結合泡沫圖像多特征及模糊數(shù)學的浮選工況評判*

吳 倩，廖一鵬

(福州大學 物理與信息工程學院，福建 福州 350108)

?

結合泡沫圖像多特征及模糊數(shù)學的浮選工況評判*

吳 倩，廖一鵬

(福州大學 物理與信息工程學院，福建 福州 350108)

針對礦物浮選過程中視覺特征多樣性、工況識別在線檢測難、耗時長的問題，提出一種基于泡沫圖像多特征和模糊數(shù)學的浮選工況評判方法。利用像素點覆蓋、水平集等方法提取圖像多個特征，采用改進的模糊數(shù)學分析法構成浮選工況的評價體系，把浮選狀態(tài)分成良好、中等、差三種工況。實驗結果表明，相比于人工神經(jīng)網(wǎng)絡和支持向量機方法，識別率均有所提高，能夠代替人工做一個初步的判斷和調整，并且較接近實時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)調節(jié)的重要參考。

浮選工況評判; 圖像特征; 水平集; 模糊數(shù)學; 像素點覆蓋

0 引言

浮選是選礦的重要方法之一。近年來，各國已開始研究智能浮選監(jiān)控系統(tǒng)。國外有澳大利亞的昆士蘭大學礦物研究中心、美國過程工藝技術股份有限公司等。國內(nèi)較為成功的一套浮選泡沫處理設備是北京礦冶研究總院開發(fā)的FP-01。該系統(tǒng)為整個浮選過程的高級控制提供有用的數(shù)據(jù)，但是仍屬于實驗室的初步應用[1]。

在處理浮選圖片時，陽春華等人[2]提取泡沫的紋理特征，通過支持向量機對浮選工況分類。任會峰等人[3]采用2個浮選氣泡特征作為評判標準，利用一對一支持向量機識別出三類工況。何明芳等人[4]則關注了3個浮選圖像特征，采用特征加權向量機研究其與四種工況之間的關系，其正確率高于一對一支持向量機。劉美麗等人[5]則選取了5個參數(shù)識別浮選工況。雖然選取的參數(shù)個數(shù)增多，但是均未判斷這些數(shù)據(jù)的可靠性，容易造成錯判而不自知的情況。此外，支持向量機的運算速度也相對較慢，不適應實時分析的要求。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，但是對全圖都做判斷會增加運算耗時，實用性較弱。此外，浮選狀況的復雜特性[7]使單個特征難以準確體現(xiàn)整體變換情況。除了泡沫特征，如果還能夠把包括圖像質量參數(shù)在內(nèi)的多個特征參數(shù)并行考慮，形成一個評判體系，那么評價效果會更加可靠合理。同時，考慮到特征提取的復雜程度[8-12]，需要盡量選取高效的方法。基于這些考慮，本文采用像素點覆蓋、水平集等[13]方法提取圖像多個特征參數(shù)，并運用改進的模糊數(shù)學方法[14]來評價浮選圖像，以達到快速高效判斷圖像狀況并且做出相應調整的目的。浮選圖像的評價仍然具有模糊性和不確定性的特點，其結果僅能判斷出一個作用范圍[5]。盡管如此，仍能達到監(jiān)控的目的。

1 泡沫圖像多特征提取

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)字圖像中的總像素數(shù)，n(b)為圖像中灰度值為b的像素數(shù)，m為檢測出的邊緣像素數(shù)。圖像灰度方差反映的是圖像灰度的對比度。圖像灰度對比度越大，圖像的邊緣信息就越容易被準確提取。

(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，會導致圖像質量變低，使得分析結果不可靠，圖像能量越接近于0，圖像質量越好。

(3)邊界密度：

(3)

邊界密度可以反映氣泡的密度，是氣泡個數(shù)的一個參考數(shù)據(jù)。

(4)亮點個數(shù)：

亮點個數(shù)q在一定程度上反映了氣泡的個數(shù)。

(5)亮點區(qū)域面積密度：

亮點區(qū)域面積密度可以從一定程度上反映氣泡個數(shù)或大小。

灰度方差和圖像能量作為判斷浮選圖像質量的重要參考數(shù)據(jù)。邊界密度、亮點個數(shù)和亮點區(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之一。

