基于机器视觉的矿物浮选过程监控技术研究进展.pdf

第39卷第11期自动化学报Vol.39, No.11 2013年11月ACTA AUTOMATICA SINICANovember, 2013 基于机器视觉的矿物浮选过程监控技术研究进展 桂卫华 1 阳春华 1 徐德刚 1 卢 明 1 谢永芳 1 摘要矿物浮选流程长、分布范围广、控制变量多、关键工艺参数无法在线检测,导致实时监控困难,严重制约了浮选生产 的优化运行及选矿自动化水平的提升.浮选泡沫表面视觉特征是浮选工况和工艺指标的直接指示器,为此将机器视觉应用到 矿物浮选过程的监控中,以提高浮选过程的资源回收率.本文结合矿物浮选泡沫图像特点,从浮选过程的泡沫图像关键特征提 取及表征、 关键工艺参数检测、 工况识别以及基于机器视觉监控系统的实现等方面综述了浮选过程监控技术的研究成果,并指 出了基于机器视觉的选矿过程监控技术的发展趋势及面临的挑战. 关键词机器视觉,泡沫浮选,在线检测,特征选择,工况识别 引用格式桂卫华,阳春华,徐德刚,卢明,谢永芳.基于机器视觉的矿物浮选过程监控技术研究进展.自动化学报, 2013, 3911 1879−1888 DOI10.3724/SP.J.1004.2013.01879 Machine-vision-based Online Measuring and Controlling Technologies for Mineral FlotationA Review GUI Wei-Hua1YANG Chun-Hua1XU De-Gang1LU Ming1XIE Yong-Fang1 Abstract The real-time monitoring and control of mineral fl otation process are diffi cult due to several facts/system characteristics long fl otation processes, wide distribution range, multiple-variable control system and undetectability of crucial production parameters. All these facts/system characteristics have greatly restricted the optimal operation and automation level of fl otation process. However, the visual features of fl otation froth surface play the indication role to illustrate the production states and degree. As a consequence, machine vision technology is employed to facilitate the control strategy design for mineral fl otation process and to promote the resource recovery. This paper reviews the key technologies and the corresponding achievements associated to the system design of the fl otation process monitoring and control. Concretely, those key technologies involve the skills to extract and characterize the key froth image features, detect and identify the process parameters and production states. Moreover, the realizations of froth image based mineral fl otation process monitoring system are discussed. Finally, recommendations for future research encountered in the control strategy design for fl otation process based on machine vision are suggested. Key words Machine vision, froth fl otation, online measuring, feature selection, conditions identifi cation CitationGui Wei-Hua, Yang Chun-Hua, Xu De-Gang, Lu Ming, Xie Yong-Fang. Machine-vision-based online measuring and controlling technologies for mineral fl otationa review. Acta Automatica Sinica, 2013, 3911 1879−1888 矿产资源在国民经济发展过程中占有举足轻重 的地位,选矿是矿产资源加工中的一个重要环节， 选 矿水平高低直接影响矿物资源回收率[1].