一种基于浮选泡沫动态特征的矿浆液位预测方法与流程

本发明涉及浮选过程生产检测
技术领域：
，具体涉及一种基于浮选泡沫动态特征的矿浆液位预测方法。
背景技术：
：矿物浮选是在特定工艺条件下，矿浆中加入浮选药剂，充入空气，并通过搅拌产生大量气泡，然后回收含有用矿物泡沫以此达到选矿目标的方法。浮选泡沫具有数量多、黏着、混杂、形状不规则等特征，泡沫形态与流速特征难以定量描述。浮选工艺的众多研究表明，浮选泡沫的特征变化能及时反映过程控制量以及矿石性质的变化，因此可以把浮选泡沫的特征变化作为浮选效果最快捷的指示。泡沫流速大小是所有泡沫动静态特征当中最被关注的对象，在品位-回收率优化控制系统起着极为关键的作用，对矿物回收率的调节作用显著。浮选过程中，现场工人主要依靠浮选机矿浆液位判断浮选工况是否正常，但是由于现场条件的限制，并未有较好的方法解决矿浆液位实时监测的问题。技术实现要素：针对现有技术存在的问题，本发明提供一种基于浮选泡沫动态特征的矿浆液位预测方法，通过建立浮选泡沫动态特征和矿浆液位样本库拟合出泡沫动态特征与矿浆液位之间的关系，从而解决现有技术依赖人工专家经验而不能对预测矿浆液位进行实时监测的问题。为了实现上述目的，一种基于浮选泡沫动态特征的矿浆液位预测方法，具体步骤如下：步骤1：收集浮选机浮选过程中与泡沫动态特征相关的特征参数建立浮选参数历史数据库；所述特征参数包括刮板转速、充气量和矿浆的浓度；步骤2：利用视频监控技术采集连续的浮选泡沫图像，建立历史图像数据库；步骤3：记录历史图像数据库中每幅图像中浮选机的矿浆液位线下值并建立矿浆液位预测历史数据库；步骤4：对历史图像数据库中每幅图像中的泡沫流动速度进行提取，建立泡沫流动速度历史数据库，具体步骤如下：步骤4.1：在历史图像数据库中找到图像序列相邻的两帧，然后对两帧图像进行灰度处理，再利用帧间差分法得到差分图像并二值化；步骤4.2：对差值二值化后的图像进行阈值化处理，提取出图像中的运动区域；步骤4.3：把运动区域的帧图像分成固定大小的多个图像块，利用宏块配准法对图像块进行运动分析，找出前后帧图像各部分的位置对应关系，绘制宏块轮廓，从而得到各子块的运动速度特征；步骤4.4：采用分三步搜索法在运动区域的帧图像中通过两级搜索相邻帧中所选目标子块的最佳匹配位置，即最适合计算泡沫运动速度的位置；步骤4.5：通过相关函数幅值的方式判断第k帧图像和第k+1帧图像是否相关，若是，则继续步骤4.6，若否，则判断另外两帧相邻图像是否相关，直至所有帧图像均判断完成；步骤4.6：分别对第k帧图像和第k+1帧图像进行傅里叶变换，将图像从空间域转换至频域，得到fk(w，v)和fk+1(w，v)，其中，w和v为图像的频域坐标；步骤4.7：根据第k帧图像和第k+1帧图像傅里叶图谱的互功率谱，分别计算两幅图像在x轴和y轴方向上相对平移量x0和y0，从而得到泡沫的运动速度；所述第k帧图像和第k+1帧图像傅里叶图谱的互功率谱的计算公式如下：其中，f1*表示f1的共轭复数，j为虚单位，j2＝-1；步骤4.8：根据得到的泡沫流动速度建立泡沫流动速度历史数据库；步骤5：根据浮选参数历史数据库、矿浆液位预测历史数据库和泡沫流动速度历史数据库，建立历史数据样本库；步骤6：将历史数据样本库中的样本通过svr支持向量回归拟合出泡沫流动速度与矿浆液位之间的函数关系并以函数的形式保存，具体步骤如下：步骤6.1：对历史数据样本库中的泡沫流动速度与矿浆液位的数值进行标准化处理；步骤6.2：将标准化处理后的样本打乱顺序后随机排序，取一部分样本作为训练数据，剩余的样本作为测试数据；步骤6.3：通过svr支持向量回归对训练数据进行拟合，并对拟合结果进行测试后，得到泡沫流动速度与矿浆液位之间的函数关系并以函数的形式保存；步骤7：利用视频监控技术采集新的连续的浮选泡沫图像，重复步骤4，对更新图像中的泡沫流动速度进行提取；步骤8：将提取到的泡沫流动速度作为输入，带入得到的泡沫流动速度与矿浆液位函数，对浮选机相应时刻的矿浆液位进行预测并输出。本发明的有益效果：本发明提出一种基于浮选泡沫动态特征的矿浆液位预测方法，根据结合历史数据、生产现场调研及浮选生产理论分析，浮选槽泡沫的流速与矿浆的液位有着必然关系。同时针对浮选泡沫图像动态特征，提出了基于视觉信息的矿浆液位检测的思路，通过帧间差分法和宏块配准相结合的方法有效提取泡沫图像的运动特征；以图像运动特征以及刮板转速、充气量、矿浆的浓度为输入，基于svr支持向量回归算法进行建模。