矿物浮选泡沫图像监测控制技术现状及展望

张文康 刘丹 王春景 刘瑞涛 王大骞 余龙舟

摘 要 针对工业浮选泡沫图像处理，从泡沫图像去噪、图像增强和图像分割三方面介绍了常用的方法，分别指出了其中存在的问题。根据浮选泡沫图像的特点介绍了矿物浮选实时监测控制系统，指出系统相对于人工的特点和优势。最后展望了实时监测控制系统自动化、智能化的发展趋势。

关键词 浮选泡沫 图像去噪 图像增强 图像分割 实时监测

中图分类号 TP274   文献标识码 A   文章编号 1000?3932（2023）03?0285?06

作者简介：张文康（1993-），硕士研究生，从事选矿设备与选矿过程自动化的研究。

通讯作者：刘丹（1983-），副教授，从事选矿工艺与理论、选矿设备及自动控制的研究，ldysyz1983@126.com。

引用本文：张文康，刘丹，王春景，等.矿物浮选泡沫图像监测控制技术现状及展望［J］.化工自动化及仪表，2023，50（3）：285-290.

矿产是不可再生资源，随着高品位矿产越来越少，国家也越来越重视贫细杂矿产资源的开发利用，不断提高分选矿物资源的水平［1］。目前在选矿行业运用最多的还是矿物浮选技术，矿物浮选技术诞生于19世纪末期，在20世纪初期开始逐渐应用在工业生产当中，但是科研人员对浮选设备和浮选技术的探索至今都未停止。

在工业浮选过程中，判断浮选工况最重要的一点就是观察矿物浮选泡沫的表征，并且还能起到指示器的作用，但过程受现场环境影响很大，如光照不均、大量噪声［2，3］等。采用工业摄像机替代人工来进行表面特征的识别，可将表面特征图像数据的采集、处理和显示联系在一起形成一套完整的体系，使现场操作工艺变得简单明了。通过使用计算机对图像数据进行处理，然后进一步输出浮选泡沫的表面特征，能更清楚地了解浮选过程中的各种参数，以输出的各种特征参数来进行模型的搭建，实现浮选过程控制和实时监测，这样可以使矿物浮选过程的效率得到很大提升，工人通过肉眼观察而造成的人为误差得到优化。虽然经验丰富的操作工人能够通过浮选泡沫的表面特征推断出整个浮选过程的运行状态，但是人眼也只能看到浮选泡沫的表面特征，并不能观察到浮选泡沫的细微变化，这也是人眼观察的缺陷，同时还很难保证系统的稳定运行，也不能做到实时调节［4，5］。

21世纪初期，已有厂家使用安装有摄像头的浮选设备来代替人工肉眼监视浮选泡沫表面特征，这种使用设备来代替人工的监视方法受到世界上发达国家选矿科研人员不同程度的关注［3，6，7］。国内外学者对泡沫图像处理进行了研究，发现该方法很难保证不同工作条件下和复杂环境下的准确性。因此，还需要针对浮选泡沫的复杂性和特殊性进行研究，特别是对浮选泡沫尺寸的准确测量［8，9］。机器视觉监测控制技术是当今自动化程度比较高的工业浮选监测控制技术。为了能够充分利用贫矿、难选矿等有限的矿产资源，应更进一步研究基于机器视觉的矿物浮选监测技术，以提高矿产资源在分选中矿物的回收率和利用率。

笔者针对工业矿物浮选过程中分选矿物的表面特征，描述了工业矿物浮选图像监测控制技术应用现状，以及矿物浮选泡沫监测控制系统的发展，并提出矿物浮选泡沫图像监测控制系统发展存在的问题和发展前景。

1 矿物浮选泡沫图像处理

在工业矿物浮选过程中获取的浮选泡沫图像受现场噪声等多种因素影响，浮选气泡还存在相互粘结、边界模糊等情况。针对这些问题，学者从浮选泡沫图像去噪、图像增强和图像分割三方面提出相应的解决办法［10］。

