结合泡沫图像多特征及模糊数学的浮选工况评判*

吴 倩，廖一鹏

(福州大学 物理与信息工程学院，福建 福州 350108)



结合泡沫图像多特征及模糊数学的浮选工况评判*

吴 倩，廖一鹏

(福州大学 物理与信息工程学院，福建 福州 350108)

针对矿物浮选过程中视觉特征多样性、工况识别在线检测难、耗时长的问题，提出一种基于泡沫图像多特征和模糊数学的浮选工况评判方法。利用像素点覆盖、水平集等方法提取图像多个特征，采用改进的模糊数学分析法构成浮选工况的评价体系，把浮选状态分成良好、中等、差三种工况。实验结果表明，相比于人工神经网络和支持向量机方法，识别率均有所提高，能够代替人工做一个初步的判断和调整，并且较接近实时判断浮选状况的要求，可作为生产优化及其生产参数调节的重要参考。

浮选工况评判; 图像特征; 水平集; 模糊数学; 像素点覆盖

0 引言

浮选是选矿的重要方法之一。近年来，各国已开始研究智能浮选监控系统。国外有澳大利亚的昆士兰大学矿物研究中心、美国过程工艺技术股份有限公司等。国内较为成功的一套浮选泡沫处理设备是北京矿冶研究总院开发的FP-01。该系统为整个浮选过程的高级控制提供有用的数据，但是仍属于实验室的初步应用[1]。

在处理浮选图片时，阳春华等人[2]提取泡沫的纹理特征，通过支持向量机对浮选工况分类。任会峰等人[3]采用2个浮选气泡特征作为评判标准，利用一对一支持向量机识别出三类工况。何明芳等人[4]则关注了3个浮选图像特征，采用特征加权向量机研究其与四种工况之间的关系，其正确率高于一对一支持向量机。刘美丽等人[5]则选取了5个参数识别浮选工况。虽然选取的参数个数增多，但是均未判断这些数据的可靠性，容易造成错判而不自知的情况。此外，支持向量机的运算速度也相对较慢，不适应实时分析的要求。彭涛等人[6]利用基于小波变换的方法提取浮选气泡的等效尺度特征以评判浮选工况。小波多尺度分析能够增加特征的丰富性，但是对全图都做判断会增加运算耗时，实用性较弱。此外，浮选状况的复杂特性[7]使单个特征难以准确体现整体变换情况。除了泡沫特征，如果还能够把包括图像质量参数在内的多个特征参数并行考虑，形成一个评判体系，那么评价效果会更加可靠合理。同时，考虑到特征提取的复杂程度[8-12]，需要尽量选取高效的方法。基于这些考虑，本文采用像素点覆盖、水平集等[13]方法提取图像多个特征参数，并运用改进的模糊数学方法[14]来评价浮选图像，以达到快速高效判断图像状况并且做出相应调整的目的。浮选图像的评价仍然具有模糊性和不确定性的特点，其结果仅能判断出一个作用范围[5]。尽管如此，仍能达到监控的目的。

1 泡沫图像多特征提取

主要分析所选取的浮选气泡图像参数并给出提取公式。浮选图像参数获取及分析的流程如图1所示。

图1 图像数据获取及分析流程图

1.1 特征提取参数分析

(1)灰度方差：

(1)

上式中b是像素的灰度值，为0～255的整数值，n为数字图像中的总像素数，n(b)为图像中灰度值为b的像素数，m为检测出的边缘像素数。图像灰度方差反映的是图像灰度的对比度。图像灰度对比度越大，图像的边缘信息就越容易被准确提取。

(2)图像能量：

(2)

图像能量代表的是灰度的均匀性，图像灰度不均匀，会导致图像质量变低，使得分析结果不可靠，图像能量越接近于0，图像质量越好。

(3)边界密度：

(3)

边界密度可以反映气泡的密度，是气泡个数的一个参考数据。

(4)亮点个数：

亮点个数q在一定程度上反映了气泡的个数。

(5)亮点区域面积密度：

亮点区域面积密度可以从一定程度上反映气泡个数或大小。

灰度方差和图像能量作为判断浮选图像质量的重要参考数据。边界密度、亮点个数和亮点区域面积是气泡尺寸的间接参考数据。气泡的大小是浮选效果的重要指标之一。

1.2 基于像素点覆盖方法的边界密度计算

1.2.1 基于像素点覆盖方法的浮选图像分割

基于像素点覆盖方法的浮选图像分割是本论文提出的一种新的初步分割方法，算法实现流程如图2所示。该方法能够基本保留图像边缘，同时大幅度地去除了亮点、噪声点，使得边缘成为了整幅图中灰度变化率最高的地方，从而有效地初步分割出浮选气泡的边缘。

