浮選過(guò)程泡沫大小動(dòng)態(tài)分布特征及健康狀態(tài)統(tǒng)計(jì)模式識(shí)別

1基于泡沫大小動(dòng)態(tài)分布特征的浮選工況分析浮選是固、液、氣三個(gè)表面之間的連續(xù)物理過(guò)程。這是一種應(yīng)用最廣泛的過(guò)濾方法。通過(guò)添加特定的浮選劑，大多數(shù)礦石都可以選擇。在浮選過(guò)程中，浮選劑是大多數(shù)選擇廠最重要的控制量。雖然該藥物的添加質(zhì)量直接影響礦山的生產(chǎn)指標(biāo)，但不同選擇廠的藥物添加自動(dòng)控制水平較低，主要取決于人工精細(xì)觀察浮選泡沫表面的視覺(jué)特性，并根據(jù)工作經(jīng)驗(yàn)調(diào)整浮選藥物的劑量。浮選基質(zhì)的三維成像不能用于實(shí)時(shí)監(jiān)測(cè)浮選現(xiàn)場(chǎng)中數(shù)十到100個(gè)浮采槽的數(shù)量。此外，人工觀察的主觀性差異導(dǎo)致的浮選過(guò)程中的生產(chǎn)指標(biāo)頻繁波動(dòng)，浮選藥物的工作量大，難以保證生產(chǎn)的穩(wěn)定性和優(yōu)化運(yùn)行。特別是，我國(guó)的主要礦源廠普遍處于礦源不穩(wěn)定和礦產(chǎn)重量低的狀態(tài)。為了達(dá)到指定的礦產(chǎn)重量，必須調(diào)整藥物的劑量。鑒于泡沫表面視覺(jué)特征與生產(chǎn)工況的密切關(guān)系,研究者和工程操作人員嘗試將計(jì)算機(jī)視覺(jué)引入到礦物浮選過(guò)程監(jiān)控中,通過(guò)自動(dòng)獲取泡沫表面視覺(jué)特征進(jìn)行生產(chǎn)狀態(tài)的機(jī)器判決,以期實(shí)現(xiàn)浮選過(guò)程的自動(dòng)控制與優(yōu)化運(yùn)行.大量的研究表明,浮選泡沫大小分布與加藥量是直接相關(guān)的.Xu等根據(jù)泡沫尺寸分布的特點(diǎn)提出了一種基于浮選氣泡尺寸概率密度分布函數(shù)的浮選藥劑量故障診斷方法,并進(jìn)行了相應(yīng)的仿真分析與實(shí)驗(yàn),獲得了較好的結(jié)果.現(xiàn)場(chǎng)有經(jīng)驗(yàn)的操作工人也正是通過(guò)觀察浮選氣泡的大小分布特點(diǎn)來(lái)判斷加藥量的好壞程度,并進(jìn)行下一步藥劑量調(diào)整.因此,如果能通過(guò)計(jì)算機(jī)視覺(jué)自動(dòng)獲得浮選氣泡大小分布特征,再根據(jù)氣泡尺寸分布變化特點(diǎn)與典型藥劑添加量健康狀態(tài)下的泡沫尺寸分布特征進(jìn)行對(duì)比分析,就可以實(shí)現(xiàn)浮選過(guò)程加藥量健康狀態(tài)的自動(dòng)鑒別與合理評(píng)價(jià),進(jìn)而提醒生產(chǎn)者及時(shí)對(duì)浮選藥劑量進(jìn)行調(diào)整,以達(dá)到浮選生產(chǎn)的優(yōu)化運(yùn)行.基于泡沫大小動(dòng)態(tài)分布特征的浮選工況分析,首先需要解決以下兩個(gè)難題:1)氣泡尺寸統(tǒng)計(jì)分布特征的準(zhǔn)確獲取.浮選氣泡尺寸分布可以通過(guò)分割泡沫圖像統(tǒng)計(jì)各獨(dú)立氣泡大小獲得,因此準(zhǔn)確的泡沫圖像分割是關(guān)鍵.但是,泡沫圖像是由大量的礦化氣泡堆積而成,因其混合粘連特點(diǎn),常用的圖像分割算法難以實(shí)現(xiàn)浮選泡沫圖像的準(zhǔn)確分割;并且,如何根據(jù)拍攝視野中的礦化氣泡大小統(tǒng)計(jì)量來(lái)準(zhǔn)確估計(jì)浮選氣泡尺寸概率密度函數(shù)是所面臨的第一個(gè)難題.2)氣泡尺寸的動(dòng)態(tài)分布特征的有效表征問(wèn)題.在浮選槽中,藥劑與礦漿充分作用還需要一定的時(shí)間,再加上浮選機(jī)的攪拌作用,泡沫尺寸分布在浮選生產(chǎn)過(guò)程是一個(gè)緩慢漸變的動(dòng)態(tài)過(guò)程.目前大多的文獻(xiàn)都是針對(duì)單幀圖像的氣泡特點(diǎn)進(jìn)行分析(僅能代表瞬時(shí)的氣泡大小分布信息),難以獲取生產(chǎn)工況過(guò)程有效的動(dòng)態(tài)變化特征.因此,要想進(jìn)一步分析浮選生產(chǎn)狀態(tài)的變化,需要選用更加合理、有效的方法來(lái)描述泡沫尺寸分布的動(dòng)態(tài)變化特征.本文針對(duì)浮選泡沫尺寸分布特征隨著藥劑量的改變而動(dòng)態(tài)變化的特點(diǎn),主要研究基于泡沫尺寸動(dòng)態(tài)分布特征自學(xué)習(xí)的浮選生產(chǎn)過(guò)程藥劑操作健康狀態(tài)統(tǒng)計(jì)模式識(shí)別方法.