1.2 基于像素點覆蓋方法的邊界密度計算

1.2.1 基于像素點覆蓋方法的浮選圖像分割

基于像素點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，算法實現(xiàn)流程如圖2所示。該方法能夠基本保留圖像邊緣，同時大幅度地去除了亮點、噪聲點，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區(qū)域或者暗點區(qū)域。設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(bright)像素值、暗點(dark)像素值，分別為G，B，D。在圖像中，f(x,y)B這兩類不含信息量的點將被G值取代。因此有：當f(x,y)B時，令：

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)點是只留下灰度變化明顯的邊緣信息，有利于邊緣檢測算子正確找到氣泡邊緣，同時避免了普通去噪法對邊緣信息的破壞。

像素點覆蓋方法可以由以下幾個步驟完成：

(1)獲取圖像直方圖信息；

(2)選取概率最大灰度值點、亮點及暗點的閾值點；

(3)用G值覆蓋亮點區(qū)域和暗點區(qū)域。

1.2.2 泡沫圖像邊界密度計算及分析

浮選氣泡原圖如圖3(a)所示。對圖像的像素點灰度值進行統(tǒng)計，得到直方圖如圖3(b)所示。此時選定的最佳參數(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prewitt算子邊緣檢測、細化、平移、開操作、粗化及一些簡單去噪后，結果如圖5所示。平移糾正了位移偏離，圖像開操作和粗化去除了由噪聲點形成的小白點。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 像素點覆蓋浮選氣泡圖

由于本文設計的應用是要求實時性的，因此綜合各方面考慮，并不需要非常精確的結果，只要數(shù)據(jù)在所允許的范圍內(nèi)，都可以被認為是有效數(shù)據(jù)。

1.3 基于水平集的亮點個數(shù)及區(qū)域密度獲取

利用水平集對原始浮選圖像進行分割，提取各氣泡亮點數(shù)據(jù)，得到亮點個數(shù)和亮點區(qū)域密度，同時統(tǒng)計出邊界密度。水平集不受灰度變化小影響，對任意大小和位置的亮點都能準確檢測，保證數(shù)據(jù)的準確性。

2 基于改進模糊數(shù)學的浮選工況評判

依據(jù)浮選氣泡圖像的數(shù)據(jù)特點，運用模糊數(shù)學方法分析的步驟如下：

確定評價對象的因素集U，即：U={灰度方差，圖像能量，邊界密度，亮點個數(shù)，亮點區(qū)域面積密度}；確定評語集V={很好，較好，一般，差}；設定權系數(shù)向量A，僅針對此次參數(shù)，設定為{0.2,0.1,0.3,0.3,0.1}；選取一個評判標準數(shù)據(jù)。由大量實驗可得最優(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)的偏移量進行對比，解決量綱不一致的得問題。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:

最終得到評價u=A·u′=0.142。當u=0時為最優(yōu)圖像，u越大，圖像質量越差，結果越不可靠；當u大于設定值時，就認為圖片質量為差。當u介于0到設定值之間時，評價程度就用好、較好和一般來概括。

通過對多幅圖像的評價進行分析，就可以了解一段時間的浮選狀況。綜合評價指數(shù)u能夠引導系統(tǒng)給出操作或者建議。例如，若是邊界密度超過標準值的30%，亮點個數(shù)超過標準的40%，則認為氣泡尺寸太小，氣泡密度過大，浮選效率下降，建議增加空氣量或者添加起泡劑等操作。

