一种浮选泡沫溢流状态识别方法、装置和存储介质与流程

1.本文件涉及浮选技术领域，尤其涉及一种浮选泡沫溢流状态识别方法、装置和存储介质。


背景技术：

2.浮选机内泡沫的溢流状态是反映工况是否正常的最直观表现，例如断流、冒槽、溢流过快或过慢这些状态，均属于需要及时发现并予以纠正的异常状态。
3.现有方法会在浮选机平台上设置测距传感器，并通过测距传感器确定是否出现断流和冒槽的情况。因此，现有技术需要在浮选机平台上额外设置新的装置，以专门检测浮选过程中是否出现断流和冒槽。
4.然而，一旦测距传感器出现故障，换修测距传感器会增加设备运维的工作量，甚至引发其他不可预知的错误，从而影响浮选过程的效率。


技术实现要素：

5.鉴于上述的分析，本技术旨在提出一种浮选泡沫溢流状态识别方法、装置和存储介质，以保证在浮选过程中自动、及时发现泡沫的异常溢流状态。
6.第一方面，本说明书一个或多个实施例提供了一种浮选泡沫溢流状态识别方法，包括：
7.采集预设区域内的连续图像，所述预设区域由浮选槽、溢流堰和泡沫槽构成；
8.预先设置的第一深度学习模型基于所述连续图像中展示的泡沫移动状态，得到第一浮选泡沫溢流状态，所述第一浮选泡沫溢流状态包括：断流、冒槽和其他。
9.进一步地，所述浮选泡沫溢流状态为其他时，在所述得到第一浮选泡沫溢流状态之后，所述方法还包括：
10.根据所述连续图像，确定泡沫的移动速度；
11.根据所述移动速度和预设速度阈值，确定第二浮选泡沫溢流状态，所述第二浮选泡沫溢流状态包括：溢流过快、溢流过慢和溢流正常。
12.进一步地，所述第一深度学习模型基于所述连续图像中表征的泡沫移动状态，得到第一浮选泡沫溢流状态，包括：
13.在泡沫沿预设方向连续移动，且所述连续图像上看不到所述溢流堰时，确定所述第一浮选泡沫溢流状态为其他；
14.在所述泡沫未沿预设方向连续移动，且所述连续图像上能看到所述溢流堰时，确定所述第一浮选泡沫溢流状态为断流；
15.在所述泡沫未沿预设方向连续移动，且所述连续图像上看不到所述溢流堰时，确定所述第一浮选泡沫溢流状态为冒槽。
16.进一步地，所述第一深度学习模型的训练方法，包括：
17.分别采集断流状态下的第一图像序列，冒槽状态下的第二图像序列，其他状态下
的第三图像序列；
18.以所述第一图像序列，所述第二图像序列和所述第三图像序列为训练样本对预先设置的深度学习模型进行训练得到所述第一深度学习模型。
19.进一步地，所述方法还包括：
20.从所述预设区域内的连续图像中随机取得单张图像；
21.将所述单张图像输入预先设置的第二深度学习模型；
22.所述第二深度学习模型基于所述单张图像，确定所述第一浮选泡沫溢流状态。
23.进一步地，所述第二深度学习模型基于所述单张图像，确定所述第一浮选泡沫溢流状态，包括：
24.所述单张图像中存在所述溢流堰时，确定所述第一浮选泡沫溢流状态为断流；
25.所述单张图像中不存在所述溢流堰且存在所述泡沫槽时，确定所述第一浮选泡沫溢流状态为其他；
26.所述单张图像中不存在所述溢流堰和所述泡沫槽时，确定所述第一浮选泡沫溢流状态为冒槽。
27.进一步地，存在一个或多个所述预设区域，每个所述预设区域设置一个拍摄设备，所述方法还包括：
28.通过拍摄图像，确定各所述拍摄设备的拍摄范围；
29.对于所述拍摄范围对应的图像不存在所述泡沫槽的拍摄设备，采集所述预设区域内的连续图像；将所述连续图像输入预先设置的第一深度学习模型，得到所述第一浮选泡沫溢流状态；
30.对于所述拍摄范围对应的图像中，存在所述泡沫槽的拍摄设备，采集所述预设区域内的连续图像后，从连续图像中随机取得单张图像；将所述单张图像输入预先设置的第二深度学习模型，得到所述第一浮选泡沫溢流状态。
31.第二方面，本技术实施例提供了一种浮选泡沫溢流状态识别装置，包括：采集模块和数据处理模块；
32.所述采集模块用于采集预设区域内的连续图像，所述预设区域由浮选槽、溢流堰和泡沫槽构成；
33.所述数据处理模块用于基于所述连续图像中展示的泡沫移动状态，得到第一浮选泡沫溢流状态，所述第一浮选泡沫溢流状态包括：断流、冒槽和其他。