由于泡沫 浮选工艺流程长、 内部机理不明确、 影响因素多、 关 收稿日期2013-07-02录用日期2013-08-28 Manuscript received July 2, 2013; accepted August 28, 2013 国 家 创 新 研 究 群 体 科 学 基 金 项 目61321003,国 家 自 然 科 学 基 金61134006, 61025015, 61074117,国 家 科 技 支 撑 计 划 2012BAK09B00, 2012BAF03B05资助 Supported by Science Fund for Creative Research Groups of the National Natural Science Foundation of China 61321003, National Natural Science Foundation of China 61134006, 61025015, 61074117, National Science and Technology Support Program 2012BAK09B00, 2012BAF03B05 庆祝 自动化学报 创刊50周年专刊约稿 Invited Articles for the Special Issue for the 50th Anniversary of Acta Automatica Sinica 1.中南大学信息科学与工程学院 长沙410083 1. College of Ination Science 将向 量形态学重构方法进行改进,应用于铜浮选泡沫图 像的分割和尺寸特征的提取[34];针对浮选泡沫的形 状特征,采用均值方差等单值特征,提出概率密度函 数方法对泡沫尺寸分布统计特性进行准确描述[35]. 图2浮选过程泡沫图像颜色特征提取过程 Fig.2 The extraction process of fl otation froth image color 图3基于分类与形态学的泡沫图像分割方法处理步骤 Fig.3The segmentation steps of froth image based on clustering and morphological characteristics 1882自动化学报39卷 为了准确提取泡沫尺寸特征,针对不同矿物泡 沫图像的分割问题,已经取得一些研究成果,但是所 提算法通用性不强.迄今还不存在一种普适的泡沫 图像分割算法,特别是针对强干扰环境低光照、强 噪声等下泡沫图像分割及尺寸特征的提取还少有 报道,尚需进一步深入研究. 1.2.2泡沫图像的纹理提取与表征 纹理是图像相邻像素灰度相关性的表现,作为 刻画泡沫图像统计分布的另外一个关键特征,可用 来描述浮选过程操作条件及矿物性质的变化所引起 的泡沫状态变化. Holtham等采用了经典纹理谱和像素跟踪来 预测矿物浮选泡沫的大小[36],但该方法依赖于经 验参数且未考虑灰度变化,具有很大的随机性. Bharati等[37]对比研究了灰度共生矩阵Grey-level co-occurrence matrix, GLCM、多变量主元分析、 小波分析等不同的纹理分析方法,通过对浮选泡沫 图像的分类研究,发现小波纹理分析具有较广频率 的适用范围.从浮选泡沫RGB图像、 多空间图像的 光谱与空间关系出发, Liu等[5]结合多分辨率多变 量分析技术提出了一种泡沫纹理特征提取方法,采 用最小二乘回归方法预测精矿品位. Brtolacci等[22] 对矿物泡沫纹理特征提取方法进行研究,分析了基 于泡沫纹理的浮选过程监测的可行性.通过对泡沫 图像的动态纹理分析, Nunez等[38]采用混合建模 方法对泡沫图像进行分类,以此判断浮选状态. Zhu 等[39]利用图像处理技术提取泡沫纹理特征,建立了 基于粗糙集和神经网络的加药量数学模型,并验证 了模型的可行性. 作者所在研究组利用GLCM来提取图像的全 局纹理特征[40−43],其中空间GLCM建立在估计图 像的二阶组合条件概率密度函数的基础上,通过计 算图像中有一定距离和一定方向的两个像素之间的 灰度相关性,对图像的所有像素进行统计,反映图像 在方向、相邻间隔、变化幅度及快慢上的综合信息. 结合泡沫的视觉纹理特征,通过分析各视觉特征参 数的物理意义,指出了各泡沫特征参数与泡沫纹理 的相关特性.