图2 基于像素点覆盖方法的图像分割方法流程图

首先，采用阈值分割的方法大致地寻找到亮点区域或者暗点区域。设原始图像像素灰度函数是f(x,y)，由直方图确定其中概率最大的像素值(general)和亮点(bright)像素值、暗点(dark)像素值，分别为G，B，D。在图像中，f(x,y)B这两类不含信息量的点将被G值取代。因此有：当f(x,y)B时，令：

f(x,y)=G

(4)

因此，图像就被分成了两部分，用g(x,y)表示：

(5)

最终得到的图像的灰度值范围为：

D

(6)

这样处理的优点是只留下灰度变化明显的边缘信息，有利于边缘检测算子正确找到气泡边缘，同时避免了普通去噪法对边缘信息的破坏。

像素点覆盖方法可以由以下几个步骤完成：

(1)获取图像直方图信息；

(2)选取概率最大灰度值点、亮点及暗点的阈值点；

(3)用G值覆盖亮点区域和暗点区域。

1.2.2 泡沫图像边界密度计算及分析

浮选气泡原图如图3(a)所示。对图像的像素点灰度值进行统计，得到直方图如图3(b)所示。此时选定的最佳参数值G、B、D分别为80、180、30。

图4(a)是小于最佳参数值时的覆盖图，图4(b)为最佳参数的效果，读者可自行比较。

图像经过prewitt算子边缘检测、细化、平移、开操作、粗化及一些简单去噪后，结果如图5所示。平移纠正了位移偏离，图像开操作和粗化去除了由噪声点形成的小白点。最后的效果图仍有不完善之处，还需尝试更多的后续处理。

图3 浮选气泡原图及其直方图

图4 像素点覆盖浮选气泡图

由于本文设计的应用是要求实时性的，因此综合各方面考虑，并不需要非常精确的结果，只要数据在所允许的范围内，都可以被认为是有效数据。

1.3 基于水平集的亮点个数及区域密度获取

利用水平集对原始浮选图像进行分割，提取各气泡亮点数据，得到亮点个数和亮点区域密度，同时统计出边界密度。水平集不受灰度变化小影响，对任意大小和位置的亮点都能准确检测，保证数据的准确性。

2 基于改进模糊数学的浮选工况评判

依据浮选气泡图像的数据特点，运用模糊数学方法分析的步骤如下：

确定评价对象的因素集U，即：U={灰度方差，图像能量，边界密度，亮点个数，亮点区域面积密度}；确定评语集V={很好，较好，一般，差}；设定权系数向量A，仅针对此次参数，设定为{0.2,0.1,0.3,0.3,0.1}；选取一个评判标准数据。由大量实验可得最优的数据为U0={15 000,0,15%,320,40%}。选图3(a)做原始图像，通过处理得到的数据是：U={14 920,0,11%, 297,23.3%}。

本文采用数据的偏移量进行对比，解决量纲不一致的得问题。公式为：

表1 浮选气泡图像数据均值

(7)

表2 浮选气泡状态分析

代入数据得:

最终得到评价u=A·u′=0.142。当u=0时为最优图像，u越大，图像质量越差，结果越不可靠；当u大于设定值时，就认为图片质量为差。当u介于0到设定值之间时，评价程度就用好、较好和一般来概括。

通过对多幅图像的评价进行分析，就可以了解一段时间的浮选状况。综合评价指数u能够引导系统给出操作或者建议。例如，若是边界密度超过标准值的30%，亮点个数超过标准的40%，则认为气泡尺寸太小，气泡密度过大，浮选效率下降，建议增加空气量或者添加起泡剂等操作。

3 实验结果与分析

本文对从福建梅仙铅锌矿浮选车间的粗选首槽现场获取的一段浮选视频进行了参数获取和分析，图像大小为365×274，数量为30幅。在实际生产中，根据工厂所允许的状态范围确定最高评价指数。仅基于本次的实验图像数据，考虑0～8的评价指数范围，若超过8，则认为数据不可靠。表1是图像数据的均值，序号表示帧序号。从表格中的评价指数可看出，在1～5及15～29帧的时间内，浮选状况良好。在6～14帧的时间内，评价指数升高，表明浮选出现了不良的状态，需要某些调整。从30帧后，出现了严重的问题，则系统发出警告。浮选状态如分析表2所示。22帧被判定为误差图像。

