梁利利，高 楠

(咸陽師范學(xué)院,陜西 咸陽 712000)

隨著我國工業(yè)的迅速發(fā)展，礦物成為當(dāng)前需求量最大的資源。在此背景之下，我國礦物資源總量正在日漸減少，礦產(chǎn)資源的品質(zhì)正在逐步下降。由此看出，在當(dāng)前礦產(chǎn)資源極度匱乏的社會環(huán)境之下，對低品位礦產(chǎn)資源的提取技術(shù)研究工作刻不容緩。就目前情況來看，大部分銅礦廠普遍采用浮選法進(jìn)行礦產(chǎn)資源提取工作。浮選法是一種利用礦物顆粒表面的物理化學(xué)特征來進(jìn)行礦石提取的方法，該方法在應(yīng)用于銅礦廠的生產(chǎn)過程中，浮選泡沫將直接決定這最終選礦效果的好壞[1]。然而，當(dāng)前大部分銅礦廠在進(jìn)行浮選過程中，主要采用人工的形式對泡沫外觀特征進(jìn)行觀察，并以此作為依據(jù)對生產(chǎn)操作進(jìn)行相應(yīng)的調(diào)節(jié)。但由于人工操作效率較低，使銅礦浮選過程無法保持優(yōu)秀的運行狀態(tài)，從而導(dǎo)致最終礦物提取效果不容樂觀，這無疑是對礦物資源的浪費。今年來，隨著我國智能技術(shù)的發(fā)展，越來越多的學(xué)者開始對智能選礦過程技術(shù)展開研究，并在結(jié)合浮選現(xiàn)場泡沫特征進(jìn)行工況智能識別方面取得有效進(jìn)展。將智能控制機(jī)器視覺等相關(guān)技術(shù)與礦物浮選過程進(jìn)行結(jié)合，將實現(xiàn)實時獲取浮選泡沫圖像特征的目的，并將此特征參數(shù)作為依據(jù)對浮選工況進(jìn)行識別，便于相關(guān)人員及時掌握選礦過程的生產(chǎn)參數(shù)，使選礦生產(chǎn)過程長期處于較好的生產(chǎn)狀態(tài)。由此可見，對泡沫圖像特征提取方法的研究有助于提高礦產(chǎn)資源利用率。

1 銅浮選工藝過程

銅浮選工藝過程主要通過在一定的條件下，利用浮選藥劑在礦梁中產(chǎn)生具有一定礦粒的泡沫，再利用對該泡沫進(jìn)行回收來提高原有礦物品質(zhì)，使低品位礦物能夠達(dá)到還原冶煉的相關(guān)要求。

銅礦浮選過程主要分為四步：第一，通過球磨機(jī)的應(yīng)用將金屬礦石磨碎，并將磨碎的金屬礦石與水進(jìn)行充分混合，從而形成礦衆(zhòng)；第二，在礦裝中加入相關(guān)的浮選藥劑，并對其進(jìn)行不斷的攪拌，以此提高礦物的可浮性；第三，將經(jīng)過攪拌之后的礦裝送至浮選槽中，并采用鼓風(fēng)機(jī)在浮選槽底部注入空氣；第四，隨著攜帶礦粒的氣泡流入到泡沫槽中，從而形成泡沫產(chǎn)品[2]。具體選礦工藝流程如圖1所示。

圖1 選礦工藝

礦物表面的潤濕性是決定礦物是否具備浮選資格的關(guān)鍵所在。通常情況下，大部分礦物的可浮性都相對較差，必須加以浮選藥劑提高礦物的可浮性，使該礦物具備浮選資格。當(dāng)前，工業(yè)現(xiàn)場普遍采用起泡劑以及調(diào)整劑作為主要的浮選添加藥劑。其中起泡劑主要作用于增強泡沫的礦物粒子，對泡沫的形成以及礦化起到有效的促進(jìn)作用；調(diào)整劑則起到改變礦物表面疏水性的作用，能夠使泡沫吸附更多浮游的礦粒。

