分割，實(shí)現(xiàn)目標(biāo)區(qū)域提取，效果如圖3所示。進(jìn)而對目標(biāo)區(qū)域R、G、B通道分別計(jì)算灰度平均值，轉(zhuǎn)換后得到表征鎢濃度的顏色參數(shù)H、S、V均值。

For the alkaline oxidation of pine wood, yields of monopheol (Ymonophenol), acetic acid (Yacetic acid) and solid residue (Ysolid residue), and selectivity of vanillin (Svanillin)were calculated by Equations (1) ～ (4), respectively.

圖3 圖像分割過程Fig.3 Image segmentation process

3.2 基于LS-SVM的構(gòu)建預(yù)測模型

3.2.1 支持向量機(jī)回歸算法

最小二乘支持向量機(jī)（LS-SVM），是在從統(tǒng)計(jì)學(xué)角度提出的支持向量機(jī)（SVM）的基礎(chǔ)上改進(jìn)的一種新的機(jī)器學(xué)習(xí)算法，其有效解決了神經(jīng)網(wǎng)絡(luò)無法避免局部最優(yōu)和網(wǎng)絡(luò)結(jié)構(gòu)的確定等問題。

對于給定的訓(xùn)練樣本集S=（xi，yi），（i=1，2，…，l，輸入xi∈Rd，輸出yi∈R），高維空間中構(gòu)建線性回歸函數(shù)（2），定義ε線性不敏感損失函數(shù)（3）：

根據(jù)結(jié)構(gòu)風(fēng)險最小化原則，把上述尋找w，b的問題表述為式（4）：

上述問題是凸二次規(guī)劃問題，解出a、a*、b*的值后，回歸函數(shù)為：

以鎢顯色圖像的H、S、V作為LS-SVM模型的輸入，以對應(yīng)鎢濃度值作為LS-SVM模型輸出，建立鎢濃度預(yù)測模型，模型結(jié)構(gòu)如圖4所示。

圖4 LS-SVM模型結(jié)構(gòu)示意圖Fig.4 Schematic diagram of LS-SVM model

由于H、S、V 3個變量的取值范圍相差很大，所以需要對輸入樣本進(jìn)行歸一化，歸一化方法為Xi=（xi-m）/σ，（i=1，2，3），其中 [X1，X2，X3]T為歸一化后的輸入向量，m和σ分別是原始特征向量的均值和標(biāo)準(zhǔn)差。

采用RBF核函數(shù)，選擇參數(shù)對（C，g）時使用網(wǎng)格搜索法與交叉驗(yàn)證法對目標(biāo)函數(shù)尋優(yōu)，進(jìn)而利用最佳參數(shù)訓(xùn)練模型。

3.3 試驗(yàn)驗(yàn)證

為了驗(yàn)證系統(tǒng)對鎢濃度檢測的效果，試驗(yàn)得到160組含鎢標(biāo)準(zhǔn)液，其濃度從1g/L起，依次增加1g/L，直到160g/L。用上述方法獲得其顏色參數(shù)后，隨機(jī)選擇其中110組數(shù)據(jù)用于對LS-SVM模型進(jìn)行訓(xùn)練，剩余50組數(shù)據(jù)用于對訓(xùn)練好的模型進(jìn)行測試，部分樣本數(shù)據(jù)如表1所示。同時為評價模型預(yù)測效果，按式（7）和（8）計(jì)算均方誤差MSE和決定系數(shù)R2。

其中：l為測試樣本數(shù)，yi（i=1，2，…，l）表示第i個樣本的真實(shí)值，y^i表示預(yù)測值。

表1 部分樣本數(shù)據(jù)Tab.1 Part of the sample data

LS-SVM模型最佳參數(shù)確定為C=1 003，g= 0.003，50組測試數(shù)據(jù)的預(yù)測結(jié)果和相對誤差分別如圖5、圖6所示。

圖5 LS-SVM模型預(yù)測結(jié)果Fig.5 Predicted results of LS-SVM model

圖6 LS-SVM模型預(yù)測相對誤差Fig.6 Relative prediction error of LS-SVM model

經(jīng)統(tǒng)計(jì)，預(yù)測結(jié)果中相對誤差大于5%的樣本占0%，小于3%的樣本占100%，均方誤差MSE= 0.000 8，決定系數(shù)R2=0.998 6，這表明LS-SVM具有很好的估計(jì)精度和泛化能力。

4 結(jié)論

基于現(xiàn)場工藝設(shè)計(jì)了鎢濃度在線檢測系統(tǒng)，提取了顯色圖像顏色參數(shù)H、S、V，通過對LS-SVM模型的訓(xùn)練得出了鎢濃度與H、S、V的數(shù)學(xué)關(guān)系。試驗(yàn)表明，系統(tǒng)檢測效果好，完全滿足現(xiàn)場工藝要求，可取代鎢濃度離線分析，提高檢測精度和產(chǎn)品質(zhì)量。同時該方法也可推廣到其他工業(yè)過程參數(shù)的檢測。

[1] 萬林生，鄧登飛，趙立夫，等.鎢綠色冶煉工藝研究方向和技術(shù)進(jìn)展[J].有色金屬科學(xué)與工程，2013，4（5）：15-18.

WAN Lin-sheng，DENG Deng-fei，ZHAO Li-fu，et al.Research direction and technical progress of green tungsten metallurgy[J]. Nonferrous Metals Science and Engineering，2013，4（5）：15-18.

