泡沫圖像統(tǒng)計建模及其在礦物浮選過程監(jiān)控中的應用.pdf

1、泡沫浮選是以表面化學為基礎(chǔ)，根據(jù)礦物粒子表面疏水性的不同來選別有用礦物，是最重要的礦物分選方法。盡管泡沫浮選已有百年應用歷史，但由于實際工業(yè)浮選流程長、過程影響因素多、內(nèi)部機理不明確，礦物浮選過程自動監(jiān)控仍然難以有效實施，造成礦物資源回收率低且指標波動頻繁。鑒于工業(yè)過程視覺監(jiān)控具有檢測速度快、結(jié)果客觀和不干擾浮選生產(chǎn)的優(yōu)點，近年來，基于機器視覺的礦物浮選過程優(yōu)化控制是進一步提高選礦自動化水平和礦產(chǎn)資源回收率的發(fā)展趨勢。在基于機器視覺的礦

2、物浮選過程監(jiān)控中，研究合適的泡沫圖像處理和分析方法以獲取與生產(chǎn)工況密切相關(guān)的泡沫表面視覺特征參量是進行后續(xù)浮選過程建模與自動控制的基礎(chǔ)。然而，由于浮選泡沫表面表現(xiàn)出來的隨機堆積性、無背景性、形狀不規(guī)則性等特點，常用的圖像處理、分析方法難以有效實現(xiàn)泡沫表面視覺特征的準確測量與分析。為了能對這些形狀各異、大小不一的、隨機堆積的礦化氣泡進行特征量化描述，本文將概率論、統(tǒng)計學習、模式識別等方法應用到圖像信號處理和分析中，根據(jù)特定變換域的泡沫圖像

3、隨機場所表現(xiàn)出來的統(tǒng)計分布特性建立合理的圖像統(tǒng)計分布模型，為后續(xù)圖像的分析和理解提供有效的先驗知識;然后，基于所建立的統(tǒng)計模型，有效解決泡沫圖像表面顏色、氣泡大小和表面隨機紋理等視覺特征難以準確表征問題，并成功應用于礦物浮選過程的泡沫狀態(tài)分類與生產(chǎn)工況智能識別中，實現(xiàn)浮選生產(chǎn)工況的機器鑒別與自動評價。論文主要研究工作及創(chuàng)新點如下:
　　(1)針對浮選泡沫圖像噪聲大，泡沫表面視覺特征不能準確提取的難題，提出一種時空信息聯(lián)合的圖像序列

4、多尺度幾何變換去噪方法。該方法首先通過收集大量未受噪聲干擾的泡沫圖像樣本進行圖像統(tǒng)計分布建模，建立了泡沫圖像多尺度幾何變換域系數(shù)的統(tǒng)計分布模型;然后，以所建立的圖像統(tǒng)計模型為先驗知識，采用貝葉斯最小二乘估計方法獲得基于幀內(nèi)信息的泡沫圖像去噪結(jié)果;最后，根據(jù)圖像序列時空相關(guān)的信息，通過加權(quán)處理幀間圖像去噪信號，實現(xiàn)了時空信息融合的圖像序列最優(yōu)無噪圖像信號估計，解決了常規(guī)圖像去噪方法中經(jīng)常遇到的圖像細節(jié)系數(shù)與圖像噪聲難以區(qū)分的難題。該方法在

5、提高圖像去噪效果的同時，極大限度地保持了圖像邊緣和表面紋理細節(jié)，為泡沫圖像特征分析與理解提供了高質(zhì)量的處理信號。
　　(2)針對泡沫圖像因色偏嚴重而難以實現(xiàn)泡沫表面真實顏色的準確測量問題，提出一種基于圖像空間結(jié)構(gòu)統(tǒng)計分布的最優(yōu)泡沫圖像顏色自動校正方法。基于已有的圖像光照估計方法，首先深入分析了圖像邊緣響應統(tǒng)計分布特征與圖像最優(yōu)光照估計方法間的關(guān)系，建立了基于圖像邊緣響應統(tǒng)計分布的圖像入射光照最優(yōu)估計模型;然后，根據(jù)入射光照的估計結(jié)