鑒于泡沫大小動(dòng)態(tài)分布特征在獲取和表征中所存在的難題,通過(guò)研究準(zhǔn)確的泡沫圖像分割算法并結(jié)合非參數(shù)估計(jì)獲得泡沫尺寸概率密度函數(shù),采用無(wú)監(jiān)督聚類學(xué)習(xí)方法獲得典型藥劑添加狀態(tài)下的泡沫尺寸分布特征集,通過(guò)統(tǒng)計(jì)分布相似性計(jì)算獲得檢測(cè)時(shí)間段泡沫圖像序列的動(dòng)態(tài)特征分布標(biāo)記,根據(jù)特征分布標(biāo)記結(jié)果采用簡(jiǎn)單的貝葉斯推理規(guī)則即可推斷出測(cè)試樣本序列所對(duì)應(yīng)的藥劑量健康狀態(tài),并根據(jù)生產(chǎn)狀態(tài)分析識(shí)別結(jié)果對(duì)各典型藥劑健康狀態(tài)下的氣泡大小統(tǒng)計(jì)分布特征集進(jìn)行在線修正,以應(yīng)對(duì)復(fù)雜漸變的浮選工況狀態(tài).2浮選泡沫圖像過(guò)分割算法浮選泡沫圖像是由視野中各獨(dú)立的礦化氣泡組合堆積而成,是浮選生產(chǎn)工況的體現(xiàn).浮選泡沫圖像具有如下特點(diǎn):1)浮選泡沫由大量大小不一、形狀各異的礦化氣泡隨機(jī)堆積而成;2)各獨(dú)立氣泡之間界限不明顯,但氣泡邊界包含豐富的光滑的幾何邊緣曲線;3)氣泡間相互擠壓,氣泡形狀極度不規(guī)則,且氣泡坍塌、破碎、兼并嚴(yán)重;4)現(xiàn)場(chǎng)拍攝環(huán)境惡劣,粉塵多、霧氣大,所拍攝的泡沫圖像受多光照影響;5)泡沫表面呈現(xiàn)出凹凸不平視覺(jué)效果的獨(dú)特紋理細(xì)節(jié).泡沫圖像的這些特點(diǎn)實(shí)際上也構(gòu)成了泡沫分割的難點(diǎn).研究表明,對(duì)于重金屬浮選泡沫(比如銅浮選泡沫),因氣泡相對(duì)較大、礦化氣泡表面包含大量礦物粒子、加上氣泡表面光照不均的影響,目前常用的分割方法極易造成浮選泡沫圖像的過(guò)分割(將一個(gè)大泡誤分成幾個(gè)小的浮選氣泡).泡沫圖像的過(guò)分割嚴(yán)重影響了浮選氣泡尺寸形狀等幾何參數(shù)的測(cè)量與統(tǒng)計(jì),進(jìn)而制約了浮選過(guò)程視覺(jué)監(jiān)控的進(jìn)一步發(fā)展與應(yīng)用.針對(duì)目前的泡沫圖像分割算法對(duì)重金屬浮選氣泡(比如銅浮選泡沫)容易產(chǎn)生過(guò)分割的問(wèn)題,首先研究了一種基于氣泡局部亮度統(tǒng)計(jì)分布的浮選泡沫圖像分割方法以解決泡沫尺寸分布描述不準(zhǔn)確問(wèn)題;然后,再通過(guò)采用合理的非參數(shù)估計(jì)方法實(shí)現(xiàn)泡沫尺寸概率密度函數(shù)的準(zhǔn)確估計(jì),最終實(shí)現(xiàn)浮選氣泡大小分布特征的準(zhǔn)確描述.2.1礦化氣泡表面高亮區(qū)域分散不連續(xù)性的優(yōu)化方法由前面的分析可知,浮選泡沫中各獨(dú)立礦化氣泡形貌差異大、尺寸不一、氣泡間界限不明顯,且氣泡邊界包含豐富的幾何邊緣細(xì)節(jié).浮選氣泡幾何邊緣細(xì)節(jié)如圖1(a)所示,從圖中可以看出這些光滑的邊緣細(xì)節(jié)缺乏梯度變化,傳統(tǒng)的基于梯度的目標(biāo)分割方法不能在泡沫圖像上使用.目前常用的泡沫圖像分割方法(分水嶺分割和谷底邊緣分割),都需依靠某種經(jīng)驗(yàn)規(guī)則選擇圖像中一些像素點(diǎn)(區(qū)域)作為分割種子點(diǎn)(比如氣泡全反射點(diǎn)或者高亮點(diǎn)),再通過(guò)一些特定的處理步驟來(lái)獲得各氣泡的邊界.這些方法在種子點(diǎn)選擇和邊界處理時(shí)都沒(méi)有考慮到泡沫區(qū)域與邊界的連通性與光滑度,所獲得的氣泡邊界極易造成浮選氣泡的不準(zhǔn)確分割.礦化氣泡表面包含大量礦物粒子,加上泡沫圖像采集現(xiàn)場(chǎng)受到包括自然光、圖像采集系統(tǒng)的光照、選廠燈光照明、和現(xiàn)場(chǎng)各種機(jī)械設(shè)備光滑表面的反射光等多種光照共同影響,氣泡上表面往往包含多個(gè)高亮區(qū)域.如圖1(b)所示的礦化氣泡就包含多個(gè)亮度峰值區(qū)域.且由于這些影響光源的角度和強(qiáng)度的不同,因此,各礦化氣泡的表面光強(qiáng)并不相同.在進(jìn)行圖像分割時(shí),如果通過(guò)閾值法、局部極大值法等方法自動(dòng)選取這些高亮點(diǎn)作為種子點(diǎn),往往會(huì)因這些多高亮區(qū)域的分散不連續(xù)性而將大的浮選氣泡誤分成多個(gè)小的浮選氣泡,造成浮選泡沫圖像分割不準(zhǔn)確(如圖1(d)所示).