基于图像数据提取和神经网络建模的铂浮选品位估算方法
【专利摘要】本发明涉及一种基于图像数据提取和神经网络建模的铂浮选品位估算方法，通过变量实验得到充气速率、矿浆浓度、捕收剂、活化剂、起泡剂、抑制剂六个变量与浮选品位、回收率之间的相关程度；对铂泡沫图像进行采集和预处理，并从预处理所得的默认的灰度图像、直方图均衡化、图像的对比强化和图像的二值化四种特征图像中提取能量、熵、惯性、同质性、灰度相关性五种图像数据；建立包含三节点输入层、隐藏层和双节点输出层的多层感知器神经网络模型。本发明所提出的一种基于图像数据提取和神经网络建模的铂浮选品位估算方法，有效的实现了通过泡沫图像估算浮选品位和回收率，达到了实时监测浮选过程中品位和回收率的目的。
【专利说明】基于图像数据提取和神经网络建模的铂淳选品位估算方法
【技术领域】
[0001] 本发明涉及矿选领域，特别的是一种基于图像数据提取和神经网络建模的钼浮选 品位估算方法。
【背景技术】
[0002] 随着科技发展，对选矿过程各参数变化的自动监测技术，要求越来越高，而且传统 方式诸多弊端也慢慢显现。传统监测技术主要包括：荧光分析和粒度分析仪，它们可以在短 时间内得到产品品位。传统方式弊端主要包括：相关设备设计开发不切合实际，检测数据误 差大，选矿环境恶劣导致传感器使用寿命短，控制系统维护成本较高。
[0003] 人工神经网络（ANN)也简称为神经网络（NNs)或称作连接模型（Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。 这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处 理信息的目的。多层感知器神经网络（MLP)是一种多层前馈网络模型，它通常由三部分组 成：一组感知单元组成输入层、一层或多层计算节点的隐藏层和一层计算节点的输出层，被 广泛应用于模式识别、图像处理、函数逼近、优化计算等领域。神经网络建模技术的进一步 的成熟，为浮选自动化提供了基础。
【发明内容】
[0004] 本发明的目的在于提供一种基于图像数据提取和神经网络建模的钼浮选品位估 算方法，以克服现有技术中存在的缺陷。
[0005] 为实现上述目的，本发明的技术方案是：一种基于图像数据提取和神经网络建模 的钼浮选品位估算方法，其特征在于，按照如下步骤实现： 51 :通过变量实验，并对所述变量实验的结果通过柏拉分布图进行分析，得出变量对浮 选品位和回收率的影响程度；所述变量包括充气速率、矿浆浓度、捕收剂、活化剂、起泡剂和 抑制剂； 52 :对钼泡沫图像进行采集和预处理，并提取钼泡沫图像特性数据； 53 :通过多层感知器神经性网络对所述钼泡沫图像特性数据与浮选品位、回收率之间 的关系进行建模，得出所述钼泡沫图像特性数据与浮选品位、回收率之间的数量关系。
[0006] 进一步的，所述步骤Sl中，还包括如下步骤： 511 :用正号和负号分别对所述变量进行表示； 512 :通过棒磨机进行磨矿，并在预设的磨矿时间，添加捕收剂和活化剂；经搅拌Tls， 使药剂充分作用后，测量矿浆的pH值和温度，再添加抑制剂和起泡剂，作用T2s后开始充 气，并调整棒磨机旋转轮的转速和矿浆液面高度； 513 :分五个阶段进行刮泡，每次刮泡间隔T3s，前三个阶段和后两个阶段按照不同的 条件变量进行试验，在第五阶段刮泡完成后，将五个样品和抽取的尾矿进行抽滤、烘干和化 验； S14 :用柏拉分布图对所述步骤S13中的刮泡结果进行表示，每个条形表示一种变量， 且每个变量对应条行的长度为每个变量对应的T型分布的情况。
