基于彩色圖像處理的浮選尾煤灰分軟測量研究

王靖千，王然風(fēng)，付 翔，吳 桐

(太原理工大學(xué) 礦業(yè)工程學(xué)院，山西 太原 030024)

選煤過程中，浮選環(huán)節(jié)主要是處理細粒級煤泥。其中浮選尾煤灰分是浮選產(chǎn)品的一個重要指標，對反映精煤產(chǎn)品回收率以及實現(xiàn)浮選過程閉環(huán)控制具有重要意義[1]。

目前對于礦漿灰分的檢測方法主要有：人工快灰試驗、γ射線檢測法、光電式測灰法和圖像識別[2]。人工快灰試驗存在很大的滯后性，不能實現(xiàn)在線測灰。γ射線檢測設(shè)備昂貴，且含有放射源，安全管理成本較高，所以應(yīng)用限制很大。光電式測灰法是用白光照射尾礦煤樣，通過檢測元件測量光源光強和反射光強，計算煤樣的反射率來間接檢測尾礦灰分，該方法本質(zhì)上是利用灰度均值與灰分的關(guān)系來檢測灰分[3]。圖像識別法是通過分析礦漿的圖像特征，構(gòu)建軟測量模型來檢測灰分[4]。王光輝等通過采集浮選尾煤的圖像，提取圖像的灰度特征作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，構(gòu)建尾煤灰分的軟測量模型，但有較大誤差[5]。包玉奇等對尾礦圖像灰度特征進行分析，提出一種灰度區(qū)間離散變量，結(jié)合光源光強和反射光強作為BP神經(jīng)網(wǎng)絡(luò)的輸入預(yù)測灰分，可以較好地識別尾礦灰分[6，7]。長期以來，針對浮選尾礦的圖像研究主要在于圖像的灰度特征，而忽略了圖像的彩色特征[8]，所以本研究重點以浮選尾煤彩色圖像為研究對象，研究了尾煤圖像在不同顏色空間的彩色特征，并建立了相應(yīng)的浮選尾煤灰分軟測量模型，從而進一步的提高尾煤灰分軟測量模型的預(yù)測精度。

1 試驗材料與方法

1.1 試驗材料及設(shè)備儀器

試驗樣本為灰分為10.83%，31.39%和71.48%的浮選精煤干粉、浮選尾礦干粉和矸石粉，粒度為0～0.25mm。試驗所用的主要儀器包括：MV-EM200彩色CCD工業(yè)相機、45°環(huán)形光源、磁力攪拌器、樣本容器等。實驗裝置如圖1所示。

圖1 實驗裝置組成

1.2 光照條件

由于外界光照強度不穩(wěn)定，會對拍取的圖像質(zhì)量造成干擾，進而影響后續(xù)的圖像分析，整套實驗裝置布置于暗室中。同時，為了增大不同灰分礦漿圖像的特征值差別，分別拍取了光源不同光照強度下40g/L濃度20%灰分和70%灰分的礦漿圖像，以灰度均值的差值大小為依據(jù)，設(shè)定適合的光照強度。實驗結(jié)果見表1。由表1可知，在光源調(diào)節(jié)至80%開度時，相同濃度下，20%灰分和70%灰分的圖像灰度均值區(qū)分度最大，因此，本試驗的光源強度設(shè)定為光源最大亮度的80%。

表1 不同光源開度下圖像灰度均值的差值

1.3 試驗方法

通過往尾煤干粉中添加浮精干粉或矸石粉來調(diào)配灰分為20%～70%，間隔2%的煤樣。將煤樣放入樣本容器中，然后加水?dāng)嚢?，配制濃度?0～70g/L的礦漿，共182份實驗樣本。待礦漿充分攪拌，狀態(tài)穩(wěn)定后，拍取礦漿圖像。

2 特征提取

2.1 圖像預(yù)處理

為提高圖像質(zhì)量，消除其他因素干擾，必須對圖像進行預(yù)處理[9]。截取規(guī)定大小的尾礦圖像(本試驗截取圖像大小為400×400)剔除圖像四周的無關(guān)信息，如容器邊緣等。然后采用以5×5矩形區(qū)域為模板的中值濾波處理，消除圖像采集過程中產(chǎn)生的各種噪聲。這樣不僅降低了系統(tǒng)的運算量，而且保證了圖像質(zhì)量。原圖像f(x，y)處理后的圖像為：

g(x，y)=med{f(x-5，y-5)}

∩intercept(300，300)

