基于纹理kn近邻估计的铝土矿加药状态检测方法研究.pdf

收稿日期收稿日期 基金项目基金项目国家自然科学基金重点资助项目61134006；国家自然科学基金面上项目资助项目61071176, 61272337；国家创新研究群体科学基金项目 61321003 作者简介作者简介 杨云轩1990－，男，硕士研究生，辽宁辽阳人，目前主要研究方向为机器视觉处理、智能控制，E-mail 地址 fyryyxl，联系电话 13808455194；唐朝晖1965－，男，博士，中南大学信息科学与工程学院教授、博士生导师，湖南长沙人，主要研究方向为智能控制、智能信息处理、复 杂工业过程故障诊断，邮编 410083，E-mail 地址 zhtang，联系电话 13975894848；闫志浩1991－，男，硕士研究生，山东德州人，目前主要研 究方向为机器视觉处理，邮编 410083，E-mail 地址 yanzhcsu，联系电话 1478985283。 基于纹理 kn近邻估计的铝土矿加药状态检测方法研究 杨云轩，唐朝晖，闫志浩 中南大学 信息科学与工程学院,长沙 410083 摘要摘要在矿物浮选生产过程中，泡沫表面图像特征与浮选工况具有密切相关。除了气泡间的几何边缘之外，最 重要的就是泡沫图像表面纹理了。针对不同浮选药剂添加量状态下纹理特征的变化，普通的纹理谱直方图并不 能直观并数据化地显示出纹理特征的具体区别，因此本文提出了一种基于 kn近邻估计纹理特征浮选工况识别方 法，采用概率密度函数曲线的方式，取代直方图来统计纹理单元，获取相应的统计分布参数，对泡沫图像纹理 分布特点进行统计刻画，并以此进行矿物浮选加药量状态分析，判断是否需要对药剂量进行调整，从而对后续 药剂添加给出指导。这对浮选操作优化具有指导意义。 关键词关键词泡沫浮选；纹理谱；kn近邻估计；加药量 Study on the application of bauxite flotation reagent-addition state detection based on kn neighbor estimate of texture Yang Yun-xuan, TANG Zhao-hui, Yan Zhi-hao School of Ination Science and Engineering, Central South University, Changsha 410083, China AbstractIn the production process of froth flotation, the characteristics of surface bubble image is closely related to the flotation operation conditions. In addition to the geometric edge between the bubbles, the most important feature of the bubbles image is the surface texture. For the texture features changes in different flotation reagent states, traditional texture spectrum histogram can not exhibit specific differences between texture features intuitively and digitally. This paper proposed a flotation condition recognition based on knneighbor estimate of texture features. This replaced histogram with probability density function curve to count texture units, and obtained the corresponding statistical distribution parameters. It registered in the bubbles texture features, and analyzed flotation