1.1 浮选泡沫图像去噪

首先，选厂环境和矿物的不同会对浮选有不同程度的影响，其次，由于工业浮选都是机械化生产，机械化生产就避免不了产生噪声，而噪声会对矿物浮选泡沫图像的准确提取产生不同程度的影响，因此对泡沫图像去噪是非常必要的环节。

现如今视频去噪比较好的方法是3D滤波算法，但是该方法使用比较复杂，不适用于工业矿物浮选［11］。刘金平等提出了一种基于Curvelet变换的矿物浮选泡沫图像去噪的方法［12］，该方法具有很好的去噪效果，并且还能很好地保护浮选泡沫特征不被损坏。白静等提出一种基于方向波变换的SAR图像降噪方法，并且证明方向波变换在降噪方面具有很好的效果，还能保护图像边缘的细节［13］。这些方法虽然优点突出，但是在处理过程中还存在一些缺点，不仅需要大量的内存，还需要大量的计算和分解，并且时效性差；也不能充分利用视频图像相邻帧之间的时间相关性获得更多的冗余信息，得到更好的原始信号估计［14，15］。

1.2 浮选泡沫图像增强

图像增强是将浮选泡沫图像特征放大或是将浮选泡沫图像特征变得更为突出，抑制不需要识别的特征区域，从而改善图像的视觉效果以达到要求。

根据图像所处空间的不同可以将增强方法分为两大类：空域方法和频域方法。其中空域方法相对来说比较简单易懂，直接对图像中不同位置点像素进行处理，数学定义为［16］：

y（i，j）=Tf（i，j）（1）

其中，T是對原图像的一种处理，f（i，j）为输入的原图，y（i，j）为输出图像。对相邻的像素点采用模板卷积的方法对图像灰度级变化进行锐化［17，18］，该算法对于高对比度的泡沫图像增强效果明显，但对于低对比度图像不仅增强效果不明显，而且还容易增大噪声。

图像增强是目前图像处理过程中的一大难题，这也引起了国内外研究人员的广泛关注，并且针对时域方法做了大量的研究和论证。袁晓松等提出一种自适应视觉特性的图像增强方法［19］，对增强对比度效果较好；冷寒冰等根据人眼视觉特征提出了一种邻域自适应图像增强算法［20］；王炳健等在前人的基础上加以研究，提出一种基于平台直方图的自适应红外图像增强算法［21］。这些方法在矿物浮选图像增强方面都得到了不同程度的应用。

1.3 浮选泡沫图像分割

一般图像分割是针对不同特征区域进行分割，但是满足特定区域分割有一个前提，那就是保证区域的一致性。在数学集合的基础上，给出以下定义［22］。

图像分割就是为了找到能够反映该图像特征的区域，将该区域进行特征信息提取，进一步完成对应的各种参数的测量，将原始图像信息转化为数字信息，来实现高层图像的分析。矿物浮选泡沫图像分割就是通过对泡沫图像的分割，得到单个泡沫，以更好地表征图像特征，进而指导矿物浮选过程。

矿物浮选过程中浮选泡沫表面的各种特征就能反映当前工况下的浮选状态，表面特征可以分为以下几类：浮选泡沫表面颜色、浮选泡沫的大小尺寸、浮选泡沫的表面纹理特征和浮选泡沫的流速等，这些特征对浮选有很重要的指示作用。为了准确提取浮选泡沫的特征，学者们也进行了大量的研究。目前针对图像分割的方法有很多，但是最常用的方法是谷底边缘分割和分水岭两种方法。BONIFAZI G等针对浮选泡沫反光的特点，将泡沫顶点进行标识，采用分水岭方法对矿物浮选泡沫图像进行分割，但是由于浮选泡沫图像受到现场环境不同程度的干扰，而未对图像进行预处理，造成了浮选泡沫图像不同程度的过分割［23］。曾荣在前人的基础上提出一种将分水岭和边缘分割相结合的方法对浮选泡沫镍泡沫图像进行分割，取得了很好的效果［9］。王麓雅等提出一种矿物浮选图像的改进分割算法，该方法虽然有一定的效果，但是对于矿物浮选泡沫光照不均匀和强噪声的情况容易造成图像过分割的现象［24］。阳春华等针对泡沫图像质量差和泡沫图像不均匀的情况提出一种基于聚类预分割和高低精度距离重构的矿物浮选泡沫图像算法，但是使用之前需根据泡沫的不同进行参数的设定［25］。

