基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法技术

本发明专利技术属于浮选泡沫工矿识别技术领域，尤其涉及一种基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法。该方法包括对图像进行双树复小波变换，提取图像的高低频子图；基于双树复小波变换计算各子图的灰度共生增广矩阵；计算各增广矩阵的特征值；搭建浮选工矿识别模型；将增广矩阵的特征值作为浮选工矿识别模型的输入特征矢量，用于浮选工况的识别。本发明专利技术能够准确、快速的实现浮选泡沫图像的工况识别，避免人工观测的主观性和随意性，为浮选生产的优化控制提供了可能，确保了企业的经济效益和生产效率，保证了矿产资源的可持续性发展。

【技术实现步骤摘要】
基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法
本专利技术属于浮选泡沫工矿识别
，尤其涉及一种基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法。
技术介绍
以铜为代表的金属矿产资源是世界各国经济发展的一大命脉。随着国民经济的高速发展，我国对铜矿的依存度逐年上升，近年来我国的铜消费更是稳居全球之首，几乎占据全球铜消费总量的半壁江山。然而，我国的铜矿资源缺乏，具有富矿少、贫矿多、矿床规模小、矿区分散等特点，在矿床类型、储量、开发利用技术等各方面均与世界铜工业发达国家存在很大差距，多年一直列于我国矿产资源中的紧缺矿产，需要大量进口。因此借助“工业4.0”的东风提高铜矿生产的自动化水平和资源利用率已经势在必行。矿物精选，又称选矿，作为使矿石中有用矿物成分富集的一门科学技术，成为冶金、化工、建材等工业部门必不可少的一个环节。现如今最常用的选矿方法是泡沫浮选法，浮选是一种利用矿物表面物理化学性质的差异，使目标矿物与矿浆分离的一种选矿方法，可以提高低品位矿产资源的利用率，获得高品位矿石。矿物浮选过程是在浮选槽中进行的，其主要工序如图1所示。在浮选过程中，首先必须将矿石经球磨机粉碎，然后将粉碎的矿粒与水混合，形成矿浆，将浮选药剂加入矿浆中，通过搅拌和不断鼓入空气，产生大量的气泡，气泡作为有用矿物的运输工具，携带疏水矿物颗粒到泡沫层，而亲水性矿物粒子留着矿浆中，于是将矿物粒子分离开来。如图2所示，为浮选槽气泡形成过程示意图，浮选槽主要通过机械搅拌生成大小不同的气泡，为有用矿物粒子提供载体。在气泡矿化的过程中，矿浆中有用的矿物粒子在浮选药剂的作用下与气泡发生碰撞，附着在气泡上，随气泡上浮，形成矿化泡沫层；而非目标矿物虽与气泡发生碰撞，但由于本身的性质和浮选药剂的作用，无法粘附在气泡上，留在矿浆中。由此可见，在浮选过程中气泡相当于矿物粒子的载体，将矿物粒子运送到泡沫层，其在浮选过程中起到至关重要的作用，所以，矿物浮选泡沫表面视觉特征可以用来实现浮选过程控制。据统计，浮选法被广泛用于稀有金属矿、贵金属矿、黑色金属矿、非金属矿以及煤等矿物资源的选别，有色金属矿中90％以上是经过浮选法处理的。虽然，泡沫浮选法已有近百年的历史，但我国的选矿工业整体技术装备相对比较落后，自动化水平不高，浮选厂的生产操作只能依靠有经验的工人对泡沫表面状态进行肉眼观察来完成。人工观测存的主观性和随意性，再加上浮选过程工艺流程长、原矿性质经常变化，导致工况不稳定、指标波动，浮选药剂消耗大，难以保证生产的稳定运行，矿物的资源利用率低，不仅造成企业成本的增加，还影响了矿物资源的可持续发展战略。因此，正确识别浮选工况，根据工况变化进行相应的控制调整以保证达到预定的选矿指标是实现浮选生产稳定控制的基础和关键。虽然国内外对浮选过程进行了很多研究，但得到的效果都不尽满意，如何稳定浮选生产过程的稳定性，最大限度利用矿产资源仍是一个亟待解决的问题。随着计算机技术、图像处理技术和智能控制等学科的迅速发展，图像处理在泡沫浮选领域也获得了广泛的应用。采用机器视觉代替人类视觉，快速提取泡沫特征参数并将其引入到浮选泡沬状态实时监控中，实现浮选泡沫状态的在线监测与客观评价，不仅解决了因人工操作造成的浮选现场生产过程不稳定、指标波动等问题，还极大提高了矿物浮选的生产效率和选矿生产的自动化水平。因此，基于图像处理的浮选工况的识别是浮选生产过程自动化的必然发展趋势。
