吳 倩,廖一鵬
(福州大學(xué) 物理與信息工程學(xué)院,福建 福州 350108)
?
結(jié)合泡沫圖像多特征及模糊數(shù)學(xué)的浮選工況評(píng)判*
吳 倩,廖一鵬
(福州大學(xué) 物理與信息工程學(xué)院,福建 福州 350108)
針對(duì)礦物浮選過(guò)程中視覺(jué)特征多樣性、工況識(shí)別在線檢測(cè)難、耗時(shí)長(zhǎng)的問(wèn)題,提出一種基于泡沫圖像多特征和模糊數(shù)學(xué)的浮選工況評(píng)判方法。利用像素點(diǎn)覆蓋、水平集等方法提取圖像多個(gè)特征,采用改進(jìn)的模糊數(shù)學(xué)分析法構(gòu)成浮選工況的評(píng)價(jià)體系,把浮選狀態(tài)分成良好、中等、差三種工況。實(shí)驗(yàn)結(jié)果表明,相比于人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)方法,識(shí)別率均有所提高,能夠代替人工做一個(gè)初步的判斷和調(diào)整,并且較接近實(shí)時(shí)判斷浮選狀況的要求,可作為生產(chǎn)優(yōu)化及其生產(chǎn)參數(shù)調(diào)節(jié)的重要參考。
浮選工況評(píng)判; 圖像特征; 水平集; 模糊數(shù)學(xué); 像素點(diǎn)覆蓋
浮選是選礦的重要方法之一。近年來(lái),各國(guó)已開(kāi)始研究智能浮選監(jiān)控系統(tǒng)。國(guó)外有澳大利亞的昆士蘭大學(xué)礦物研究中心、美國(guó)過(guò)程工藝技術(shù)股份有限公司等。國(guó)內(nèi)較為成功的一套浮選泡沫處理設(shè)備是北京礦冶研究總院開(kāi)發(fā)的FP-01。該系統(tǒng)為整個(gè)浮選過(guò)程的高級(jí)控制提供有用的數(shù)據(jù),但是仍屬于實(shí)驗(yàn)室的初步應(yīng)用[1]。
在處理浮選圖片時(shí),陽(yáng)春華等人[2]提取泡沫的紋理特征,通過(guò)支持向量機(jī)對(duì)浮選工況分類(lèi)。任會(huì)峰等人[3]采用2個(gè)浮選氣泡特征作為評(píng)判標(biāo)準(zhǔn),利用一對(duì)一支持向量機(jī)識(shí)別出三類(lèi)工況。何明芳等人[4]則關(guān)注了3個(gè)浮選圖像特征,采用特征加權(quán)向量機(jī)研究其與四種工況之間的關(guān)系,其正確率高于一對(duì)一支持向量機(jī)。劉美麗等人[5]則選取了5個(gè)參數(shù)識(shí)別浮選工況。雖然選取的參數(shù)個(gè)數(shù)增多,但是均未判斷這些數(shù)據(jù)的可靠性,容易造成錯(cuò)判而不自知的情況。此外,支持向量機(jī)的運(yùn)算速度也相對(duì)較慢,不適應(yīng)實(shí)時(shí)分析的要求。彭濤等人[6]利用基于小波變換的方法提取浮選氣泡的等效尺度特征以評(píng)判浮選工況。小波多尺度分析能夠增加特征的豐富性,但是對(duì)全圖都做判斷會(huì)增加運(yùn)算耗時(shí),實(shí)用性較弱。此外,浮選狀況的復(fù)雜特性[7]使單個(gè)特征難以準(zhǔn)確體現(xiàn)整體變換情況。除了泡沫特征,如果還能夠把包括圖像質(zhì)量參數(shù)在內(nèi)的多個(gè)特征參數(shù)并行考慮,形成一個(gè)評(píng)判體系,那么評(píng)價(jià)效果會(huì)更加可靠合理。同時(shí),考慮到特征提取的復(fù)雜程度[8-12],需要盡量選取高效的方法?;谶@些考慮,本文采用像素點(diǎn)覆蓋、水平集等[13]方法提取圖像多個(gè)特征參數(shù),并運(yùn)用改進(jìn)的模糊數(shù)學(xué)方法[14]來(lái)評(píng)價(jià)浮選圖像,以達(dá)到快速高效判斷圖像狀況并且做出相應(yīng)調(diào)整的目的。浮選圖像的評(píng)價(jià)仍然具有模糊性和不確定性的特點(diǎn),其結(jié)果僅能判斷出一個(gè)作用范圍[5]。盡管如此,仍能達(dá)到監(jiān)控的目的。
主要分析所選取的浮選氣泡圖像參數(shù)并給出提取公式。浮選圖像參數(shù)獲取及分析的流程如圖1所示。
圖1 圖像數(shù)據(jù)獲取及分析流程圖