34.进一步地，对于连续图像，所述数据处理模块用于在泡沫沿预设方向连续移动，且所述连续图像上不存在所述溢流堰时，确定所述第一浮选泡沫溢流状态为其他；在所述泡沫未沿预设方向连续移动，且所述连续图像上存在所述溢流堰时，确定所述第一浮选泡沫溢流状态为断流；在所述泡沫未沿预设方向连续移动，且所述连续图像上不存在所述溢流堰时，确定所述第一浮选泡沫溢流状态为冒槽。对于单张图像，所述数据处理模块用于在所述单张图像中存在所述溢流堰时，确定所述第一浮选泡沫溢流状态为断流；在所述单张图像中不存在所述溢流堰但存在所述泡沫槽时，确定所述第一浮选泡沫溢流状态为其他；在所述单张图像中不存在所述溢流堰和所述泡沫槽时，确定所述第一浮选泡沫溢流状态为冒槽。所述浮选泡沫溢流状态为其他时，在所述得到浮选泡沫溢流状态之后，根据所述连续图像，确定泡沫的移动速度；根据所述移动速度和预设速度阈值，确定第二浮选泡沫溢流状
态。
35.第三方面，本技术实施例提供了一种存储介质，包括：
36.用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现第一方面任一项所述的方法。
37.与现有技术相比，本技术至少能实现以下技术效果：
38.1、本技术通过图像和软件算法来判断浮选泡沫的溢流状态，与现有的浮选泡沫图像软、硬件系统技术结合起来，可以在不额外设置检测设备的情况下，实现冒槽、断流、溢流过快、溢流过慢、溢流正常五种溢流状态的识别。。
39.2、本技术使用单张图像和连续图像分别训练第二深度学习模型和第一深度学习模型，并根据拍摄设备的拍摄范围结合第二深度学习模型和第一深度学习模型来确定浮选泡沫溢流状态，以兼顾使用单张图像预测占用资源少和使用连续图像预测适用性强的优点，进一步提高了方法的适用性。
附图说明
40.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
41.图1为本说明书一个或多个实施例提供的一种浮选泡沫溢流状态识别方法的流程图；
42.图2为本说明书一个或多个实施例提供的浮选槽、溢流堰和泡沫槽的俯视图。
具体实施方式
43.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
44.在不同气泡溢流状态下，从浮选机正上方可观察到不同的表面视觉特征。断流时，泡沫在浮选槽内来回晃动，且浮选机中溢流堰和泡沫槽表面均暴露。冒槽时，泡沫移动方向不固定，同时溢流堰和泡沫槽均被泡沫和矿浆掩盖，无法区分溢流堰和泡沫槽的位置。除此之外的其他状态，泡沫均沿垂直于溢流堰向浮选槽外方向移动，且溢流堰和泡沫槽均被泡沫和矿浆掩盖，但可大致区分出溢流堰和泡沫槽的位置。
45.然而，上述视觉特征是基于人眼的观察，但对于固定在浮选机上的拍摄设备，其拍摄范围是固定的，不能根据实际情况进行调整，因此拍摄设备可能拍摄到不完整的溢流堰和泡沫槽，而基于不完整的溢流堰和泡沫槽难于分辨冒泡、断流等溢流状态。
46.基于上述场景，本说明书实施例提供了一种浮选泡沫溢流状态识别方法，如图1所示，包括以下步骤：
47.步骤1、采集预设区域内的连续图像。
48.在本技术实施例中，预设区域由浮选槽、溢流堰和泡沫槽构成。同时，预设区域内设置有多个拍摄设备或一个拍摄设备。当存在多个拍摄设备时，各拍摄设备分别采集连续图像，并分别根据采集到的连续图像，确定相应拍摄设备所负责的区域的浮选泡沫溢流状态。拍摄设备包括图像采集设备和视频采集设备，如是图像采集设备，则直接采集预设区域内的连续图像，如是视频采集设备，则获取预设区域内的视频再解码以采集到预设区域内的连续图像。
49.步骤2、预先设置的第一深度学习模型基于连续图像中展示的泡沫移动状态，得到第一浮选泡沫溢流状态。
50.由在本技术实施例中，为了减少训练样本，深度学习模型选用vgg-16、resnet-50、mobilenet-v2等预训练模型。第一深度学习模型的训练过程为：分别采集断流状态下的第一图像序列，冒槽状态下的第二图像序列，其他状态下的第三图像序列。以第一图像序列，第二图像序列和第三图像序列为训练样本对预训练模型进行训练得到第一深度学习模型。