技术实现思路
(一)要解决的技术问题针对现有存在的技术问题，本专利技术提供一种基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法，能够解决现有技术中存在的人工操作造成的浮选现场生产过程不稳定、指标波动等问题。(二)技术方案为了达到上述目的，本专利技术采用的主要技术方案包括：一种基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法，其包括以下步骤：步骤一：对图像进行双树复小波变换，提取图像的高低频子图；步骤二：基于双树复小波变换计算各子图的灰度共生增广矩阵；步骤三：计算各增广矩阵的特征值；步骤四：搭建浮选工矿识别模型；步骤五：将增广矩阵的特征值作为浮选工矿识别模型的输入特征矢量，用于浮选工况的识别。优选的，在步骤一中，DT-CWT独立的使用两个离散小波树分别构成一个变换后的实部与虚部，形成一个双树复小波，其可以表示为：ψ(t)＝ψh(t)+jψg(t)(1)式中，ψ(t)是复小波，ψh(t)是实奇函数，jψg(t)是虚偶函数；通过双树复小波变换可以多尺度、多方向的对浮选泡沫图像的高频和低频细节进行提取，图像的DT-CWT变换本质是一个二维DT-CWT变换，利用滤波器分别对行和列进行分解，二维DT-CWT变换可表示为：ψ(x，y)＝ψ(x)ψ(y)＝[ψh(x)+jψg(x)][ψh(y)+jψg(y)]＝ψh(x)ψh((y)-ψg((x)ψg(y)+j(ψg(x)ψh(y)+ψh(x)ψg(y))(2)实部小波函数：ψi(x，y)＝ψ1，i(x，y)-ψ2，i(x，y)(3)ψi+3(x，y)＝ψ1，i(x，y)+ψ2，i(x，y)(4)i＝1，2，3其中，ψ1，i(x，y)和ψ2，i(x，y)分别为六个方向的小波系数，定义为：虚部小波函数：ψi(x，y)＝ψ3，i(x，y)+ψ4，i(x，y)(6)ψi+3(x，y)＝ψ3，i(x，y)+ψ4，i(x，y)(7)i＝1，2，3其中，ψ3，i(x，y)和ψ4，i(x，y)分别为六个方向的小波系数，定义为：通过上述公式对图像进行二维DT-CWT变换，可以得到1个低频子带和多个分解层，每个分解层有6个高频子带，分别对应图像的6个方向：±15°±45°，±75°，这样就可以针对不同图像的特性，选取特征显著地的方向进行统计分析。优选的，在步骤二中：确定浮选泡沫图像双树复小波域共生增广矩阵的步骤如下：①对浮选泡沫的灰度图像进行双树复小波变换，可得其低频子图和不同方向的高频子图，设某子图I＝[f(m，n)]M×ND；②将灰度区间0-255均匀分成八组，每组包含32个连续的灰度，计算图像在每个灰度区间中所对应的像素个数总和及其占全图像素总数的比例；③确定灰度量化区间，预先设定最小比例阈值λ，将比例值大于λ的区间均等分成两部分，直至所有灰度区间的比例阈值均小于λ或该区间最大值与最小值的差值为1，从而使得灰度分布密集的部分拥有较多的灰度区间；④确定灰度量化矩阵，假设灰度图像I＝[f(m，n)]M×N有L个量化区间，可确定灰度量化矩阵Fq＝[fq(m，n)]M×N：当gk，min≤f(m，n)≤gk，max时，fq(m，n)＝k-1，k＝1，2，...，L(9)其中，gk，max和gk，min分别为第k个量化区间的最大值和最小值；⑤确定共生增广矩阵，通过上一步骤，不同图像一般有不同的灰度量化级数L，共生增广矩阵G＝[P(i，j)]L×L可定义为在θ方向上，相隔距离d的一对像素分别具有灰度值i和灰度值j同时出现的概率：P(i，j)＝P(fq(m，n)＝i，fq(m+dcosθ，n+dsinθ)＝j)，i＝0，1，...，L-1；j＝0，1，...，L-1(10)。优选的，在步骤三中，选取角二阶矩、熵、对比度、相关性、逆差距5个特征值进行计算，其中，角二阶矩：反映了图像灰度分布均匀程度和纹理本文档来自技高网...

