基于泡沫图像多特征的分层工况感知判别方法与流程

本发明涉及泡沫浮选工艺技术领域，特别是涉及对于浮选过程中工况的判别方法。

背景技术：

在泡沫浮选工艺中，在对锌浮选粗选槽出槽工况品位值的所属区间进行判定时，这些区间对应着一系列相接近的工况，当品位值变化较小的时候，从泡沫图像采集到的相关的物理特征值之间的区别很小，很难做出工况类别判断，甚至存在误分类的情况出现。

对于工况区间交接点或者区间交接点周围的一定范围内，工况所属类别存在争议，尤其是在交界点左右偏移的一定范围内，此时工况所对应的泡沫图像采集到的特征值存在很细微的差别，导致工况类别判别错误，而这种差别，一般会被人为忽视，若是对这类工况都采取忽略态度，那么对最后的品位值与回收率的控制将会产生较大的影响。或有人注意到了这类问题，但是由于没有有效解决此类分类模糊或者分类错误的情况的方法，而选择忽视。与此同时，本发明测量的是锌浮选粗选槽的出矿品位值，为后面的加药量进行一个有效指导，这期间是存在时间限制的，用时过长，容易错过药剂调整的时间。总而言之，受到种种限制，以致于大家选择忽视这类特殊的工况。

技术实现要素：

本发明提供了一种基于泡沫图像分层工况感知方法。针对对象处于工况区间的交点或者处于工况的交界边缘时，工况类别判断存在一定的错误概率，其中存在误分类的可能。

本发明所采用的技术方案是：采用粗、细分层的方法来进行实时工况判别。具体步骤如下：

a.对锌浮选粗选槽的泡沫图像的物理特征进行提取，物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速，用来表征浮选工况；通过对k个锌浮选泡沫图像p1,p2…pk进行特征提取，泡沫尺寸特征通过图像分割得到具体数据集c1＝(c11…c1k)，对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行计算得到具体数据集分别为c2＝(c21…c2k)、c3＝(c31…c3k)、c4＝(c41…c4k)，泡沫流速通过对相邻两帧的图像进行特征点标记，进行相对应速度计算得到最后的数据集c5＝(c51…c5k)；

b.通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行可信任度分配，通过改进的多种群自适应遗传算法，考虑到各个特征的重要度不同，各个特征所对应的权值分别为d1、d2、d3、d4、d5，采用的以下适应度函数，即目标函数：

其中(c10…c50)为目标函数的解，计算得到整体最优解u′＝(c′1,c′2,c′3,c′4,c′5)，通过实时输入的泡沫图像提取特征值u＝(c11,c12,c13,c14,c15,)；与最优解u′进行差量计算，求和，得到模糊指数α，根据模糊指数α用来判别四个工况类别，分别用y1,y2,y3,y4表示；

c.判断是否需要进行第二层细分类：

a.定义一个最小工况模糊距离γ，即工况区界相接点坐标轴左右的一个最小距离偏移量，在中间相接点边界b处，存在有不确定段[b-γ，b]和[b，b+γ]，两个区间的值有可能属于前一区间[a，b]，也有可能属于后一区间[b，c]，这两个不确定区间定义为工况模糊地带，落在此区间带需进一步确定其具体工况；判断第一层的工况结果，是否属于模糊区域，若属于，则判定此时工况为不确定，再采用进一步的第二层工况细分类，即实施d步骤；若不属于，直接判定此时的工况类别为第一层工况分类的类别结果，直接输出最终工况类别；

d.基于卷积神经网络及随机森林的浮选工况第二层细分类：

a.采用卷积神经网络对n个泡沫图像进行特征提取，获取深度特征，进行训练，将rgb泡沫图像直接作为输入，为了防止过拟合，采用relu层，采用的具体函数如下：

其中x表示的是前一层的特征输出；

b.当前状态落于模糊地带时，进行第二层细分类，实时输入泡沫rgb图像，通过卷积神经网络的识别，通过两个全连接层降维，得到最后的唯一输出y，之后采用随机森林进行工况的准确判别，此时输出的工况类别即为最终工况类别。