泡沫图像纹理特征提取的流程如图4 所示,通过分析GLCM得到图像的纹理特征,而图 像的能量粗细度、惯性矩、参数熵可用来量化纹 理特性. 此外,针对实际的矿物浮选过程,作者所在研究 组从铝土矿精选泡沫图像序列的静态、动态两方面 研究精选泡沫纹理特征提取方法,并应用于精选泡 沫分类[41];基于改进模糊纹理谱提出了一种泡沫图 像纹理特征的提取方法,有效地改善了铝土矿精选 泡沫图像的纹理识别效果[40,42];基于Gabor小波提 取了泡沫图像多尺度与多方向上的泡沫纹理幅度谱, 利用所提取的泡沫纹理特征对浮选工业生产状态进 行无监督的模糊聚类分析[43]. 图4GLCM法提取泡沫图像纹理特征的流程图 Fig.4Extracting froth textural features using GLCM 1.3泡沫图像的速度特征提取与表征 浮选泡沫的流动速度特征是泡沫浮选生产效率 的直接指示器,间接反映了浮选产量、尾矿指标等 主要生产指标.实际生产过程中,经验丰富的浮选工 可通过观察泡沫层表面气泡流动速度判断浮选效果, 但主观性强、 无法定量描述泡沫图像速度.针对浮选 泡沫流动畸变坍塌严重、破碎率高、旧泡兼并伴随 着新泡上浮的泡沫图像序列,传统图像处理算法难 以对泡沫识别和跟踪,无法实现泡沫动态特征的准 确测量. Ventura-Medina等[44]发现在一定操作范围, 泡沫流动速度可作为浮选性能的量化特征.由于泡 沫流动速度决定的空气回收率及泡沫尺寸的变化会 影响浮选回收率, Neethling[45]讨论了泡沫流动粒 子运动特征对回收率的影响.通过分析泡沫结构参 数-泡沫表面积流量,采用泡沫纹理谱特征来估计泡 沫尺寸变化, Holtham等[36]提出像素跟踪技术获取 泡沫速度特征. Kaartinen等[46]利用泡沫交叉相关 峰值来描述泡沫速度,应用于锌浮选过程中. Brown 等[47]采用泡沫的流速来评价品位的稳定性,实现了 金矿粗选精矿品位的监测. 上述针对泡沫流速特征提取的研究工作,主要 体现在泡沫图像处理算法上,未充分考虑浮选生 产环境的影响.作者所在研究组克服实际浮选泡沫 图像亮点的影响,提出了浮选泡沫图像序列的流动 速度特征获取方法,并提出了如图5所示的一种 抗尺度快速变化和具有旋转不变性的模板匹配算 法,可有效地分析泡沫速度特征与浮选性能间的关 系[48−49]利用宏块跟踪技术对浮选泡沫图像序列的 泡沫速度特征进行估计,获得像素级的泡沫运动速 度参量[48];研究了泡沫流动速度的提取及跟踪算法, 提出了一种内搜索六边形搜索块匹配算法,可在工 业现场在线实时测量泡沫流速,并实现空气回收率 的估计[49],为浮选生产提供指导,保证矿物浮选的 11期桂卫华等基于机器视觉的矿物浮选过程监控技术研究进展1883 优化稳定运行,提高了浮选生产效率. 图5泡沫速度特征提取流程图 Fig.5 The fl ow of extracting froth mobility speed feature 2基于视觉特征的浮选过程关键工艺参数检 测 实时检测技术是矿物浮选过程监控的基础,只 有获取准确的检测信息,才能做出准确的判断进而 给出操作建议.浮选过程中,矿浆pH值酸碱度、 过程指标精矿品位和尾矿金属含量等是过程监测 的主要参数.但由于浮选过程工艺参数的在线检测 仪器价格昂贵、使用寿命短,维护保养困难,且易受 矿源的影响导致测量不准,当前浮选过程的关键参 数检测大多通过离线化验和计算获得,滞后时间长, 无法给出实时工况指导信息.为此,国内外研究人员 对浮选过程关键工艺参数的检测手段进行了研究. 2.1矿浆pH值软测量 矿浆pH作为浮选过程重要参数,对浮选性能 有着直接关系[50] 1直接影响矿物的可浮性; 2影 响许多药剂的浮选活性; 3影响矿浆中的离子组成; 4影响矿泥的分散和凝聚.目前矿浆pH的检测大 多采用两种方法人工化验和pH检测仪在线检测. 人工化验方法滞后严重,导致生产操作频繁调节,使 得精矿品位和回收率低,药剂浪费严重.而pH在线 检测仪大多价格昂贵、使用寿命短、维护困难.基于 机器视觉的软测量技术为实时检测矿浆pH提供了 有效途径.研究发现,浮选生产过程中pH与泡沫图 像表观特征有很强的相关性,不同矿浆酸碱度对应 不同泡沫状态,但是国内外pH软测量相关的研究 工作尚不多见[12].作者所在研究组提出了基于数字 图像统计特征、过程工艺检测数据以及工艺机理知 识的多信息智能融合方法[51].该方法通过人工取样 离线化验矿浆实际pH作为输出量,并结合对应取 样时刻的泡沫图像表观特征颜色、尺寸、纹理、流 速等建立了软测量模型,利用多元回归、神经网络 及支持向量机等手段实现了浮选矿浆pH的在线检 测. 2.2精矿品位和回收率预测 由于浮选过程金属品位的在线检测困难,大多 数选厂精矿品位和回收率的检测采用人工化验获得, 但检测数据的滞后性严重影响了生产工况的及时调 整,导致产品质量难以提高.