【摘要】：作為輔助甚至替代人工礦物浮選監(jiān)測(cè)方式的一種理想解決方案,基于機(jī)器視覺(jué)與圖像處理技術(shù)的現(xiàn)代化浮選監(jiān)控方式,在提高礦產(chǎn)資源利用率、節(jié)約成本等方面極具經(jīng)濟(jì)研究?jī)r(jià)值。由于礦物類型眾多,浮選工藝復(fù)雜,造成浮選泡沫具有非常復(fù)雜多變的特性,因此如何快速準(zhǔn)確地獲取浮選表面的視覺(jué)特征,一直是礦物浮選圖像研究領(lǐng)域的一大難點(diǎn)。本文研究基于圖像處理技術(shù)的鉛鋅礦浮選表面氣泡形態(tài)特征和泡沫動(dòng)態(tài)特征的提取。主要研究?jī)?nèi)容包含氣泡分割算法、氣泡運(yùn)動(dòng)速度提取算法和泡沫穩(wěn)定性表征及測(cè)量算法等三個(gè)方面。主要研究成果如下:1)針對(duì)氣泡邊界區(qū)域的低灰度值特性,提出一種基于改進(jìn)局部灰度極值檢測(cè)(Improved Local Gray Minimum Detection,ILGMD)的氣泡邊界提取算法。根據(jù)浮選圖像的靜態(tài)特性,設(shè)計(jì)一種基于Harris角點(diǎn)檢測(cè)的浮選圖像氣泡大小分類方法。根據(jù)分類后的大氣泡圖像與非大氣泡圖像在氣泡邊界區(qū)域灰度分布特性的不同,采用ILGMD算法完成氣泡邊界候選點(diǎn)的判定與提取,再通過(guò)后處理完成氣泡邊界的提取。實(shí)驗(yàn)結(jié)果表明,ILGMD算法對(duì)非大氣泡圖像具有更好的分割效果,平均氣泡分割效率(Average Bubble Segmentation Efficiency,ABSE)為81.4%,平均氣泡分割準(zhǔn)確率(Average Bubble Segmentation Accuracy Rate,ABSAR)為 89.1%,平均氣泡邊界提取精度(Average Bubble Edges Extraction Accuracy,ABEEA)為89.3%,分別比對(duì)所有類型氣泡圖像計(jì)算所得的整體平均值高4.5%、3.3%和7.2%;算法實(shí)現(xiàn)復(fù)雜度低,執(zhí)行時(shí)無(wú)需調(diào)整參數(shù),自動(dòng)化程度高。2)針對(duì)傳統(tǒng)分水嶺分割精度受大氣泡圖像表面分布的噪聲及氣泡弱邊界影響大的問(wèn)題,提出一種基于非下采樣輪廓波變換(Non-subsampled Contourlet Transform,NSCT)的改進(jìn)分水嶺(Improved Watershed,IW)(NSCT-IW)氣泡圖像分割算法。首先針對(duì)浮選圖像的結(jié)構(gòu)及灰度特性,設(shè)計(jì)一種基于區(qū)域判別的圖像尺度縮小方法,以減少算法運(yùn)行時(shí)間及減少噪聲。然后利用NSCT對(duì)浮選圖像進(jìn)行多尺度分解以提取低頻子帶圖像,再結(jié)合高頻子帶圖像提出一種自適應(yīng)分?jǐn)?shù)階微分算法用于增強(qiáng)低頻子帶圖像中氣泡的弱邊界。最后采用改進(jìn)的分水嶺算法完成圖像分割。實(shí)驗(yàn)結(jié)果表明,采用NSCT-IW分割算法,能較好地克服由大氣泡表面的噪聲、黑洞區(qū)域等引起的過(guò)分割及氣泡邊界提取結(jié)果中出現(xiàn)的“雙邊界”問(wèn)題,ABSE 為 81.9%,ABSAR 為 90.8%,ABEEA 為 93.1%,分別比其他算法高 2.3%到 16.9%、1.4%到 5.1%和 1.7%到 6.8%。3)針對(duì)浮選氣泡運(yùn)動(dòng)特性復(fù)雜而難以準(zhǔn)確描述的問(wèn)題,提出一種基于氣泡跟蹤和相位相關(guān)相結(jié)合的氣泡平移運(yùn)動(dòng)速度提取算法。先對(duì)原始圖像進(jìn)行尺度縮小處理,然后利用每個(gè)氣泡與其頂部的亮點(diǎn)區(qū)域具有一一對(duì)應(yīng)的特點(diǎn),通過(guò)提取氣泡亮點(diǎn)區(qū)域圖像進(jìn)行相位相關(guān)計(jì)算,從而將對(duì)氣泡的運(yùn)動(dòng)估計(jì)轉(zhuǎn)化為對(duì)其亮點(diǎn)區(qū)域的運(yùn)動(dòng)跟蹤,實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)估計(jì)復(fù)雜度的簡(jiǎn)化,最后采用擴(kuò)展卡爾曼濾波(Extended Kalman Filter,EKF)對(duì)所獲取的速度數(shù)據(jù)進(jìn)行優(yōu)化處理。論文同時(shí)設(shè)計(jì)一種分塊擴(kuò)展相位相關(guān)法用于獲取子塊區(qū)域的氣泡運(yùn)動(dòng)信息。實(shí)驗(yàn)結(jié)果表明,與塊匹配、光流法等相比,上述運(yùn)動(dòng)估計(jì)方法能夠快速準(zhǔn)確地獲取氣泡圖像的平移運(yùn)動(dòng)速度特征和各個(gè)子塊區(qū)域的氣泡運(yùn)動(dòng)信息。對(duì)于大小為720×480的浮選圖像,基于氣泡跟蹤與相位相關(guān)的運(yùn)動(dòng)估計(jì)算法的平均處理時(shí)間是每幀約52.7ms,比對(duì)原始圖像直接進(jìn)行相位相關(guān)計(jì)算所需時(shí)間節(jié)省93.2%以上。4)針對(duì)浮選泡沫穩(wěn)定性表征及測(cè)量困難的問(wèn)題,提出一種基于氣泡區(qū)域特征變化檢測(cè)的泡沫穩(wěn)定性表征與測(cè)量算法。氣泡是否發(fā)生破裂與兼并直接反映了泡沫穩(wěn)定的程度,因此算法定義并提取由二者發(fā)生前后所引起的6項(xiàng)相鄰幀之間的區(qū)域變化特征參數(shù)用于表征泡沫的穩(wěn)定性,然后基于將穩(wěn)定性測(cè)量問(wèn)題轉(zhuǎn)化為穩(wěn)定性分類問(wèn)題的設(shè)計(jì)思路,引入支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行穩(wěn)定性分類器的訓(xùn)練與構(gòu)造,最終實(shí)現(xiàn)對(duì)泡沫穩(wěn)定性的表征與定量測(cè)量。實(shí)驗(yàn)結(jié)果表明了該測(cè)量算法的可行性。最后,將上述各個(gè)特征提取算法,在一鉛鋅礦浮選廠進(jìn)行工業(yè)應(yīng)用與測(cè)試,分別提取了氣泡的形態(tài)、平移運(yùn)動(dòng)速度及泡沫穩(wěn)定性等特征數(shù)據(jù),工業(yè)環(huán)境下的測(cè)試及現(xiàn)場(chǎng)專家的分析表明所提取的結(jié)果是有效的,所提出的算法是可行的。綜上所述,本論文研究了鉛鋅浮選圖像氣泡形態(tài)特征及泡沫動(dòng)態(tài)特征的提取,提高了大氣泡分割精度和邊界提取精度,解決了氣泡平移速度的高效提取和泡沫穩(wěn)定性表征及測(cè)量問(wèn)題。因此,本文研究成果具有一定的理論指導(dǎo)意義和實(shí)際應(yīng)用價(jià)值。
【學(xué)位授予單位】：福州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41;TD923
【圖文】：