reagent-addition state to determine the need for dose adjustments, then given guidance on the following reagent-addition. This has important significance for the flotation operation optimization. Key wordsfroth flotation; Texture spectrum; knneighbor estimate; reagent-addition 引言 泡沫浮选是矿物冶炼过程中一种主要的选矿方 法，在实际生产过程中，通常通过具有丰富经验的工 人来观察浮选槽表面的泡沫视觉图像特征，并以此来 对浮选过程进行具体操作。矿物泡沫浮选过程是一个 非线性、 多变量、 强耦合的复杂的连续工业生产过程， 它利用矿物表面物理化学性质的差异，根据不同矿物 表面湿润性的不同，通过添加合适的浮选药剂，在气 体、液体和固体三项体系中完成的复杂过程，其主要 目的在于提高磨矿之后矿石中有用矿物的富集程度。 因此，研究一种有效的图像分析建模方法对于改善浮 选工况检测具有重要意义[1]。 浮选泡沫图像的纹理特征是对泡沫表面粗糙度、 对比度和黏性等情况的综合表述。泡沫的粗糙度和对 比度与泡沫表面矿物的富集程度相关，泡沫的粘性和 泡沫的含水量有关。目前，针对浮选泡沫图像纹理分 析已有一些方法，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，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[2]； Bharati 等对比研究了灰度共生矩阵（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[3]；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[4]；程翠兰等基 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[5]；刘金平等基于 Gabor 小波方法提取了泡沫 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了无监督 的模糊聚类分析，并从铝土矿精选泡沫图像序列的静 2495978-1-4673-7189-6/15/31.002015 IEEE 态、动态两方面研究精选泡沫纹理特征提取方法, 应 用于精选泡沫分类[6][7]。 因此， 可以通过对浮选泡沫表 面纹理视觉特征的研究，将实时获取的泡沫表面纹理 分布特征，与典型条件下的泡沫表面纹理分布特征进 行比较，可以实现状态分布的合理评估，从而对浮选 操作工人的操作进行及时的指导和提醒，实现浮选操 作的优化，提高精矿的回收率，改善精矿的品位，同 时对浮选矿厂提高经济效益具有重要意义。 通过获得泡沫图像泡沫纹理单元的基本分布， 建 立基于模糊纹理谱的浮选泡沫图像纹理特征提取方 法，使其更加符合人类感官分析，由于传统的纹理谱 直方图表示方法具有一定的局限性，不能直观地表现 出不同图像纹理特征的区别，所以提出了一种 kn近邻 估计方法，建立概率密度函数曲线，来对泡沫图像纹 理单元进行概率密度分布分析，能够更加准确地对不 同图像纹理特征进行对比。最终与加药量相关的原始 数据相关联，得到泡沫图像泡沫纹理分布与加药量之 间的预测模型。从而实现基于纹理单元分布特征的加 药量建模，对后续加药进行指导和建议。 1药剂添加量与泡沫纹理分布关联 某企业铝土矿浮选基本流程图如图 1 所示，在浮 选过程中，最重要的影响浮选指标的控制操作量就是 加药量了，因此，判断矿浆药剂添加量状态并对此进 行指导分析就有可能得到令人满意的浮选效果。浮选 药剂通常包括捕收剂、起泡剂和调整剂等，而其中调 整剂作为一种在浮选过程中要不断添加的药剂，需要 更多的关注，它用来调节矿浆的酸碱度，进而改变矿 物的表面特性、矿浆的化学组成以及各种其他药剂的 作用条件，去除影响药剂作用的可溶性盐离子，消除 矿粒的有害影响，改善浮选效果。这些调整剂通常包 括石灰、碳酸钠、氢氧化钠和硫酸等等，某铝土矿浮 选厂通过调节调整剂碳酸钠的添加量来改变矿浆的 pH 值。