如何在线检测这些浮选 生产的关键指标受到国内外学者的关注. 针对锌粗选过程, Aldrich等[52]通过获取锌粗 选的泡沫红色分量、破碎率和尺寸等视觉特征,寻 找与精矿品位的关系,建立预测模型估计精矿品位, 并给出了生产操作的专家控制策略. Hargrave等[53] 融合常规的统计方法和神经网络模型建立了泡沫颜 色参数与浮选性能指标包括精矿品位、 矿浆的流量 等之间的关系模型.在Ylinen基础上, Kaartinen 等[19]提取泡沫流速、稳定度、承载率等视觉特征, 发现与精矿品位相关性强,为此Kaartinen在单个 浮选槽的监视基础上,开发粗选槽、 精选槽及扫选槽 的多像机浮选监控系统,提高了浮选泡沫分类的准 确率.此外, Kaartinen等提取了铜锌浮选泡沫图像 中的速度、 泡沫尺寸分布、 承载率、 泡沫颜色等视觉 特征,采用偏最小二乘Partial least-square, PLS 方法预测铜浮选泡沫品位. Moolman等[54]把泡沫 图像处理技术应用到钼浮选过程中,从图像中提取 能量、熵、惯性和相关性等纹理特征,建立了神经网 络预测模型,对精矿品位和回收率进行预测. 上述研究表明根据泡沫图像特征建立精矿品位 和回收率预测模型是可行的,但浮选过程的内部机 理极其复杂,图像特征、 操作变量与性能指标之间存 在非线性关系,而上述研究主要采用PLS的线性回 归建模方法,由于PLS方法本质上是一种线性结构 的多元回归方法,随着输入冗余信息增加,矩阵的维 数增加高,易导致过拟合,降低模型精度.作者所在 研究组对浮选机理深入研究,利用样条映射的PLS、 最小二乘支持向量机和BP-PBF神经网络模型,提 出了基于数据驱动的精矿品位和回收率非线性建模 方法[12],形成了机理建模和数据驱动建模相结合的 浮选性能指标集成预测模型,实现了浮选指标的软 测量. 3基于视觉特征的浮选工况识别 由于原矿性质经常变化,导致工况不稳定、 指标 波动,如果不能及时调整生产操作,常常引发工况故 障.当前一般由经验丰富的操作工观察泡沫进行工 况判断,但浮选现场环境恶劣、劳动强度大、人工判 别方式的主观性太强,易导致工况波动. 近年来国内外学者对基于数字图像处理技术的 浮选泡沫图像分类以及工况识别开展了一些研究工 作. Moolman等[14,54]利用数字图像分析和人工神 经网络方法对浮选泡沫表面进行分类识别. Singh 等[55]通过将矿物浮选图像分成55大小的分块, 提取每个小分块的RGB颜色信息,并通过径向基神 经网络对浮选图像进行分类识别.刘文礼等[56]利用 1884自动化学报39卷 灰度共生矩阵算法提取浮选泡沫的纹理特征后,通 过自组织神经网络对煤泥浮选泡沫图像进行分类识 别.利用GLCM提取泡沫图像纹理特征时会产生特 征相互重叠的问题,郝元宏等[57]提出了一种新的泡 沫状态识别方法,利用正交投影对提取到的原始纹 理参数进行变换,并用支持向量机对泡沫图像进行 分类识别.而王红平等[58]则利用主成分分析法对浮 选泡沫的纹理特征参数进行变换处理以解决各纹理 参数相互重叠的问题,并利用神经网络进行泡沫状 态的分类. 上述研究的共同特点是 1未考虑入矿条件的 影响; 2随机选择泡沫视觉特征作为分类识别的输 入变量,未考虑具体类别图像特征对应的浮选工况; 3未考虑工况与其他操作参数的融合.为此,作者 所在研究组提出了如图6所示的浮选工况趋势识别 策略[12],采用工况识别模块先识别故障工况及趋势, 再识别正常工况及趋势的分级识别方法.具体步骤 为首先,基于提出的泡沫图像特征选择算法,提取 某一类能明显体现浮选生产故障工况的视觉特征进 行故障工况与正常工况的识别,并结合浮选工艺特 点,分析故障趋势;然后,确定关键视觉特征进行正 常工况分类,同时利用数据的时序匹配,依据浮选生 产指标特征的变化趋势结合入矿类型,进行生产状 态的趋势类别识别;最后,融合获取的实时工艺参数 和基于机器视觉的关键参数预测值,给出相应的操 作指导信息. 4基于机器视觉的泡沫浮选过程监控系统 在 实 际 工 业 应 用 方 面,国 外 已 研 发 的 泡 沫 图 像 系 统 包 括VisioFroth Metso,Smart- Froth UCT, JKFrothCam JKMRC, FrothMas- ter Outokumpu.其中ForthMaster是奥拓昆普 公司开发的一个商业化系统,目前应用比较广泛,该 系统可通过摄像头采集视频信号,提取泡沫速度、 稳 定度、泡沫大小等泡沫表面视觉特征.作者所在研 究组在前期的浮选泡沫图像处理方法基础上,与国 内多家大型有色冶金企业合作研究了基于机器视觉 的浮选泡沫过程监控技术,研发了铝土矿、铜矿、金 锑矿等多种矿物浮选泡沫图像处理系统,主要性能 指标与世界上最先进的芬兰奥托昆普泡沫分析仪相 比,泡沫特征更完备、 气泡颜色特征更准确以及气泡 尺寸检测范围大,具有很好的推广应用价值.所研发 的泡沫图像系统与奥托昆普ForthMaster仪的参数 对比如表1所示. 