為了解決因礦化氣泡表面高亮區(qū)域分散造成的浮選泡沫圖像過(guò)分割問(wèn)題,本文根據(jù)泡沫圖像各局部區(qū)域的氣泡亮度值統(tǒng)計(jì)分布特點(diǎn),結(jié)合泡沫圖像的幾何邊緣特性對(duì)氣泡區(qū)域的全反射點(diǎn)進(jìn)行亮值估計(jì),獲得各氣泡表面平滑的亮度區(qū)域,去除分散不連續(xù)的全反射點(diǎn)對(duì)泡沫分割的影響.在解決了礦化氣泡表面高亮區(qū)域分散不連續(xù)問(wèn)題后,把二維圖像的亮度值看作是測(cè)地學(xué)上的拓?fù)涞孛?將各氣泡作為集水盆,采用模擬洪水浸潤(rùn)過(guò)程的處理方法獲得各氣泡間的分水線,也就是各氣泡的邊界;最后再通過(guò)樣條曲線逼近對(duì)氣泡邊界曲線進(jìn)行再插值和校正以獲得光滑的氣泡邊緣.設(shè)待處理的泡沫圖像為I(x,y),圖像分割的主要處理步驟如下:1)對(duì)任意像素I(i,j)點(diǎn),估計(jì)以(i,j)為中心,寬為(Wi,Wj)的鄰域像素光強(qiáng)的概率密度函數(shù)(I).該函數(shù)可以通過(guò)非參數(shù)方法(核密度方法)進(jìn)行估計(jì).設(shè)該鄰域像素值序列為I1～I(xiàn)n,共包含n個(gè)像素,那么該鄰域像素灰度值的概率密度函數(shù)為其中:K(x)表示自變量為x的核函數(shù),h為帶寬,ωi為第i個(gè)核函數(shù)的系數(shù).2)迭代處理.根據(jù)I(i,j)像素周?chē)鷧^(qū)域的像素概率密度函數(shù)估計(jì)出該點(diǎn)的不受光照影響的光強(qiáng)值(i,j),直到所估計(jì)出的像素點(diǎn)光強(qiáng)值穩(wěn)定.如果假設(shè)局部區(qū)域中各像素的貢獻(xiàn)程度一樣,那么(i,j)在已知周?chē)袼亟y(tǒng)計(jì)分布的情況下,其最優(yōu)估計(jì)就是局部區(qū)域像素光強(qiáng)的數(shù)學(xué)期望.實(shí)際上,為了獲得更好的估計(jì)結(jié)果一般通過(guò)對(duì)各像素賦予一定權(quán)重w(i,j),那么在對(duì)像素光強(qiáng)進(jìn)行迭代估計(jì)時(shí),將(i,j)作為(i,j)點(diǎn)的像素光強(qiáng)值估計(jì),通過(guò)多次迭代估計(jì),直到估計(jì)得出的像素值(i,j)穩(wěn)定(前后相鄰兩次估計(jì)值之差的絕對(duì)值小于某個(gè)閾值,比如10-5).3)將最終的估計(jì)結(jié)果(i,j)作為(i,j)點(diǎn)像素的光強(qiáng)值.經(jīng)過(guò)上一步的像素值迭代估計(jì)處理后,可以根據(jù)氣泡的分布特點(diǎn)將單氣泡上分散的多高亮點(diǎn)合并,從而為后面的氣泡分割提供單一連續(xù)的高亮種子點(diǎn)集,減少浮選氣泡因高亮點(diǎn)區(qū)域分散造成的浮選泡沫分割不準(zhǔn)確的問(wèn)題.對(duì)包含多亮點(diǎn)泡沫進(jìn)行迭代處理后的最終映射結(jié)果如圖1(c)所示,4)利用文獻(xiàn)中描述的基于高低精度距離重構(gòu)的圖像預(yù)處理方法,對(duì)圖像(i,j)進(jìn)行形態(tài)學(xué)灰度重構(gòu),并獲得各礦化氣泡準(zhǔn)確的特征標(biāo)識(shí).然后,將各浮選氣泡等同為獨(dú)立積水盆,采用模擬洪水浸潤(rùn)過(guò)程方法找到各氣泡區(qū)域的邊界曲線C(x,y).在進(jìn)行圖像高低距離重構(gòu)時(shí),首先采用基于面積重構(gòu)的開(kāi)閉操作對(duì)圖像進(jìn)行處理,再采用Ostu算法進(jìn)行泡沫圖像二值預(yù)分割處理;然后,通過(guò)采用不同的距離關(guān)系得到該二值圖的不同精度的距離灰度變換圖;最后,采用基于h-頂開(kāi)重構(gòu)變換為后續(xù)的分水嶺變換提供準(zhǔn)確的標(biāo)識(shí)點(diǎn).5)根據(jù)文獻(xiàn)描述的曲線逼近方法,對(duì)C(x,y)進(jìn)行平滑處理,獲得最終的光滑邊界.首先,采用動(dòng)態(tài)分裂采樣方法對(duì)平面曲線C(x,y)進(jìn)行快速高精度重采樣,獲得氣泡邊緣曲線的細(xì)致高精度的采樣點(diǎn),然后對(duì)這些采樣點(diǎn)進(jìn)行排序根據(jù)采樣點(diǎn)的獨(dú)立連通點(diǎn)屬性生成多個(gè)連通有序的采樣點(diǎn)序列,最后采用B樣條曲線逼近每個(gè)有序點(diǎn)序列,獲得較為光滑的泡沫邊緣曲線.