一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统技术方案

本发明专利技术公开了一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统，包括以下步骤：收集特定光照下的泡沫图像构成泡沫图像的基准色域样本集；训练两个生成式对抗网络A和B用于未知光照下泡沫图像颜色校正；最后，计算校正后的泡沫图像在HSV空间和CIE Lab空间的均值、偏度、峰度等统计量构成泡沫颜色特征向量，可用于浮选过程精矿品位预估与工况评价。其中，A与B共享两个相同的生成器G1和G2，但拥有各自独立的判别器；通过对抗训练，最终使生成器G1能将任意光照下色偏泡沫图像转换为基准色域下的颜色表示，且保持原始图像结构细节不变。该颜色检测系统具有在线模型修正功能，可有效检测各种未知光照条件下浮选泡沫在基准光照下的颜色特征。

A color correction method for mineral flotation froth image and foam color detection system

The invention discloses a color correction method for mineral flotation froth image and a foam color detection system, which comprises the following steps: collecting a reference color gamut sample set of foam images formed under specific illumination, and training two generation confrontation networks A and B for color correction of bubble images in unknown light; finally, calculating the corrected foam image in HSV space and CIE Lab empty. The statistics of mean, skewness, kurtosis and so on constitute the color characteristic vector of foam, which can be used to predict the concentrate grade and evaluate the operation condition of flotation process. Among them, A and B share two identical generators G1 and G2, but they have separate discriminator. Through confrontation training, the generator G1 can transform the color bubble image into the color representation under the base gamut, and keep the original image structure details unchanged. The color detection system has on-line model correction function, which can effectively detect the color characteristics of flotation froth under reference light under various unknown light conditions.

【技术实现步骤摘要】
一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统
本专利技术涉及工业过程在线监测领域，尤其涉及基于机器视觉的矿物浮选过程自动化监控中泡沫图像颜色校正与泡沫颜色检测。
技术介绍
矿产资源是经济、民生和国防工业、高新科学技术发展不可或缺的重要物资。我国矿产资源虽然总量多，但以伴生矿为主且贫矿多、富矿少。因此，必须提升选矿技术以加大矿产利用率。利用矿物间表面润湿性差异对不同矿物粒子进行浮游分离的矿物浮选技术，是选矿工程
应用最为广泛的一种选矿方法。矿物浮选过程属于连续的、长流程生产过程，过程由多个耦合关联的子过程构成，且浮选生产工艺指标参量无法在线检测。因此，矿物浮选过程自动化监控水平低，难以保证浮选生产的稳定优化运行。浮选过程中机器视觉系统能够从捕获的泡沫图像中提取视觉特征并将基于泡沫图像的工况感知和过程优化操作结果呈现给过程控制系统，因此，基于机器视觉的浮选过程监控是当前进一步提高浮选生产性能与选矿自动化水平的发展趋势。研究表明，泡沫表面颜色是精矿品位和生产工况的一种重要的指示器。准确的泡沫颜色检测对于基于机器视觉的浮选过程自动化监控具有重要的意义。在矿物浮选过程监测中，光源强本文档来自技高网...

【技术保护点】
1.一种矿物浮选泡沫图像颜色校正方法，其特征在于，包括以下步骤：S1：基于工业现场搭建的矿物浮选泡沫图像视觉监控系统，收集各种光照下泡沫图像样本，将特定光照下的泡沫图像作为基准图像，建立泡沫图像基准色域样本集S；利用其它未知光照条件下的泡沫图像构成非标准色域样本集I。S2：构建两个生成式对抗卷积网络A和B；网络A和B包含两个公用的生成器G1和G2，以及各自独立的判别器DA和DB。S3：利用非标准色域泡沫图像样本集I与基准色域图像样本集S，对网络A和B进行迭代交叉训练。网络A和B训练好之后，G1可将任意光照条件下(具有色偏)的泡沫图像，校正到基准色域下的颜色表示。S4：对在线采集的未知光照下的泡...

【技术特征摘要】
1.一种矿物浮选泡沫图像颜色校正方法，其特征在于，包括以下步骤：S1：基于工业现场搭建的矿物浮选泡沫图像视觉监控系统，收集各种光照下泡沫图像样本，将特定光照下的泡沫图像作为基准图像，建立泡沫图像基准色域样本集S；利用其它未知光照条件下的泡沫图像构成非标准色域样本集I。S2：构建两个生成式对抗卷积网络A和B；网络A和B包含两个公用的生成器G1和G2，以及各自独立的判别器DA和DB。S3：利用非标准色域泡沫图像样本集I与基准色域图像样本集S，对网络A和B进行迭代交叉训练。网络A和B训练好之后，G1可将任意光照条件下(具有色偏)的泡沫图像，校正到基准色域下的颜色表示。S4：对在线采集的未知光照下的泡沫图像，用训练好的生成器G1进行颜色校正；同时，还可利用该校正图像对生成式对抗网络A进行在线更新。2.根据权利要求1所述的一种矿物浮选泡沫图像颜色校正方法，其特征在于，步骤S2中所述的生成式对抗卷积网络A的判别器DA的最终训练目标为：输入一张泡沫图像对其颜色进行评判，如果判定泡沫图像颜色为特定光照条件(基准色域)下所呈现出的颜色，则输出1，否则输出为0；对抗卷积网络B对应的判别器DB的最终训练目标为：输入一张泡沫图像对其颜色进行评判，如果判定泡沫图像颜色为特定光照条件(基准色域)下所呈现出的颜色，则输出0，否则输出1。3.根据权利要求1所述的一种矿物浮选泡沫图像颜色校正方法，其特征在于，步骤S2中所述的生成器G1和G2采用U-net网络实现图到图的颜色域的转换，具体包括：首先，采用卷积网络提取原始泡沫图像的轮廓特征图；然后，通过残差网络对轮廓特征图进行转换，在实现原始泡沫图像颜色向基准色域图像颜色转换的同时，保证原始泡沫图像的结构以及轮廓信息保持不变；最后，采用反卷积神经网络对转换后的轮廓特征图进行颜色细节信息填充；从而，在保证其轮廓不变的情况下，实现色偏图像颜色域的转换。4.根据权利要求1所述的一种矿物浮选泡沫图像颜色校正方法，其特征在于，步骤S3中所述的对抗卷积网络A和B的迭代交叉训练的具体步骤如下：S31：利用基准色域样本集S与非标准色域样本集I训练生成式对抗网络A的鉴别器DA，最终，对于S中的样本S(S∈S)，使DA(S)输出为1，而对于I中的样本I(I∈I)，使DA(I)输出为0；S32：对于任意一帧非标准色域泡沫图像样本I(I∈I)，将泡沫图像I输入至对抗卷积网络A的生成器G1获得校正结果O，采用DA对O进行鉴别，根据DA的判别结果，对生成器G1与判别器DA进行反向修正，具体步骤如下：S321:采用Wassertein距离计算图像I的颜色分布到O的颜色分布的最小损失作为生成器G1与判别器DA的对抗代价损失函数，表示如下：其中O＝G1(I)，为1-Lipschitz函数，Pdata(i)表示数据i的颜色分布，i∈{I，S}，表示数学期望；S322：如果DA输出为0，则基于对抗损失函数JA(G1,DA,I,S)，采用RMSProp优化算法对G1进行反向修正；S323：如果DA输出为1，则基于对抗损失函数JA(G1,DA,I,S)，采用RMS...

【专利技术属性】
技术研发人员：刘金平，何捷舟，王雨倩，王杰，周嘉铭，
申请(专利权)人：湖南师范大学，
类型：发明
国别省市：湖南,43