3 實驗結果與分析

本文對從福建梅仙鉛鋅礦浮選車間的粗選首槽現(xiàn)場獲取的一段浮選視頻進行了參數(shù)獲取和分析，圖像大小為365×274，數(shù)量為30幅。在實際生產(chǎn)中，根據(jù)工廠所允許的狀態(tài)范圍確定最高評價指數(shù)。僅基于本次的實驗圖像數(shù)據(jù)，考慮0～8的評價指數(shù)范圍，若超過8，則認為數(shù)據(jù)不可靠。表1是圖像數(shù)據(jù)的均值，序號表示幀序號。從表格中的評價指數(shù)可看出，在1～5及15～29幀的時間內(nèi)，浮選狀況良好。在6～14幀的時間內(nèi)，評價指數(shù)升高，表明浮選出現(xiàn)了不良的狀態(tài)，需要某些調整。從30幀后，出現(xiàn)了嚴重的問題，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應的。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，也就是說明圖像質量高，所測量的數(shù)據(jù)是可靠的；其余的三個測量參數(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價指數(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)性和個別性，可以考慮忽略。該段時間的浮選狀態(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

為了進一步驗證該方法的有效性，把本視頻的300幀圖像用其他的工況分析法進行分析，結果如表3所示。相比于人工神經(jīng)網(wǎng)絡和支持向量機器，基于模糊數(shù)學的評判方法在識別良好、中等、差三種工況時，工況為差的正確率明顯提高，這是因為基于模糊數(shù)學的方法能夠對圖片質量進行判別，使得評判結果更加可靠；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，平均正確率達到了83.82%。從時間上來看，本文方法也耗時更少，這是因為人工神經(jīng)網(wǎng)絡和支持向量機需要學習和迭代的時間。

表3 不同方法的識別結果比較

4 結論

本文所采用工況評判方法具有以下優(yōu)點：

(1)相比于人工神經(jīng)網(wǎng)絡和支持向量機，本文的評判方法在識別良好、中等、差三種工況時，正確率有所提高，平均識別率達到83.82%。

(2)能夠利用圖像質量參數(shù)排除錯誤圖像，提高數(shù)據(jù)正確率。

(3)參數(shù)提取方法簡單，耗時較少，接近實時的要求。

此外，本方法的誤差主要出現(xiàn)在圖像分割和標準數(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研究現(xiàn)狀與進展[J].有色金屬科學與工程,2011,2(2):57-63.

[2] 陽春華,任會峰,桂衛(wèi)華,等. 基于泡沫紋理信度分配SVM的礦物浮選工況識別[J].儀器儀表學報,2011,32(10):2205-2209.

[3] 任會峰,陽春華,周璇,等. 基于泡沫圖像特征加權SVM 的浮選工況識別[J].浙江大學學報(工學版),2011,45(12):2115-2119.

[4] 何明芳,陽春華,王曉麗,等. 基于模糊支持向量機的硫浮選工況識別[J].中國有色金屬學報,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別方法[J]. 中南大學學報(自然科學版),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別[J]. 儀器儀表學報,2014,35(3):586-592.

[7] 桂衛(wèi)華,陽春華,徐德剛,等.基于機器視覺的礦物浮選過程監(jiān)控技術研究進展[J]. 自動化學報, 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算法[J]. 計算機應用研究, 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篩選方法[J]. 微型機與應用,2015,34(12):42-44.

[11] 楊潔明,楊丹丹.一種改進分水嶺算法的浮選泡沫圖像分割方法[J]. 選煤技術,2012(5):82-86.

[12] 劉豐年,朱平哲. 基于相關特征約束的分水嶺路面裂縫圖像分割算法[J]. 微型機與應用,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)學的醫(yī)學圖像處理與分析方法[J].中國醫(yī)學物理雜志,2011,28(4):2750-2753.

[15] 張瑞華. 基于ECCC的細胞圖像分割算法[J]. 電子技術應用,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

國家自然科學基金(6117014)

TP391

A

10.19358/j.issn.1674- 7720.2017.12.013

吳倩，廖一鵬.結合泡沫圖像多特征及模糊數(shù)學的浮選工況評判[J].微型機與應用，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：圖像處理與模式識別。