基于圖像數據提取和神經網絡建模的鉑浮選品位估算方法
【專利摘要】本發明涉及一種基于圖像數據提取和神經網絡建模的鉑浮選品位估算方法，通過變量實驗得到充氣速率、礦漿濃度、捕收劑、活化劑、起泡劑、抑制劑六個變量與浮選品位、回收率之間的相關程度；對鉑泡沫圖像進行采集和預處理，并從預處理所得的默認的灰度圖像、直方圖均衡化、圖像的對比強化和圖像的二值化四種特征圖像中提取能量、熵、慣性、同質性、灰度相關性五種圖像數據；建立包含三節點輸入層、隱藏層和雙節點輸出層的多層感知器神經網絡模型。本發明所提出的一種基于圖像數據提取和神經網絡建模的鉑浮選品位估算方法，有效的實現了通過泡沫圖像估算浮選品位和回收率，達到了實時監測浮選過程中品位和回收率的目的。
【專利說明】基于圖像數據提取和神經網絡建模的鉑淳選品位估算方法
【技術領域】
[0001] 本發明涉及礦選領域，特別的是一種基于圖像數據提取和神經網絡建模的鉬浮選 品位估算方法。
【背景技術】
[0002] 隨著科技發展，對選礦過程各參數變化的自動監測技術，要求越來越高，而且傳統 方式諸多弊端也慢慢顯現。傳統監測技術主要包括：熒光分析和粒度分析儀，它們可以在短 時間內得到產品品位。傳統方式弊端主要包括：相關設備設計開發不切合實際，檢測數據誤 差大，選礦環境惡劣導致傳感器使用壽命短，控制系統維護成本較高。
[0003] 人工神經網絡（ANN)也簡稱為神經網絡（NNs)或稱作連接模型（Connection Model)，它是一種模仿動物神經網絡行為特征，進行分布式并行信息處理的算法數學模型。 這種網絡依靠系統的復雜程度，通過調整內部大量節點之間相互連接的關系，從而達到處 理信息的目的。多層感知器神經網絡（MLP)是一種多層前饋網絡模型，它通常由三部分組 成：一組感知單元組成輸入層、一層或多層計算節點的隱藏層和一層計算節點的輸出層，被 廣泛應用于模式識別、圖像處理、函數逼近、優化計算等領域。神經網絡建模技術的進一步 的成熟，為浮選自動化提供了基礎。
【發明內容】
[0004] 本發明的目的在于提供一種基于圖像數據提取和神經網絡建模的鉬浮選品位估 算方法，以克服現有技術中存在的缺陷。
[0005] 為實現上述目的，本發明的技術方案是：一種基于圖像數據提取和神經網絡建模 的鉬浮選品位估算方法，其特征在于，按照如下步驟實現： 51 :通過變量實驗，并對所述變量實驗的結果通過柏拉分布圖進行分析，得出變量對浮 選品位和回收率的影響程度；所述變量包括充氣速率、礦漿濃度、捕收劑、活化劑、起泡劑和 抑制劑； 52 :對鉬泡沫圖像進行采集和預處理，并提取鉬泡沫圖像特性數據； 53 :通過多層感知器神經性網絡對所述鉬泡沫圖像特性數據與浮選品位、回收率之間 的關系進行建模，得出所述鉬泡沫圖像特性數據與浮選品位、回收率之間的數量關系。
[0006] 進一步的，所述步驟Sl中，還包括如下步驟： 511 :用正號和負號分別對所述變量進行表示； 512 :通過棒磨機進行磨礦，并在預設的磨礦時間，添加捕收劑和活化劑；經攪拌Tls， 使藥劑充分作用后，測量礦漿的pH值和溫度，再添加抑制劑和起泡劑，作用T2s后開始充 氣，并調整棒磨機旋轉輪的轉速和礦漿液面高度； 513 :分五個階段進行刮泡，每次刮泡間隔T3s，前三個階段和后兩個階段按照不同的 條件變量進行試驗，在第五階段刮泡完成后，將五個樣品和抽取的尾礦進行抽濾、烘干和化 驗； S14 :用柏拉分布圖對所述步驟S13中的刮泡結果進行表示，每個條形表示一種變量， 且每個變量對應條行的長度為每個變量對應的T型分布的情況。