6、果將發(fā)生色偏的泡沫圖像自動校正到標準參考光照下的顏色表示。在進行泡沫圖像光照估計時，以Ciurea和Funt建立的包含11346幀圖像的Gray-ball標準光照數(shù)據(jù)庫為訓練樣本，通過統(tǒng)計學習獲得基于圖像邊緣響應分布的圖像最優(yōu)光照估計方法選擇的混合高斯(MoG)模型，實現(xiàn)了圖像最優(yōu)光照估計方法的自動選取。實驗表明，該方法能自動根據(jù)泡沫圖像邊緣響應的統(tǒng)計分布特點實現(xiàn)圖像最優(yōu)光照估計，進而有效地對泡沫圖像顏色進行顏色校正，為泡沫表面顏色特征

7、的準確提取與浮選生產(chǎn)工況的客觀鑒別奠定了基礎(chǔ)。
　　(3)針對礦物浮選過程加藥操作缺乏有效評價方法的問題，根據(jù)氣泡大小分布隨藥劑操作的改變而動態(tài)變化的特點，提出一種基于泡沫大小動態(tài)分布特征自適應學習的浮選過程藥劑操作健康狀態(tài)統(tǒng)計模式識別方法。首先根據(jù)泡沫圖像局部區(qū)域像素的統(tǒng)計分布特點和礦化氣泡的幾何邊緣特性，提出一種改進的泡沫圖像分割方法，解決了因泡沫表面礦物粒子隨機粘附造成礦化氣泡上表面高亮點分散而引起泡沫圖像的嚴重過分割問題;

8、然后通過核密度估計獲得浮選泡沫大小的累積分布函數(shù)(CDF);再采用無監(jiān)督的最遠鄰聚類(FNC)學習方法獲得各典型藥劑操作狀態(tài)下氣泡尺寸統(tǒng)計分布特征集;最后，根據(jù)測試時間段的浮選氣泡大小分布的動態(tài)變化特點，采用貝葉斯推理獲得對應的藥劑操作健康狀態(tài)識別結(jié)果，并自動根據(jù)浮選生產(chǎn)工況的波動情況對各典型藥劑狀態(tài)下的氣泡統(tǒng)計分布特征集進行在線修正。所提出浮選藥劑操作健康狀態(tài)的統(tǒng)計識別方法，能實時跟蹤泡沫大小分布的動態(tài)變化，進而根據(jù)氣泡大小分布的變化

9、情況實現(xiàn)浮選藥劑操作健康狀態(tài)的自動識別與客觀評價，為實現(xiàn)浮選生產(chǎn)過程的加藥量優(yōu)化控制奠定基礎(chǔ)。
　　(4)為了能進一步根據(jù)浮選泡沫表面紋理的細微差別實現(xiàn)浮選生產(chǎn)工況的自動鑒別與評價，提出一種基于泡沫圖像多尺度多方向紋理表征的浮選生產(chǎn)工況綜合分類與識別方法。鑒于二維Gabor基函數(shù)具有與絕大多數(shù)哺乳動物的視覺皮層簡單細胞的感知域模型相似的性質(zhì)，將Gabor小波變換應用到泡沫圖像的多尺度多方向視覺特征提取中。分別分析了各分解子帶上的圖

10、像實部譜(RGFR)、虛部譜(IGFR)、幅度譜(AGFR)和相位譜(PGFR)的統(tǒng)計分布特征，建立了RGFR、IGFR、AGFR和PGFR的邊緣分布和圖像相鄰像素值的聯(lián)合統(tǒng)計分布模型;分別采用t Location-Scale分布和Gamma分布模型來擬合RGFR、IGFR與AGFR的邊緣分布，并計算各Gabor小波卷積譜的聯(lián)合分布特征參量共同作為泡沫圖像的表面紋理特征參量集;最后，利用所提取的泡沫紋理特征對浮選工業(yè)生產(chǎn)狀態(tài)進行無監(jiān)督的

11、模糊聚類分析與有監(jiān)督的生產(chǎn)狀態(tài)識別。實驗效果表明，該紋理特征提取方法有效地獲取了各種浮選狀態(tài)下泡沫表面紋理的細微差別，基于該紋理特征參量的浮選狀態(tài)識別準確率高。
　　(5)以中國鋁業(yè)有限公司中州分公司的鋁土礦浮選過程監(jiān)控為例，將所提出的圖像建模、分析和識別方法應用到礦物浮選過程監(jiān)控中。在鋁土礦浮選現(xiàn)場設計并搭建了浮選泡沫圖像采集、處理軟硬件平臺，實時提取了包括泡沫顏色、氣泡大小及其分布、表面紋理等浮選泡沫圖像表面視覺特征，根據(jù)泡沫