实现了浮选槽矿浆液位过程检测功能。附图说明图1为本发明实施例中基于浮选泡沫动态特征的矿浆液位预测方法的流程图；图2为本发明实施例中利用视频监控技术采集连续的浮选泡沫图像示意图；其中，(a)为利用视频监控技术采集连续的浮选泡沫图像中的第一幅图像示意图；(b)为利用视频监控技术采集连续的浮选泡沫图像中的第二幅图像示意图；(c)为利用视频监控技术采集连续的浮选泡沫图像中的第三幅图像示意图；(d)为利用视频监控技术采集连续的浮选泡沫图像中的第四幅图像示意图；(e)为利用视频监控技术采集连续的浮选泡沫图像中的第五幅图像示意图；(f)为利用视频监控技术采集连续的浮选泡沫图像中的第六幅图像示意图；图3为本发明实施例中对采集到的相邻两帧图像进行灰度处理并差分二值化后的图像示意图；其中，(a)为对采集到的第一幅图像进行灰度处理并差分二值化后的图像示意图；(b)为对采集到的第二幅图像进行灰度处理并差分二值化后的图像示意图；(c)为对采集到的第三幅图像进行灰度处理并差分二值化后的图像示意图；(d)为对采集到的第四幅图像进行灰度处理并差分二值化后的图像示意图；(e)为对采集到的第五幅图像进行灰度处理并差分二值化后的图像示意图；(f)为对采集到的第六幅图像进行灰度处理并差分二值化后的图像示意图；图4为本发明实施例中差分二值化图像进行阈值化处理后的图像示意图；其中，(a)为第一幅差分二值化图像进行阈值化处理后的图像示意图；(b)为第二幅差分二值化图像进行阈值化处理后的图像示意图；(c)为第三幅差分二值化图像进行阈值化处理后的图像示意图；(d)为第四幅差分二值化图像进行阈值化处理后的图像示意图；(e)为第五幅差分二值化图像进行阈值化处理后的图像示意图；(f)为第六幅差分二值化图像进行阈值化处理后的图像示意图；图5为本发明实施例中阈值化图像进行宏块轮廓绘制后的图像示意图；其中，(a)为第一幅阈值化图像进行宏块轮廓绘制后的图像示意图；(b)为第二幅阈值化图像进行宏块轮廓绘制后的图像示意图；(c)为第三幅阈值化图像进行宏块轮廓绘制后的图像示意图；(d)为第四幅阈值化图像进行宏块轮廓绘制后的图像示意图；(e)为第五幅阈值化图像进行宏块轮廓绘制后的图像示意图；(f)为第六幅阈值化图像进行宏块轮廓绘制后的图像示意图；图6为本发明实施例中利用视频监控技术采集新的连续的浮选泡沫图像示意图；其中，其中，(a)为利用视频监控技术采集新的连续的浮选泡沫图像中的第一幅图像示意图；(b)为利用视频监控技术采集新的连续的浮选泡沫图像中的第二幅图像示意图。具体实施方式为了使本发明的目的、技术方案及优势更加清晰，下面结合附图和具体实施例对本发明做进一步详细说明。此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。一种基于浮选泡沫动态特征的矿浆液位预测方法，流程如图1所示，包括如下步骤：步骤1：收集浮选机浮选过程中与泡沫动态特征相关的特征参数建立浮选参数历史数据库；所述特征参数包括刮板转速、充气量和矿浆的浓度。本实施例中，收集到的浮选动态特征相关参数历史数据如表1所示。表1相关参数历史数据(部分样本库)步骤2：利用视频监控技术采集连续的浮选泡沫图像，建立历史图像数据库。本实施例中，采集到的连续的浮选泡沫图像如图2所示。步骤3：记录历史图像数据库中每幅图像中浮选机的矿浆液位线下值并建立矿浆液位预测历史数据库。本实施例中，每幅图像中浮选机的矿浆液位线下值构建的矿浆液位预测历史数据库如表1所示。步骤4：对历史图像数据库中每幅图像中的泡沫流动速度进行提取，建立泡沫流动速度历史数据库，具体步骤如下：步骤4.1：在历史图像数据库中找到图像序列相邻的两帧，然后对两帧图像进行灰度处理，再利用帧间差分法得到差分图像并二值化；本实施例中，对历史图像数据库中的图像进行灰度处理，再进行差分二值化后的结果如图3所示。步骤4.2：对差值二值化后的图像进行阈值化处理，提取出图像中的运动区域。本实施例中，对差值二值化后的图像进行阈值化处理后的结果如图4所示。步骤4.3：把运动区域的帧图像分成固定大小的多个图像块，利用宏块配准法对图像块进行运动分析，找出前后帧图像各部分的位置对应关系，绘制宏块轮廓，从而得到各子块的运动速度特征。