从图6的参数曲线图可以看出，参数的变化与气泡的变化是对应的。例如，在1～5和15～29帧的阶段，图像灰度方差是较大的，也就是说图像边缘明显，气泡间的粘连情况少。此外，图像的能量较低，接近于零，也就是说明图像质量高，所测量的数据是可靠的；其余的三个测量参数则体现了该图的特性。从浮选状态的变化可以很直观地从评价指数曲线图和浮选状况比例图中看出。在第22帧出现了指数突然增高的情况，基于其突发性和个别性，可以考虑忽略。该段时间的浮选状态大部分都是良好的。浮选图像状况比例图如图7所示。

图6 参数数据曲

图7 浮选图像状况比例图

为了进一步验证该方法的有效性，把本视频的300帧图像用其他的工况分析法进行分析，结果如表3所示。相比于人工神经网络和支持向量机器，基于模糊数学的评判方法在识别良好、中等、差三种工况时，工况为差的正确率明显提高，这是因为基于模糊数学的方法能够对图片质量进行判别，使得评判结果更加可靠；工况为中等的正确率略有提高，工况为良好的正确率则持平，平均正确率达到了83.82%。从时间上来看，本文方法也耗时更少，这是因为人工神经网络和支持向量机需要学习和迭代的时间。

表3 不同方法的识别结果比较

4 结论

本文所采用工况评判方法具有以下优点：

(1)相比于人工神经网络和支持向量机，本文的评判方法在识别良好、中等、差三种工况时，正确率有所提高，平均识别率达到83.82%。

(2)能够利用图像质量参数排除错误图像，提高数据正确率。

(3)参数提取方法简单，耗时较少，接近实时的要求。

此外，本方法的误差主要出现在图像分割和标准数据的确定上，这也是后续的研究方向。

[1] 何桂春,冯金妮,吴艺鹏,等.浮选泡沫图像处理技术研究现状与进展[J].有色金属科学与工程,2011,2(2):57-63.

[2] 阳春华,任会峰,桂卫华,等. 基于泡沫纹理信度分配SVM的矿物浮选工况识别[J].仪器仪表学报,2011,32(10):2205-2209.

[3] 任会峰,阳春华,周璇,等. 基于泡沫图像特征加权SVM 的浮选工况识别[J].浙江大学学报(工学版),2011,45(12):2115-2119.

[4] 何明芳,阳春华,王晓丽,等. 基于模糊支持向量机的硫浮选工况识别[J].中国有色金属学报,2013,23(12):3478-3483.

[5] 刘美丽，唐朝晖，王晓丽，等. 基于多信息融合与可拓理论的锑浮选工况识别方法[J]. 中南大学学报(自然科学版),2015,46(12):4512-4519

[6] 彭涛,曹威,卢明,等.基于小波多尺度二值化的铜浮选工况识别[J]. 仪器仪表学报,2014,35(3):586-592.

[7] 桂卫华,阳春华,徐德刚,等.基于机器视觉的矿物浮选过程监控技术研究进展[J]. 自动化学报, 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] 张艳邦, 陈征，张芬，等. 基于颜色和纹理特征的显著性检测算法[J]. 计算机应用研究, 2015, 32(1):284-290.

[10] 尹逊越,廖一鹏. 一种浮选泡沫视频图像自适应筛选方法[J]. 微型机与应用,2015,34(12):42-44.

[11] 杨洁明,杨丹丹.一种改进分水岭算法的浮选泡沫图像分割方法[J]. 选煤技术,2012(5):82-86.

[12] 刘丰年,朱平哲. 基于相关特征约束的分水岭路面裂缝图像分割算法[J]. 微型机与应用,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,聂生东.基于模糊数学的医学图像处理与分析方法[J].中国医学物理杂志,2011,28(4):2750-2753.

[15] 张瑞华. 基于ECCC的细胞图像分割算法[J]. 电子技术应用,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

国家自然科学基金(6117014)

TP391

A

10.19358/j.issn.1674- 7720.2017.12.013

吴倩，廖一鹏.结合泡沫图像多特征及模糊数学的浮选工况评判[J].微型机与应用，2017,36(12)：42-45.

2016-12-27)

吴倩(1991-)，女，硕士，主要研究方向：数字图像处理。

廖一鹏(1982-)，男，博士研究生，讲师，主要研究方向：图像处理与模式识别。