图6浮选工况趋势识别方法 Fig.6 The tendency identifi cation of fl otation process 表1泡沫浮选系统的参数对比[12] Table 1 The parameters comparison of froth fl otation systems[12] 技术指标奥托昆普ForthMaster仪中南大学的泡沫图像系统 1系统工作温度0∼40摄氏度−10∼60摄氏度 2信号最大传输距离200米2000米 3有无实时图像输出有选择输出有 4泡沫颜色特征仅为R、G、B直方图RGB、HSV及Lab多颜色空间描述 5泡沫尺寸特征适用范围为[5mm, 20mm]可检测1mm以上的气泡 6泡沫速度特征检测范围[−250mm/s, 250mm/s]检测范围[−400mm/s, 400mm/s] 7泡沫纹理特征无有 8泡沫承载率特征无有 9泡沫稳定度特征有有 10工艺指标预测模型无有 11期桂卫华等基于机器视觉的矿物浮选过程监控技术研究进展1885 特别是针对我国首创的选矿拜耳法高硅铝矿石 处理新工艺,研发了铝土矿泡沫浮选图像分析系统. 该系统通过对浮选泡沫图像的分析处理,能够自动 提取出表示泡沫颜色、大小、速度、纹理、稳定性、 流动性等泡沫特征,并提供泡沫图像实时显示、 特征 曲线及工艺参数曲线实时显示,实现浮选泡沫状态 的分类、识别与综合评价和自动生成生产报表等功 能,如图7和图8所示.该系统有效改善工人工作 环境和劳动强度,为现场浮选操作提供指导信息,提 高了浮选过程的自动化技术水平. a浮选泡沫图像监控系统界面 a The froth image analysis system b提取的泡沫图像特征 b Extracted froth features 图7铝土矿浮选泡沫图像监控系统和提取的图像特征 Fig.7The froth image analysis system of aluminum fl otation and extracted froth images feature 图8基于泡沫图像特征参数的工况评价图 Fig.8Production condition uation based on froth image features 5结束语 本文结合矿物选矿过程浮选泡沫特点,给出了 基于机器视觉的泡沫图像关键特征提取与表征方 法、关键参数在线检测和工况自动分类与识别等方 面的研究进展,探讨了基于机器视觉的泡沫图像处 理系统的实现.目前基于机器视觉的浮选过程监控 技术研究工作主要集中在浮选泡沫图像的视觉测量 上,所提出的泡沫图像处理方法往往针对性强,未充 分考虑各种复杂混合粘连的浮选泡沫图像视觉特征 的提取,算法鲁棒性不强;所提取的泡沫视觉特征直 观,难以准确反映矿物浮选生产状况变化.如何在充 分分析、 理解浮选工艺机理的基础上,利用这些泡沫 视觉特征进行浮选生产过程建模,给浮选过程自动 控制与优化操作带来新的挑战性问题. 1浮选泡沫图像视觉特征提取与表征所面临的 难点 a不受光照与现场环境影响的浮选泡沫图像恒 常颜色特征难以准确提取.选厂环境粉尘大、光照 不均,泡沫图像偏色情况时有发生,研究不受光照影 响的泡沫颜色特征提取方法,构成了浮选泡沫图像 处理的第一大难题. b畸变、破碎严重的浮选泡沫动态特征难以通 过目前的运动估计算法进行准确测量,浮选泡沫的 非接触式流速测量是浮选泡沫图像处理中的又一大 难题. c泡沫表面无序的提取与表征方法有待深入研 究.浮选泡沫在不同工况条件下形貌差异大,甚至同 一视野中的各矿化气泡表面形状也千差万别,泡沫 图像视觉特征正是由这些形态各异的矿化气泡堆积 而成,它们的分布随着浮选工况的扰动表现出随机 分布状态,如何对这些由大量形状不一的气泡所构 成的泡沫图像进行表面视觉特征精细描述也是一大 难题. 2矿物浮选过程建模与优化控制所面临的难题 a浮选生产过程自身复杂性给浮选泡沫层动力 学建模带来挑战.矿物粒子在泡沫层中粘附、碰撞、 脱落等过程直接关系到浮选生产的好坏,以往的浮 选过程动力学研究主要针对矿浆中粒子运动扩散过 程,忽略了泡沫层的关键作用,无法对浮选过程进行 很好的描述.如何根据泡沫表面视觉特征参量,建立 浮选泡沫层动力学机理模型或者半经验半机理模型 也是目前矿物浮选过程建模与控制存在的一大难题. b基于机器视觉的浮选生产过程指标预测在方 法与理论上有待深入研究.浮选过程包含几十个浮 选槽,各浮选槽泡沫视觉特征变量相互关联,决定了 整个浮选流程的精矿产量与质量,如何分析这些浮 选泡沫视觉特征与工艺指标间的关系,建立浮选生 1886自动化学报39卷 产指标预估模型,实现基于机器视觉的浮选生产指 标自动预报有待更系统、 更深入地研究. c浮选过程加药量自动控制理论与方法亟待完 善.矿物浮选生产过程的不确定性和泡沫大小的非 高斯分布构成浮选过程稳定控制的巨大挑战.