(1)

式中，g(x，y)為預(yù)處理后的圖像；intercept(300，300)為截取300×300的圖像。

2.2 灰度特征提取

彩色圖像每個像素點都由R、G、B分量組成，因此首先把彩色圖像轉(zhuǎn)換為灰度圖像，將圖像中每個像素點的R、G、B分量通過下式計算得到該像素點的灰度值。

f=R×0.3+G×0.59+B×0.11

(2)

式中，f為像素點的灰度值；R為像素點紅色分量值；G為像素點綠色分量值；B為像素點藍色分量值。

分別計算預(yù)處理后的182幅圖像的灰度均值。

式中，He為圖像灰度均值；f(i，j)為圖像第i行j列的灰度值。

2.3 彩色特征提取

根據(jù)不同的顏色空間可以把彩色特征分為RGB空間特征，YUV空間特征，HIS空間特征[10]。

RGB顏色空間是工業(yè)界最常用的一種顏色模型，通過不同灰度級的三原色組合成不同的色彩，彩色數(shù)字圖像可直接提取紅色分量(R)、綠色分量(G)、藍色分量(B)。

YUV顏色空間是一種優(yōu)化彩色視頻信號傳輸?shù)念伾幋a方式，其根據(jù)人眼對亮度的敏感程度超過色度這一原理將每個像素點分以明亮度(Y)、色度(U)、濃度(V)三種特征來表征顏色。RGB顏色空間和YUV顏色空間下像素點特征轉(zhuǎn)換公式如下：

Y=0.299R+0.587G+0.114B

(4)

U=-0.147R-0.289G+0.436B

(5)

V=0.615R-0.515G-0.100B

(6)

HSI顏色空間是基于色彩學(xué)的一種數(shù)字圖像模型，其根據(jù)人眼感知色彩的方式，將彩色圖像的像素點以色調(diào)(H)、飽和度(S)、亮度(I)三種特征來表征顏色。RGB顏色空間和YUV顏色空間下像素點特征轉(zhuǎn)換公式如下。

3 基于POS-LSSVM的浮選尾礦灰分模型建立及分析

3.1 最小二乘支持向量機

最小二乘支持向量機(Least Squares Support Vector Machine，LSSVM )是一種遵循結(jié)構(gòu)化風(fēng)險最小化原則的機器學(xué)習(xí)方法[11]，其原理如下：

將樣本的訓(xùn)練數(shù)據(jù)表示為X={(x1，y1)，(x2，y2)，…，(xn，yn)}，xi∈Rn，yi∈R，i=1，2，…，n。其中xi為輸入變量，yi為目標值，在特征空間(Rnf)中，模型表示為：

F(x)=ωTψ(x)+b

(11)

式中，ω∈Rnf為超平面的權(quán)系數(shù)；ψ(x)為非線性映射函數(shù)；b為偏置量。

根據(jù)結(jié)構(gòu)化風(fēng)險最小化原則，通過尋找合適的b和ω使得下式最小。

式中，γ為誤差懲罰因子；Remp為誤差函數(shù)。

引入拉格朗日乘子后，可由決策函數(shù)支持向量點在高維空間的數(shù)據(jù)內(nèi)積得到核函數(shù)K(xi，x)，即：

K(xi，x)=ψ(xi)·ψ(x)

(13)

常用的核函數(shù)有徑向基函數(shù)、多項式函數(shù)和sigmoid函數(shù)。徑向基函數(shù)相比起來，具有較好的非線性映射能力，而且只需要確定一個參數(shù)，因此本文選用徑向基核函數(shù)，其表達式為：

式中，σ為徑向基核函數(shù)的寬度參數(shù)。

3.2 粒子群優(yōu)化算法

粒子群優(yōu)化(Particle Swarm Optimization，PSO)算法是受鳥群活動的規(guī)律啟發(fā)，利用群體中個體之間共享信息，從而在可解空間中由無序運動轉(zhuǎn)變?yōu)橛行蜻\動，逐步找到最優(yōu)解的優(yōu)化算法[12]。

