泡沫圖像統(tǒng)計(jì)建模及其在礦物浮選過(guò)程監(jiān)控中的應(yīng)用.pdf

1、泡沫浮選是以表面化學(xué)為基礎(chǔ)，根據(jù)礦物粒子表面疏水性的不同來(lái)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(yīng)用歷史，但由于實(shí)際工業(yè)浮選流程長(zhǎng)、過(guò)程影響因素多、內(nèi)部機(jī)理不明確，礦物浮選過(guò)程自動(dòng)監(jiān)控仍然難以有效實(shí)施，造成礦物資源回收率低且指標(biāo)波動(dòng)頻繁。鑒于工業(yè)過(guò)程視覺(jué)監(jiān)控具有檢測(cè)速度快、結(jié)果客觀和不干擾浮選生產(chǎn)的優(yōu)點(diǎn)，近年來(lái)，基于機(jī)器視覺(jué)的礦物浮選過(guò)程優(yōu)化控制是進(jìn)一步提高選礦自動(dòng)化水平和礦產(chǎn)資源回收率的發(fā)展趨勢(shì)。在基于機(jī)器視覺(jué)的礦

2、物浮選過(guò)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(jué)特征參量是進(jìn)行后續(xù)浮選過(guò)程建模與自動(dòng)控制的基礎(chǔ)。然而，由于浮選泡沫表面表現(xiàn)出來(lái)的隨機(jī)堆積性、無(wú)背景性、形狀不規(guī)則性等特點(diǎn)，常用的圖像處理、分析方法難以有效實(shí)現(xiàn)泡沫表面視覺(jué)特征的準(zhǔn)確測(cè)量與分析。為了能對(duì)這些形狀各異、大小不一的、隨機(jī)堆積的礦化氣泡進(jìn)行特征量化描述，本文將概率論、統(tǒng)計(jì)學(xué)習(xí)、模式識(shí)別等方法應(yīng)用到圖像信號(hào)處理和分析中，根據(jù)特定變換域的泡沫圖像

3、隨機(jī)場(chǎng)所表現(xiàn)出來(lái)的統(tǒng)計(jì)分布特性建立合理的圖像統(tǒng)計(jì)分布模型，為后續(xù)圖像的分析和理解提供有效的先驗(yàn)知識(shí);然后，基于所建立的統(tǒng)計(jì)模型，有效解決泡沫圖像表面顏色、氣泡大小和表面隨機(jī)紋理等視覺(jué)特征難以準(zhǔn)確表征問(wèn)題，并成功應(yīng)用于礦物浮選過(guò)程的泡沫狀態(tài)分類與生產(chǎn)工況智能識(shí)別中，實(shí)現(xiàn)浮選生產(chǎn)工況的機(jī)器鑒別與自動(dòng)評(píng)價(jià)。論文主要研究工作及創(chuàng)新點(diǎn)如下:
　　(1)針對(duì)浮選泡沫圖像噪聲大，泡沫表面視覺(jué)特征不能準(zhǔn)確提取的難題，提出一種時(shí)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(guò)收集大量未受噪聲干擾的泡沫圖像樣本進(jìn)行圖像統(tǒng)計(jì)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(jì)分布模型;然后，以所建立的圖像統(tǒng)計(jì)模型為先驗(yàn)知識(shí)，采用貝葉斯最小二乘估計(jì)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(shí)空相關(guān)的信息，通過(guò)加權(quán)處理幀間圖像去噪信號(hào)，實(shí)現(xiàn)了時(shí)空信息融合的圖像序列最優(yōu)無(wú)噪圖像信號(hào)估計(jì)，解決了常規(guī)圖像去噪方法中經(jīng)常遇到的圖像細(xì)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(shí)，極大限度地保持了圖像邊緣和表面紋理細(xì)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(hào)。
　　(2)針對(duì)泡沫圖像因色偏嚴(yán)重而難以實(shí)現(xiàn)泡沫表面真實(shí)顏色的準(zhǔn)確測(cè)量問(wèn)題，提出一種基于圖像空間結(jié)構(gòu)統(tǒng)計(jì)分布的最優(yōu)泡沫圖像顏色自動(dòng)校正方法?；谝延械膱D像光照估計(jì)方法，首先深入分析了圖像邊緣響應(yīng)統(tǒng)計(jì)分布特征與圖像最優(yōu)光照估計(jì)方法間的關(guān)系，建立了基于圖像邊緣響應(yīng)統(tǒng)計(jì)分布的圖像入射光照最優(yōu)估計(jì)模型;然后，根據(jù)入射光照的估計(jì)結(jié)