1.1 特征提取參數(shù)分析
(1)灰度方差:
(1)
上式中b是像素的灰度值,為0~255的整數(shù)值,n為數(shù)字圖像中的總像素?cái)?shù),n(b)為圖像中灰度值為b的像素?cái)?shù),m為檢測(cè)出的邊緣像素?cái)?shù)。圖像灰度方差反映的是圖像灰度的對(duì)比度。圖像灰度對(duì)比度越大,圖像的邊緣信息就越容易被準(zhǔn)確提取。
(2)圖像能量:
(2)
圖像能量代表的是灰度的均勻性,圖像灰度不均勻,會(huì)導(dǎo)致圖像質(zhì)量變低,使得分析結(jié)果不可靠,圖像能量越接近于0,圖像質(zhì)量越好。
(3)邊界密度:
(3)
邊界密度可以反映氣泡的密度,是氣泡個(gè)數(shù)的一個(gè)參考數(shù)據(jù)。
(4)亮點(diǎn)個(gè)數(shù):
亮點(diǎn)個(gè)數(shù)q在一定程度上反映了氣泡的個(gè)數(shù)。
(5)亮點(diǎn)區(qū)域面積密度:
亮點(diǎn)區(qū)域面積密度可以從一定程度上反映氣泡個(gè)數(shù)或大小。
灰度方差和圖像能量作為判斷浮選圖像質(zhì)量的重要參考數(shù)據(jù)。邊界密度、亮點(diǎn)個(gè)數(shù)和亮點(diǎn)區(qū)域面積是氣泡尺寸的間接參考數(shù)據(jù)。氣泡的大小是浮選效果的重要指標(biāo)之一。
1.2 基于像素點(diǎn)覆蓋方法的邊界密度計(jì)算
1.2.1 基于像素點(diǎn)覆蓋方法的浮選圖像分割
基于像素點(diǎn)覆蓋方法的浮選圖像分割是本論文提出的一種新的初步分割方法,算法實(shí)現(xiàn)流程如圖2所示。該方法能夠基本保留圖像邊緣,同時(shí)大幅度地去除了亮點(diǎn)、噪聲點(diǎn),使得邊緣成為了整幅圖中灰度變化率最高的地方,從而有效地初步分割出浮選氣泡的邊緣。
圖2 基于像素點(diǎn)覆蓋方法的圖像分割方法流程圖
首先,采用閾值分割的方法大致地尋找到亮點(diǎn)區(qū)域或者暗點(diǎn)區(qū)域。設(shè)原始圖像像素灰度函數(shù)是f(x,y),由直方圖確定其中概率最大的像素值(general)和亮點(diǎn)(bright)像素值、暗點(diǎn)(dark)像素值,分別為G,B,D。在圖像中,f(x,y)
f(x,y)=G
(4)
因此,圖像就被分成了兩部分,用g(x,y)表示:
(5)
最終得到的圖像的灰度值范圍為:
D (6) 這樣處理的優(yōu)點(diǎn)是只留下灰度變化明顯的邊緣信息,有利于邊緣檢測(cè)算子正確找到氣泡邊緣,同時(shí)避免了普通去噪法對(duì)邊緣信息的破壞。 像素點(diǎn)覆蓋方法可以由以下幾個(gè)步驟完成: (1)獲取圖像直方圖信息; (2)選取概率最大灰度值點(diǎn)、亮點(diǎn)及暗點(diǎn)的閾值點(diǎn); (3)用G值覆蓋亮點(diǎn)區(qū)域和暗點(diǎn)區(qū)域。 1.2.2 泡沫圖像邊界密度計(jì)算及分析 浮選氣泡原圖如圖3(a)所示。對(duì)圖像的像素點(diǎn)灰度值進(jìn)行統(tǒng)計(jì),得到直方圖如圖3(b)所示。此時(shí)選定的最佳參數(shù)值G、B、D分別為80、180、30。 圖4(a)是小于最佳參數(shù)值時(shí)的覆蓋圖,圖4(b)為最佳參數(shù)的效果,讀者可自行比較。 圖像經(jīng)過(guò)prewitt算子邊緣檢測(cè)、細(xì)化、平移、開(kāi)操作、粗化及一些簡(jiǎn)單去噪后,結(jié)果如圖5所示。平移糾正了位移偏離,圖像開(kāi)操作和粗化去除了由噪聲點(diǎn)形成的小白點(diǎn)。最后的效果圖仍有不完善之處,還需嘗試更多的后續(xù)處理。 圖3 浮選氣泡原圖及其直方圖 圖4 像素點(diǎn)覆蓋浮選氣泡圖 由于本文設(shè)計(jì)的應(yīng)用是要求實(shí)時(shí)性的,因此綜合各方面考慮,并不需要非常精確的結(jié)果,只要數(shù)據(jù)在所允許的范圍內(nèi),都可以被認(rèn)為是有效數(shù)據(jù)。 1.3 基于水平集的亮點(diǎn)個(gè)數(shù)及區(qū)域密度獲取 利用水平集對(duì)原始浮選圖像進(jìn)行分割,提取各氣泡亮點(diǎn)數(shù)據(jù),得到亮點(diǎn)個(gè)數(shù)和亮點(diǎn)區(qū)域密度,同時(shí)統(tǒng)計(jì)出邊界密度。