煤泥浮选泡沫图像灰度行程及其统计纹理特征

针对煤泥浮选泡沫灰度图像统计纹理特征问题，通过实验室浮选柱试验，采集了大量的煤泥浮选泡沫图像，分析了泡沫图像的类别及特征，提出了描述浮选泡沫纹理特征的灰度行程矩阵提取算法，并进一步提取灰度行程矩阵的行程因子特征参数来描述浮选泡沫的视觉纹理特征，分析了各特征参数随浮选时间的变化关系.研究表明，泡沫灰度行程因子特征参数能够表征浮选泡沫图像纹理特征，并与特定的泡沫状态相关，可为煤泥浮选视觉监控系统提供泡沫状态信息.     

煤泥浮选泡沫图像灰度直方图及其统计纹理特征研究

针对煤泥浮选泡沫图像灰度直方图特征问题，进行了实验室浮选柱试验，采集了50组煤泥浮选泡沫图像，分析了泡沫图像及其直方图的类别及形态，提取了浮选泡沫图像直方图统计纹理特征参数，研究了泡沫直方图统计纹理特征参数随浮选时间的变化关系。研究表明，统计纹理特征参数-方差能够表征浮选泡沫图像直方图特征，并与特定的泡沫状态相关，可为煤泥浮选视觉监控系统提供泡沫状态信息。     

白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究

在稀土矿物实际浮选中,泡沫颜色特征与稀土品位关系密切。针对白云鄂博稀土矿浮选过程中浮选槽中含气率高、气泡重叠、变形,以及不断发生气泡兼并与破裂的情况,设计建立图像采集系统,并针对LED光源特点,设定照射光源最佳角度,进行图像采集。对采集图像进行进一步颜色特征提取,对泡沫图像颜色与品位之间的相关性进行分析研究。根据浮选过程中浮选泡沫表征颜色与品位的相关性,结合计算机图像处理技术,使用Matlab数学分析软件,对泡沫图像进行预处理并且进一步对泡沫图像进行边缘提取,对泡沫色彩进行色彩效果增强处理,将颜色分类量化,并进行色彩分类统计。通过对泡沫图像灰度直方图分析,计算并统计其整体亮度情况,作为泡沫图像亮度值定量依据。结果表明:通过分析浮选图像RGB颜色值分布、颜色分级分类量化提取图像颜色特征值以及灰度信息,对泡沫颜色特征有一定代表性,并且提高泡沫图像颜色提取精度。通过BP神经网络,输入泡沫图像特征值颜色与品位信息并建立黑箱模型,通过样本训练,得到稀土品位预测值。     

数字图像处理技术在煤泥浮选泡沫图像纹理特征的提取及识别上的应用

将数字图像处理系统应用于煤泥浮选泡沫图像的特征提取和识别 ,引入了空间灰度相关矩阵和邻域灰度相关矩阵来提取泡沫的纹理特性 ,并提取基于这两种算法的一系列特征参数来描述泡沫的结构 ;分析了各泡沫特征参数随浮选时间 (泡沫纹理 )的变化关系 ,定性地指出了各泡沫特征参数与泡沫纹理的相关性 ;并利用自组织神经网络对煤泥浮选泡沫的状态进行了识别 ,分类识别的平均正确率达 76 5 %。     

基于主成分分析的矿物浮选泡沫图像分类与识别

浮选泡沫图像是一种特殊的纹理图像,不同类别等级泡沫图像比较相似,采用邻域灰度相关矩阵法或空间灰度相关矩阵法提取特征参数,然后用神经网络进行分类的效果不是很理想。本文利用主成分分析法对特征参数进行变换处理,改变不同类别特征参数的聚集程度,然后利用神经网络进行分类。对比实验结果表明:对特征参数进行特征变换处理后,分类的正确率大大提高。     

基于多尺度卷积神经网络和LBP算法的浮选工况识别

针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题，提出了一种结合多尺度卷积神经网络(CNN)特征及改进局部二值模式(LBP)计算方法的核随机权神经网络(K-RVFLNs)浮选工况识别方法。首先，对泡沫浮选图像进行非下采样Shearlet多尺度分解，将原始图像分解为不同频率尺度，设计多通道CNN网络对多尺度图像进行特征提取; 再通过改进LBP算法提取特征作为补充，将CNN提取的图像特征与LBP特征进行融合; 最后，通过核随机权神经网络映射到更高维空间进行分类决策，实现浮选加药状态的精确识别。实验结果表明，采用多尺度CNN及LBP-TOP特征融合的方法识别的精度比传统LBP算法提高了5.34 %，比采用单CNN特征的方法提高了3.76 %，结合K-RVFLNs实现浮选工况分类准确率高达96.38 %，识别精度和稳定性较现有方法有较大提升，且减少了人工干预，有利于提高生产效率。     

浮选指标与浮选泡沫数字图像关系研究

在实验室采集了大量黄铜矿浮选的泡沫图像,并对浮选泡沫图像进行了预处理;采用数字图像分析技术分析了泡沫图像及其灰度直方图,提取了浮选泡沫图像灰度直方图的统计纹理特征参数;采用径向基神经网络建立了黄铜矿浮选指标与泡沫灰度直方图统计纹理特征参数的关系模型。仿真实验证明,所建立的模型有较高的精度。     

基于模糊纹理谱的浮选泡沫图像纹理特征提取

提出一种基于模糊纹理谱的浮选泡沫图像的纹理特征提取方法.该方法根据人眼感知特点定义了一种基于非线性函数的隶属度函数,依据相邻像素与中心像素的灰度变化大小关系统计其模糊纹理单元,计算模糊纹理谱,提取有效描述浮选泡沫纹理的新特征参数一纹理复杂度.并以工况相对稳定情况下的泡沫图像为例,对所提出的方法进行了验证分析,结果表明其有效性,并获得了浮选泡沫的最佳纹理复杂度区间,对浮选的优化操作提供重要的指导意义.     