6、果將發(fā)生色偏的泡沫圖像自動(dòng)校正到標(biāo)準(zhǔn)參考光照下的顏色表示。在進(jìn)行泡沫圖像光照估計(jì)時(shí)，以Ciurea和Funt建立的包含11346幀圖像的Gray-ball標(biāo)準(zhǔn)光照數(shù)據(jù)庫(kù)為訓(xùn)練樣本，通過(guò)統(tǒng)計(jì)學(xué)習(xí)獲得基于圖像邊緣響應(yīng)分布的圖像最優(yōu)光照估計(jì)方法選擇的混合高斯(MoG)模型，實(shí)現(xiàn)了圖像最優(yōu)光照估計(jì)方法的自動(dòng)選取。實(shí)驗(yàn)表明，該方法能自動(dòng)根據(jù)泡沫圖像邊緣響應(yīng)的統(tǒng)計(jì)分布特點(diǎn)實(shí)現(xiàn)圖像最優(yōu)光照估計(jì)，進(jìn)而有效地對(duì)泡沫圖像顏色進(jìn)行顏色校正，為泡沫表面顏色特征

7、的準(zhǔn)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(duì)礦物浮選過(guò)程加藥操作缺乏有效評(píng)價(jià)方法的問(wèn)題，根據(jù)氣泡大小分布隨藥劑操作的改變而動(dòng)態(tài)變化的特點(diǎn)，提出一種基于泡沫大小動(dòng)態(tài)分布特征自適應(yīng)學(xué)習(xí)的浮選過(guò)程藥劑操作健康狀態(tài)統(tǒng)計(jì)模式識(shí)別方法。首先根據(jù)泡沫圖像局部區(qū)域像素的統(tǒng)計(jì)分布特點(diǎn)和礦化氣泡的幾何邊緣特性，提出一種改進(jìn)的泡沫圖像分割方法，解決了因泡沫表面礦物粒子隨機(jī)粘附造成礦化氣泡上表面高亮點(diǎn)分散而引起泡沫圖像的嚴(yán)重過(guò)分割問(wèn)題;

8、然后通過(guò)核密度估計(jì)獲得浮選泡沫大小的累積分布函數(shù)(CDF);再采用無(wú)監(jiān)督的最遠(yuǎn)鄰聚類(FNC)學(xué)習(xí)方法獲得各典型藥劑操作狀態(tài)下氣泡尺寸統(tǒng)計(jì)分布特征集;最后，根據(jù)測(cè)試時(shí)間段的浮選氣泡大小分布的動(dòng)態(tài)變化特點(diǎn)，采用貝葉斯推理獲得對(duì)應(yīng)的藥劑操作健康狀態(tài)識(shí)別結(jié)果，并自動(dòng)根據(jù)浮選生產(chǎn)工況的波動(dòng)情況對(duì)各典型藥劑狀態(tài)下的氣泡統(tǒng)計(jì)分布特征集進(jìn)行在線修正。所提出浮選藥劑操作健康狀態(tài)的統(tǒng)計(jì)識(shí)別方法，能實(shí)時(shí)跟蹤泡沫大小分布的動(dòng)態(tài)變化，進(jìn)而根據(jù)氣泡大小分布的變化

9、情況實(shí)現(xiàn)浮選藥劑操作健康狀態(tài)的自動(dòng)識(shí)別與客觀評(píng)價(jià)，為實(shí)現(xiàn)浮選生產(chǎn)過(guò)程的加藥量?jī)?yōu)化控制奠定基礎(chǔ)。
　　(4)為了能進(jìn)一步根據(jù)浮選泡沫表面紋理的細(xì)微差別實(shí)現(xiàn)浮選生產(chǎn)工況的自動(dòng)鑒別與評(píng)價(jià)，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(shí)別方法。鑒于二維Gabor基函數(shù)具有與絕大多數(shù)哺乳動(dòng)物的視覺(jué)皮層簡(jiǎn)單細(xì)胞的感知域模型相似的性質(zhì)，將Gabor小波變換應(yīng)用到泡沫圖像的多尺度多方向視覺(jué)特征提取中。分別分析了各分解子帶上的圖

10、像實(shí)部譜(RGFR)、虛部譜(IGFR)、幅度譜(AGFR)和相位譜(PGFR)的統(tǒng)計(jì)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(jì)分布模型;分別采用t Location-Scale分布和Gamma分布模型來(lái)擬合RGFR、IGFR與AGFR的邊緣分布，并計(jì)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(duì)浮選工業(yè)生產(chǎn)狀態(tài)進(jìn)行無(wú)監(jiān)督的

11、模糊聚類分析與有監(jiān)督的生產(chǎn)狀態(tài)識(shí)別。實(shí)驗(yàn)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(xì)微差別，基于該紋理特征參量的浮選狀態(tài)識(shí)別準(zhǔn)確率高。
　　(5)以中國(guó)鋁業(yè)有限公司中州分公司的鋁土礦浮選過(guò)程監(jiān)控為例，將所提出的圖像建模、分析和識(shí)別方法應(yīng)用到礦物浮選過(guò)程監(jiān)控中。在鋁土礦浮選現(xiàn)場(chǎng)設(shè)計(jì)并搭建了浮選泡沫圖像采集、處理軟硬件平臺(tái)，實(shí)時(shí)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(jué)特征，根據(jù)泡沫