[0007] 进一步的，在所述步骤S2中，还包括如下步骤： 521 :通过高清摄像机获取钼泡沫图像，用RGB色彩模式表示该钼泡沫图像，并转化为 灰度图像； 522 :将所述步骤S21中的灰度图像分别调整为默认的灰度图像、直方图均衡化、图像 的对比强化和图像的二值化四种钼泡沫特征图像，即进行预处理； 523 :对所述步骤S22中得到的每种钼泡沫特征图像采用分区计算的方式，依次得到每 种钼泡沫特征图像的钼泡沫图像特征数据，且所述钼泡沫图像特征数据包括：能量、熵、惯 性、同质性和灰度相互关系。
[0008] 进一步的，在所述步骤S3中，还包括如下步骤： S31 :通过主要特征数据分析，将每种钼泡沫特征图像对应的钼泡沫图像特征数据减少 到三个，精简输入数据集； S32:将多层感知器神经网络设置为三层，包括：三节点输入层、隐藏层和双节点输出 层，并通过BFGS方程设定单极型激活函数，双极型激活函数和调整函数； S33 :将精简后的输入数据集从三节点输入层输入，经各隐层逐层处理后，传向双节点 输出层，并经所述步骤S23中得到的所述钼泡沫图像特征数据的运行、修正和验证，建立起 多层感知器神经网络模型。
[0009] 相较于现有技术，本发明具有以下有益效果：本发明所提出的一种基于图像数据 提取和神经网络建模的钼浮选品位估算方法，综合采用了包括选矿变量研究、泡沫图像摄 录、泡沫图像信息转化与处理、多层感知神经网络等多个领域的技术，先得到浮选过程中主 要变量对于浮选品位和回收率的影响，再将钼泡沫图像特征数据输入到多层感知器神经网 络，得出其与浮选品位和回收率之间的关系，实现了通过钼泡沫图像估算浮选品位和回收 率。而且本发明经济效用高，有效减少人力成本；自动化程度高，有利于实现浮选过程自动 化；普适性强，可应用于其他矿石或其他领域；提高了生产稳定性，有助于对浮选成品品位 和回收率实时监测，尽快发现生产问题。
【专利附图】
【附图说明】
[0010] 图1为本发明中基于图像数据提取和神经网络建模的钼浮选品位估算方法流程 图。
[0011] 图2为本发明中变量实验过程流程图。
[0012] 图3为本发明中图像特征数据提取流程图。
[0013] 图4为本发明中通过钼泡沫特征图像提取钼泡沫图像特征数据流程图。
[0014] 图5为本发明中多层感知器神经网络建模流程图。
【具体实施方式】
[0015] 下面结合附图，对本发明的技术方案进行具体说明。
[0016] 本发明提供一种基于图像数据提取和神经网络建模的钼浮选品位估算方法，如图 1所示，其特征在于，按照如下步骤实现： 51 :通过变量实验，并对所述变量实验的结果通过柏拉分布图进行分析，得出变量对浮 选品位和回收率的影响程度；所述变量包括充气速率、矿浆浓度、捕收剂、活化剂、起泡剂和 抑制剂； 52 :对钼泡沫图像进行采集和预处理，并提取钼泡沫图像特性数据； 53 :通过多层感知器神经性网络对所述钼泡沫图像特性数据与浮选品位、回收率之间 的关系进行建模，得出所述钼泡沫图像特性数据与浮选品位、回收率之间的数量关系。