浮选泡沫特征及其状态识别

提出了基于数字图像处理及识别技术的浮选过程控制新思路，介绍了通过空间灰度相关矩阵法和邻域灰度相关矩阵来提取泡沫纹理特性参数的方法，以及利用自组织神经网络对煤泥浮选泡沫状态进行识别的结果。     

利用阈值分割技术提取煤泥浮选泡沫图像的物理特征

探讨了煤泥浮选泡沫图像特征的提取方法，首先将RGB图像转化为灰度级图像，再采用直方图均衡化和局域中值滤波处理，以改善图像的对比度，利用阈值分割技术和二值化处理方法提取了气泡的个数，对亮点的面积，形状，周长进行了计算，求出了气泡的粒度分布，通过对51幅煤泥浮选泡沫图像的研究。发现该方法适用于亮点明显，气泡粒度大的图像，可以用来指导煤泥浮选的操作。     

Working condition recognition based on an improved NGLDM and interval data-based classifier for the antimony roughing process

Texture, as one of the most important features of the froth surface, is considered closely related to flotation working conditions and the production index. A working condition recognition method based on an improved neighboring gray level dependence matrix (NGLDM) and interval data classifier is proposed for the antimony roughing process. First, an improved NGLDM is presented for an image. Next, a new composite texture is defined that associates the bubble characteristics of size, shape, and roughness with a froth image. Finally, combined with the ore grade, the numerical intervals representing the extracted composite textures are adopted for off-line classification and on-line recognition by a support vector machine (SVM) classifier for froth images under different working conditions. Experiments show that the new composite texture feature extractor using the improved NLGDM has greater stability, separability and classification accuracy than the normal texture feature extractor using NGLDM does. Therefore, the interval data-based SVM classifier is feasible and effective for working condition recognition in the antimony roughing process.     

Relief-MRMR-SVM在煤矸图像分类的研究

煤和矸石的图像分类是实现煤矸自动分选的关键环节。为提高煤矸分选模型的准确性和稳定性,提出了一种结合Relief、MRMR算法及SVM分类器构建的混合式特征选择及分类方法,提取煤矸图像的颜色及纹理共26个特征对其分类进行研究。在提取纹理时联合使用了LBP局部和GLCM全局特征,有助于提高分类的准确性。利用该特征选择方法选出最优特征子集后,用粒子群和支持向量机算法构建PSO-SVM最佳参数模型进行煤矸分类。结果显示,该方法能剔除较多冗余特征,提高煤矸分类的效率|在两个数据集上,该模型的平均分类准确率分别达到96.12%和94.17%,证明了方法的有效性和模型的稳定性。     

基于无人机的高潜水位煤矿区沉陷耕地提取方法比较

准确、快速、低成本的获取高潜水位煤矿区沉陷耕地的面积、分布、受损等信息对耕地保护有重要的意义。色彩空间转换、纹理分析和植被指数等方法能够有效的增强和挖掘影像潜在的信息,对信息提取有很大帮助。利用2018年4月获取的无人机可见光影像对典型高潜水位煤矿区——山东兖州兴隆庄煤矿的沉陷耕地进行了提取研究。首先统计了耕地、积水区等地物在可见光三波段的均值和标准差,比较发现耕地与积水区在红、绿、蓝3个波段均有重合。其次对研究区影像进行了色彩空间转换与二阶矩阵纹理滤波,统计了耕地与积水区共27项色彩与纹理特征指标,利用均值和标准差计算了变异系数和相对差异值,最终选取色度(变异系数26%,相对差异73.33%)和绿色信息熵(变异系数20.59%,相对差异72.79%)作为耕地提取的最优特征,采用最大似然法进行耕地提取。之后计算了备选的6种可见光植被指数,根据结果分布图,选取了过绿指数EXG(excess green index)、可见光差异植被指数VDVI(visible-band difference vegetation index)、红绿蓝植被指数RGBVI(red green blue vegetation index)及归一化绿红差异指数NGRDI(normalized green-red difference index)作为沉陷耕地提取指数,利用双峰阈值法确定了耕地提取阈值。比较提取结果得出,EXG和NGRDI指数无法全面、客观反映研究区实际情况,VDVI指数的耕地总体分类精度为81.05％,高于RGBVI指数的71.38％,是本研究中最适用于高潜水位煤矿区沉陷耕地提取的指数。最后利用验证区影像,以基于样本面向对象提取的沉陷耕地面积作为参考值,通过比较面积及误差得出,基于色彩与纹理特征法提取的面积与参考面积更接近,误差(6.8%)小于可见光植被指数法(16.0%),更适用于高潜水位煤矿区沉陷耕地的提取。本研究结果客观反映了由于采煤沉陷导致耕地颜色、纹理、疏密等变化特征,为高潜水位煤矿区沉陷耕地的面积测算提供了技术支持。     

基于彩色图像处理的浮选尾煤灰分软测量研究

浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量，以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题，提出了一种基于彩色图像处理的浮选尾煤软测量方法，建立了基于最小二乘支持向量机(LSSVM)的浮选尾煤灰分软测量模型。模型以不同颜色空间的彩色特征、灰度均值以及浓度特征为输入变量，以尾煤灰分作为输出变量，采用粒子群优化算法对LSSVM模型参数进行优化。结果表明：所建立的尾煤灰分软测量模型可以较好地实现浮选尾矿灰分的在线预测，引入浮选尾矿图像的彩色特征可以提高尾煤图像分析的精度，预测精度达96.89%。研究成果在柳湾选煤厂现场应用，并取得了较好的尾矿灰分测量效果。