基于浮選的精礦等級(jí)及回收率等性能參數(shù)進(jìn)行關(guān)系建模，實(shí)現(xiàn)對(duì)浮選工況的判逡逑斷，據(jù)此進(jìn)一步對(duì)浮選各輸入變量進(jìn)行調(diào)整，以達(dá)到優(yōu)化浮選工藝過(guò)程、獲取高逡逑效浮選性能的控制目的。其控制過(guò)程如圖１－２所示。逡逑（邐邐邐！邐Ｐ邋大小逡逑精礦等級(jí)｜｜回收率邐邐邋邐逡逑￣－Ｘ－￣ＩＬ—ｒ￣１邐ｐ■？靜態(tài)特征邋＿邋－？顏色逡逑（浮N能岕覺(jué)特＾）－邐ｊ—￣逡逑ｒ邐＾動(dòng)態(tài)特征－邐逡逑ｕ穩(wěn)定性逡逑控制系統(tǒng)逡逑邐邐邋／邋\d邋Ｉ邋．邋Ｉ邋＼逡逑ｒ－＾－１逡逑控制變《：——ｊ逡逑＼浮選槽邐Ｙ逡逑圖１－２基于機(jī)器視覺(jué)的浮選工況監(jiān)控過(guò)程示意圖逡逑相比較傳統(tǒng)的人工浮選監(jiān)控方式，這種基于機(jī)器視覺(jué)的現(xiàn)代化浮選監(jiān)控方法逡逑在數(shù)據(jù)測(cè)量與優(yōu)化控制兩方面具有如下的優(yōu)勢(shì)：逡逑１）