[0017] 进一步的，在本实施例中，所述变量实验包括条件实验和分析条件实验，实验使用 3. OL的充气搅拌型浮选槽，且如图2所示，所述步骤Sl中，还包括如下步骤： 511 :用正号和负号分别对所述变量进行表示，变量取较大数值的时候用正号表示，反 之，用负号表示，设计八组实验； 512 :通过棒磨机进行磨矿，并在预设的磨矿时间，添加捕收剂和活化剂；经搅拌Tls， 使药剂充分作用后，测量矿浆的pH值和温度，再添加抑制剂和起泡剂，作用T2s后开始 充气，并调整棒磨机旋转轮的转速和矿浆液面高度；在本实施例中，所采用的棒磨机为 XMMB-240 X 300棒磨机，经搅拌120s，使药剂充分作用后，测量矿浆的pH值和温度，再添 加抑制剂和起泡剂，作用120s后开始充气，并根据浮选槽规格和泡沫堆积30s的原则来调 整棒磨机旋转轮的转速和矿浆液面高度； 513 :分五个阶段进行刮泡，每次刮泡间隔T3s，得到五个样品，且对第四阶段刮泡的样 品进行迅速提取；在第五阶段刮泡完成后，将五个样品和抽取的尾矿进行抽滤、烘干和化 验；在本实施例中，每隔20s刮一次泡，在第三阶段之后，补充药剂，对第四阶段的样品进行 迅速提取，完成五个阶段的刮泡后，将得到的样品以及抽取的尾矿进行抽滤，烘干和化验； 514 :用柏拉分布图对所述步骤S13中的刮泡结果进行表示，每个条形表示一种变量， 且每个变量对应条行的长度为每个变量对应的T型分布的情况；在本实施例中，终对应的 条形的长度依次减短，即不同变量对于浮选品位和回收率的影响均依次减弱。
[0018] 步骤Slf步骤S13为条件实验步骤，步骤S14为分析条件实验步骤，设置实验条 件和分析条件实验的目的在于了解钼泡沫图像之外的其他变量对于浮选品位和回收率的 影响，且通过做前期实验，了解钼浮选特性，减少主体实验工作量。
[0019] 进一步的，如图3和图4所示，在所述步骤S2中，还包括如下步骤： S21 :通过高清摄像机获取钼泡沫图像，用RGB色彩模式表示该钼泡沫图像，并转化 为灰度图像，且该高清摄像机要求清晰度至少为1280*720,画面帧数不少于为30fp ;在 本实施例中，高清摄像机选用佳能Z-80型防水摄像机，清晰度为1280*720,画面帧数为 30fps，每一组实验持续1. 5个小时，能够搜集到85000张1280*720图片，并将这些图片将 用Matlab7. 0的图像处理工具进行处理，先用RGB色彩模式来表示，再转化为灰度图像，把 黑-灰-白连续变化的灰度值量化为256个灰度级，灰度值的范围为(T255,表示亮度从深 到浅，对应图像中的颜色为从黑到白； S22:将所述步骤S21中的灰度图像分别调整为默认的灰度图像、直方图均衡 化、图像的对比强化和图像的二值化四种钼泡沫特征图像，即进行预处理，用字母 f表不，其中： |=1:默认的灰度 |=2:直方图均衡化图像 直方图均衡化是通过使用累积函数对灰度值进行"调整"以实现对比度的增强的一种 图像处理方式，这种方法通常用来增加许多图像的局部对比度，尤其是当图像的有用数据 的对比度相当接近的时候； I=3:图像的对比强化： 增强图像对比度实际是增强原图的各部分的反差，实际中往往是通过增强原图里某两 个灰度值间的动态范围来实现的； 1=4:图像的二值化 图像二值化就是将图像上的像素点的灰度值设置为〇或255,也就是将整个图像呈现 出明显的黑白效果。图像的二值化有利于图像的进一步处理，使图像变得简单，而且数据量 减小，能凸显出感兴趣的目标的轮廓； S23 :对所述步骤S22中得到的每种钼泡沫特征图像采用分区计算的方式，依次得到每 种钼泡沫特征图像的钼泡沫图像特征数据，在本实施例中，进一步通过如下方式提取钼泡 沫图像特征数据： 图像的空间灰度矩阵取决于根据二阶联合条件概率密度函数得到的像素强度变量的 估计值，在函数f(i，j，d，a)中，a=0 °、45°、90°、135° ,灰度从i到j，试样之间的统计 间隔为d，方向为角度a。假设图像的灰度为g，则密度函数可以表示为g*g的矩阵，采用距 离d和方向a为参数，把图像每一个灰度区域依次分析计算，则可通过使用函数来表示 获取泡沫图像特征数据，且钼泡沫图像特性数据包括：能量、熵、惯性、同质性和灰度相互关 系，其中：
