基于泡沫圖像特征融合的煤泥浮選工況識別

梁秀滿，田 童，劉文濤，牛福生

(1. 華北理工大學電氣工程學院，河北 唐山 063210；2. 華北理工大學礦業工程學院，河北 唐山 063210)

1 引言

煤泥浮選是將礦物進行分離提取的過程。通過添加浮選藥劑改變礦物顆粒表面的疏水性，使礦物顆粒粘附到氣泡表面，氣泡運動上升不斷堆積形成泡沫群。通過上層泡沫群的泡沫狀態可以觀察出浮選性能的好壞。通常以泡沫的大小、形態、顏色、紋理作為衡量的依據[1-3]。但在實際的生產現場，大多數是由工人直接用經驗來判斷浮選工況，自動化水平較低，判斷誤差較大，礦物資源浪費較多?，F今礦產資源日益稀缺，提高浮選性能，節約人力物力，實現工況自動化生產至關重要[4]。浮選泡沫呈現的紋理特征與浮選性能密切相關，通過提取泡沫紋理特征，研究紋理參數能夠反映工況狀態，預測浮選效果，具有重要的現實研究意義。

近年來，很多學者提出了多種提取泡沫紋理特征的方法。Moolman[5]采用空間灰度隸屬矩陣(SGLDM)、鄰域灰度隸屬矩陣(NGLDM)提取了基于這些矩陣的熵、能量及慣性矩等紋理特征；劉文禮[6]以灰度共生矩陣法(GLCM)描述了浮選泡沫圖像的紋理特征，定量的分析了紋理特征參數與泡沫之間的相關性，但是基于灰度共生矩陣的方法計算量較大，而且不具有旋轉不變性；劉金平[7]基于Gabor小波濾波器提取紋理特征，能夠有效地對浮選過程中的泡沫狀態予以表征，但計算維數較大，提取特征所用時間較長。

單一的圖像特征在描述圖像特征方面不夠精準，影響浮選工況識別的準確率。本文將浮選泡沫圖像的亮點分布特征、圖像灰度特征與Tamura紋理特征[8]相融合的方法應用到浮選工況識別過程中，分析不同浮選實驗的泡沫圖像特征與礦物品位的相關性。通過建立支持向量機(SVM)模型[9-10]，將提取的特征數據集進行分類，并達到預測浮選性能的目的。

2 原理介紹

隨著浮選狀態的改變，浮選泡沫表現出特定的圖像特征，主要表現為：氣泡尺寸、氣泡表面的粗糙程度與氣泡的灰度級別。比如捕收劑劑量較少時，氣泡附著的礦物含量較少，氣泡表面較光滑；充氣量較少時，氣泡個數較少。分別提取圖像的亮點分布特征、灰度值特征與Tamura紋理特征，將以上三類特征排列融合以作為浮選工況的定量描述，用于浮選狀態的分類識別，如圖1所示。

圖1 特征參量融合圖

2.1 基于Otsu分割的泡沫亮點特征提取

大律法(Otsu)根據圖像的灰度信息，通過閾值t0將圖像分為目標和背景兩部分。目標區域的像素點占整個圖像的像素點比例為w0，灰度均值為u0；背景區域的像素點占整個圖像的像素點比例為w1，灰度均值為u1[11-12]。式(1)為圖像的平均灰度值，式(2)為圖像的方差。當t0從不同的灰度級開始變化時，σ2的數值也隨之變化。當方差取得最大值時，t0為分割的最佳閾值。

u=w0×u0+w1×u1

(1)

σ2=w0×(u0-u)2+w1×(u1-u)2

(2)

Otsu分割后的圖像存在面積較小的干擾亮點，需對閾值分割后的圖像進行形態學開操作處理，形態學開操作能在保證圖像完整結構的前提下消除面積較小的像素點，形態學開操作是先腐蝕后膨脹的過程，腐蝕與膨脹定義如下

A?B={x，y|(B)x，y?A}

(3)

A⊕B={x，y|(B)x，y∩A≠?}

(4)

式中：A為原始圖像，B為結構元素。形態學開操作通過腐蝕去除小面積的像素點，膨脹還原整體圖像結構，定義如下

A°B=(A?B)⊕B

(5)

計算圖像的亮點個數用以表示氣泡的數量特征，統計每個連通區域的像素個數作為泡沫亮點的尺寸，由此可以得到亮點平均尺寸、亮點最大尺寸與最小尺寸差值等參數特征。公式如下

(6)