的是通過(guò)對(duì)浮選工況與浮選性能之間的準(zhǔn)確建模從而實(shí)現(xiàn)對(duì)浮選性能的預(yù)測(cè)和逡逑浮選工況的實(shí)時(shí)調(diào)整。為了要完成浮選關(guān)系建模研究，其相關(guān)的研究工作要涉及逡逑許多方面，如圖１－３所示，包括如何對(duì)浮選工況作出準(zhǔn)確的判斷，還包括如何掌逡逑握各輸入變量與浮選工況及浮選性能之間的作用機(jī)理和影響過(guò)程。此外，它還要逡逑涉及到包括物理、化學(xué)及流體力學(xué)等許多方面的研究工作。對(duì)浮選工況的判斷是逡逑通過(guò)提取泡沫表面的各項(xiàng)視覺(jué)特征參數(shù)來(lái)識(shí)別的。本課題著力于研究鉛鋅礦浮選逡逑泡沫表面的各項(xiàng)視覺(jué)特征參數(shù)的提取方法，包括用于獲取氣泡大小形狀等形態(tài)特逡逑征的圖像分割算法及氣泡運(yùn)動(dòng)速度與泡沫穩(wěn)定性等動(dòng)態(tài)特征的提取算法，如圖逡逑１－３中虛線標(biāo)注的區(qū)域。逡逑再附著邐—？（關(guān)系（建模）１邋ｖ’逡逑水氣泡ｙ邐礦物賺＋逡逑＼邋（＼邋（邋＼邋／逡逑＼邋１邋含水量｜邐顆粒大小邐／逡逑＼邐等等邐顆粒形狀邐／逡逑＼邐表面粗糙度邐／逡逑＼邐顆粒數(shù)目等邐７逡逑邐浮選槽邐＾逡逑圖１－３基于機(jī)器視覺(jué)的浮選監(jiān)控系統(tǒng)研究領(lǐng)域及本文研究范圍逡逑１４逡逑

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳輝;;淺議車牌識(shí)別中字符的特征提取方法[J];科技傳播;2009年05期

2 徐德友,胡壽松;利用粗集上近似處理特征提取中的噪聲問(wèn)題[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類識(shí)別方法—CEP-AR特征提取與分類[J];振動(dòng)與沖擊;1988年03期

4 羅斌;黃端旭;;皮膚癌表面圖象特征提取[J];安徽大學(xué)學(xué)報(bào)(自然科學(xué)版);1989年03期

5 王仁華;宋原章;;漢語(yǔ)孤立音節(jié)的分段研究[J];信號(hào)處理;1989年02期

6 史廣;楊艷;;沙化土地地理信息多維結(jié)構(gòu)特征提取仿真[J];計(jì)算機(jī)仿真;2019年11期

7 楊小軍;;圖片特征提取[J];中小企業(yè)管理與科技(中旬刊);2017年03期

8 武弘;;六種常用的網(wǎng)絡(luò)流量特征提取工具[J];計(jì)算機(jī)與網(wǎng)絡(luò);2017年06期

9 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡(luò)的特征提取方法及其在語(yǔ)種識(shí)別中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2014年03期

10 唐朝霞;;一種基于特征提取的簡(jiǎn)答題閱卷算法[J];湖南工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

相關(guān)會(huì)議論文 前10條

1 王紀(jì)凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學(xué)習(xí)方法[A];第17屆中國(guó)系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會(huì)論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議專刊[C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無(wú)聲語(yǔ)音接口的超聲圖像的混合特征提取[A];第十三屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議(NCMMSC2015)論文集[C];2015年

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機(jī)和改進(jìn)特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