粒子群優(yōu)化算法運行時，需初始化一群在可解空間的隨機粒子，每個粒子具有初始的隨機位置及速度，不同粒子對于目標函數(shù)有各自的個體適應(yīng)度，通過個體適應(yīng)度和群體適應(yīng)度調(diào)整自己的運動軌跡，從而朝最優(yōu)解點的位置靠攏。如某個粒子的位置為xi=(xi1，xi2，…，xin)，運動速度為vi=(vi1，vi2，…，vin)，個體適應(yīng)度值為pi，個體適應(yīng)度極值為pib，全局適應(yīng)度極值點為pgb，其中n為種群粒子數(shù)。則每個粒子根據(jù)當(dāng)前狀態(tài)及運動經(jīng)驗更新速度及位置：

式中，k為迭代次數(shù)；b1、b2為學(xué)習(xí)因子；r1、r2為兩個[0，1]區(qū)間內(nèi)的隨機數(shù)；ω為慣性權(quán)重。

3.3 基于PSO-LSSVM的浮選尾礦灰分預(yù)測模型

在最小二乘支持向量機中，至關(guān)重要的兩個參數(shù)為誤差懲罰因子(γ)和核函數(shù)的寬度參數(shù)(σ)，因此本文通過基于粒子群算法優(yōu)化參數(shù)的方法，可以提高模型參數(shù)尋優(yōu)效率和預(yù)測精度[13，14]。本文建立模型步驟如下：

1)將182組數(shù)據(jù)導(dǎo)入到MATLAB軟件中，并對所有數(shù)據(jù)進行歸一化處理，將所有數(shù)據(jù)整合到統(tǒng)一量綱上。

2)隨機抽取128組(占總樣本70%)數(shù)據(jù)作為模型訓(xùn)練集數(shù)據(jù)，其余54組為測試集數(shù)據(jù)。

3)設(shè)定模型的參數(shù)，粒子數(shù)N設(shè)定為100，學(xué)習(xí)因子b1設(shè)定為1.5，學(xué)習(xí)因子b2設(shè)定為1.7，最大迭代次數(shù)K為200，誤差懲罰因子γ的區(qū)間為[0.1，1000]，核函數(shù)的寬度參數(shù)σ的區(qū)間為[0.01，1000]，初始化粒子的位置xi及速度vi。

4)檢查每個粒子是否在可解空間內(nèi)，若不在空間內(nèi)，則將粒子重置為上一位置。

5)計算各粒子的均方誤差(MSE)作為各自的適應(yīng)度pi，并各粒子適應(yīng)度的最小值作為全局適應(yīng)度pgb。

6)根據(jù)粒子的適應(yīng)度，找到個體自適應(yīng)度極值pib和全局適應(yīng)度極值pgb。比較當(dāng)前適應(yīng)度pi與個體自適應(yīng)極值pib，將更優(yōu)值更新于pib。比較當(dāng)前適應(yīng)度pi與全局自適應(yīng)極值pgb，將更優(yōu)值更新于pgb。

7)根據(jù)前述公式更新每個粒子的位置及速度。

8)檢查迭代過程是否滿足終止條件，如果不滿足則重復(fù)步驟4)—7)。

PSO-LSSVM模型構(gòu)建流程如圖2所示。

3.4 軟測量模型預(yù)測結(jié)果分析

本文通過采集不同濃度不同灰分的礦漿圖像，提取圖像的灰度特征(灰度均值)和彩色特征(不同顏色空間下的分量均值)，以及礦漿濃度作為PSO-LSSVM模型的輸入，將浮選尾礦灰分作為模型的輸出，部分樣本數(shù)據(jù)見表2。

圖2 PSO-LSSVM模型構(gòu)建流程圖

基于PSO-LSSVM的浮選尾礦圖像分析模型建立好后，對浮選尾礦圖像特征數(shù)據(jù)進行訓(xùn)練與驗證。最終迭代尋優(yōu)的結(jié)果如圖3所示，支持向量機最優(yōu)參數(shù)為誤差懲罰因子γ=912.7065，核函數(shù)的寬度參數(shù)σ=33.2087，均方誤差MSE=2.5333。

