一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法
【技术领域】
[0001] 本发明涉及计算机视觉领域，特别涉及一种基于多元图像特征融合的矿物浮选泡 沫层厚度软测量方法。
【背景技术】
[0002] 随着计算机技术的快速发展，计算机视觉已经广泛应用到矿物泡沫浮选的过程监 控与优化控制中。在矿物浮选生产过程中，浮选槽浮选泡沫层表观特征与浮选过程的工艺 指标、操作变量有着密切的联系，不同生产状态下，浮选泡沫层会出现不同形态特征。实际 生产中为了提高经济效益和资源利用率，需要实时准确地调整泡沫层厚度、通风量及加药 量等操作变量，其中泡沫层厚度作为一种重要的操作变量，在给矿及药剂添加量一定的情 况下常观测及调整矿物浮选槽的泡沫层厚度使生产指标（包括品位、回收率等）满足工艺 要求。目前对泡沫层厚度的测量主要依靠操作人员肉眼观测，这种控制方法主观性强，缺乏 统一标准，很难保证浮选过程的稳定运行。因此，需要研究浮选泡沫层厚度的测量方法，实 时自动测量泡沫层厚度，进而为浮选生产过程的监控提供指导信息。
[0003] 随着机器视觉技术的快速发展，基于机器视觉的矿物浮选过程监控方法已经被广 泛应用于浮选过程控制中，大量实验数据表明泡沫层表观特征与浮选泡沫层厚度有着密切 的联系，能够准确反映泡沫层厚度。因此，研究一种基于机器视觉的泡沫层厚度软测量方法 具有重要的意义。
【发明内容】
[0004] 本发明公开了一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法。本 发明通过提取准确的泡沫图像特征，能够实时测量泡沫层厚度，有较高的预测精度和泛化 性能，解决了浮选泡沫层厚度难以在线实时检测的问题。
[0005] -种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法，包含以下步骤：
[0006] 步骤〈1> :获取各种浮选工况下的泡沫图像；
[0007] 步骤〈2> :分别提取泡沫图像的三种静态特征：尺寸、颜色、纹理，提取两种动态特 征：速度、稳定度，构建泡沫层厚度软测量的视觉特征向量；
[0008] 步骤〈3> :对图像特征数据进行异常剔除和归一化处理，并采用主成分分析法消 除特征数据间冗余，降低特征向量维数；
[0009] 步骤〈4> :利用降维后的图像特征数据，采用正则极限学习机建立矿物浮选泡沫 层厚度的软测量模型，实时预测泡沫层厚度。
[0010] 1.所述的一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法，步骤 〈2> 为：
[0011] 步骤a、使用分水岭分割方法对泡沫图像进行分割处理，统计分割后图像中泡沫的 数目及每个泡沫的面积，计算该图像中的泡沫面积均值Sizejii和面积方差Size_v作为尺 寸特征；
[0012] 步骤b、提取泡沫图像颜色特征，具体步骤为：将RGB颜色空间的泡沫图像转换到 HSI颜色空间，转换过程采用的公式
【主权项】
1. 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法，其特征在于，包含 以下步骤： 步骤1 :获取各种浮选工况下的泡沫图像； 步骤2 :分别提取泡沫图像的三种静态特征：尺寸、颜色、纹理，提取两种动态特征：速 度、稳定度，构建泡沫层厚度软测量的视觉特征向量； 步骤3 :对图像特征数据进行异常剔除和归一化处理，并采用主成分分析法消除数据 间冗余，降低特征向量维数； 步骤4 :针对降维后的图像特征数据，采用正则极限学习机建立矿物浮选泡沫层厚度 的软测量模型，实时预测泡沫层厚度。