6 劉德剛;邵國(guó)凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開(kāi)發(fā) 科教先行與可持續(xù)發(fā)展——中國(guó)科協(xié)2000年學(xué)術(shù)年會(huì)文集[C];2000年

7 姜成柱;劉志成;何其芳;卞榮;席聞;;基于信號(hào)分解與稀疏恢復(fù)的空間群目標(biāo)微動(dòng)特征提取[A];第八屆中國(guó)航空學(xué)會(huì)青年科技論壇論文集[C];2018年

8 許強(qiáng);楊佳;;基于線性加權(quán)的免疫克隆算法的手指靜脈特征提取[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)B卷[C];2011年

9 高學(xué);金連文;尹俊勛;;基于筆劃密度的彈性網(wǎng)格特征提取方法[A];2001年中國(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[C];2001年

10 徐萍;武其松;羅昕煒;陶俊;;基于畸變拖曳陣的高保真特征提取方法[A];中國(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2019年學(xué)術(shù)會(huì)議論文集[C];2019年

相關(guān)重要報(bào)紙文章 前3條

1 宇航智控;預(yù)測(cè)與健康管理(PHM)技術(shù)[N];中國(guó)航空?qǐng)?bào);2018年

2 記者 賈玎玎;北京紡控主營(yíng)業(yè)務(wù)收入增長(zhǎng)11.39%[N];首都建設(shè)報(bào);2015年

3 中國(guó)信息通信研究院泰爾終端實(shí)驗(yàn)室 曾晨曦 段虎才;深度學(xué)習(xí)框架的前世今生[N];人民郵電;2018年

相關(guān)博士學(xué)位論文 前10條

1 陳良琴;鉛鋅礦浮選表面特征提取關(guān)鍵算法研究[D];福州大學(xué);2018年

2 王曉輝;汽車模具表面缺陷特征提取關(guān)鍵技術(shù)研究[D];南昌大學(xué);2019年

3 蘇雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率圖像場(chǎng)景分類的特征提取與選擇研究[D];哈爾濱工業(yè)大學(xué);2018年

4 宋洪超;基于微波的乳腺癌檢測(cè)算法研究[D];北京郵電大學(xué);2018年

5 溫柳英;多模態(tài)數(shù)據(jù)特征提取的粒計(jì)算方法研究與應(yīng)用[D];西南石油大學(xué);2017年

6 李文娟;基于局部特征提取的人臉識(shí)別方法研究[D];天津大學(xué);2017年

7 王振宇;面向人臉識(shí)別的特征提取技術(shù)應(yīng)用研究[D];東南大學(xué);2016年

8 馬麗紅;復(fù)雜背景下人臉的定位和特征提取[D];華南理工大學(xué);1999年

9 謝平;故障診斷中信息熵特征提取及融合方法研究[D];燕山大學(xué);2006年

10 張紹武;基于支持向量機(jī)的蛋白質(zhì)分類研究[D];西北工業(yè)大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 孫月如;面向人臉圖片的特征提取與分類算法研究[D];重慶郵電大學(xué);2019年

2 白冰;噪聲背景下聲音事件的特征提取及識(shí)別[D];湘潭大學(xué);2019年

3 李曉峰;航空遙感光電圖像預(yù)處理與目標(biāo)特征提取技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2019年

4 李凈霖;基于計(jì)算機(jī)視覺(jué)的同步定位與三維建圖方法研究[D];哈爾濱工業(yè)大學(xué);2019年

5 劉召婕;基于感興趣區(qū)域的舌象特征提取與病理分析[D];哈爾濱工業(yè)大學(xué);2018年

6 張勝峰;極化特征在真假?gòu)楊^識(shí)別中的應(yīng)用[D];中國(guó)電子科技集團(tuán)公司電子科學(xué)研究院;2019年

7 丁李;湘西方塊苗文圖像的特征提取與識(shí)別研究[D];吉首大學(xué);2019年

8 邱勇輝;網(wǎng)絡(luò)銀行異常交易檢測(cè)技術(shù)與應(yīng)用研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院);2019年

9 何慶祥;哈希特征提取和深度自編碼表征在反恐中的應(yīng)用[D];廣東工業(yè)大學(xué);2019年

10 諸葛文章;基于圖學(xué)習(xí)的高維數(shù)據(jù)特征提取及聚類方法研究[D];國(guó)防科技大學(xué);2017年

本文編號(hào)：2717921