發布時間：2022-04-06所屬分類：計算機職稱論文瀏覽：1次
摘 要： 摘 要： 從少量樣本中學習仍然是機器學習的關鍵挑戰。盡管最近在視覺和語言等重要領域取得了進展，但標準監督的深度學習范式并沒有為從小樣本中快速學習新概念提供令人滿意的解決方案。在此研究訓練具有少量訓練數據的人臉識別模型的問題。借鑒了一個概念上簡單、靈活
摘 要： 從少量樣本中學習仍然是機器學習的關鍵挑戰。盡管最近在視覺和語言等重要領域取得了進展，但標準監督的深度學習范式并沒有為從小樣本中快速學習新概念提供令人滿意的解決方案。在此研究訓練具有少量訓練數據的人臉識別模型的問題。借鑒了一個概念上簡單、靈活和通用的框架，用于少樣本人臉識別，只給出幾個例子，分類器學會識別新類。在元學習期間，它學習深度距離度量以比較圖像的相似性，每個圖像被設計為模擬少樣本學習設置。一旦經過訓練，模型就能夠通過計算查詢圖像與每個人臉圖像的示例之間的關系分數來對新類別的人臉圖像進行分類，而無需進一步更新網絡。定義了關于少樣本人臉識別 (使用 mini-PubFig 數據集) 一次性學習問題。
關鍵詞： 少樣本學習;人臉識別;度量學習;元學習
礦產資源在國民經濟發展過程中占有舉足輕重的地位, 選礦是礦產資源加工中的一個重要環節，選礦水平高低直接影響礦物資源回收率[1] . 由于泡沫浮選工藝流程長、內部機理不明確、影響因素多、關鍵工藝參數不能在線檢測等原因, 造成我國選礦過程能耗物耗高、有價礦物回收率低、精礦品位波動大[2−3] .
在實際礦物選別生產中, 浮選泡沫表面視覺特征如顏色、大小、流速、紋理等不僅可直接反映浮選生產過程工況, 還可以作為生產工藝指標的直接指示器[4] . 由于浮選流程包含幾十乃至上百個浮選槽圖 1 所示 (一般包括粗選、掃選和精選), 工藝流程長、分布范圍廣, 當前人工觀察泡沫進行生產操作, 主觀性強、誤差大、效率低, 無法實現浮選狀態的客觀評價與認知, 造成生產過程不穩定、礦物原料流失嚴重、藥劑消耗量過大[5] . 工業視覺檢測速度快, 可同時監測整個過程的泡沫狀態, 實現泡沫表面視覺特征的量化描述與浮選生產狀態客觀評價, 進而實現礦物浮選從簡單的單變量控制到復雜的多生產操作參數綜合優化控制[6] . 將機器視覺應用 到 礦 物 浮選過程監控是解決浮選過程建模和生產過程優化控制難題的新方法, 已經引起了廣泛關注.
近年來, 基于機器視覺的浮選泡沫表面特征監測技術, 已引起了工業發達國家 (科研機構) 的高度關注, 歐盟于 2000 年投巨資聯合芬蘭赫爾辛基工業大學、瑞典皇家工學院、奧托昆普公司等多家大學和企業啟動了 ESPRIT LTR 項目 “基于機器視覺的氣泡結構和顏色表征” (簡稱 Chaco), 南非學者、智利 Catholic 大學等也將機器視覺應用到石墨、鉑金屬、銅浮選監控中[6−9] . 國內中國礦業大學、北京礦業研究院聯合金川公司也分別對煤和鎳浮選進行了浮選泡沫監測方面的研究工作[10−11] . 中南大學與國內多家大型有色冶煉企業共同合作, 開展了浮選泡沫圖像處理及檢測技術的研究[12] , 在浮選泡沫圖像采集與浮選泡沫監測上取得了一些研究成果. 由此可見, 基于機器視覺的監控技術是目前比較先進的浮選過程監測技術. 為了充分利用好貧礦與難選礦等有限的礦物資源, 深入研究基于機器視覺的浮選檢測技術, 切實提高礦產資源的回收率與綜合利用水平迫在眉睫. 本文結合礦物浮選泡沫圖像特點, 綜述近年來基于機器視覺的礦物浮選監控技術研究進展, 包括泡沫圖像關鍵特征表征方法、關鍵工藝參數檢測方法及浮選工況識別策略, 介紹泡沫浮選監控系統的應用現狀, 指出了其發展趨勢及所面臨的新挑戰.