浮选药剂作为改善浮选效果的关键操作参数， 在浮选工艺流程中起到了重要作用，也决定了后续浮 选性能的好坏，因此，对浮选药剂添加量情况的判断 十分重要。 粗 选 泡 沫 层 粗 扫 泡 沫 层 精 选 II 泡 沫 层 精 选 I 泡 沫 层 精 扫 泡 沫 层 尾 矿 精 矿 总 精 槽 尾 矿 图图 1 某铜浮选厂矿的浮选流程图某铜浮选厂矿的浮选流程图 根据铝土矿浮选的实际生产情况，可以分析得知 不同的加药状态对于铝土矿的可浮性、药剂的浮选活 性和矿浆的离子组成都具有深远影响。通常可以根据 药剂添加量的不同情况将相应状态分为三种不同状 态，以下是某企业铝土矿浮选过程中通过高清摄像头 采集到的不同药剂添加量状态下三幅 800600 像素的 泡沫层表面图像 b调整剂添加量正常c调整剂添加量少 a调整剂添加量多 图图 2 不同加药状态下的泡沫图像不同加药状态下的泡沫图像 A 组代表药剂量添加量过大状态，这时的矿浆的 pH 值较大，泡沫图像状态如图 2a所示，图像亮度较 暗，泡沫破碎率高，气泡较大，泡沫层虚且泡沫表面 平滑，矿物回收率低，极易造成资源浪费。B 组代表 药剂量正常状态，其泡沫图像状态如图 2b所示，泡 沫出现坍塌现象，泡沫大小适中且透明度较低，表示 矿物承载量较高。C 组代表药剂量过小状态，该药剂 添加量下泡沫图像状态如图 2c所示，此时硅酸盐等 杂质矿物吸附于泡沫表面，造成泡沫含矿量低，颜色 偏红，亮度较高，大小不统一，气泡的透明度和破碎 率都较高，泡沫层纹理复杂，这会造成浮选矿物品位 的降低。因此，本文采用基于 kn近邻估计法的纹理谱 概率密度分布来提取和统计泡沫图像的纹理特征，对 加药状态进行分析。 2纹理分布特征概率密度分析 2.1图像纹理谱分布 纹理谱是一种描述图像纹理的方法，其根据人眼 对纹理特征的感知原理，更灵活有效地对图像特征进 行了显示[8]。纹理单元是组成纹理谱的基本单元。在 一个中心像素及其周围大小为 33 的矩形邻域区间 内，将中心像素的所有 8 个邻域像素值都以其中心像 素的灰度值作为阈值进行区分量化。 在一个给定的33 邻域区间中一共包含有 9 个灰度元素，记为 V｛p0， p1，，p7，p8｝ ，其中 p0表示为中心像素的灰度值， pi是邻域区间中第 i 个像素的灰度值。 定义一个相应的 纹理单元 U，则 U 是一个包含了 8 个阈值像素的组合 集 U {E1，E2，，E8}，其中 Ei的定义为 0 00 0 0, 1, 2, i ii i pp Eppp pp         （1） 式中，Δ是一个很小的正常量，表示为合理误差，元素 Ei占据像素 i 相同的位置。由于 U 中每个元素具有 3 种可能的取值，所有 8 个元素的总和共有 386561 种 2496 不同的取值，通常用 N 表示这些取值组合，记为纹理 单元数，因此纹理单元数的定义如下 8 1 1 3i i i N E     （2） 这样一个纹理单元描述了一个给定单位像素的纹 理特征，即中心像素与其周围邻域像素之间的相对灰 度级关系。对图像中的纹理单元发生频率进行统计， 这个发生频数函数就表示了所要分析的图像的纹理信 息，称这个所有纹理单元的发生频数函数为纹理谱， 纹理谱通常以直方图的形式表现出来，其横坐标表示 为纹理单元函数，纵坐标表示为相应纹理单元出现的 频率。纹理单元反映图像纹理的微观内容，纹理谱是 纹理微观内容的宏观表达。纹理谱能更好地反映泡沫 的纹理复杂和纹理均匀情况，这对于后续统计和计算 具有重要意义。 图图 3 纹理单元数统计方法纹理单元数统计方法 根据计算可知，纹理谱的中值为纹理单元数为 3280 的纹理单元， 其意义为扫描的纹理单元共 9 个像 素灰度值全部相近，这时所对应的图像纹理相对均匀 平滑，而复杂图像的纹理谱分布则较为分散。因此， 纹理谱的相对分布可以一定程度上反映浮选泡沫的均 匀性和粗糙度。 2.2kn近邻估计法 传统的纹理谱表示方法是一种直方图表示，其不 能连续表达， 而且特征参数过大， 不利于大样本计算， 因此，得到相应的泡沫图像纹理单元分布数据之后， 需要对纹理谱进行概率密度分布估计，进而进行具体 对比和判断，而浮选泡沫图像纹理单元分布不服从特 定分布，因此采用非参数估计法对其进行概率密度分 布估计。主要根据选定时间和工矿的浮选泡沫图像样 本数据，利用非参数估计的方法进行统计，从而获得 相应的概率密度分布曲线[9]。