【摘要】：作為輔助甚至替代人工礦物浮選監(jiān)測方式的一種理想解決方案,基于機器視覺與圖像處理技術(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)濟研究價值。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,因此如何快速準確地獲取浮選表面的視覺特征,一直是礦物浮選圖像研究領(lǐng)域的一大難點。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)特征和泡沫動態(tài)特征的提取。主要研究內(nèi)容包含氣泡分割算法、氣泡運動速度提取算法和泡沫穩(wěn)定性表征及測量算法等三個方面。主要研究成果如下:1)針對氣泡邊界區(qū)域的低灰度值特性,提出一種基于改進局部灰度極值檢測(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)計一種基于Harris角點檢測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的判定與提取,再通過后處理完成氣泡邊界的提取。實驗結(jié)果表明,ILGMD算法對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%,分別比對所有類型氣泡圖像計算所得的整體平均值高4.5%、3.3%和7.2%;算法實現(xiàn)復(fù)雜度低,執(zhí)行時無需調(diào)整參數(shù),自動化程度高。2)針對傳統(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題,提出一種基于非下采樣輪廓波變換(Non-subsampled Contourlet Transform,NSCT)的改進分水嶺(Improved Watershed,IW)(NSCT-IW)氣泡圖像分割算法。首先針對浮選圖像的結(jié)構(gòu)及灰度特性,設(shè)計一種基于區(qū)域判別的圖像尺度縮小方法,以減少算法運行時間及減少噪聲。然后利用NSCT對浮選圖像進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)分數(shù)階微分算法用于增強低頻子帶圖像中氣泡的弱邊界。最后采用改進的分水嶺算法完成圖像分割。實驗結(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)域等引起的過分割及氣泡邊界提取結(jié)果中出現(xiàn)的“雙邊界”問題,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)針對浮選氣泡運動特性復(fù)雜而難以準確描述的問題,提出一種基于氣泡跟蹤和相位相關(guān)相結(jié)合的氣泡平移運動速度提取算法。先對原始圖像進行尺度縮小處理,然后利用每個氣泡與其頂部的亮點區(qū)域具有一一對應(yīng)的特點,通過提取氣泡亮點區(qū)域圖像進行相位相關(guān)計算,從而將對氣泡的運動估計轉(zhuǎn)化為對其亮點區(qū)域的運動跟蹤,實現(xiàn)了對運動估計復(fù)雜度的簡化,最后采用擴展卡爾曼濾波(Extended Kalman Filter,EKF)對所獲取的速度數(shù)據(jù)進行優(yōu)化處理。論文同時設(shè)計一種分塊擴展相位相關(guān)法用于獲取子塊區(qū)域的氣泡運動信息。實驗結(jié)果表明,與塊匹配、光流法等相比,上述運動估計方法能夠快速準確地獲取氣泡圖像的平移運動速度特征和各個子塊區(qū)域的氣泡運動信息。對于大小為720×480的浮選圖像,基于氣泡跟蹤與相位相關(guān)的運動估計算法的平均處理時間是每幀約52.7ms,比對原始圖像直接進行相位相關(guān)計算所需時間節(jié)省93.2%以上。4)針對浮選泡沫穩(wěn)定性表征及測量困難的問題,提出一種基于氣泡區(qū)域特征變化檢測的泡沫穩(wěn)定性表征與測量算法。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)定性測量問題轉(zhuǎn)化為穩(wěn)定性分類問題的設(shè)計思路,引入支持向量機(Support Vector Machine,SVM)進行穩(wěn)定性分類器的訓(xùn)練與構(gòu)造,最終實現(xiàn)對泡沫穩(wěn)定性的表征與定量測量。實驗結(jié)果表明了該測量算法的可行性。最后,將上述各個特征提取算法,在一鉛鋅礦浮選廠進行工業(yè)應(yīng)用與測試,分別提取了氣泡的形態(tài)、平移運動速度及泡沫穩(wěn)定性等特征數(shù)據(jù),工業(yè)環(huán)境下的測試及現(xiàn)場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)定性表征及測量問題。因此,本文研究成果具有一定的理論指導(dǎo)意義和實際應(yīng)用價值。
【學(xué)位授予單位】：福州大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2018
【分類號】：TP391.41;TD923
【圖文】：

基于浮選的精礦等級及回收率等性能參數(shù)進行關(guān)系建模，實現(xiàn)對浮選工況的判逡逑斷，據(jù)此進一步對浮選各輸入變量進行調(diào)整，以達到優(yōu)化浮選工藝過程、獲取高逡逑效浮選性能的控制目的。其控制過程如圖１－２所示。逡逑（邐邐邐！邐Ｐ邋大小逡逑精礦等級｜｜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能岕覺特＾）－邐ｊ—￣逡逑ｒ邐＾動態(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基于機器視覺的浮選工況監(jiān)控過程示意圖逡逑相比較傳統(tǒng)的人工浮選監(jiān)控方式，這種基于機器視覺的現(xiàn)代化浮選監(jiān)控方法逡逑在數(shù)據(jù)測量與優(yōu)化控制兩方面具有如下的優(yōu)勢：逡逑１）

的是通過對浮選工況與浮選性能之間的準確建模從而實現(xiàn)對浮選性能的預(yù)測和逡逑浮選工況的實時調(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，包括如何對浮選工況作出準確的判斷，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理和影響過程。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。對浮選工況的判斷是逡逑通過提取泡沫表面的各項視覺特征參數(shù)來識別的。本課題著力于研究鉛鋅礦浮選逡逑泡沫表面的各項視覺特征參數(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動速度與泡沫穩(wěn)定性等動態(tài)特征的提取算法，如圖逡逑１－３中虛線標注的區(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基于機器視覺的浮選監(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】

相關(guān)期刊論文 前10條

1 陳輝;;淺議車牌識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題[J];南京理工大學(xué)學(xué)報(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)的分類識別方法—CEP-AR特征提取與分類[J];振動與沖擊;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(自然科學(xué)版);1989年03期

5 王仁華;宋原章;;漢語孤立音節(jié)的分段研究[J];信號處理;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];計算機仿真;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];計算機與網(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種識別中的應(yīng)用[J];計算機科學(xué);2014年03期

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

相關(guān)會議論文 前10條

1 王紀凱;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屆中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會論文集（17th CCSSTA 2016）[C];2016年

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

3 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應(yīng)用學(xué)術(shù)會議�？痆C];2008年

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

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機和改進特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2005年

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

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

8 許強;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];中國自動化學(xué)會控制理論專業(yè)委員會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年中國智能自動化會議論文集（上冊）[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];中國聲學(xué)學(xué)會水聲學(xué)分會2019年學(xué)術(shù)會議論文集[C];2019年

相關(guān)重要報紙文章 前3條

1 宇航智控;預(yù)測與健康管理(PHM)技術(shù)[N];中國航空報;2018年

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

3 中國信息通信研究院泰爾終端實驗室 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別方法研究[D];天津大學(xué);2017年

7 王振宇;面向人臉識別的特征提取技術(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;基于計算機視覺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;極化特征在真假彈頭識別中的應(yīng)用[D];中國電子科技集團公司電子科學(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)銀行異常交易檢測技術(shù)與應(yīng)用研究[D];中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進技術(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];國防科技大學(xué);2017年

本文編號：2717921