浮选 过程加药量控制,是浮选过程中最重要的生产操作 控制,决定了浮选生产是否稳定运行与药剂资源的 有效利用水平,如何进行稳定的浮选过程加药量自 动控制构成了浮选过程控制中的一大难题. d浮选生产过程各浮选工序关联耦合严重,全 流程优化控制难以实施.浮选生产流程长,包括粗 选、 精选、 扫选等多个工序,生产过程的影响因素多, 包含众多工艺参数和操作变量,这些变量相互耦合, 往往一个操作变量的改变会同时引起多个被控变量 的变化.为使控制变量满足生产要求,需要合理地协 调优化多个操作变量,导致浮选生产过程全流程优 化控制难以实施. References 1 Sun Cheng-Lin, Lian Qing-Ming, Wang Qing-Fa, Lu Da- Bin. Attention must be paid to the development of the min- eral resources of our country. Mental Mine, 2008, Suppl. 85−90 孙成林,连钦明,王清发,卢达斌.切实关注我国矿产资源开发.金 属矿山, 2008, 增刊 85−90 2 National Development and Re Commission, Ministry of Science and Technology, Ministry of industry and ina- tion technology, Ministry of Land and Resources, Ministry of Housing and Urban-Rural Development, Chinese Ministry of Commerce, Outlines of Chinese Sources Comprehensive Utilization Policy, 2010 国家发展和改革委员会,科学技术部,工业和信息化部,国土资源 部,城乡建设部,商务部.中国资源综合利用技术政策大纲, 2010 3 Bergh L G, Yianatos J B. The long way toward multivariate predictive control of fl otation processes. Journal of Process Control, 2011, 212 226−234 4 Reddick J F, Hesketh A H, Morar S H, Bradshaw D J. An uation of factors aff ecting the robustness of colour mea- surement and its potential to predict the grade of fl otation concentrate. Minerals Engineering, 2009, 221 64−69 5 Liu J J, MacGregor J F. Froth-based modeling and control of fl otation processes. Minerals Engineering, 2008, 219 642−651 6 Bonifazi G, Giancontieri V, Meloni A, Serranti S, Volpe F, Zuco R. Characterization of the fl otation froth structure and color by machine vision ChaCo. In Proceedings of the 2000 International Mineral Processing Congress, 2000, 13 39−49 7 Wang W X, Stephansson O, Wang S C. On-line system setup in a cellar of a fl otation plant. In Proceedings of the 15th In- ternational Conference on Pattern Recognition. Barcelona IEEE, 2000. 791−794 8 Marais C, Aldrich C. Estimation of platinum fl otation grades from froth image data. Mineral Engineering, 2011, 245 433−441 9 Cipriano A, Guarini M, Vidal R, Soto A, Sep ulveda C, Mery D. A real time visual sensor for supervision of fl otation cells. Minerals Engineering, 1998, 116 489−499 10 Wang Yong, Yang Gong-Xun, Lu Mai-Xi, Gao Shu-Hua. The gray run length and its statistical texture features of coal fl otation froth image. Journal of China Coal Society, 2006, 311 94−98 王勇,杨公训,路迈西,高淑华.