kn近邻估计法就是一种 典型的非参数估计方法，通过 kn近邻估计法获取概率 密度函数，在样本密度较高的地方小窗的体积就会相 对较小，而在样本密度较低的区间小窗的体积会自动 变大，这样就能够更好地兼顾在高密度区域估计的分 辨率和在低密度区域估计的连续性，通过参数曲线来 表示纹理单元分布状况，方便直观，更利于后续与其 他特征相关联的计算。 kn近邻估计法是一种采用可变大小窗的概率密度 估计方法[10]，其基本步骤是根据总样本确定一个参 数 kn，其表示在总样本数为 n 时每个小窗内拥有的样 本个数。 在求 x 处的概率密度估计xf时， 通过调整 包含 x 的该小窗的体积，可以使小窗内刚好有 kn个样 本，这样就可以估算得到     n j j j j n n R Xx RnV nk xf 1 2 11/ （3） 其中，V 代表每个小窗的体积，Rj代表 x 与第 k 个近 邻 Xj之间的欧几里德距离， 是对称密度函数且 1  duu， 则xfn即为未知密度函数xf的 kn 近邻估计。为了取得好的估计效果，通常选取为 n kkn，k 为某个常数[11]，kn的选取由具体实际所 选取的 k 值和具体数据组的 n 值所决定。 根据概率密度函数的性质，可知近邻估计函数满 足以下约束                    lim 0lim lim 1 xfxf n k k dxxf n n n n n n （4） 在对浮选泡沫纹理单元数分布进行统计分类之 前，可以对其纹理单元数 G 进行归一化处理，使得其 分布范围在[0,1]之间 min max min GG GG g i i   （5） 其中 gi为归一化后的纹理单元数，Gi为原始的纹理单 元数，Gmax、Gmin分别为浮选泡沫纹理单元数的最大 值和最小值，即6560 max G，0 min G，这些是纹 理单元数的极值。 图图 4 基于基于 kn近邻估计的泡沫图像纹理谱概率密度分 布 近邻估计的泡沫图像纹理谱概率密度分 布 因此，浮选泡沫纹理谱 kn近邻估计方法的具体步 骤为 1） 获取泡沫图像的纹理单元， 并计算获得相应的 纹理单元数据 gi，对这些纹理单元数据进行统计并区 分； 2）根据公式5对纹理单元数据 gi进行整理分析 2497 并归一化到[0,1]范围内，这样可以简化后续计算，并 使结果更加直观； 3）根据公式4选取合适的权值 kn值以及相对应 的 kn函数统计方式，计算其基函数； 4）根据公式3计算获得泡沫图像样本的纹理谱 概率密度函数xf n 。 3建模与仿真 在工业现场工况相对稳定的条件下，通过工业摄 像机采集某铝土矿浮选厂 2011 年 9 月至 2011 年 11 月 时间段内的加药量以及浮选泡沫图像的相关数据，剔 除浮选工况异常、不稳定状态的图像及加药量数据， 结合浮选现场的实际浮选效果分别选取加药量较小、 加药量正常、加药量较大等 3 种不同状态典型药剂添 加量下的各 50 组浮选粗选泡沫视频样本。 该粗选槽上 方工业摄像机的图像拍摄速率为 15 帧/秒，每个视频 持续 6 秒，同一秒钟内气泡的纹理分布变化不大，可 以视为相同状态，因此共提取 3 种典型药剂添加量下 各 300 幅粗选泡沫图像样本。首先采用纹理谱算法提 取相应的泡沫图像纹理特征，同时，获取与图像对应 的矿物品位和加药量状况。选取其中的三组生产图像 数据，采用本文方法进行详细处理。 图图 5 不同加药状态下的泡沫纹理谱分布不同加药状态下的泡沫纹理谱分布 图图 6 不同加药状态下的泡沫纹理单元概率密度分布 图像 不同加药状态下的泡沫纹理单元概率密度分布 图像 根据图 6 所显示的情况可以看出，随着矿浆加药 量的增多，纹理单元概率密度分布图像的中央峰值逐 渐增高，而两端峰值逐渐降低，纹理单元分布向中间 靠拢，纹理复杂度随着矿浆的 pH 值增大而减小，这 意味着当泡沫图像纹理复杂度逐渐减小时，所需调整 剂的量也减小，当泡沫图像纹理复杂度变大时，就需 要适当添加调整剂。 图图 7 一段时间内浮选矿浆一段时间内浮选矿浆 pH 值与其对应时刻的泡沫 层表面图像纹理复杂度 值与其对应时刻的泡沫 层表面图像纹理复杂度 这里采用纹理复杂度对不同状态下的纹理特征进 行统计，纹理复杂度是纹理单元复杂系数与均匀系数 的比值，其值越大，就代表图像纹理越趋于复杂，其 值越小，就代表图像纹理越趋于平滑。