2. 根据权利要求1所述的一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量 方法，其特征在于，步骤2为： 步骤a、使用分水岭分割方法对泡沫图像进行分割处理，统计分割后图像中泡沫的数目 及每个泡沫的面积，计算该图像中的泡沫面积均值Size_m和面积方差Size_v作为浮选泡 沫尺寸特征；
步骤b、提取泡沫图像颜色性紅目徒决聰士 ·检MR额在吞i、m的泡沫图像转换到HSi 颜色空间，转换过程采用的公? 其中〃
且R为原始图像的红色分量，G为绿色分量，B为蓝 色分量，分别计算均值（H_m，S_m，I_m)作为泡沫图像的颜色特征； 步骤c、提取泡沫图像纹理特征，具体步骤为： (1) 利用步骤b的方法转换泡沫图像颜色空间到HSI空间； (2) 建立以颜色为视觉特征的泡沫图像复杂网络模型，将一幅大小为MXM的泡沫图像 建立一个 由N = M2个节点组成的复杂网络模型，复杂网络模型节点和图像像素点的映射关系如 下式
其中i为复杂网路模型的第i个节点，（X，y)为与该节点对应的像素点在像素矩阵中 的坐标，roundO为取整函数，即该函数处理后的自然数仅保留其整数位；mod(m, η)为取余 函数，其表达式为mod(m，n) =m-nX[m+n]; (3) 计算步骤（2)建立的复杂网络模型节点特征差异度，数学表达式为：
其中（Xi, yi)为第i个节点对应的像素点坐标，刻画节点的空间特征；?为第i个 节点对应像素点的视觉特征向量，由像素点的H、S、I分量组成；I I a I I2为欧式范数， I =|| Hiax(^)II1，即该幅图像的H、S、I各颜色分量的最大值之和；r为搜索半径，r取值为4 ; (4) 根据节点特征差异度及阈值函数，在步骤（2)特征差异度小于阈值节点间建立连 边，阈倌函数数学表达式为：
I N 其中 -Vfeature;是图像第 i 个特征的均值，max_ iv ?=1 Vfeaturei是第i个特征的最大值，N是特征向量维数，w u为节点i和节点j的连边权重， Wij= 1表示节点间存在连边，反之则无连边，由此建立泡沫图像的复杂网络模型，该模型使 用邻接矩阵W描述^
其中Wii为连边权重，N为节点个数； (5) 提取泡沫图像的纹理特征，首先，计算步骤（4)建立的复杂网络节点度和度 分布，复杂网络中节点i的度k(i)表示网络中与节点i相连的边的数目；复杂网络 的度分布P(ri)表示复杂网络中度为η的节点所占的比例，数学表达式为= 其 中N为复杂网络节点总数，h(n)为复杂网络中度为η顶点的总数；然后，根据复杂网 络的度分布计算能量Energy和熵Entropy作为图像的纹理特征，数学分别表达式为：
步骤d、提取泡沫层动态特征，具体步骤为： (1) 在相邻泡沫图像序列的第一帧内任意选取矩形区域作为匹配模板，在当前帧搜索 最佳匹配位置，匹配准则为
其中f (i，j)和g(i，j)分别表示模板图像和目标图像的子模块；/和g分别表示模板 图像和目标图像的平均灰度值；I和J分别表示模板的尺寸；P和q表示位移量； (2) 在当前帧中寻找使匹配准则取值最大的位置，即最佳匹配位置，利用最佳匹配 位置与上一帧中模板位置之差，并根据相邻两帧图像的时间间隔，计算该时刻泡沫速度 Velocity ； (3)根据匹配模板在两帧图像中的不同位置，建立模板位移的关系，依据此关系，将后 一帧图像整体变换到其前一时刻对应的位置，然后计算变换图像和前帧图像的差分，给出 稳定度Stability,其公式表达式为：