在進(jìn)行泡沫浮選的過程中，可將泡沫的表觀狀態(tài)作為依據(jù)，對該泡沫的浮選工況進(jìn)行判斷。浮選泡沫表面的各項特征皆能反映出不同的工藝狀況，如浮選泡沫的尺寸、紋理、顏色以及穩(wěn)定性等。本文則針對圖1中銅浮選槽中泡沫圖像多堆積和流速快的特點，從銅礦泡沫圖像的紋理入手，探討對其紋理特征進(jìn)行提取。

2 小波變換算法的提出

在浮選泡沫的各項表面特征中，尺寸及紋理是最為常用的兩種泡沫圖像特征，直接關(guān)系著浮選生產(chǎn)的工況。借助分水嶺分割方法將獲取到精準(zhǔn)的泡沫尺寸分別，但該方法唯一的缺陷就是過于復(fù)雜[3]。對此，在該基礎(chǔ)上，人們提出引入小波變換的方法對該問題進(jìn)行處理。

實踐表明，小波變換是建立在傅里葉變換基礎(chǔ)上的一種信號處理方法，表現(xiàn)出較好的性能優(yōu)勢。小波分析可以通過伸縮、平移等預(yù)算，進(jìn)而實現(xiàn)信號的多尺度變換。正是因為小波變換的這個功能，使得小波變換解決了傳統(tǒng)傅里葉變換中窗口不固定，同時缺乏離散正交的問題。

(1)

其中，j表示尺度，j=0,1，…。

fj+1(x,y)=fj(x,y)+dj(x,y)

(2)

且有：

=0

(3)

(4)

(5)

在公式(4)和(5)中，φ、Ψ分別表示為尺度函數(shù)和小波函數(shù)，k、m分別表示對應(yīng)矩陣的行和列。由此，通過上述的公式，可以得到分解后的小波序列cj+1={cj,dj+1,dj+2,dj+3}。

上述分解過程用濾波器組來表示，可表示為如圖2所示。

圖2 小波分解的濾波器組示意圖

對圖2示意圖來講，其工程解釋為：首先通過高通和低通濾波器對信號的行進(jìn)行抽樣分解，然后在上述分解的基礎(chǔ)上，對列進(jìn)行抽樣，進(jìn)而得到分解后的小波序列，進(jìn)而得到一個多尺度的圖像信號。

3 小波變換的改進(jìn)

在對銅浮選提取過程中，如何對關(guān)鍵特征進(jìn)行提取，進(jìn)而識別浮選工況，是當(dāng)前思考的重點。在銅浮選工藝過程中，為判斷銅浮選生產(chǎn)的情況，提高銅篩選的效率，通常采用分割方法對泡沫顏色、穩(wěn)定度等對圖像特征進(jìn)行提取。這種分割方法通常使得分割后的圖像不具備尺度特征，進(jìn)而給后續(xù)的分類造成影響。雖然采用小波變化可以得到多尺度特征圖像，但是很難得到可用于符合人工視覺的圖像。對此，在參考相關(guān)研究的基礎(chǔ)上，借鑒彭濤等的研究成果[5-6]，提出小波變換二值化的圖像紋理特征提取方法。

3.1 圖像重構(gòu)

在圖像特征提取中，以紋理中能量、小波系數(shù)矩陣等作為主要提取對象。

(6)

(7)

其中，‖·‖F(xiàn)代表范數(shù)；E代表能量，M×N表示大小。

通過圖2對圖像信號的分解后，得到不同階的圖像紋理特征，進(jìn)而得到一個灰度圖像I(x,y)的多尺度表示。而隨著分解的不斷增加，子圖會越來越多，并且越來越小。要保證各子圖與原始子圖一樣的頻率，需要對部分子圖進(jìn)行重構(gòu)。彭濤等人通過研究后認(rèn)為，在對子圖重構(gòu)中選擇部分逼近子圖進(jìn)行重構(gòu)，并給出重構(gòu)子圖的頻率范圍以及其對應(yīng)的空間寬度，具體見圖3所示。

圖3 圖像重構(gòu)下頻率與空間寬度之間的關(guān)系

3.2 小波二值化

在完成圖像的重構(gòu)后，對重構(gòu)子圖Sv進(jìn)行小波二值化處理。假設(shè)Sv存在L個灰度級，灰度值為i的像素數(shù)表示為ni，那么子圖總的像素用N表示，則各個灰度值的概率為[7]：

(8)

