硫浮選泡沫圖像動態(tài)紋理建模及在工況識別中的應用.pdf

1、在硫浮選生產(chǎn)中，泡沫層表面視覺特征能夠反映浮選性能。硫浮選泡沫邊界明顯，但是泡沫的帶礦量不穩(wěn)定，泡沫的大小尺寸變化也有很強的隨機性。常規(guī)的泡沫表面特征很難準確的反映浮選工況的好壞，所以紋理成為表征硫浮選泡沫表面狀態(tài)的關鍵特征。目前在硫浮選生產(chǎn)中操作變量的調(diào)節(jié)主要依靠人工觀察泡沫紋理特征，但由于人工觀察的局限性，難以保證浮選過程處于最佳狀態(tài)。因此，本文研究硫浮選泡沫圖像的紋理特征提取方法，實現(xiàn)精選泡沫圖像紋理特征的量化，對指導浮選生產(chǎn)具有

2、重要意義和工程應用價值。
　　在實際生產(chǎn)中，硫浮選工況變化快，短時間內(nèi)常出現(xiàn)多種異常工況，嚴重影響浮選效率。因此，單一的泡沫圖像特征不能準確反映浮選工況的好壞。針對硫浮選泡沫的特點，本文首先分析了硫浮選各類工況，以及對應的泡沫圖像，并依據(jù)工況特點將浮選泡沫圖像分為六大類，作為后續(xù)分類識別的標準。利用灰度共生矩陣和灰度-梯度共生矩陣提取泡沫圖像的靜態(tài)紋理特征，并利用靜態(tài)紋理特征進行分類識別。
　　針對靜態(tài)紋理特征的分析存在諸多

3、缺點以及單幀泡沫圖像特征參數(shù)不能夠準確反映浮選工況，提出利用ARMA(自回歸滑動平均)動態(tài)紋理模型來描述泡沫圖像之間的相關性。通過樣本學習訓練模型參數(shù)A，C，Q，R，用學習得到的模型參數(shù)進行硫浮選泡沫圖像動態(tài)紋理的合成，并根據(jù)合成結果來評判參數(shù)學習效果的好壞，并對模型參數(shù)進行修正。
　　最后，以樣本的靜態(tài)紋理特征作為支持向量機的輸入特征向量來對硫浮選泡沫進行分類識別。用修正后的模型參數(shù)A，C和Martin距離對動態(tài)紋理圖像序列進行