泡沫圖像最終的分割結(jié)果如圖1(e)所示.2.2泡沫尺寸概率密度估計(jì)對(duì)泡沫圖像進(jìn)行準(zhǔn)確分割之后,需要選用合適的方法對(duì)氣泡尺寸統(tǒng)計(jì)分布進(jìn)行描述,以實(shí)現(xiàn)后續(xù)的生產(chǎn)過(guò)程藥劑量狀態(tài)的自動(dòng)識(shí)別.基于輸出概率密度形狀的過(guò)程控制、故障診斷的方法和思想受到研究者的廣泛重視,并涌現(xiàn)出了一系列的系統(tǒng)建模與控制方法,為浮選過(guò)程藥劑添加量健康狀態(tài)識(shí)別提供了新的思路.由于泡沫尺寸分布屬于左偏斜,長(zhǎng)拖尾的分布無(wú)法用某個(gè)簡(jiǎn)單的經(jīng)驗(yàn)統(tǒng)計(jì)分布函數(shù)來(lái)擬合,因此可以采用非參數(shù)的方法對(duì)泡沫尺寸分布進(jìn)行估計(jì).非參數(shù)估計(jì)中最簡(jiǎn)單的方法就是采用直方圖進(jìn)行統(tǒng)計(jì)描述,但是直方圖描述方法對(duì)統(tǒng)計(jì)塊的大小、邊緣的選擇太敏感,無(wú)法獲得平滑的泡沫尺寸分布函數(shù).本文采用核密度估計(jì)方法(kerneldensityestimation,KDE),KDE也稱為Parzen窗估計(jì),是一種非常有效的非參數(shù)估計(jì)方法.設(shè)S1,S2,S3,…,Sn是泡沫圖像中n個(gè)泡沫的尺寸大小,那么泡沫大小概率密度函數(shù)f(s)可以用以下公式進(jìn)行估計(jì):式中:K(·)為核函數(shù),為了滿足估計(jì)概率密度函數(shù)的平滑性,一般固定所取的核函數(shù)為對(duì)稱且滿足∫K(x)dx=1的平滑非負(fù)函數(shù),h為帶寬,ωi為第i個(gè)核函數(shù)的系數(shù).研究表明核函數(shù)的選擇對(duì)概率密度函數(shù)的估計(jì)的結(jié)果影響不大,影響估計(jì)結(jié)果的主要是帶寬參數(shù)h.選擇h的具體方法有參數(shù)對(duì)照法、極大似然交叉驗(yàn)證法、最小二乘交叉實(shí)檢驗(yàn)法(leastsquarecrosstest,LSCV).本文在進(jìn)行氣泡尺寸概率密度估計(jì)時(shí),選擇高斯核函數(shù),通過(guò)最小化平均積分平方誤差(meanintegratedsquareerror,MISE)獲得帶寬h,并且憑經(jīng)驗(yàn)對(duì)h進(jìn)行選取修正.本文經(jīng)過(guò)多次的實(shí)驗(yàn),每次實(shí)驗(yàn)都采用Kolmogorov-Smirnov(KS)檢驗(yàn)方法對(duì)概率密度估計(jì)結(jié)果進(jìn)行檢驗(yàn)對(duì)比,最終發(fā)現(xiàn)選擇h=100(單位:像素)時(shí)的泡沫尺寸概率密度估計(jì)效果最好.3泡沫尺寸累積分布特征統(tǒng)計(jì)學(xué)通過(guò)樣本學(xué)習(xí)獲得不同生產(chǎn)工況下泡沫尺寸分布特征是進(jìn)行后續(xù)藥劑添加健康狀態(tài)識(shí)別的基礎(chǔ).由于泡沫大小統(tǒng)計(jì)分布的左偏性,拍攝視野中大尺度氣泡分布較少,氣泡尺寸分布的概率密度函數(shù)在大泡區(qū)域可能估計(jì)不準(zhǔn)確.因此,本文通過(guò)計(jì)算氣泡尺寸的累積分布函數(shù)來(lái)進(jìn)行尺寸分布特征統(tǒng)計(jì)學(xué)習(xí).尺寸累積分布實(shí)際是泡沫大小統(tǒng)計(jì)分布特征的另外一種表現(xiàn)形式,這樣表示的好處是泡沫尺寸累積分布能降低大尺寸泡沫區(qū)域因氣泡個(gè)數(shù)少所帶來(lái)的統(tǒng)計(jì)不精確性.各典型藥劑添加狀態(tài)下的泡沫尺寸累積分布的聚類特征可以通過(guò)無(wú)監(jiān)督的聚類學(xué)習(xí)方法得到.聚類是將數(shù)據(jù)對(duì)象分為多個(gè)類或簇的過(guò)程,通過(guò)聚類學(xué)習(xí)能獲得各生產(chǎn)工況狀態(tài)(不同的藥劑添加狀態(tài))下的泡沫尺寸的典型分布特征.由于泡沫累積分布函數(shù)表現(xiàn)得比較緊湊,差別不是特別明顯,且為了能對(duì)工況特征進(jìn)行增量學(xué)習(xí),本文采用最遠(yuǎn)鄰聚類學(xué)習(xí)(farthestneighborclustering,FNC)的方法來(lái)進(jìn)行對(duì)應(yīng)工況下泡沫尺寸累積分布特征集學(xué)習(xí).3.1實(shí)驗(yàn)2:fnp設(shè)為泡沫圖像中氣泡大小(氣泡面積)為si的泡沫累積分布概率.