水平集不受灰度變化小影響,對(duì)任意大小和位置的亮點(diǎn)都能準(zhǔn)確檢測(cè),保證數(shù)據(jù)的準(zhǔn)確性。 依據(jù)浮選氣泡圖像的數(shù)據(jù)特點(diǎn),運(yùn)用模糊數(shù)學(xué)方法分析的步驟如下: 確定評(píng)價(jià)對(duì)象的因素集U,即:U={灰度方差,圖像能量,邊界密度,亮點(diǎn)個(gè)數(shù),亮點(diǎn)區(qū)域面積密度};確定評(píng)語(yǔ)集V={很好,較好,一般,差};設(shè)定權(quán)系數(shù)向量A,僅針對(duì)此次參數(shù),設(shè)定為{0.2,0.1,0.3,0.3,0.1};選取一個(gè)評(píng)判標(biāo)準(zhǔn)數(shù)據(jù)。由大量實(shí)驗(yàn)可得最優(yōu)的數(shù)據(jù)為U0={15 000,0,15%,320,40%}。選圖3(a)做原始圖像,通過(guò)處理得到的數(shù)據(jù)是:U={14 920,0,11%, 297,23.3%}。 本文采用數(shù)據(jù)的偏移量進(jìn)行對(duì)比,解決量綱不一致的得問(wèn)題。公式為: 表1 浮選氣泡圖像數(shù)據(jù)均值 (7) 表2 浮選氣泡狀態(tài)分析 代入數(shù)據(jù)得: 最終得到評(píng)價(jià)u=A·u′=0.142。當(dāng)u=0時(shí)為最優(yōu)圖像,u越大,圖像質(zhì)量越差,結(jié)果越不可靠;當(dāng)u大于設(shè)定值時(shí),就認(rèn)為圖片質(zhì)量為差。當(dāng)u介于0到設(shè)定值之間時(shí),評(píng)價(jià)程度就用好、較好和一般來(lái)概括。 通過(guò)對(duì)多幅圖像的評(píng)價(jià)進(jìn)行分析,就可以了解一段時(shí)間的浮選狀況。綜合評(píng)價(jià)指數(shù)u能夠引導(dǎo)系統(tǒng)給出操作或者建議。例如,若是邊界密度超過(guò)標(biāo)準(zhǔn)值的30%,亮點(diǎn)個(gè)數(shù)超過(guò)標(biāo)準(zhǔn)的40%,則認(rèn)為氣泡尺寸太小,氣泡密度過(guò)大,浮選效率下降,建議增加空氣量或者添加起泡劑等操作。 本文對(duì)從福建梅仙鉛鋅礦浮選車(chē)間的粗選首槽現(xiàn)場(chǎng)獲取的一段浮選視頻進(jìn)行了參數(shù)獲取和分析,圖像大小為365×274,數(shù)量為30幅。在實(shí)際生產(chǎn)中,根據(jù)工廠所允許的狀態(tài)范圍確定最高評(píng)價(jià)指數(shù)。僅基于本次的實(shí)驗(yàn)圖像數(shù)據(jù),考慮0~8的評(píng)價(jià)指數(shù)范圍,若超過(guò)8,則認(rèn)為數(shù)據(jù)不可靠。表1是圖像數(shù)據(jù)的均值,序號(hào)表示幀序號(hào)。從表格中的評(píng)價(jià)指數(shù)可看出,在1~5及15~29幀的時(shí)間內(nèi),浮選狀況良好。在6~14幀的時(shí)間內(nèi),評(píng)價(jià)指數(shù)升高,表明浮選出現(xiàn)了不良的狀態(tài),需要某些調(diào)整。從30幀后,出現(xiàn)了嚴(yán)重的問(wèn)題,則系統(tǒng)發(fā)出警告。浮選狀態(tài)如分析表2所示。22幀被判定為誤差圖像。 從圖6的參數(shù)曲線圖可以看出,參數(shù)的變化與氣泡的變化是對(duì)應(yīng)的。例如,在1~5和15~29幀的階段,圖像灰度方差是較大的,也就是說(shuō)圖像邊緣明顯,氣泡間的粘連情況少。此外,圖像的能量較低,接近于零,也就是說(shuō)明圖像質(zhì)量高,所測(cè)量的數(shù)據(jù)是可靠的;其余的三個(gè)測(cè)量參數(shù)則體現(xiàn)了該圖的特性。從浮選狀態(tài)的變化可以很直觀地從評(píng)價(jià)指數(shù)曲線圖和浮選狀況比例圖中看出。在第22幀出現(xiàn)了指數(shù)突然增高的情況,基于其突發(fā)性和個(gè)別性,可以考慮忽略。該段時(shí)間的浮選狀態(tài)大部分都是良好的。