虽然分割技术在不断地进步和完善，但因为不同矿物特征不同，矿物浮选泡沫图像也存在着很大的差异，所以目前没有一套可以适用于所有矿物浮选泡沫图像分割的算法，还需要根据现场矿物浮选泡沫的图像特征来进一步确定方法。浮选泡沫的纹理特征作为刻画泡沫图像统计分布的另一种关键特征，可以用该特征来描述矿物浮选泡沫图像的泡沫状态变化情况。在工业生产过程中，对于经验丰富的浮选操作工而言可以通过观察浮选泡沫层表面气泡流速对浮选效果进行判断，但主观性强、无法定量描述泡沫图像速度。

2 矿物浮选泡沫监控系统

在工业矿物浮选过程中，矿物浮选的实时数据基本就能说明矿物浮选过程中产品的质量水平。在没有安装实时监控系统的浮选厂，想要提高浮选过程中各项生产指标，唯一的方法就是让经验丰富的工人用肉眼实时监视浮选泡沫表面的变化情况，及时做出调整。即使这样也会存在以下问题：

a. 矿物浮选是个连续变化的过程，工作人员无法像机器一样长时间工作，不能达到实时监视的效果；

b. 因人不同对监控过程的评价也存在一定的差异；

c. 生产过程中多个浮选槽同时工作，无法实现定量精细的观察；

d. 因现场工作环境条件差且噪声大，长时间在工作岗位對工作人员身体健康有很大的影响。

因此，使用机器视觉来代替现场操作工人对矿物浮选过程进行监视有很大的优势。

随着浮选工艺、浮选设备和控制技术的不断优化，浮选图像处理监控系统也得到了改善。但是我国矿产资源贫细杂，提取的有效成分波动幅度大，造成工况明显波动；同时还存在选厂环境恶劣、光照不均匀和入选矿料成分不确定的影响，从而对浮选图像监控系统的浮选泡沫图像大小、形态学参数及分析带来了很大的挑战，最后影响系统控制的鲁棒性和准确性［26］。

工业矿物浮选实时监控系统是由工业CCD相机进行浮选泡沫图像采集，然后经过光纤传输给监控计算机。系统会根据训练好的模型对传输到平台的图像数据进行分析，根据分析结果对浮选工况做出预测，然后对设备进一步做出调整，以使浮选达到指标。

2.1 系统组成

机器视觉部分一般采用多模块进行组合的方法，该方法不仅可以提高系统的利用率，还能对后期系统维护提供方便。矿物浮选实时监控系统需要对收集到的浮选数据进行相应的处理，通过提取浮选泡沫的不同特征（如纹理、颜色、大小、形态及流速等），给出矿物浮选生产指导意见。矿物浮选实时监控系统结构如图1所示，逻辑框架如图2所示。

2.2 功能实现

监控计算机对工业CCD相机下发指令自动采集浮选泡沫图像，通过对图像的分析得到浮选工况的实时数据，并给出相应的预测，具体流程如图3所示。

随着选矿技术的逐渐进步，浮选实时监控系统也在不断升级完善，现已成功应用于各大选厂，为现场生产提供了有效的指导，并为选厂带来了不同程度的经济效益。该类系统具有以下特点：

a. 采用可以人机交互的一体化电脑，一般拥有自主研发的APP软件，软件不仅可以对实时浮选泡沫图像数据进行分析处理，还能对历史数据进行存储，并且可随时调出实时数据和历史数据。

b. 采用高性能的工业CCD相机对矿物浮选过程进行实时数据采集，分辨率较高，并且视野范围可根据现场情况来做实时调整。高频无影面光源显色指数高、尺寸小且发热量小。

c. 该类系统设备运行和维护成本低。图像处理、工作总站并行运行，可同时对多台设备进行实时监控，实现精细化观测控制，可以在有网络覆盖的任意工作环境下进行工作，实时监视矿物浮选的状态。