[0007] 進一步的，在所述步驟S2中，還包括如下步驟： 521 :通過高清攝像機獲取鉬泡沫圖像，用RGB色彩模式表示該鉬泡沫圖像，并轉化為 灰度圖像； 522 :將所述步驟S21中的灰度圖像分別調整為默認的灰度圖像、直方圖均衡化、圖像 的對比強化和圖像的二值化四種鉬泡沫特征圖像，即進行預處理； 523 :對所述步驟S22中得到的每種鉬泡沫特征圖像采用分區計算的方式，依次得到每 種鉬泡沫特征圖像的鉬泡沫圖像特征數據，且所述鉬泡沫圖像特征數據包括：能量、熵、慣 性、同質性和灰度相互關系。
[0008] 進一步的，在所述步驟S3中，還包括如下步驟： S31 :通過主要特征數據分析，將每種鉬泡沫特征圖像對應的鉬泡沫圖像特征數據減少 到三個，精簡輸入數據集； S32:將多層感知器神經網絡設置為三層，包括：三節點輸入層、隱藏層和雙節點輸出 層，并通過BFGS方程設定單極型激活函數，雙極型激活函數和調整函數； S33 :將精簡后的輸入數據集從三節點輸入層輸入，經各隱層逐層處理后，傳向雙節點 輸出層，并經所述步驟S23中得到的所述鉬泡沫圖像特征數據的運行、修正和驗證，建立起 多層感知器神經網絡模型。
[0009] 相較于現有技術，本發明具有以下有益效果：本發明所提出的一種基于圖像數據 提取和神經網絡建模的鉬浮選品位估算方法，綜合采用了包括選礦變量研究、泡沫圖像攝 錄、泡沫圖像信息轉化與處理、多層感知神經網絡等多個領域的技術，先得到浮選過程中主 要變量對于浮選品位和回收率的影響，再將鉬泡沫圖像特征數據輸入到多層感知器神經網 絡，得出其與浮選品位和回收率之間的關系，實現了通過鉬泡沫圖像估算浮選品位和回收 率。而且本發明經濟效用高，有效減少人力成本；自動化程度高，有利于實現浮選過程自動 化；普適性強，可應用于其他礦石或其他領域；提高了生產穩定性，有助于對浮選成品品位 和回收率實時監測，盡快發現生產問題。
【專利附圖】
【附圖說明】
[0010] 圖1為本發明中基于圖像數據提取和神經網絡建模的鉬浮選品位估算方法流程 圖。
[0011] 圖2為本發明中變量實驗過程流程圖。
[0012] 圖3為本發明中圖像特征數據提取流程圖。
[0013] 圖4為本發明中通過鉬泡沫特征圖像提取鉬泡沫圖像特征數據流程圖。
[0014] 圖5為本發明中多層感知器神經網絡建模流程圖。
【具體實施方式】
[0015] 下面結合附圖，對本發明的技術方案進行具體說明。
[0016] 本發明提供一種基于圖像數據提取和神經網絡建模的鉬浮選品位估算方法，如圖 1所示，其特征在于，按照如下步驟實現： 51 :通過變量實驗，并對所述變量實驗的結果通過柏拉分布圖進行分析，得出變量對浮 選品位和回收率的影響程度；所述變量包括充氣速率、礦漿濃度、捕收劑、活化劑、起泡劑和 抑制劑； 52 :對鉬泡沫圖像進行采集和預處理，并提取鉬泡沫圖像特性數據； 53 :通過多層感知器神經性網絡對所述鉬泡沫圖像特性數據與浮選品位、回收率之間 的關系進行建模，得出所述鉬泡沫圖像特性數據與浮選品位、回收率之間的數量關系。