本实施例中，绘制好宏块轮廓的图像如图5所示。步骤4.4：采用分三步搜索法在运动区域的帧图像中通过两级搜索相邻帧中所选目标子块的最佳匹配位置，即最适合计算泡沫运动速度的位置。步骤4.5：通过相关函数幅值的方式判断第k帧图像和第k+1帧图像是否相关，若是，则继续步骤4.6，若否，则判断另外两帧相邻图像是否相关，直至所有帧图像均判断完成。步骤4.6：分别对第k帧图像和第k+1帧图像进行傅里叶变换，将图像从空间域转换至频域，得到fk(w，v)和fk+1(w，v)，其中，w和v为图像的频域坐标。本实施例中，若第k+1帧图像fk+1(x，y)为第k帧图像fk(x，y)在x和y方向上分别平移x0和y0后得到的，则有公式(1)：fk+1(x，y)＝fk(x-x0，y-y0)(1)其中，x和y为图像的空间域坐标。分别对第k帧图像和第k+1帧图像进行傅里叶变换后得到fk(w，v)和fk+1(w，v)，则有公式(2)：步骤4.7：根据第k帧图像和第k+1帧图像傅里叶图谱的互功率谱，分别计算两幅图像在x轴和y轴方向上相对平移量x0和y0，从而得到泡沫的运动速度。所述第k帧图像和第k+1帧图像傅里叶图谱的互功率谱的计算公式如公式(3)所示：其中，f1*表示f1的共轭复数，j为虚单位，j2＝-1。步骤4.8：根据得到的泡沫流动速度建立泡沫流动速度历史数据库。通过对公式(3)进行傅里叶逆变换，在空间点(x0，y0)处将形成一个单位脉冲函数，脉冲位置即为两幅被配准图像间的相对平移量x0和y0，通过这个位移量就可以得出泡沫的运动速度。本实施例中，定义流向浮选槽流速为正方向，流向浮选槽中心则为流速负方向，得到的泡沫流动速度历史数据库如表2所示。表2提取浮选泡沫流速特征(示例)步骤5：根据浮选参数历史数据库、矿浆液位预测历史数据库和泡沫流动速度历史数据库，建立历史数据样本库。本实施例中，建立的历史数据样本库如表3所示。表3样本库(部分)步骤6：将历史数据样本库中的样本通过svr支持向量回归拟合出泡沫流动速度与矿浆液位之间的函数关系并以函数的形式保存，具体步骤如下：步骤6.1：对历史数据样本库中的泡沫流动速度与矿浆液位的数值进行标准化处理。本实施例中，标准化处理即为归一化处理，具体处理公式如公式(4)所示：pi＝2(p-pmin)/(pmax-pmin)-1(4)其中：pi为处理后的数据，p为输入数据，pmax为输入数据中的最大值，pmin为输入数据中的最小值。步骤6.2：将标准化处理后的样本打乱顺序后随机排序，取一部分样本作为训练数据，剩余的样本作为测试数据。本实施例中，取样本的前五分之四作为训练数据，后五分之一作为测试数据。步骤6.3：通过svr支持向量回归对训练数据进行拟合，并对拟合结果进行测试后，得到泡沫流动速度与矿浆液位之间的函数关系并以函数的形式保存。本实施例中，当测试误差小于0.1％时，认为训练结果满意，保存好这组函数关系，得到的函数表达式如公式(5)所示：high＝f(v0，a，c，|v|)(5)其中，v0为刮板转速，a为充气量，c为矿浆浓度，v为矿浆流速。步骤7：利用视频监控技术采集新的连续的浮选泡沫图像，重复步骤4，对更新图像中的泡沫流动速度进行提取。本实施例中，采集到的新的连续的浮选泡沫图像如图6所示，重复步骤4，提取到的泡沫流动速度如表4所示。表4浮选泡沫动态特征特征刮板转速v0充气量a(m3/min)矿浆浓度c(％)矿浆流速v201.0232.3052.01步骤8：将提取到的泡沫流动速度作为输入，带入得到的泡沫流动速度与矿浆液位函数，对浮选机相应时刻的矿浆液位进行预测并输出。本实施例中，将提取到的泡沫流动速度带入得到的泡沫流动速度与矿浆液位函数，得到矿浆液位预测结果和实际记录结果如表5所示。表5矿浆液位预测结果和实际记录结果对比表序号矿浆液位值预测结果2.2实际结果2.1本发明提供的预测方法与现有方法相比较具有以下的优点：通过图像特征提取技术，利用帧间差分和宏块配准法对泡沫图像进行特征提取，建立了基于泡沫图像的矿浆液位预测模型，实现了对浮选过程矿浆液位的预测，能够为操作人员调整浮选工况提供辅助。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；因而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。当前第1页12