(7)

Margin=Smax-Smin

(8)

式中：O(i，j)是提取亮點開操作后點(i，j)的像素值，S是泡沫圖像亮點個數，Smax是最大亮點像素尺寸，Smin是最小亮點像素尺寸。

2.2 泡沫圖像灰度值特征

泡沫的大小及表面礦物的粘連程度的不同，使得浮選圖像灰度值不同，將泡沫圖像灰度化處理，計算圖像灰度矩陣的平均值、方差、峰度方差。公式如下

(9)

(10)

(11)

峰度值反映了泡沫圖像的尖度，若該點灰度級別比鄰域灰度級別高，則峰度值較大；峰度方差值反映了泡沫圖像峰度值的變化程度。

2.3 Tamura紋理特征提取

Tamura算法描述了圖像的粗糙度、對比度、方向度、線性度、規則度和粗略度6種特征參數[8]。本文采用粗糙度、對比度、方向度3個紋理特征參量。

粗糙度是對紋理特征最直觀的描述。在Tamura紋理提取算法中，取像素大小為2k×2k的數據窗口。用E的最大值來定義合適的窗口尺寸，Sbest(x，y)=2k。粗糙度是由選取的浮選圖像的所有Sbest的平均值來計算的。

(12)

Ek，h(x，y)=|Ak(x，y+2k-1)-Ak(x，y-2k-1)|

(13)

Ek，v(x，y)=|Ak(x，y+2k-1)-Ak(x，y-2k-1)|

(14)

(15)

式中：Ak(x，y)為選取窗口的平均強度值。g(x，y)為點(x，y)處的灰度值。Ek，h(x，y)、Ek，v(x，y)為水平和垂直方向上不重疊的數據窗口強度差的絕對值。

對比度是通過對像素強度分布情況的統計得到的，式(16)為對比度計算公式，其中：α4=μ4/σ4，n=1/4，μ4是四階矩，σ為標準差。

(16)

方向度是紋理的延展方向，首先要計算像素梯度，梯度大小為|ΔG|，方向為θ。計算出所有的梯度值后，需要先選定一個閾值t=12(t=12[8])，使得方向變化不明顯即|ΔG|

(17)

(18)

(19)

2.4 支持向量機(SVM)

將圖像特征提取融合之后，需要對融合的信息進行分類訓練。為了解決非線性問題，采用SVM的分類方法。構建SVM的輸入、輸出數據庫，輸入數據為x∈Rn，y∈R以及n維訓練樣本集

D={(x1，y1)，(x2，y2)，…，(xl，yl)}

(20)

在n維空間尋找最優超平面方程

y=f(x)=w·x+b

(21)

式中：w為權值，b為閾值。

尋找最優分類平面的過程就是函數的優化過程。針對SVM優化問題可以轉化為在約束條件下，求目標函數的極小值的問題。下列公式中式(22)為目標函數，式(23)為約束條件。

(22)

yi[(w×xi)+b]-1≥0，i=1，2，…，l

(23)

為優化目標函數，構造Lagrange函數并且αi≥0

(24)

求Lagrange函數的極小值，對w、b分別求偏微分并令其為0。

(25)

約束條件為

(26)

(27)

選用高斯徑向基核函數

(28)

3 實驗過程

為了獲取不同工況的浮選泡沫圖像，建立基于機器視覺的煤泥浮選泡沫觀測系統，主要由單槽浮選機、LED面光源、工業相機三部分組成。通過浮選實驗，在1.5升的浮選槽內先后加入100g的礦粉和1.5L的水，機械攪拌3分鐘，使得礦粉均勻的彌散在浮選槽中；滴入0.01g的煤油(捕收劑)后攪拌1分鐘，使得礦物顆粒表面疏水性提高；再滴入相應濃度的仲辛醇(起泡劑)；10秒后打開充氣閥門，浮選槽底部產生無數細小氣泡，煤礦顆粒粘附到氣泡上，上升至礦漿液面上層。采集泡沫圖像信息。在Windows-7環境下，選用matlab2014b軟件進行圖像處理與參數計算。根據采集的110幅泡沫圖像，提取75幅圖像特征進行訓練建立分類模型，剩余的35幅圖像進行工況識別。實驗流程如圖2所示。