其中Xijl和X ij2表示两帧图像在（I，j)像素点的灰度值；t表示稳定度阈值，L表示图 像像素点总数； 步骤e，根据步骤a-步骤d提取的泡沫层视觉特征及对应泡沫层厚度Thickness构造 10 维样本集 Z: KSizejiii, Size_Vi，H-Iiii, Sjni, Ijni, Energy" Entropyi, Velocity" Stabilit Yi, Thicknessi) 11 < i < N}，其中 N 为样本个数。
3.根据权利要求1所述的一种基于多元图像特征融合的矿物浮选泡沫层软测量方法， 其特征在于，步骤3为： 步骤a，对特征数据进行预处理，采用拉依达准则剔除异常数据：设样本Zi = (ZijI e Z,，i = 1，2,... N, j = 1，2,... 10,分别计算样本集Z中各维数据的均值Zj，根据贝
塞尔公式分别计算各维度标准误差 若测量值Zu满足 ： 则该 ' , I?)丨> J ； 数据为异常数据，删除其在样本集Z中对应的样本；
步骤b，对获取的泡沫层视觉特征，采用主成分分析法（PCA)消除特征数据间冗余，降 低特征维数，具体步骤为： (1) 将泡沫层视觉特征构成数据矩阵j 对X进行规范化处理，得 到标准化矩阵P，其处理方法为：
(2) 计算矩阵P的相关系数矩阵
(3) 计算矩阵R的特征向量λ i及对应的特征向量e i，i = 1，2,. . . 9,并按从特征值大 到小的顺序排列A1S λ 2>... > λ 9，特征向量矩阵就是主成分矩阵； (4) 计算主成分的累计贡献率，数学表达式为：
l2，···，9,选取累计贡献率 达到90%的前k个特征值对应的特征向量作为特征降维后的主成分。
4.根据权利要求1所述的一种基于多元图像特征融合的矿物浮选泡沫层软测量方法， 其特征在于，步骤4中结合正则极限学习机建立浮选泡沫层厚度软测量模型，步骤为： 步骤a、将由步骤3得到的N个k维图像特征样本和对应的泡沫层厚度构成训练样本 集，其中图像特征Xi构成模型输入矩阵X，泡沫层厚度y i构成模型输出矩阵Y ; 步骤b、设正则极限学习机模型的激励函数为sigmoid函数g( ·)，输入节点k个，输出 节点1个，隐含节点15个，计算神经网络隐含层输出矩阵H，计算公式为：
其中，Coi为输入层神经元与第i个隐含层神经元的连接权值；b i为第i个隐藏节点的 阈值； 计算模型输出权值矩阵# = μ-7 + ，最终建立正则极限学习机模型，其中I 为单位矩阵，H+为H的Moore-Penrose广义逆矩阵，λ为体现结构风险和经验风险的比例 参数，实际应用过程中通过交叉验证迭代寻优方法确定比例参数λ最优值； 步骤c、结合上述数据预处理方法，将实际矿物泡沫浮选生产中实时采集的浮选槽泡沫 层视觉特征作为模型的输入，利用建立的正则极限学习机模型，计算得到实时浮选槽内泡 沫层厚度值。
【专利摘要】本发明公开了一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法。通过实时采集矿物浮选槽的泡沫图像，提取浮选槽泡沫层图像的静态特征及动态特征，包括形态、颜色、纹理、速度、稳定度泡沫层视觉特征，构成泡沫层厚度的视觉特征向量。通过对泡沫层厚度视觉特征向量进行异常数据剔除和归一化数据处理，提高数据准确性，采用主成分分析法消除数据冗余、降低向量维数。以降维后的泡沫层视觉特征向量为输入，以泡沫层厚度值为输出，采用正则极限学习机建立泡沫层厚度软测量模型，实现泡沫层厚度的在线实时检测。本发明方法建立的模型有较高的预测精度和泛化性能，解决了浮选泡沫层厚度难以在线测量的问题，为矿物浮选生产过程工艺参数的在线检测提供了新思路。
【IPC分类】G01B11-06
【公开号】CN104634265
【申请号】CN201510082043
【发明人】徐德刚, 陈晓, 徐戏阳, 吴晨曦, 苏志芳, 谢永芳, 阳春华, 桂卫华
【申请人】中南大学
【公开日】2015年5月20日
【申请日】2015年2月15日