[0017] 進一步的，在本實施例中，所述變量實驗包括條件實驗和分析條件實驗，實驗使用 3. OL的充氣攪拌型浮選槽，且如圖2所示，所述步驟Sl中，還包括如下步驟： 511 :用正號和負號分別對所述變量進行表示，變量取較大數值的時候用正號表示，反 之，用負號表示，設計八組實驗； 512 :通過棒磨機進行磨礦，并在預設的磨礦時間，添加捕收劑和活化劑；經攪拌Tls， 使藥劑充分作用后，測量礦漿的pH值和溫度，再添加抑制劑和起泡劑，作用T2s后開始 充氣，并調整棒磨機旋轉輪的轉速和礦漿液面高度；在本實施例中，所采用的棒磨機為 XMMB-240 X 300棒磨機，經攪拌120s，使藥劑充分作用后，測量礦漿的pH值和溫度，再添 加抑制劑和起泡劑，作用120s后開始充氣，并根據浮選槽規格和泡沫堆積30s的原則來調 整棒磨機旋轉輪的轉速和礦漿液面高度； 513 :分五個階段進行刮泡，每次刮泡間隔T3s，得到五個樣品，且對第四階段刮泡的樣 品進行迅速提取；在第五階段刮泡完成后，將五個樣品和抽取的尾礦進行抽濾、烘干和化 驗；在本實施例中，每隔20s刮一次泡，在第三階段之后，補充藥劑，對第四階段的樣品進行 迅速提取，完成五個階段的刮泡后，將得到的樣品以及抽取的尾礦進行抽濾，烘干和化驗； 514 :用柏拉分布圖對所述步驟S13中的刮泡結果進行表示，每個條形表示一種變量， 且每個變量對應條行的長度為每個變量對應的T型分布的情況；在本實施例中，終對應的 條形的長度依次減短，即不同變量對于浮選品位和回收率的影響均依次減弱。
[0018] 步驟Slf步驟S13為條件實驗步驟，步驟S14為分析條件實驗步驟，設置實驗條 件和分析條件實驗的目的在于了解鉬泡沫圖像之外的其他變量對于浮選品位和回收率的 影響，且通過做前期實驗，了解鉬浮選特性，減少主體實驗工作量。
[0019] 進一步的，如圖3和圖4所示，在所述步驟S2中，還包括如下步驟： S21 :通過高清攝像機獲取鉬泡沫圖像，用RGB色彩模式表示該鉬泡沫圖像，并轉化 為灰度圖像，且該高清攝像機要求清晰度至少為1280*720,畫面幀數不少于為30fp ;在 本實施例中，高清攝像機選用佳能Z-80型防水攝像機，清晰度為1280*720,畫面幀數為 30fps，每一組實驗持續1. 5個小時，能夠搜集到85000張1280*720圖片，并將這些圖片將 用Matlab7. 0的圖像處理工具進行處理，先用RGB色彩模式來表示，再轉化為灰度圖像，把 黑-灰-白連續變化的灰度值量化為256個灰度級，灰度值的范圍為(T255,表示亮度從深 到淺，對應圖像中的顏色為從黑到白； S22:將所述步驟S21中的灰度圖像分別調整為默認的灰度圖像、直方圖均衡 化、圖像的對比強化和圖像的二值化四種鉬泡沫特征圖像，即進行預處理，用字母 f表不，其中： |=1:默認的灰度 |=2:直方圖均衡化圖像 直方圖均衡化是通過使用累積函數對灰度值進行"調整"以實現對比度的增強的一種 圖像處理方式，這種方法通常用來增加許多圖像的局部對比度，尤其是當圖像的有用數據 的對比度相當接近的時候； I=3:圖像的對比強化： 增強圖像對比度實際是增強原圖的各部分的反差，實際中往往是通過增強原圖里某兩 個灰度值間的動態范圍來實現的； 1=4:圖像的二值化 圖像二值化就是將圖像上的像素點的灰度值設置為〇或255,也就是將整個圖像呈現 出明顯的黑白效果。圖像的二值化有利于圖像的進一步處理，使圖像變得簡單，而且數據量 減小，能凸顯出感興趣的目標的輪廓； S23 :對所述步驟S22中得到的每種鉬泡沫特征圖像采用分區計算的方式，依次得到每 種鉬泡沫特征圖像的鉬泡沫圖像特征數據，在本實施例中，進一步通過如下方式提取鉬泡 沫圖像特征數據： 圖像的空間灰度矩陣取決于根據二階聯合條件概率密度函數得到的像素強度變量的 估計值，在函數f(i，j，d，a)中，a=0 °、45°、90°、135° ,灰度從i到j，試樣之間的統計 間隔為d，方向為角度a。假設圖像的灰度為g，則密度函數可以表示為g*g的矩陣，采用距 離d和方向a為參數，把圖像每一個灰度區域依次分析計算，則可通過使用函數來表示 獲取泡沫圖像特征數據，且鉬泡沫圖像特性數據包括：能量、熵、慣性、同質性和灰度相互關 系，其中：