【技术保护点】
1.一种基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法，其特征在于：包括以下步骤：步骤一：对图像进行双树复小波变换，提取图像的高低频子图；步骤二：基于双树复小波变换计算各子图的灰度共生增广矩阵；步骤三：计算各增广矩阵的特征值；步骤四：搭建浮选工矿识别模型；步骤五：将增广矩阵的特征值作为浮选工矿识别模型的输入特征矢量，用于浮选工况的识别。

【技术特征摘要】
1.一种基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法，其特征在于：包括以下步骤：步骤一：对图像进行双树复小波变换，提取图像的高低频子图；步骤二：基于双树复小波变换计算各子图的灰度共生增广矩阵；步骤三：计算各增广矩阵的特征值；步骤四：搭建浮选工矿识别模型；步骤五：将增广矩阵的特征值作为浮选工矿识别模型的输入特征矢量，用于浮选工况的识别。2.根据权利要求1所述的基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法，其特征在于，在步骤一中，DT-CWT独立的使用两个离散小波树分别构成一个变换后的实部与虚部，形成一个双树复小波，其可以表示为：ψ(t)＝ψh(t)+jψg(t)(1)式中，ψ(t)是复小波，ψh(t)是实奇函数，jψg(t)是虚偶函数；通过双树复小波变换可以多尺度、多方向的对浮选泡沫图像的高频和低频细节进行提取，图像的DT-CWT变换本质是一个二维DT-CWT变换，利用滤波器分别对行和列进行分解，二维DT-CWT变换可表示为：ψ(x，y)＝ψ(x)ψ(y)＝[ψh(x)+jψg(x)][ψh(y)+jψg(y)]＝ψh(x)ψh(y)-ψg(x)ψg(y)+j(ψg(x)ψh(y)+ψh(x)ψg(y))(2)实部小波函数：ψi(x，y)＝ψ1，i(x，y)-ψ2，i(x，y)(3)ψi+3(x，y)＝ψ1，i(x，y)+ψ2，i(x，y)(4)i＝1，2，3其中，ψ1，i(x，y)和ψ2，i(x，y)分别为六个方向的小波系数，定义为：虚部小波函数：ψi(x，y)＝ψ3，i(x，y)+ψ4，i(x，y)(6)ψi+3(x，y)＝ψ3，i(x，y)+ψ4，i(x，y)(7)i＝1，2，3其中，ψ3，i(x，y)和ψ4，i(x，y)分别为六个方向的小波系数，定义为：通过上述公式对图像进行二维DT-CWT变换，可以得到1个低频子带和多个分解层，每个分解层有6个高频子带，分别对应图像的6个方向：±15°，±45°，±75°，这样就可以针对不同图像的特性，选取特征显著地的方向进行统计分析。3.根据权利要求1所述的基于双树复小波域共生增广矩阵的浮选泡沫工况识别方法，其特征在于，在步骤二中：确定浮选泡沫图像双树复小波域共生增广矩阵的步骤如下：①对浮选泡沫的灰度图像进行双树复小波变换，可得其低频子图和不同方向的高频子图，设某子图I＝[f(m，n)]M×ND；②将灰度区间0-255均匀分成八组，每组包含32个连续的灰度，计算图像在每个灰度区间中所对应的像素个数总和及其占全图像素总数的比例；③确定灰度量化区间，预先设定最小比例阈值λ，将比例值大于λ的区间均等分成两部分，直至所有灰度区间的比例阈值均小于λ或该区间最大值与最小值的差值为1，从而使得灰度分布密集的部分拥有较多...

【专利技术属性】
技术研发人员：王姝，李怡，常玉清，王福利，邹筱瑜，于丰，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21