51.在本技术实施例中，第一浮选泡沫溢流状态包括：断流、冒槽和其他。基于断流和冒槽状态下，泡沫运动状态的不同，第一浮选泡沫溢流状态的判据为：
52.在泡沫沿预设方向连续移动，且所述连续图像上不存在所述溢流堰时，确定第一浮选泡沫溢流状态为其他；
53.在泡沫未沿预设方向连续移动，且所述连续图像上存在所述溢流堰时，确定第一浮选泡沫溢流状态为断流；
54.在泡沫未沿预设方向连续移动，且所述连续图像上不存在所述溢流堰时，确定第一浮选泡沫溢流状态为冒槽。
55.其中，预设方向和连续图像上是否存在所述溢流堰是第一深度学习模型通过训练自行获取的信息，无需人工指定。
56.具体地，拍摄设备是固定设置在浮选机上的，即在相应拍摄方向上，其他状态时泡沫的流动方向是不变的，因此深度学习模型可以基于该状态下泡沫的流动方向，提取相应的特征，并将该特征转化为预设流动方向。
57.在本技术实施例中，基于连续图像，除了能区分断流和冒槽，可以对其他状态的浮选泡沫溢流进行更细的分类。
58.具体地，根据连续图像，确定泡沫的移动速度。根据移动速度和预设速度阈值，确定第二浮选泡沫溢流状态。其中，第二浮选泡沫溢流状态包括：溢流过快、溢流过慢和溢流正常。通过上述方式，可以使检测人员了解浮选机中泡沫的流动情况，以便于检测人员预测可能出现断流或出现冒槽的浮选机。
59.在本技术实施例中，在浮选泡沫溢流状态为溢流过快时，说明浮选过程可能会出现冒槽，此时需要减少充气量或降低液位，以避免出现冒槽。在浮选泡沫溢流状态为溢流过慢时，说明浮选过程可能会出现断流，此时需要增加充气量和抬高液位，以避免出现断流。当浮选泡沫溢流状态为溢流正常时，此时维持充气量和液位不变。由此可知，本技术提供的技术方案可以帮助工作人员提前判断断流和冒槽是否会发生，以便于提前采取措施，从而避免断流或者冒槽发生。
60.软件算法处理连续图像时会占用大量系统资源，从而增加数据处理负担。因此，在本技术实施例中，还可以利用单张图像确定浮选泡沫溢流状态，具体过程为：
61.从预设区域内的连续图像中随机取得单张图像。将所述单张图像输入预先设置的第二深度学习模型。所述第二深度学习模型基于所述单张图像，确定所述第一浮选泡沫溢流状态。其中，通过训练预训练模型得到第二深度学习模型，预训练模型可以选用vgg-16、resnet-50、mobilenet-v2等预训练模型。
62.其中，从预设区域内的连续图像中随机取得单张图像具体过程为：
63.拍摄设备持续采集预设区域内的连续图像，并将连续图像存入预设队列中。之后，从队列中随机抽取单张图像。
64.第二深度学习模型对应的浮选泡沫溢流状态的判据为：
65.单张图像中存在溢流堰时，确定第一浮选泡沫溢流状态为断流；
66.单张图像中仅存在泡沫槽时，确定第一浮选泡沫溢流状态为其他；
67.单张图像中不存在溢流堰和泡沫槽时，确定第一浮选泡沫溢流状态为冒槽。
68.其中，单张图像上是否存在溢流堰或泡沫槽是第二深度学习模型通过训练自行获取的信息，无需人工指定。
69.基于上述方法，当一个浮选现场设置有多个拍摄设备时，确定浮选泡沫溢流状态的过程为：
70.通过拍摄图像，确定各拍摄设备的拍摄范围；
71.对于拍摄范围对应的图像不存在泡沫槽的拍摄设备，采集预设区域内的连续图像；将连续图像输入预先设置的第一深度学习模型，得到第一浮选泡沫溢流状态；
72.对于拍摄范围对应的图像中，存在泡沫槽的拍摄设备，采集预设区域内的连续图像后，从连续图像中随机取得单张图像；将单张图像输入预先设置的第二深度学习模型，得到第一浮选泡沫溢流状态。
73.具体地，由于多个设备在浮选机平台上安装时，有时会因外界因素或安装精度问题无法保证相对位置一致，各拍摄设备的拍摄范围可能不会相同，有些能拍摄到浮选槽、溢流堰和泡沫槽，有些只能拍摄到浮选槽和溢流堰。而浮选槽、溢流堰和泡沫槽的结构如图2所示。其中，图2为浮选槽1、溢流堰2和泡沫槽3的俯视图。针对拍摄范围包含浮选槽、溢流堰和泡沫槽的情况，依据第二深度学习模型对应的判据，识别泡沫的溢流状态。而对于拍摄范围只包含浮选槽和溢流堰的情况，需要依据第一深度学习模型对应的判据，才能识别泡沫的溢流状态。