表2 部分輸入輸出樣本數(shù)據(jù)

圖3 尾礦彩色圖像特征預(yù)測結(jié)果

作為對比分析，用相同樣本數(shù)據(jù)，將礦漿濃度和灰度均值作為模型輸入，得到的尾礦灰分軟測量結(jié)果如圖4所示，支持向量機最優(yōu)參數(shù)為誤差懲罰因子γ=571.2794，核函數(shù)的寬度參數(shù)σ=16.9102，均方誤差MSE=12.0758。兩種模型誤差統(tǒng)計及對比見表3。

圖4 尾礦灰度圖像特征預(yù)測結(jié)果

表3 不同輸入特征的模型誤差及精度

由表3可以看出，模型輸入變量加入浮選尾礦圖像的彩色特征后，精度達到96.89%，高于僅輸入灰度特征的模型，而且均方誤差也小于后者，表明結(jié)合圖像的彩色特征和灰度特征可以提高尾礦灰分軟測量模型的精度，而且隨機抽取樣本數(shù)據(jù)也說明模型也具有較好的泛化性。

4 現(xiàn)場應(yīng)用

柳灣礦選煤廠一、二兩個生產(chǎn)車間，每個車間各使用兩臺浮選機并行處理，根據(jù)現(xiàn)場情況，決定以二車間的一臺浮選機為實驗對象，在尾礦槽處安裝圖像采集裝置。安裝位置如圖5所示。

圖5 尾礦灰度圖像特征預(yù)測結(jié)果

由于工業(yè)現(xiàn)場創(chuàng)造暗室條件比較困難，因此現(xiàn)場試驗裝置設(shè)計為投入式，在液面下拍取圖像，排除外界光的干擾，取相面為裝置視窗與礦漿的界面。生產(chǎn)過程中，每間隔一小時拍取尾礦圖像，并取樣燒灰，收集模型訓(xùn)練樣本數(shù)據(jù)。經(jīng)過采集一周的現(xiàn)場數(shù)據(jù)采集，將訓(xùn)練好的PSO-LSSVM模型應(yīng)用于尾礦灰分的軟測量，尾礦灰分的實際燒灰結(jié)果與模型軟測量結(jié)果進行對比結(jié)果如圖6所示。

圖6 尾礦灰度圖像特征預(yù)測結(jié)果

由圖6可以看出，基于彩色圖像的浮選尾礦灰分分析系統(tǒng)可以較好的測量尾礦的灰分，軟測量結(jié)果與燒灰結(jié)果基本吻合，在誤差允許的范圍內(nèi)可以實現(xiàn)以基于彩色圖像的浮選尾礦灰分軟測量模型代替人工燒灰工作。

5 結(jié) 語

本文以浮選尾煤為研究對象，研究了基于彩色圖像的浮選尾礦灰分軟測量方法。通過實驗分析，將彩色圖像特征提取和軟測量建模方法相結(jié)合，提出一種通過礦漿濃度、圖像的彩色特征和灰度特征分析浮選尾礦灰分的軟測量方法，利用實驗數(shù)據(jù)訓(xùn)練PSO-LSSVM模型，并與基于傳統(tǒng)灰度特征作為輸入變量構(gòu)建的模型進行了對比，結(jié)果表明所建立的基于彩色圖像分析的浮選尾煤灰分軟測量模型精度良好，預(yù)測精度達到了96.89%，在軟測量模型中引入彩色圖像特征能夠提高模型預(yù)測精度。經(jīng)過現(xiàn)場的實驗對比分析，基于彩色圖像處理的浮選尾礦灰分軟測量模型在誤差允許的范圍內(nèi)可以較好地實現(xiàn)對浮選尾礦灰分的軟測量，該方法不僅可以實現(xiàn)尾礦灰分的在線檢測，而且可以避免燒灰過程中的人工誤差，同時為浮選自動加藥提供了可靠依據(jù)，提高了企業(yè)整體效益。