根据现场数据 实验结果得知，随着矿浆 pH 值的下降，图像纹理复 杂度也随之增大。当纹理复杂度达到极值时，纹理谱 概率密度曲线出现两个极端，一种情况为分布函数分 布很广但无中央峰值，一种情况为纹理单元分布函数 过于集中形成高度中央峰值，这时就说明系统出现故 障。这样就说明了提取的纹理特征和矿物品位以及加 药量状态具有较强的相关性，能够反映出基本的加药 量变化。 4总结 本文鉴于浮选气泡纹理谱分布与浮选药剂添加量 之间存在密切关系，将机器视觉引入到铜粗选药剂添 加量状态的监控中，提出了基于气泡尺寸动态的药剂 添加量状态自动评估方法。该方法通过纹理谱方式， 使数据分布更加符合人类视觉感知，同时 kn近邻估计 法方便地描述了气泡纹理的特征，并结合已知的典型 药剂添加量状态下气泡纹理的特征，然后对气泡纹理 谱特征进行了简便的计算与分析，判断当前情况下的 加药量态。利用工业浮选现场采集的大量泡沫图像数 据及其对应的浮选药剂添加量数据进行仿真实验验 证，实验结果表明，本文所提出的方法能够清晰地分 析泡沫图像纹理的有效性，判断加药量情况，有助于 对后续加药给出建议，降低选厂的生产成本，提高了 2498 矿物回收率，使得浮选性能得到改善，将矿物品位保 持在合理范围内。 参考文献 [1]Aldrich C, Marais C, Shean B J, et al. Online monitoring and control of froth flotation systems with machine visionA review[J]. International Journal of Mineral Processing, 2010, 961-4 1-13. [2]Holtham P N， Nguyen K K. On-line analysis of froth surface in coal and mineral flotation using JKFrothCam. International Journal of Mineral Processing， 2002，642-3， 163180. [3]Bharati M H， Liu J J， MacGregor J F. Image texture analysis s and comparisons. Chemometrics and Intelligent Laboratory Systems，2004, 721，5771. [4]Liu J J， MacGregor J F. Froth-based modeling and control of flotation processes. Minerals Engineering，2008，219， 642651. [5]程翠兰，阳春华，周开军，许灿辉. 基于模糊纹理谱的浮 选泡沫图像纹理特征提取[J]. 矿业工程研究， 2010， 244， 6266. [6]刘金平，桂卫华，牟学民，唐朝晖，李建奇. 基于 Gabor 小波的浮选泡沫图像纹理特征提取[J]. 仪器仪表学报， 2010，38，17691775. [7]唐朝晖，孙园园，桂卫华等. 基于小波变换的浮选泡沫图 像纹理特征提取[J]. 计算机工程， 2011， 3718 206208. [8]He D.C., Wang L. Texture features based on texture spectrum. Pattern Recognition, 1991, 24 5391-399. [9]XU Can-hui, GUI Wei-hua, YANG Chun-hua, et al. Flotation process fault detection using output PDF of bubble size distribution[J]. Minerals Engineering, 2012, 265-12. [10] Loftsgarden D O，Quesenberry C D.ANonparametric Estimate of a Multivariate Density Function[J].Ann Math Statist，1965，363，10491051. [11] 柴根象. 平稳序列最近邻密度估计的相合性[J]. 数学学 报，1989，323423432. 2499