浮選圖像狀況比例圖如圖7所示。 圖6 參數(shù)數(shù)據(jù)曲 圖7 浮選圖像狀況比例圖 為了進(jìn)一步驗(yàn)證該方法的有效性,把本視頻的300幀圖像用其他的工況分析法進(jìn)行分析,結(jié)果如表3所示。相比于人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)器,基于模糊數(shù)學(xué)的評(píng)判方法在識(shí)別良好、中等、差三種工況時(shí),工況為差的正確率明顯提高,這是因?yàn)榛谀:龜?shù)學(xué)的方法能夠?qū)D片質(zhì)量進(jìn)行判別,使得評(píng)判結(jié)果更加可靠;工況為中等的正確率略有提高,工況為良好的正確率則持平,平均正確率達(dá)到了83.82%。從時(shí)間上來(lái)看,本文方法也耗時(shí)更少,這是因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)和支持向量機(jī)需要學(xué)習(xí)和迭代的時(shí)間。 表3 不同方法的識(shí)別結(jié)果比較 本文所采用工況評(píng)判方法具有以下優(yōu)點(diǎn): (1)相比于人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī),本文的評(píng)判方法在識(shí)別良好、中等、差三種工況時(shí),正確率有所提高,平均識(shí)別率達(dá)到83.82%。 (2)能夠利用圖像質(zhì)量參數(shù)排除錯(cuò)誤圖像,提高數(shù)據(jù)正確率。 (3)參數(shù)提取方法簡(jiǎn)單,耗時(shí)較少,接近實(shí)時(shí)的要求。 此外,本方法的誤差主要出現(xiàn)在圖像分割和標(biāo)準(zhǔn)數(shù)據(jù)的確定上,這也是后續(xù)的研究方向。 [1] 何桂春,馮金妮,吳藝鵬,等.浮選泡沫圖像處理技術(shù)研究現(xiàn)狀與進(jìn)展[J].有色金屬科學(xué)與工程,2011,2(2):57-63. [2] 陽(yáng)春華,任會(huì)峰,桂衛(wèi)華,等. 基于泡沫紋理信度分配SVM的礦物浮選工況識(shí)別[J].儀器儀表學(xué)報(bào),2011,32(10):2205-2209. [3] 任會(huì)峰,陽(yáng)春華,周璇,等. 基于泡沫圖像特征加權(quán)SVM 的浮選工況識(shí)別[J].浙江大學(xué)學(xué)報(bào)(工學(xué)版),2011,45(12):2115-2119. [4] 何明芳,陽(yáng)春華,王曉麗,等. 基于模糊支持向量機(jī)的硫浮選工況識(shí)別[J].中國(guó)有色金屬學(xué)報(bào),2013,23(12):3478-3483. [5] 劉美麗,唐朝暉,王曉麗,等. 基于多信息融合與可拓理論的銻浮選工況識(shí)別方法[J]. 中南大學(xué)學(xué)報(bào)(自然科學(xué)版),2015,46(12):4512-4519 [6] 彭濤,曹威,盧明,等.基于小波多尺度二值化的銅浮選工況識(shí)別[J]. 儀器儀表學(xué)報(bào),2014,35(3):586-592. [7] 桂衛(wèi)華,陽(yáng)春華,徐德剛,等.基于機(jī)器視覺(jué)的礦物浮選過(guò)程監(jiān)控技術(shù)研究進(jìn)展[J]. 自動(dòng)化學(xué)報(bào), 2013, 39(11): 1879-1888. [8] Yang Chunhua, Xu Canhui, Gui Weihua,et al.Application of highlight removal and multivariate image analysis to color measurement of flotation bubble images[J].International Journal of Imaging Systems and Technology,2009,19(4):316-322. [9] 張艷邦, 陳征,張芬,等. 基于顏色和紋理特征的顯著性檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2015, 32(1):284-290. [10] 尹遜越,廖一鵬. 