无限场景中的矿物浮选泡沫图像形态抽样表征方法研究

Mineral flotation froth exists in three-phase states: solid, liquid and gas. large quantities, high flow speed and random morphological are the major characteristics of bubble due to the process conditions effect. Especially, bubble surface extends to infinity. Thus, it is difficult to characterize froth morphological statistic distribution objectively, which has seriously affected the production efficiency of flotation process. Firstly, the proposal intends to systematically research on knowledge acquisition method of froth color, morphology and texture, then, these characteristics are represented as bottom knowledge. Furthermore, bubble images multidimensional pattern spectral are extracted by morphological pruning algorithms based on graph theory, and the spatial-temporal varing morphological structural elements are designed. Meanwhile, a fast and efficient evolutionary algorithm is used to optimize the structure elements, on the basis, froth marker images are extracted. Secondly, bubbles generalization knowledge learning methods are put forward to build a high-level knowledge base with containing bubbles details features. Thirdly, a region segmentation method for hybird states bubble images is proposed under infinite-scene. According to high-level knowledge, the froth images self-learning segmentation algorithm is implemented at different operating conditions. Additionally, flotation cell overall froth morphology distribution parameters are estimated by the cumulative sampling bubbles. Those morphological characterization extraction methods will not only form a systematical morphology sampling representation theory and method, but also provide a new idea and theory for the flotation froth mophological distribution characterization. The industrial applications of this proposal will effectively promote the sustainable development of mineral resource in our country.

矿物浮选气泡以气、液、固三相共存，受工艺条件影响，气泡具有数量多、流速快及形态随机等特点，特别是泡沫层表面延伸至无限远处，使得无限场景中泡沫形态统计分布的客观表征十分困难，严重影响了浮选过程的生产效率。本项目拟系统地研究气泡颜色、形态及纹理等知识获取方法，并以此作为气泡底层知识；探讨基于图论的泡沫图像形态学枝剪方法，提取泡沫图像多维模式谱，设计时间与空间变化的形态结构元素，利用高效的进化算法进行优化求解，进一步地提取泡沫标识图像；研究气泡泛化知识学习方法，构建包含气泡细节特征的高层知识库；提出无限场景中的混态气泡图像区域分割方法，以高层知识指导底层分割，完成不同工况条件下的泡沫图像自学习分割；依据抽样的累积气泡样本，实现浮选槽总体泡沫形态分布参数估计。形成较为系统的浮选泡沫形态抽样表征理论与方法，为浮选泡沫形态表征提供新的思路和理论依据。成果的工业应用将有效促进我国矿产资源的可持续发展。

矿物浮选泡沫分布混杂，形态表征困难，生产控制所需的泡沫数据缺失，严重影响生产效率。本项目首先研究摄像机参数标定方法，为泡沫形态特征测量奠定基础。针对泡沫图像分割所需的结构元素难以选取问题，证明了最优结构元素的存在性，通过构造最优结构元素函数，研究了泡沫图像最优结构元素优化方法。将该方法应用于图像分割算法时发现，不同尺寸与形状的结构元素对泡沫图像分割结果的影响较大，而且尺寸比形状影响更显著。研究了图像目标的形态、空间位置关系表示方法，建立了具有两级变换的仿生视觉模型，模拟了人类视觉皮层对图像目标的响应机理，揭示了图像识别的仿生变换规律，对于二值图像，在旋转、比例与平移干扰条件下能取得100%的识别率；在此基础，进一步提出了双仿生变换的图像识别模型，并证明了旋转、平移和比例不变特性，实现了图像目标识别，与其它方法相比，提出的方法具有识别率高的特点。然后，针对泡沫图像颜色特征易受光照干扰的问题，研究了基于最大树的图像形态滤波算法，基于4邻域连通性，提出了一种支路矩阵的连通域像素存储方法，这种灵活的存储方式有效地避免了扁平区域关系难以确定的问题。利用阈值法将灰度图像的每一级二值化，以临时节点矩阵提取当前局部背景的连通区域，由此得到灰度图像的最大树，将该方法应用于泡沫图像滤波及破碎气泡检测过程，极大地提高了泡沫图像处理的实时性和准确性。同时，建立了气泡特征的上下文模型，并运用机器学习方法进行识别，依据识别结果采取差异化的处理策略，一方面对欠分割的小泡区域进行细分割，另一方面运用图像区域合并方法，对过分割的区域进行区域合并操作。最后，提取了气泡平均尺寸、方差、偏斜度及陡峭度等统计特征，将气泡形状的特征提取问题转化为签名形状抽取问题，在很大程度上简化了复杂形状的表征。开发了铜矿浮选泡沫图像监控系统，实时提取了泡沫形态特征，给出了浮选工况提示信息，提高了浮选生产效率，降低了操作工人的劳动强度。