3 结论与展望

3.1 结论

根据上文的论述得出以下结论：

a. 在国外，矿物浮选泡沫图像处理系统已经初步在选厂中应用，并且得到了不错的反馈；在国内，由于技术还需要进一步完善，所以浮选泡沫图像处理系统还很少应用到选厂中，但也在逐步实现。

b. 目前工业矿物浮选过程中大多数还是靠人工肉眼观察来记录数据，人工观察不仅不能记录实时的数据，而且也不也能对浮选过程中出现的问题及时做出调整，判断不准确、处理不及时就会造成矿产资源和药剂的浪费，虽然机器视觉图像处理系统就能解决此类问题，但要在选厂普及使用依然需要时间。

c. 人工肉眼观察被机器视觉取代后，由于受不同光照强度、拍摄环境等因素的影响，泡沫图像会存在一系列不可避免的问题，比如泡沫表面的高亮点、颜色偏差及噪声等，从而会对提取浮选泡沫的准确度有很大的影响。

3.2 展望

工业选矿要向自动化、智能化方向发展，浮选泡沫图像处理是不可避免的关键环节。针对浮选图像处理提出以下几点建议：

a. 由于不同矿物浮选过程中泡沫状态存在很大差异，因此可以从不同角度对泡沫图像进行监测，还可使用不同算法来提高图像监测的准确度。

b. 未来“互联网+浮选泡沫图像监测”的模式能够更加精确地实时监测浮选泡沫的变化，提高图像实时提取的精确度，进一步提高矿物回收率和生产效率。

浮选本身是冗长的过程，想要将各个环节紧密联系来优化浮选过程控制相对较难。为了解决这些问题，需要研究者们将现代先进技术与传统技术相结合，逐个解决问题，提高浮选效率和经济效益。

参 考 文 献

［1］   SUN C L，LIAN Q M，WANG Q F.Attention must be paid to the development of the mineral resources of our country［J］.Mental Mine，2008（S1）：85-90.

［2］   LIU J J，MACGREGOR J F.Froth?based modeling and control of flotation processes［J］.Minerals Engineering，2008，21（9）：642-651.

［3］   BONIFAZI G，GIANCONTIERI V，MELONI A.Characterization of the flotation froth structure and color by machine vision（ChaCo）［J］.Developments in Mineral Processing，2000，13：C8a?39-C8a?49.

［4］   王为.基于FPGA?DSP的浮选图像系统多通道采集装置研制［D］.长沙：中南大学，2014.

［5］   亢国栋.基于嵌入式Linux的浮选泡沫图像监控系统设计［D］.徐州：中国矿业大学，2016.

［6］  WANG W X，STEPHANSSON O，WAN S C.On?line system setup in a cellar of a flotation plant［C］//Proceedings of the 15th International Conference on Pattern Recognition.Piscataway，NJ：IEEE，2000：791-794.

［7］   MARAIS C，LDRICH C.Estimation of platinum flotation grades from froth image data［J］.Mineral Engineering，2011，24（5）：433-441.

［8］   王勇，杨公训，路迈西，等.煤泥浮选泡沫图像灰度行程及其统计纹理特征［J］.煤炭学报，2006，31（1）：94-98.

［9］   曾荣.浮选泡沫图象边缘检测方法的研究［J］.中国矿业大学学报，2002，31（5）：421-425.

［10］   SHEAN B J，CILLIERS J J.A review of froth flotation control［J］.International Journal of Mineral Processing，2011，100（3?4）：57-71.

［11］   DABOV K，FOI A，EGIAZARIAN K.Video denoising by sparse 3D transform?domain collaborative filtering［C］//The 15th European Signal Processing Confe?rence.Piscataway，NJ：IEEE，2007：145-149.