一種浮選泡沫視頻圖像自適應(yīng)篩選方法[J]. 微型機(jī)與應(yīng)用,2015,34(12):42-44. [11] 楊潔明,楊丹丹.一種改進(jìn)分水嶺算法的浮選泡沫圖像分割方法[J]. 選煤技術(shù),2012(5):82-86. [12] 劉豐年,朱平哲. 基于相關(guān)特征約束的分水嶺路面裂縫圖像分割算法[J]. 微型機(jī)與應(yīng)用,2016,35(3):96-99. [13] SETHIAN J A.Level set methods and fast maching methods[M].Cambridge:Cambridge University Press,1999. [14] 李翠芳,聶生東.基于模糊數(shù)學(xué)的醫(yī)學(xué)圖像處理與分析方法[J].中國(guó)醫(yī)學(xué)物理雜志,2011,28(4):2750-2753. [15] 張瑞華. 基于ECCC的細(xì)胞圖像分割算法[J]. 電子技術(shù)應(yīng)用,2016,42(7):126-129. A flotation working conditions evaluation method based on the multifeatures of bubble image and fuzzy mathematics Wu Qian, Liao Yipeng (Physics and Information Engineering, Fuzhou University, Fujian 350108, China) Aiming at the problems of flotation, such as visual features diversity, the difficulty of conditions identification and time-consumption, the paper offers an evaluation method based on the multi-features of bubble image and fuzzy mathematics. The pixel-covering method and level set method are used to extract image multi-feature, and modified fuzzy math is used to form the valuation system of flotation conditions, which divides the flotation conditions into three different conditions, good, medium and poor. The experimental results show the recognition rate of flotation status is improved compared with the artificial neural nets and the support vector machine. The flotation conditions evaluation method can be used as an important reference on optimization production and adjustment of production parameters. flotation condition evalution; image features; level set; fuzzy mathematics; pixel-covering 國(guó)家自然科學(xué)基金(6117014) TP391 A 10.19358/j.issn.1674- 7720.2017.12.013 吳倩,廖一鵬.結(jié)合泡沫圖像多特征及模糊數(shù)學(xué)的浮選工況評(píng)判[J].微型機(jī)與應(yīng)用,2017,36(12):42-45. 2016-12-27) 吳倩(1991-),女,碩士,主要研究方向:數(shù)字圖像處理。 廖一鵬(1982-),男,博士研究生,講師,主要研究方向:圖像處理與模式識(shí)別。2 基于改進(jìn)模糊數(shù)學(xué)的浮選工況評(píng)判
3 實(shí)驗(yàn)結(jié)果與分析
4 結(jié)論