以 作為門限，將圖分為兩個區(qū)域，一個區(qū)域為1～t，計作A；另一個區(qū)域為t+1～L-1，計作B。由此，根據(jù)概率和灰度均值計算公式，可以得到其總的灰度均值和類間方差。而要對圖像進(jìn)行分割，在本文中引入最優(yōu)分割閾值σ，認(rèn)為使得類間方差最大，則為所求的最優(yōu)分割閾值。

3.3 特征獲取

通過上述的方法對圖像進(jìn)行重構(gòu)，然后分別統(tǒng)計出二值化后的圖像表示區(qū)域面積，并最終不同尺度下的二值化圖像的總面積，計作A。由此將相鄰二值圖像的泡沫總面積相減，得到泡沫子圖等效面積:

Ej=Aj+1-Aj

(9)

由此，上述的Ej則表示為通過二值化后獲取的等效尺寸特征，并且其面積隨著直徑的變化而連續(xù)變化。

4 圖像特征提取整體流程設(shè)計

根據(jù)上述的方法，我們將整個圖像特征的提取流程設(shè)計為如圖4所示。在該流程中，首先對圖像進(jìn)行灰度化處理，然后進(jìn)行小波變換和二值化處理，最后得到二值化的圖像，并根據(jù)聚類分析算法對上述的圖像進(jìn)行分類。

圖4 圖像特征提取與分類流程圖設(shè)計

5 試驗驗證

為驗證上述方法的可行性，本文結(jié)合圖5所示的銅浮選泡沫圖像采集原理對圖像進(jìn)行采集。

圖5 銅浮選泡沫采集原理

攝像機(jī)選擇工業(yè)CCD相機(jī)，安裝位置離泡沫高度120 cm。同時在試驗過程中，分別選取正常泡沫圖像、水化泡沫圖像和黏性泡沫圖像進(jìn)行對比。

通過上述的方案，可以得到如表1所示的分類識別率數(shù)據(jù)。

表1 分類識別結(jié)果

通過上述的結(jié)果看出，本文采用的等效尺寸特征進(jìn)行提取的方法，并結(jié)合聚類分析的識別率要明顯高于傳統(tǒng)的識別方法，說明本方法的可行性與有效性。

6 結(jié) 語

對于銅浮選泡沫圖像的提取，在當(dāng)前礦產(chǎn)資源稀缺的情況下，如何提高對銅礦的識別率，進(jìn)而提高對銅的利用率，是當(dāng)前思考的一個重點。本文嘗試采用小波變化的方式，提取等效尺寸特征，進(jìn)而以該特征作為基礎(chǔ)，利用聚類對圖像進(jìn)行分類，并通過試驗結(jié)果表明，采用這種等效尺寸特征提取的方式，可提高銅浮選泡沫圖像識別中的正確率，為銅礦的篩選提供了參考借鑒。

[1] 曹玉川. 某硫化銅礦浮選工藝對比試驗研究[J]. 礦冶工程,2017,37(6):54-56.

[2] 王剛. 基于浮選工藝改進(jìn)與圖像處理的銅礦篩選研究[J]. 中國錳業(yè),2017,35(6):90-93.

[3] 申森,李艾華,姚良,等. 基于小波包和Niblack法的槍號圖像二值化算法[J]. 光子學(xué)報,2013,42(3):354-358.

[4] 陸璐,李玉龍. 基于離散小波變換多種紋理特征提取的草細(xì)胞圖像分割比較[J]. 蘭州交通大學(xué)學(xué)報,2012,31(1):98-101.

[5] 陳錦,羅曉曙. 基于小波變換與野草算法的細(xì)胞圖像特征提取與識別[J]. 廣西師范大學(xué)學(xué)報(自然科學(xué)版),2015,33(2):22-28.

[6] 彭濤,曹威,盧明,等. 基于小波多尺度二值化的銅浮選工況識別[J]. 儀器儀表學(xué)報,2014,35(3):586-592.

[7] 吐爾洪江·阿布都克力木,阿卜杜如蘇力·奧斯曼,艾木拉姑麗·卡得爾. 基于二進(jìn)小波變換及局部二值模式特征的圖像檢索[J]. 計算機(jī)系統(tǒng)應(yīng)用,2014,23(8):198-202.