[2] 吳偉明，徐 晶，梁曉鵬，等.8-羥基喹啉重量法測定鎢精礦中WO3的含量[J].中國鎢業(yè)，2012，27（3）：36-39.

WU Wei-ming，XU Jing，LIANG Xiao-peng，et al.Determining WO3content in tungsten concentrate by 8-hydroxyquinoline gravimetric method[J].China Tungsten Industry，2012，27（3）：36-39.

[3] 王海軍，寧新霞.硫氰酸鹽分光光度法測定銅精礦中的鎢[J].中國鎢業(yè)，2014，29（5）：52-54.

WANG Hai-jun，NING Xin-xia.Determination of tungsten content in copper concentrate by thiocyanate spectrophotometry[J].China Tungsten Industry，2014，29（5）：52-54.

[4] 田增國，趙紅梅，赫樹開，等.基于嵌入式系統(tǒng)在線磷酸根監(jiān)測儀的設(shè)計(jì)[J].儀表技術(shù)與傳感器，2010，（9）：104-106.

TIAN Zeng-guo，ZHAO Hong-mei，HE Shu-kai，et al.Design of embedded system based online monitoring PO43-instrument[J]. Instrument Technique and Sensor，2010，（9）：104-106.

[5] 晏密英，桂衛(wèi)華，陽春華.基于灰色關(guān)聯(lián)和改進(jìn)SVM的鈷離子濃度預(yù)測研究[J].儀器儀表學(xué)報(bào)，2011，32（5）：961-967.

YAN Mi-ying，GUI Wei-hua，YANG Chun-hua.Prediction research on cobalt ion concentration based on gray correlation and improved support vector machine[J].Chinese Journal of Scientific Instrument，2011，32（5）：961-967.

[6] 朱紅求，陽春華，桂衛(wèi)華.凈化除鈷離子濃度WA-SVM軟測量[J].計(jì)算機(jī)工程與應(yīng)用，2011，47（17）：212-214.

ZHU Hong-qiu，YANG Chun-hua，GUI Wei-hua.Soft sensing method of ionic concentration in cobalt removal purification process based on WA and SVM[J].Computer Engineering and Applications，2011，47（17）：212-214.

[7] 陳志輝.離子交換法鎢冶煉自動控制的實(shí)現(xiàn)[D].廈門：廈門大學(xué)，2008.

CHEN Zhi-hui.Automatic control for ion exchange in tungsten metallurgy[D].Xiamen：Xiamen University，2008.

[8] 任會峰，陽春華，周 璇，等.基于泡沫圖像特征加權(quán)SVM的浮選工況識別[J].浙江大學(xué)學(xué)報(bào)：工學(xué)版，2011，45（12）：2115-2119.

REN Hui-feng，YANG Chun-hua，ZHOU Xuan，et al.Froth image feature weighted SVM based working condition recognition for flotation process[J].Journal of Zhejiang University：Engineering Science，2011，45（12）：2115-2119.

[9] 史占東，鄧國慶，董美麗，等.基于RGB顏色傳感器的皮膚膽固醇檢測系統(tǒng)設(shè)計(jì)[J].傳感器與微系統(tǒng)，2015，34（7）：50-53.

SHI Zhan-dong，DENG Guo-qing，DONG Mei-li，et al.Design of skin cholesterol detecting system based on RGB color sensor[J]. Transducer and Microsystem Technologies，2015，34（7）：50-53.

[10]焦竹青，徐保國.基于同態(tài)濾波的彩色圖像光照補(bǔ)償方法[J].光電子&激光，2010，21（4）：602-605.

JIAO Zhu -qing，XU Bao-guo.Color image illumination compensation based on homomorphic filtering [J].Journal of Optoelectronics&Laser，2010，21（4）：602-605.

Online Testing System for Tungsten Concentration Based on Machine Vision

LIU Fei-fei1,LUO Xian-ping2,XIN Peng-wu2,GONG Ya-zhong1
(1.School of Electrical Engineering and Automation,Jiangxi University of Science and Technology,Ganzhou 341000,Jiangxi,China;2．School of Mechanical and Electrical Engineering,Jiangxi University of Science and Technology,Ganzhou 341000,Jiangxi,China)

This paper reviews the current status of the tungsten (WO3)concentration detection technology during ion exchange process in tungsten smelting enterprises.Based on the traditional colorimetric method,an online tungsten concentration detection system is designed by applying LS-SVM,flow injection principle and machine vision technology to address the disadvantages of the former off line test,including discontinuity,non-real-time,poor repeatability.HSV spatial representation color image was adopted for its conforming to human visual characteristics. In addition,the mathematical relationship between tungsten concentration and H,S,V parameters was determined. The experiments show that the online machine vision based detection system boasts advantages of better real-time ability,higher accuracy and better repeatability.The prediction model has a strong generalization ability with relative error within 3%,which is in line with production requirements.

tungsten concentration;flow injection;machine vision;LS-SVM;online testing

TF355.4

A

10.3969/j.issn.1009－0622.2015.06.013

2015-10-18

國家自然科學(xué)基金資助（61364014）；江西省對外科技合作項(xiàng)目（2010EHA01400）

劉飛飛（1962-），男，江西信豐人，教授，博士，主要從事礦冶裝備及其自動化、檢測技術(shù)和特種裝備機(jī)器人方面的研究。