论文部分内容阅读
在硫浮选生产中,泡沫层表面视觉特征能够反映浮选性能。硫浮选泡沫边界明显,但是泡沫的带矿量不稳定,泡沫的大小尺寸变化也有很强的随机性。常规的泡沫表面特征很难准确的反映浮选工况的好坏,所以纹理成为表征硫浮选泡沫表面状态的关键特征。目前在硫浮选生产中操作变量的调节主要依靠人工观察泡沫纹理特征,但由于人工观察的局限性,难以保证浮选过程处于最佳状态。因此,本文研究硫浮选泡沫图像的纹理特征提取方法,实现精选泡沫图像纹理特征的量化,对指导浮选生产具有重要意义和工程应用价值。在实际生产中,硫浮选工况变化快,短时间内常出现多种异常工况,严重影响浮选效率。因此,单一的泡沫图像特征不能准确反映浮选工况的好坏。针对硫浮选泡沫的特点,本文首先分析了硫浮选各类工况,以及对应的泡沫图像,并依据工况特点将浮选泡沫图像分为六大类,作为后续分类识别的标准。利用灰度共生矩阵和灰度-梯度共生矩阵提取泡沫图像的静态纹理特征,并利用静态纹理特征进行分类识别。针对静态纹理特征的分析存在诸多缺点以及单帧泡沫图像特征参数不能够准确反映浮选工况,提出利用ARMA(自回归滑动平均)动态纹理模型来描述泡沫图像之间的相关性。通过样本学习训练模型参数A,C,Q,R,用学习得到的模型参数进行硫浮选泡沫图像动态纹理的合成,并根据合成结果来评判参数学习效果的好坏,并对模型参数进行修正。最后,以样本的静态纹理特征作为支持向量机的输入特征向量来对硫浮选泡沫进行分类识别。用修正后的模型参数A,C和Martin距离对动态纹理图像序列进行分类识别,这样既能弥补单帧图像特征的缺点又能抓住图像序列的动态特性。将动态纹理识别结果和静态纹理的识别结果进行比较,实验结果表明本文提出的动态纹理识别方法优于静态纹理特征识别方法。图23幅;表格4个;参考文献66篇。