【权利要求】
1. 一种基于图像数据提取和神经网络建模的钼浮选品位估算方法，其特征在于，按照 如下步骤实现： 51 :通过变量实验，并对所述变量实验的结果通过柏拉分布图进行分析，得出变量对浮 选品位和回收率的影响程度；所述变量包括充气速率、矿浆浓度、捕收剂、活化剂、起泡剂和 抑制剂； 52 :对钼泡沫图像进行采集和预处理，并提取钼泡沫图像特性数据； 53 :通过多层感知器神经性网络对所述钼泡沫图像特性数据与浮选品位、回收率之间 的关系进行建模，得出所述钼泡沫图像特性数据与浮选品位、回收率之间的数量关系。
2. 根据权利要求1所述的基于图像数据提取和神经网络建模的钼浮选品位估算方法， 其特征在于，所述步骤S1还包括： 511 :用正号和负号分别对所述变量进行表示； 512 :通过棒磨机进行磨矿，并在预设的磨矿时间，添加捕收剂和活化剂；经搅拌Tls， 使药剂充分作用后，测量矿浆的pH值和温度，再添加抑制剂和起泡剂，作用T2s后开始充 气，并调整棒磨机旋转轮的转速和矿浆液面高度； 513 :分五个阶段进行刮泡，每次刮泡间隔T3s，前三个阶段和后两个阶段按照不同的 条件变量进行试验，在第五阶段刮泡完成后，将五个样品和抽取的尾矿进行抽滤、烘干和化 验； 514 :用柏拉分布图对所述步骤S13中的刮泡结果进行表示，每个条形表示一种变量， 且每个变量对应条行的长度为每个变量对应的T型分布的情况。
3. 根据权利要求1所述的基于图像数据提取和神经网络建模的钼浮选品位估算方法， 其特征在于，在所述步骤S2中，还包括如下步骤： 521 :通过高清摄像机获取钼泡沫图像，用RGB色彩模式表示该钼泡沫图像，并转化为 灰度图像； 522 :将所述步骤S21中的灰度图像分别调整为默认的灰度图像、直方图均衡化、图像 的对比强化和图像的二值化四种钼泡沫特征图像，即进行预处理； 523 :对所述步骤S22中得到的每种钼泡沫特征图像采用分区计算的方式，依次得到每 种钼泡沫特征图像的钼泡沫图像特征数据，且所述钼泡沫图像特征数据包括：能量、熵、惯 性、同质性和灰度相互关系。
4. 根据权利要求3所述的基于图像数据提取和神经网络建模的钼浮选品位估算方法， 其特征在于：在所述步骤S3中，还包括如下步骤： S31 :通过主要特征数据分析，将每种钼泡沫特征图像对应的钼泡沫图像特征数据减少 到三个，精简输入数据集； S32:将多层感知器神经网络设置为三层，包括：三节点输入层、隐藏层和双节点输出 层，并通过BFGS方程设定单极型激活函数，双极型激活函数和调整函数； S33:将精简后的输入数据集从三节点输入层输入，经各隐层逐层处理后，传向双节点 输出层，并经所述步骤S23中得到的所述钼泡沫图像特征数据的运行、修正和验证，建立起 多层感知器神经网络模型。
【文档编号】G06K9/64GK104331714SQ201410701485
【公开日】2015年2月4日 申请日期:2014年11月28日 优先权日:2014年11月28日
【发明者】刘述忠, 郭万富, 王卫星 申请人:福州大学