為了方便泡沫尺寸分布的比較與聚類學(xué)習(xí),在進(jìn)行氣泡尺寸統(tǒng)計(jì)分布特征集學(xué)習(xí)時(shí),可以根據(jù)泡沫尺寸大小選擇固定的氣泡尺寸序列[s1,s2,s3,…,sn],獲得對(duì)應(yīng)尺寸大小的分布概率.在具體應(yīng)用中,本文選用了一個(gè)包含256個(gè)氣泡尺寸值的分布概率序列來(lái)進(jìn)行后續(xù)的計(jì)算,也就是n=256,S1～sn等間隔地表示0～4000(單位:像素)氣泡大小序列,序列表示對(duì)應(yīng)的[s1,s2,s3,…,sn]氣泡大小下累積分布概率序列.FNC實(shí)際上是層次聚類算法中進(jìn)行距離計(jì)算的一種方法,它對(duì)噪聲和孤立點(diǎn)不太敏感,傾向于找到一些緊湊的分類.采用該方法進(jìn)行氣泡大小統(tǒng)計(jì)分布特征的學(xué)習(xí)能獲得較好的聚類結(jié)果,具體的步驟可以參考文獻(xiàn).FNC通過(guò)計(jì)算兩簇中最遠(yuǎn)的距離作為簇間聚類,兩簇Ci,Cj間的距離D(Ci,Cj)計(jì)算公式如下:獲得各生產(chǎn)工況下的氣泡大小分布特征集之后,測(cè)試樣本序列(泡沫圖像序列,表示某一小段時(shí)間的泡沫圖像采集序列,比如4分鐘的序列)通過(guò)通過(guò)分布相似性測(cè)量,就可以用典型藥劑狀態(tài)下的泡沫尺寸分布特征集的編號(hào)來(lái)表征該測(cè)試序列所代表的氣泡尺寸分布的動(dòng)態(tài)變化.比如含有4幀泡沫圖像的測(cè)試序列,經(jīng)過(guò)測(cè)試之后,其中第1幀的泡沫圖像尺寸累積分布函數(shù)與F2最相似、第2幀和第3幀泡沫尺寸累積分布函數(shù)與F1最相似、第4幀泡沫尺寸累積分布函數(shù)與Ft最相似,那么該測(cè)試序列可以被標(biāo)記為F2F1F1F7.3.2泡沫尺寸分布特征集在線修正在浮選生產(chǎn)過(guò)程中,浮選生產(chǎn)工作狀態(tài)點(diǎn)會(huì)逐漸發(fā)生變化.特別是隨著礦源的波動(dòng),加上浮選生產(chǎn)中其他操作和上道工序(磨礦環(huán)節(jié))等多方面因素的影響,浮選泡沫尺寸分布在同種藥劑添加健康狀態(tài)下可能會(huì)發(fā)生一些分布上的改變.因此需要采用合理的方法對(duì)各工況條件下離線學(xué)習(xí)所得的泡沫尺寸分布特征集進(jìn)行在線修正.主要步驟如下:a)首先根據(jù)當(dāng)前工況識(shí)別結(jié)果,當(dāng)發(fā)現(xiàn)工況狀態(tài)點(diǎn)發(fā)生變化時(shí),確定需要進(jìn)行尺寸特征更新的工況類別ωi和對(duì)應(yīng)的更新訓(xùn)練樣本集Sf={Sf1,Sf2,…,Sfn};b)根據(jù)分布相似性測(cè)量,分別找出與Sfj對(duì)應(yīng)的最相近的特征Fsj;c)如果Fsj屬于ωi工況下的氣泡尺寸分布特征,將Sfj.并入到Fsj對(duì)應(yīng)的類別訓(xùn)練樣本中;d)重新修正Sfj類的聚類中心,獲得最新的統(tǒng)計(jì)分布特征.4獨(dú)立生產(chǎn)狀態(tài)的自動(dòng)識(shí)別自動(dòng)駕駛試驗(yàn)的自我處理能力4.1s100添加量健康狀態(tài)的模擬本文以某銅浮選生產(chǎn)過(guò)程為具體研究與應(yīng)用對(duì)象.在該選廠中,入選銅礦的主要金屬礦物有:黃銅礦、黃鐵礦、磁黃鐵礦、墨銅礦等.在銅浮選過(guò)程中,藥劑主要添加在銅粗選前面的攪拌桶,礦漿與藥劑在攪拌桶中經(jīng)過(guò)充分?jǐn)嚢韬笫紫缺萌脬~粗選首槽,銅粗選首槽的泡沫大小分布直接反映了藥劑對(duì)浮選生產(chǎn)的影響.該銅浮選粗選過(guò)程主要受礦漿酸堿度和藥劑Z200的影響.其中Z200屬于捕收劑的一種,對(duì)礦物具有優(yōu)良的選擇性,Z200添加的好壞直接決定了銅浮選過(guò)程的銅礦回收水平.在該選廠的銅粗選首槽安裝了一套浮選泡沫視覺(jué)監(jiān)控系統(tǒng),通過(guò)觀察浮選泡沫表面視覺(jué)特征的變化來(lái)研究Z200藥劑添加量健康狀態(tài)的自動(dòng)分析和識(shí)別方法.由于Z200需要在特定酸堿性條件下才能達(dá)到較好的浮選效果(礦漿的酸堿度通過(guò)添加石灰進(jìn)行調(diào)節(jié)),本文主要分析在特定酸堿條件下Z200的添加量的健康狀態(tài).