圖2 實驗流程

4 實驗分析

選用同一批次的煤泥進行浮選對比實驗，改變起泡劑的濃度采集其泡沫圖像。即圖3所示的添加0.005g的起泡劑時的a類泡沫、0.01g的起泡劑的b類泡沫與0.02g的起泡劑的c類泡沫。通過采集的煤泥浮選上層泡沫圖像可以看出：a類泡沫的氣泡尺寸較大而表面比較光滑，氣泡表面附著的礦物較少且不均勻，紋理較為簡單；b類泡沫的氣泡尺寸較為適中，并且附著較多的礦物，紋理最為復雜；c類泡沫的氣泡尺寸較小，紋理復雜，氣泡有坍塌、破裂的現象。提取三類圖像的亮點分布特征、灰度值特征與Tamura紋理特征。

圖3 三類典型的浮選泡沫圖像

4.1 泡沫亮點提取

對泡沫圖像進行亮點提取，三類代表泡沫圖像的亮點分布如圖4所示，亮點個數、總像素、平均尺寸、亮點最大尺寸與最小尺寸差值等數據如表1所示。結果表明：a類泡沫的亮點個數最少，尺寸最大，平均像素與最大最小像素差值較大；b類泡沫的識別亮點個數較多，且尺寸較大并且像素面積差值較??；c類泡沫識別的亮點數目最多且尺寸較小。

圖4 Otsu閾值分割與形態學操作

表1 三類典型泡沫圖像亮點特征

4.2 灰度特征提取

將采集的a、b、c三類各15幅泡沫圖像進行灰度化處理，利用灰度像素矩陣值提取矩陣的平均值、方差、以及峰度方差。繪制灰度矩陣的平均值、方差、峰度方差的大小折線圖，如圖5、6、7所示。

圖5 灰度矩陣均值對比圖

圖6 灰度矩陣方差對比圖

圖7 灰度矩陣峰度方差對比圖

由上面的三幅折線圖可以看出，a類浮選泡沫，灰度圖像的像素平均值最小，方差介于中間，峰度方差最大，從圖像數據上可以說明在添加浮選藥劑少量的時候氣泡附著的有用礦物少而不均勻；b類浮選泡沫，灰度圖像的像素平均值介于中間，方差最大，峰度方差介于中間，說明浮選藥劑劑量合適時氣泡的表面附著物較為均勻；c類浮選泡沫，灰度圖像的像素矩陣平均值最大，方差和峰度方差最小，可以看出浮選藥劑多的時候浮選泡沫尺寸較小，附著物較多。

4.3 紋理特征提取

分別選取a、b、c三類泡沫的15幅圖像來采集Tamura紋理特征參數，并建立數據集來繪制各個類別的直方圖對比圖。

圖8 紋理粗糙度對比圖

圖9 紋理對比度對比圖

圖10 紋理方向度對比圖

通過提取的紋理特征可以看出，a類浮選泡沫，粗糙度數值最小，對比度數值很大，方向度數值適中；b類浮選泡沫，粗糙度和對比度數值較大，方向度數值最??；c類浮選泡沫，粗糙度和方向度數值較大，對比度數值最小。

4.4 識別測試結果

將采集的三類圖像特征線性標記排列，以此作為融合的圖像特征參數。提取三種起泡劑濃度各25幅圖像的亮點分布特征、灰度值特征與Tamura紋理特征，標記其圖像所屬類別。建立單一圖像特征和特征融合的SVM分類模型，對剩余35幅圖像進行分類測試，結果如表2所示。

表2 SVM識別測試結果

測試結果表明，采用單一圖像特征的識別正確率較低，其中亮點分布特征的正確率為74.2%；圖像灰度特征的正確率為77.1%；Tamura紋理特征的分類正確率為82.8%；泡沫圖像特征信息融合后分類正確率達到85.7%，比利用單一特征分類效果好，分類精度得到提高。提高了煤泥浮選工況的識別精度。

5 結束語

針對圖像紋理分類識別率低的問題，本文提出一種基于泡沫圖像特征融合的煤泥浮選工況識別方法。通過提取泡沫圖像的亮點分布特征、圖像灰度特征與Tamura紋理特征，將以上特征線性標記排列，增大特征分類的分辨率，通過35幅圖像來驗證分類準確率達到88.6%。優于單一圖像特征的分類識別。能夠將其作為浮選狀態的量化描述，為指導現場工人的參數調整，實現浮選過程的自動化控制奠定了基礎。