【權利要求】
1. 一種基于圖像數據提取和神經網絡建模的鉬浮選品位估算方法，其特征在于，按照 如下步驟實現： 51 :通過變量實驗，并對所述變量實驗的結果通過柏拉分布圖進行分析，得出變量對浮 選品位和回收率的影響程度；所述變量包括充氣速率、礦漿濃度、捕收劑、活化劑、起泡劑和 抑制劑； 52 :對鉬泡沫圖像進行采集和預處理，并提取鉬泡沫圖像特性數據； 53 :通過多層感知器神經性網絡對所述鉬泡沫圖像特性數據與浮選品位、回收率之間 的關系進行建模，得出所述鉬泡沫圖像特性數據與浮選品位、回收率之間的數量關系。
2. 根據權利要求1所述的基于圖像數據提取和神經網絡建模的鉬浮選品位估算方法， 其特征在于，所述步驟S1還包括： 511 :用正號和負號分別對所述變量進行表示； 512 :通過棒磨機進行磨礦，并在預設的磨礦時間，添加捕收劑和活化劑；經攪拌Tls， 使藥劑充分作用后，測量礦漿的pH值和溫度，再添加抑制劑和起泡劑，作用T2s后開始充 氣，并調整棒磨機旋轉輪的轉速和礦漿液面高度； 513 :分五個階段進行刮泡，每次刮泡間隔T3s，前三個階段和后兩個階段按照不同的 條件變量進行試驗，在第五階段刮泡完成后，將五個樣品和抽取的尾礦進行抽濾、烘干和化 驗； 514 :用柏拉分布圖對所述步驟S13中的刮泡結果進行表示，每個條形表示一種變量， 且每個變量對應條行的長度為每個變量對應的T型分布的情況。
3. 根據權利要求1所述的基于圖像數據提取和神經網絡建模的鉬浮選品位估算方法， 其特征在于，在所述步驟S2中，還包括如下步驟： 521 :通過高清攝像機獲取鉬泡沫圖像，用RGB色彩模式表示該鉬泡沫圖像，并轉化為 灰度圖像； 522 :將所述步驟S21中的灰度圖像分別調整為默認的灰度圖像、直方圖均衡化、圖像 的對比強化和圖像的二值化四種鉬泡沫特征圖像，即進行預處理； 523 :對所述步驟S22中得到的每種鉬泡沫特征圖像采用分區計算的方式，依次得到每 種鉬泡沫特征圖像的鉬泡沫圖像特征數據，且所述鉬泡沫圖像特征數據包括：能量、熵、慣 性、同質性和灰度相互關系。
4. 根據權利要求3所述的基于圖像數據提取和神經網絡建模的鉬浮選品位估算方法， 其特征在于：在所述步驟S3中，還包括如下步驟： S31 :通過主要特征數據分析，將每種鉬泡沫特征圖像對應的鉬泡沫圖像特征數據減少 到三個，精簡輸入數據集； S32:將多層感知器神經網絡設置為三層，包括：三節點輸入層、隱藏層和雙節點輸出 層，并通過BFGS方程設定單極型激活函數，雙極型激活函數和調整函數； S33:將精簡后的輸入數據集從三節點輸入層輸入，經各隱層逐層處理后，傳向雙節點 輸出層，并經所述步驟S23中得到的所述鉬泡沫圖像特征數據的運行、修正和驗證，建立起 多層感知器神經網絡模型。
【文檔編號】G06K9/64GK104331714SQ201410701485
【公開日】2015年2月4日 申請日期:2014年11月28日 優先權日:2014年11月28日
【發明者】劉述忠, 郭萬富, 王衛星 申請人:福州大學