［12］   刘金平，桂卫华，唐朝晖，等.基于Curvelet变换的浮选泡沫图像序列时空联合去噪［J］.控制与决策，2013，28（9）：1322-1328.

［13］   白静，侯彪，王爽，等.基于提升Directionlet域高斯混合尺度模型的SAR图像噪声抑制［J］.计算机学报，2008，31（7）：1234-1241.

［14］   JAIN P，TYAGI V.A survey of edge?preserving image denoising methods［J］.Information Systems Frontiers，2016，18（1）：159-170.

［15］   REEJA S R，KAVYA N P.Real time video denoising［C］//The 2012 IEEE International Conference on Engineering Education：Innovative Practices and Future Trends （AICERA）.Piscataway，NJ：IEEE，2012：1-5.

［16］   李建奇.矿物浮选泡沫图像增强与分割方法研究及应用［D］.长沙：中南大学，2013.

［17］   RAFAEL C G，RICHARD E W.数字图像处理［M］.阮秋琦，译.北京：电子工业出版社，2003：72-74.

［18］   PANETTA K A，WHARTON E J，AGAIAN S S.Human visual system based image enhancement and logarithmic contrast measure［J］.IEEE Transactions on Systems，Man，and Cybernetics，Part B：Cybernetics，2008，38（1）：174-188.

［19］   袁晓松，王秀坛，王希勤.基于人眼视觉特性的自适应的图像增强算法的研究［J］.电子学报，1999，27（4）：63-65.

［20］   冷寒冰，王先，刘上乾.基于人眼视觉特性的邻域自适应模糊增强算法［J］.光电工程，2004，31（1）：62-64；68.

［21］   王炳健，刘上乾，周慧鑫，等.基于平台直方图的红外图像自适应增强算法［J］.光子学报，2005，34（2）：299-301.

［22］   章毓晋.图像工程（中册）图像分析［M］.第2版.北京：清华大学出版，2005.

［23］   BONIFAZI G，GIANCONTIERI V，SERRANTI S，et al.A full color digital imaging based approach to characterize flotation froth：An experience in Pyhasalmi（SF） and Garpenberg（S） plants［C］//International Conference on Imaging：Technology and Applications for the 21st Century.Beijing：中國感光学会，2005：172-173.

［24］   王麓雅，唐文胜，刘相滨，等.浮选中泡沫图像的分割算法［J］.湖南师范大学学报，2002，25（2）：23-26.

［25］   阳春华，杨尽英，牟学民，等.基于聚类预分割和高低精度距离重构的彩色浮选泡沫图像分割［J］.电子与信息学报，2008，30（6）：1286-1290.

［26］   ESTRADA?RUIZ R H， PEREZ?GARIBAY R.Neural networks to estimate bubble diameter and bubble size distribution of flotation froth surfaces［J］.Journal of the South African Institute of Mining and Metallurgy，2009，109（7）：441-446.

（收稿日期：2022-06-08，修回日期：2023-03-12）

Status and Prospect of Image Monitoring and Control Technology for Mineral Flotation Foams

ZHANG Wen?kang1a，b， LIU Dan1a，b， WANG Chun?jing1a，b， LIU Rui?tao1a，b， WANG Da?qian1a，b， YU Long?zhou2

（1a. Faculty of Land and Resources Engineering； 1b. State Key Laboratory of Clean Utilization of Complex Nonferrous Metal Resources， Kunming University of Science and Technology； 2. Yunnan Amade Electrical Engineering Co.，Ltd.）

Abstract   Aiming at the image processing of industrial flotation foams，  the general methods for it were introduced from  the foam image denoising， image enhancement and image segmentation and the potential problems were described. In addition， according to the characteristics of flotation foam images， a real?time monitoring and control system for the flotation image processing was introduced， including its advantages and characteristics compared with the manual operation. Finally， this  systems development trend in automation and intelligence was forecasted

Key words   flotation foam， image denoising， image enhancement， image segmentation， real?time monitoring