煤泥浮选泡沫图像灰度行程及其统 计纹理特征.煤炭学报, 2006, 311 94−98 11 Zeng Rong. Study of edge detection s on Flotation froth image. Journal of China University of Mining Tech- nology, 2002, 315 421−425 曾荣.浮选泡沫图象边缘检测方法的研究.中国矿业大学学报, 2002, 315 421−425 12 Gui Wei-Hua, Yang Chun-Hua, Xie Yong-Fang, Tang Zhao- Hui. Mineral Flotation Froth Image Processing and Process Monitoring Technique. Beijing Science Press, 2013 桂卫华,阳春华,谢永芳,唐朝晖.矿物浮选泡沫图像处理及过程监 测技术.北京科学出版社, 2013 13 Shean B J, Cilliers J J. A review of froth fl otation control. In- ternational Journal of Mineral Processing, 2011, 1003−4 57−71 14 Moolman D W, Aldrieh C, Van Deventer J S J, Stange W W. Digital image processing as a tool for on-line monitor- ing of froth in fl otation plants. Minerals Engineering, 1994, 79 1149−1164 15 Oestreieh J M, Tolley W K, Rice D A. The development of a color sensor system to measure mineral compositions. Minerals Engineering, 1995, 81−2 31−39 16 Bonifazi G, Serranti S, Volpe F, Zuco R. Characterisation of fl otation froth colour and structure by machine vision. Computers Geosciences, 2001, 279 1111−1117 17 Ventura-Medina E, Barbian N, Cilliers J J. Solids loading and grade on mineral froth bubble lamellae. International Journal of Mineral Processing, 2004, 741−4 189−200 18 Chuk O D, Ciribeni V, Gutierrez L V. Froth collapse in column fl otation a prevention using froth density estimation and fuzzy expert systems. Minerals Engineering, 2005, 185 495−504 19 Kaartinen J, H at onen J, Hy otyniemi H, Miettunen J. Ma- chine vision based control, of zinc fl otationa case study. Control Engineering Practice, 2006, 1412 1455−1466 20 Bonifazi G, Gianeontieri V, Serranti S, Volpe F. A full color digital imaging based approach to characterize fl ota- tion froth an experience in Pyhasalmi SF and Garpenberg S plants. In Proceedings of the 2005 International Con- ference on Imaging Technology and Applications for the 21st Century. Beijing, China Science Press, 2005. 172−173 21 N u˜ nez