所述的γ范围为[0.6，0.7]。

所述的泡沫图像的维度为3×256。

所述的四个工况类别，y1,y2,y3,y4类别分别为[42，46]，[46，50]，[50，54]，[54，58])。

所采用的神经网络结构为：1个输入层，2个池化层，2个卷积层，2个全连接层。

所述的d1＝0.3、d2＝0.2、d3＝0.1、d4＝0.2、d5＝0.2。

与现有技术相比，本发明的有益效果是第一层能保证系统地及时性，针对区间中间部分，没有争议的工况点进行模糊控制能有效快速的进行工况判别，对于落在工况区界交界处的点所对应的特征区别较小，判断需要更为仔细，为了解决在区间交界处或者其周围的工况模糊性问题，通过系统地进行工况分类的分层控制，达到最后快速性和准确性的双重优点。通过及时与准确的工况类别判断，对后续的操作提供了有力的指导，仅仅通过过实时的泡沫图像，来达到判别工况类别的目的，对浮选系统的参数进行调整，达到高效快速生产，有效提高了企业的经济效益。

附图说明

图1为工况区间具体说明图；

图2为基于泡沫图像多特征的分层工况感知判别方法整体流程图。

具体实施方式

下面结合附图对本发明进一步说明。

a.对锌浮选粗选槽的泡沫图像的物理特征进行提取，物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速，用来表征浮选工况；

a.第一层基于模糊数学的粗分类时，采用综合多种物理特征，其中包括泡沫尺寸、纹理特征(包括对比度、熵值、相关系数)、动态特征(泡沫流速)，来表征浮选工况。通过对k个锌浮选泡沫图像p1,p2…pk进行特征提取，泡沫尺寸特征通过图像分割得到具体数据集c1＝(c11…c1k)，对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行相对应的计算得到具体数据集分别为c2＝(c21…c2k)、c3＝(c31…c3k)、c4＝(c41…c4k)，泡沫流速通过对相邻两帧的图像进行特征点标记，进行相对应速度计算得到最后的数据集c5＝(c51…c5k)。

b.粗分类时，通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行可信任度分配，计算得出各个特征所对应的权值d1＝0.3、d2＝0.2、d3＝0.1、d4＝0.2、d5＝0.2，通过改进的多种群自适应遗传算法(mpga)，其中考虑到各个特征的重要度不同，所采用的适应度函数为：

计算得到整体最优解u′＝(c′1,c′2,c′3,c′4,c′5)。通过实时的输入的泡沫图像提取以上特征值u＝(c11,c12,c13,c14,c15,)，与各个特征值得最优解u′进行差量计算，求和，得到最终值(即为模糊指数)α，用来判别最后的工况类别y1,y2,y3,y4(将其浮选工况类别进行分为四个相邻的品位值区间类别分别为[42,46],[46,50],[50,54],[54,58])。

c.是否需要进一步工况判断的条件，即是否需要进行第二层细分类：

a.定义一个最小工况模糊距离γ，考虑到品位值区间精度，γ＝0.6，即工况区界相接点坐标轴左右的一个最小距离偏移量。如图1中，落在区间[a，b]中的任何一个点属于同一个工况，但是在边界b处，存在有争议段，[b-γ，b]和[b，b+γ]。有可能属于前一区间，也有可能属于后一区间[b，c]。此时这两个存疑区间则定义为工况模糊地带，落在此地带都需进一步确定其具体工况。而区间内部[a+γ，b-γ]，则定义为安全地带，不存在任何争议。判断此时第一层的工况结果，是否属于模糊区域，若属于，则判定此时工况为不确定，再采用进一步的工况细分类，即实施e步骤。若不属于，直接判定此时的工况类别为第一层工况分类的类别结果，直接输出最终工况类别。

e.基于卷积神经网络及随机森林的浮选工况第二层细分类：

a.基于神经网络的细分类时，采用卷积神经网络对n个泡沫图像进行特征提取，获取深度特征。进行训练，将rgb泡沫图像直接作为输入，维度为3×256，其中采用的神经网络结构有：1个输入层，2个池化层，2个卷积层，2个全连接层，为了防止过拟合，采用relu(rectifiedlinearunit)层，所采用的具体函数如下：

其中x表示的是前一层的特征输出。

b.当前状态落于模糊地带时，进行第二层细分类，实时输入泡沫rgb图像，维度为3×256，通过卷积神经网络的识别，通过两个全连接层降维，得到最后的唯一输出y，之后采用随机森林进行工况的准确判别，此时输出的工况类别即为最终工况类别。