也就是通過(guò)收集相同酸堿度條件下(礦漿pH約為10.8～11.0)的浮選泡沫圖像,重點(diǎn)研究Z200的不同添加量狀態(tài)下的浮選氣泡尺寸分布變化的特點(diǎn),以進(jìn)一步實(shí)現(xiàn)Z200添加健康狀態(tài)的機(jī)器鑒別與客觀評(píng)價(jià).由于泡沫圖像尺寸分布變化是漸變的,且拍攝視野中的浮選氣泡只是浮選槽中氣泡表面的一部分,如果僅僅采用單獨(dú)某一幀泡沫圖像來(lái)進(jìn)行浮選生產(chǎn)工況分析可能會(huì)因各種原因產(chǎn)生誤判,誤判的結(jié)果將對(duì)基于機(jī)器視覺(jué)的浮選生產(chǎn)自動(dòng)控制和調(diào)節(jié)產(chǎn)生極為不利的影響.為了最大限度地減少誤判的發(fā)生,非常重要的一點(diǎn)就是要能準(zhǔn)確獲得氣泡尺寸分布的動(dòng)態(tài)變化,這就需要綜合分析一個(gè)ΔT時(shí)間段之內(nèi)的氣泡尺寸分布的動(dòng)態(tài)變化情況來(lái)進(jìn)行生產(chǎn)工況識(shí)別分析.ΔT可以根據(jù)實(shí)際生產(chǎn)流程的情況自行選擇(比如選擇3～5min,其中每分鐘采樣圖像10幀),這樣將獲得一個(gè)包含n幀圖像的測(cè)試序列.圖3顯示了一個(gè)包含55幀采樣圖像序列的泡沫尺寸分布變化情況,通過(guò)獲取該時(shí)間段的浮選氣泡的分布的動(dòng)態(tài)變化特點(diǎn),可以對(duì)浮選生產(chǎn)工況進(jìn)行機(jī)器鑒別.根據(jù)該銅浮選現(xiàn)場(chǎng)實(shí)際的生產(chǎn)狀況,在深入分析藥劑添加量、原礦的品位與粗選泡沫中的精礦品位的關(guān)系,并結(jié)合選廠的選礦生產(chǎn)指標(biāo)、工藝過(guò)程參量與浮選氣泡尺寸分布的相互關(guān)系,可以將藥劑添加量健康狀態(tài)預(yù)定義為4種工況狀態(tài)ω1～ω4:ω1代表正常藥劑量添加狀態(tài).在該種條件下浮選氣泡較為均勻,氣泡尺寸相對(duì)適中,浮選泡沫礦化程度較高,能產(chǎn)生最好的浮選性能.該工況下典型的泡沫圖像樣本如圖4(a)所示.ω2表示藥劑過(guò)量添加狀態(tài).在該種生產(chǎn)狀態(tài)下,浮選氣泡過(guò)小,小泡居多,部分區(qū)域呈棉絮狀,這種情況會(huì)降低浮選精礦的品位,且造成浮選藥劑的浪費(fèi).該工況下典型泡沫圖像樣本如圖4(b)所示.ω3代表藥劑添加過(guò)少.在這種藥劑狀態(tài)下,浮選氣泡較大、虛泡多,泡沫礦化程度低,該工況下典型泡沫圖像如圖4(c)所示.這種情況下銅礦回收率低,極易造成礦物資源的浪費(fèi).ω4代表生產(chǎn)故障狀態(tài).該生產(chǎn)狀態(tài)并不完全是由加藥量引起的,但是一旦發(fā)生生產(chǎn)故障均需快速調(diào)整藥劑量,以減少生產(chǎn)損失.比如斷料和跑槽,對(duì)于斷料情況,浮選槽中的泡沫會(huì)越來(lái)越大,并且隨著液位的降低泡沫數(shù)目會(huì)越來(lái)越少,當(dāng)液位低于某個(gè)值時(shí),也就是泡沫液面可能不會(huì)出現(xiàn)在拍攝視野區(qū).對(duì)于跑槽現(xiàn)象,此時(shí)泡沫可能會(huì)越來(lái)越來(lái)越小.這兩種情況下的泡沫尺寸分布特征變化都比較明顯,通過(guò)對(duì)泡沫尺寸分布特征的跟蹤,能較好地對(duì)這種生產(chǎn)故障情況進(jìn)行提前預(yù)警以減少生產(chǎn)損失.該工況下典型泡沫圖像如圖4(d)所示.4.2浮選過(guò)程藥劑添加檢測(cè)的結(jié)果與分析本文提出的泡沫浮選過(guò)程加藥量健康狀態(tài)分析和識(shí)別的主要實(shí)施步驟如下:1)收集各典型藥劑添加健康狀態(tài)ω1～ω4下大量的泡沫圖像作為訓(xùn)練樣本集.2)對(duì)每種生產(chǎn)工況下的泡沫圖像樣本集通過(guò)圖像分割和核密度估計(jì)獲得對(duì)應(yīng)的氣泡大小概率密度函數(shù),進(jìn)而計(jì)算出對(duì)應(yīng)的氣泡大小累積分布函數(shù).采用第3.1節(jié)的最遠(yuǎn)鄰聚類學(xué)習(xí)方法對(duì)各生產(chǎn)工況狀態(tài)下的泡沫大小累積函數(shù)分布進(jìn)行聚類學(xué)習(xí),獲得各種典型藥劑添加健康狀態(tài)下的氣泡尺寸累積分布特征集.在實(shí)際操作中,各種藥劑添加健康狀態(tài)下的氣泡尺寸統(tǒng)計(jì)分布被聚成6類,每類的聚類中心作為該狀態(tài)下的一個(gè)累積分布特征.因此,每種藥劑添加工況狀態(tài)將獲得6個(gè)累積分布特征向量,最終共獲得24個(gè)累積分布特征向量F=[F1,F2,F3,…,F24].