74.同理，对于在一台浮选机上设置多个拍摄设备的情况，各拍摄设备的拍摄范围可能不会相同。同样地，针对拍摄范围中包含浮选槽、溢流堰和泡沫槽的图像，依据第二深度学习模型对应的判据，识别泡沫溢流状态。而对于拍摄范围只包含浮选槽和溢流堰的图像需要依据第一深度学习模型对应的判据，才能识别泡沫溢流状态。
75.通过上述方式，可以避免因多个拍摄设备的拍摄范围不同导致的模型适用性差问题。需要说明的是，对于部分拍摄设备适用第一深度学习模型，部分拍摄设备适用第二深度学习模型的情况，可以令所有拍摄设备使用第一深度学习模型。
76.本技术实施例提供了一种浮选泡沫溢流状态识别装置，包括：采集模块和数据处理模块；
77.采集模块用于采集预设区域内的连续图像，预设区域由浮选槽、溢流堰和泡沫槽构成；
integrated circuit hardware description language)与verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
84.控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(application specific integrated circuit，asic)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：arc 625d、atmel at91sam、microchip pic18f26k20以及silicone labs c8051f320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
85.上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
86.为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
87.本领域内的技术人员应明白，本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此，本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
88.本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
89.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
90.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或
其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
91.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
92.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
93.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
94.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
95.本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
96.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
97.以上所述仅为本文件的实施例而已，并不用于限制本文件。对于本领域技术人员来说，本文件可以有各种更改和变化。凡在本文件的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本文件的权利要求范围之内。