一种基于图像特征分析的浮选回收率预测方法

摘要

一种基于图像特征分析的浮选回收率预测方法，本发明以工业摄像机获取选矿过程的泡沫图像基础，通过采用相对红色分量提取颜色特征，结合形态学与分水岭方法分割泡沫图像并提取尺寸特征，利用像素分析方法提取承载量特征，采用图像对的相关性分析方法提取泡沫速度、破碎率等动态特征。采用最小二乘支持向量机(LSSVM)建立回收率预测模型，以图像特征作为模型输入，并采用动态堆栈的野值数据剔除方法，通过10折交叉验证实现模型参数优化。本发明可用于矿物浮选回收率预测，实现浮选生产操作优化，进而可提高矿物回收率，减少矿物资源浪费。

主权项

1.一种基于图像特征分析的浮选回收率预测方法，其特征在于：先用摄像机获取泡沫层图像，将视频信号数字化并转换成光信号，通过光纤传输到图像采集卡，转化为格式为RGB-24bits的数字图像信号然后读入计算机，图像处理程序通过图像采集卡的驱动接口获取泡沫图像，图像处理程序提取泡沫的气泡颜色、尺寸、速度、破碎率及承载量图像特征参数，作为系统预测模型输入，预测浮选回收率，构建预测模型的具体过程为：(1)对于某时段内的生产过程，取其泡沫图像及其回收率指标作为样本集{(s_i，P_i)|1≤i≤N}；s_i为图像特征数据，P_i为回收率，N的范围为[150，200]；(2)利用图像特征提取方法，提取样本集中图像集{s_i}特征，得到气泡颜色、尺寸、速度、破碎率及承载量图像5维特征数据集{x_i}，通过预处理剔除样本集中的野值，同时规范所有特征值为实数，采用多维动态堆栈剔除野值的方法为：初始化一维数组stag，数组长度等于数据集{x_i}的长度，求取x_i的平均值若则将数据集{x_i}压入堆栈，将stag数组对应位置为1，否则删除当前数据，再将stag数组对应位置为0；依次类推，直到数据集{x_i}中所有数据访问完毕；(3)根据最小二乘支持向量机方法，即LSSVM法，求解方程e_i为模型误差，由此得模型输出：式中α_i，b为模型系数，核函数采用高斯径向基函数：x_i为5维特征数据，1≤i≤N，采用10折交叉验证选择最优模型参数，惩罚参数C＝15，1≤j≤N；(4)将75％的数据样本{x_i，z_i}作为训练集，余下的25％为测试集，首先用训练集对LSSVM进行训练，然后用测试集对训练完毕的LSSVM进行测试，得到预测误差其中z_i为浮选回收率的预测值，f_i为浮选回收率的实际值，1≤i≤N；(5)对生产中新的泡沫图像进行特征提取，用训练完毕的LSSVM进行回收率指标预测。