其中前兩類的氣泡尺寸累積分布特征集學(xué)習(xí)結(jié)果如圖2所示.3)在進(jìn)行藥劑添加健康狀態(tài)識(shí)別時(shí),選取一個(gè)ΔT時(shí)間段共n幀泡沫圖像序列進(jìn)行氣泡大小統(tǒng)計(jì)分布計(jì)算,設(shè)該時(shí)間段的測(cè)試樣本序列為[I1,I2,I3,…,In].4)通過(guò)圖像分割與核密度估計(jì),獲得測(cè)試樣本序列[I1,I2,I3,…,In]的氣泡尺寸概率密度函數(shù),并計(jì)算出對(duì)應(yīng)的累積分布函數(shù)[C(I1),C(I2),C(I3)…,C(In)].5)采用Kullback-Leiblerdivergence(KLD)的距離來(lái)計(jì)算累積分布函數(shù)[C(I1),(C(I2),C(I3),…,C(In)]與特征向量[F1,F2,F3,…,F24]間的相似度,獲得每個(gè)分布函數(shù)的最相近分布特征.那么[I1,I2,I3,…,In]就可以用典型藥劑添加狀態(tài)下累積分布特征向量的標(biāo)號(hào)來(lái)標(biāo)識(shí).比如C(I1)與F1最接近,那么圖像I1將被標(biāo)識(shí)為F1,從而測(cè)試時(shí)間段圖像序列被簡(jiǎn)單地標(biāo)識(shí)為一個(gè)分布特征符號(hào)序列{}圖5顯示了對(duì)圖像序列進(jìn)行尺寸分布特征集符合標(biāo)記的流程示意圖.6)計(jì)算各分布特征標(biāo)號(hào)Fi上的泡沫圖像出現(xiàn)的頻度p(Fi|I),統(tǒng)計(jì)出當(dāng)前泡沫圖像序列對(duì)應(yīng)于各典型藥劑添加狀態(tài)下的概率7)根據(jù)頻度標(biāo)識(shí)結(jié)果,采用貝葉斯推理方法就能推斷出測(cè)量時(shí)間段的浮選生產(chǎn)藥劑添加健康狀態(tài)識(shí)別結(jié)果,獲得對(duì)應(yīng)的類別,從而識(shí)別出該測(cè)試時(shí)間段的藥劑量狀態(tài)為ωi.圖6顯示了對(duì)不同藥劑添加狀態(tài)下測(cè)試樣本圖像序列進(jìn)行尺寸分布特征標(biāo)識(shí)的結(jié)果.利用該頻度標(biāo)記結(jié)果就能較方便地進(jìn)行生產(chǎn)工況識(shí)別.8)當(dāng)某一時(shí)段的最大識(shí)別結(jié)果P(ωi|I)小于某個(gè)閾值T時(shí),說(shuō)明生產(chǎn)工況發(fā)生了些變化(比如原礦品位).如果監(jiān)測(cè)到該過(guò)程多次出現(xiàn)該狀況的系統(tǒng)警報(bào)將自動(dòng)進(jìn)行特征集校正.校正方法是將該時(shí)刻段的氣泡尺寸分布信息也加入到訓(xùn)練樣本中,實(shí)現(xiàn)該生產(chǎn)工況下的氣泡大小統(tǒng)計(jì)分布特征自動(dòng)更新.也就是將該時(shí)刻段的氣泡統(tǒng)計(jì)累積分布序列加入到被識(shí)別的工況狀態(tài)ωi的氣泡統(tǒng)計(jì)分布特征集的訓(xùn)練和學(xué)習(xí)中,采用第3.2節(jié)中描述的氣泡尺寸分布特征集修正方法自動(dòng)更新ωi對(duì)應(yīng)的氣泡大小統(tǒng)計(jì)分布特征集,根據(jù)生產(chǎn)工況的變化自動(dòng)更新各生產(chǎn)工況下的氣泡統(tǒng)計(jì)分布特征集.9)重復(fù)2-8步驟,實(shí)現(xiàn)浮選生產(chǎn)過(guò)程藥劑添加工況健康狀態(tài)實(shí)時(shí)監(jiān)測(cè).4.3浮選泡沫表面視覺(jué)特征的計(jì)算采用本文提出的生產(chǎn)工況識(shí)別方法,對(duì)前面提到的銅浮選過(guò)程進(jìn)行實(shí)際加藥量健康狀態(tài)分析.自2011年在該銅浮選廠搭建了泡沫圖像視覺(jué)監(jiān)控系統(tǒng)以來(lái),收集了大量的工業(yè)現(xiàn)場(chǎng)浮選泡沫圖像,并通過(guò)人工記錄相應(yīng)的藥劑操作條件和手動(dòng)化驗(yàn)分析泡沫精礦品位,記錄相應(yīng)的銅浮選工藝過(guò)程變量.表1是采用本文的方法對(duì)4種預(yù)定義的工況狀態(tài)下的泡沫圖像測(cè)試序列的氣泡大小分布特征標(biāo)記與生產(chǎn)狀態(tài)識(shí)別結(jié)果.表1中測(cè)試集列括號(hào)中數(shù)值表示測(cè)試序列圖像幀的數(shù)目,第3-6列中數(shù)據(jù)表示測(cè)試集圖像序列中被標(biāo)識(shí)為該特征子集區(qū)間的圖像幀的數(shù)目.表1中的狀態(tài)識(shí)別結(jié)果表明采用本文的方法進(jìn)行藥劑添加量健康狀態(tài)識(shí)別能獲得準(zhǔn)確的識(shí)別結(jié)果.實(shí)際上,為了實(shí)現(xiàn)基于機(jī)器視覺(jué)的浮選生產(chǎn)工況狀態(tài)自動(dòng)鑒別,研究者根據(jù)泡沫圖像表面視覺(jué)特征與浮選生產(chǎn)工況的關(guān)系,針對(duì)特定的浮選過(guò)程提出了多種相關(guān)的基于泡沫圖像表面視覺(jué)特征的浮選生產(chǎn)工況自動(dòng)識(shí)別方法.這些方法主要包括:基于灰度依賴矩陣的方法,基于圖像小波變換的方法和基于傅里葉變換的浮選生產(chǎn)工況識(shí)別方法.Moolman提出了一種基于灰度依賴矩陣的浮選泡沫分類與生產(chǎn)工況識(shí)別方法,包括基于鄰域灰度依賴矩陣(neighboringgrayleveldependencematrix,NGLDM)和空間灰度依賴矩陣(spatialgrayleveldependencematrix,SGLDM)的特征提取方法,該方法首先計(jì)算出泡沫圖像的NGLDM或SGLDM,然后基于所提取的相關(guān)矩陣計(jì)算一組統(tǒng)計(jì)量作為泡沫表面的視覺(jué)特征向量,最后通過(guò)學(xué)習(xí)向量量化(LVQ)神經(jīng)網(wǎng)絡(luò)進(jìn)行泡沫結(jié)構(gòu)分類和生產(chǎn)工況識(shí)別.文獻(xiàn)提出了一種基于Gabor小波變換的浮選生產(chǎn)工況分類識(shí)別方法,該方法首先通過(guò)Gabor小波變換獲取了泡沫圖像的多尺度多方向上的Gabor小波幅度譜,然后根據(jù)Gabor小波幅度譜的統(tǒng)計(jì)分布特點(diǎn)進(jìn)行各種工況下泡沫表面視覺(jué)特征表示,再通過(guò)人工神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)泡沫結(jié)構(gòu)分類與生產(chǎn)工況識(shí)別.文獻(xiàn)指出通過(guò)計(jì)算泡沫圖像的頻域環(huán)(fourierring)特征,可以有效的進(jìn)行泡沫圖像分類與生產(chǎn)工況識(shí)別.上述這些方法都是基于單幀泡沫圖像特征的生產(chǎn)工況分與識(shí)別,都是首先采用某種方法對(duì)泡沫圖像進(jìn)行處理以獲取這些圖像的表面視覺(jué)特征,然后采用有監(jiān)督的學(xué)習(xí)方法進(jìn)行分類器的訓(xùn)練,最終實(shí)現(xiàn)浮選泡沫結(jié)構(gòu)的分類與生產(chǎn)工況的識(shí)別.為了能進(jìn)一步比較本文提出的工況識(shí)別方法與上述文獻(xiàn)中的工況識(shí)別方法的性能的優(yōu)劣,在所采集的工業(yè)數(shù)據(jù)中挑選了一個(gè)包含32000幀泡沫圖像的測(cè)試集序列進(jìn)行浮選生產(chǎn)藥劑健康狀態(tài)識(shí)別對(duì)比實(shí)驗(yàn).測(cè)試用泡沫圖像序列集由800個(gè)泡沫圖像序列組成,每個(gè)序列與一種藥劑添加健康狀態(tài)相對(duì)應(yīng)(這4種藥劑添加健康狀態(tài)分別包含209,190,217和184個(gè)測(cè)試序列),每個(gè)序列包含40幀圖像,每個(gè)序列的采集時(shí)間大約為4min.分別采用這些方法進(jìn)行泡沫圖像特征提取并結(jié)合文獻(xiàn)中提到的LVQ神經(jīng)網(wǎng)絡(luò)在本文選用的測(cè)試圖像序列集上進(jìn)行生產(chǎn)工況識(shí)別實(shí)驗(yàn).這3種對(duì)比方法的浮選泡沫表面視覺(jué)特征的計(jì)算細(xì)節(jié)如下:a)NGLDM/SGLDM.首先將圖像灰度值量化成64個(gè)灰度級(jí)別,計(jì)算出對(duì)應(yīng)的NGLDM/SGLDM矩陣;然后計(jì)算基于NGLDM/SGLDM的能量、熵、慣性矩、局部相關(guān)性、粗度參數(shù)、細(xì)度參數(shù)作為泡沫圖像的特征參量.b)Gabor.首先將泡沫圖像進(jìn)行多尺寸多方向的Gabor小波變換,設(shè)圖像Gabor小波幅度譜服從Gamma分布f(x;α,β),獲取了各子帶的Gamma分布系數(shù)(α,β),每幀圖像由一個(gè)(40+k*40)*2維的向量特征組成,40表示對(duì)圖像進(jìn)行5個(gè)尺寸和8個(gè)方向的Gabor子帶分解,k=4,表示把圖像分成了4個(gè)不重