1 泡沫圖像的關鍵視覺特征提取與表征
在礦物浮選過程中, 泡沫表觀特征與浮選生產指標、工況、操作變量等密切相關, 可作為判斷礦物選別作業效果的重要依據, 而泡沫表觀特征的準確描述是基于機器視覺的浮選生產過程監控的前提. 由于浮選泡沫圖像是大量、大小不一、顏色不同、形狀各異的礦化氣泡堆積而成, 氣泡之間分界不明顯且相互堆積、擠壓, 氣泡破碎、兼并嚴重, 針對自然場景數字圖像的常規處理方法在泡沫圖像處理上往往難以取得有效的結果[13] , 泡沫圖像特征提取與表征方法引起受到廣泛關注, 其中泡沫顏色、統計分布 (尺寸、紋理) 及速度等是描述浮選過程泡沫圖像的關鍵特征參數.
1.1 泡沫圖像顏色特征的提取與表征
由于礦化泡沫中所帶的礦物粒子不同, 導致不同浮選狀態下泡沫呈現出不同的顏色. 泡沫顏色不僅與浮選生產工況密切相關, 還反映了泡沫所含礦物種類及礦粒子的富集程度, 故可根據泡沫的顏色特征指導浮選生產操作. 為了準確提取與浮選工況密切相關的浮選泡沫顏色特征, 檢測出泡沫顏色的細微差別, 近年來國內外學者對顏色特征的提取與表征方法開展了一些研究工作. 針對銅浮選泡沫表面視覺特征, 南非 Moolman 等[14] 用快速傅里葉變換與圖像顏色分析技術, 提取了銅泡沫能譜和顏色特征, 辨識粗選槽泡沫中銅的含量. Oestreieh 等[15] 利用顏色矢量角刻畫小泡沫顏色的變換, 預測礦物的組成成分. Bonifazi 等[16] 利用 RGB、HIS 和 HSV 三個顏色參考系統提取礦物浮選泡沫圖像的灰度平均值和標準差, 但易受現場光照的影響. Ventura-Medina 等[17] 研究了泡沫顏色參數的量化描述, 通過大量實驗驗證了這些顏色參數與泡沫品位存在較強的相關性. 英國的 Chuk 等[18] 提取銻浮選泡沫的顏色直方圖, 采用專家系統和模糊技術分析泡沫的坍塌問題. Kaartinen 等[19] 采用泡沫圖像顏色 R、G 和 B 值的平均值與標準差描述泡沫顏色特征, 并給出了計算方法. Bonifazi 等[20] 將 3D 分形與顏色分析相結合, 分析了泡沫圖像的顏色和形態學特征, 利用統計分析方法預測礦物泡沫品位, 該法已經應用到芬蘭 Pyhasalmi 和瑞典 Garpenberg 選礦企業, 但光照不均影響了應用的效果. N´u˜nez 等[21] 將顏色平均灰度與平均值的比值定義為特征參數, 以解決因照明不均所帶來的顏色描述不準確性問題. Bartolacci 等[22] 采用多元圖像分析方法提取了泡沫 RGB 圖像的顏色光譜變化特征, 采用偏最小二乘方法預測礦物的品位. 在此基礎上, Liu 等[23] 將多分辨率多元圖像分析方法應用于浮選過程, 同時捕獲礦物泡沫圖像的光譜信息和顏色特征, 并結合主元分析方法和聚類方法對浮選泡沫進行了分類.
陳子鳴等[24] 采用多媒體技術對刻畫浮選泡沫圖像表觀顏色特征的進行初步研究, 曾榮[11] 分析了泡沫圖像顏色特征、氣泡尺寸參數, 利用這些圖像特征參數的回歸模型對泡沫的精礦品位預測[25] .
上述研究主要是單一顏色空間的分量分析, 未能獲得泡沫顏色全面的特征信息. 為了對泡沫顏色全面準確的描述, 需要建立礦物浮選泡沫的多顏色空間測量方法. 基于泡沫圖像顏色特點, 作者所在 研究組融合了 RGB、Lab、HSV 顏色空間進行泡沫的顏色特征提取, 提出了多顏色空間信息融合的方法[12, 26−27] , 給出了泡沫顏色特征的量化特征指標, 通過大量實驗和實際工程應用, 驗證了提出的多顏色空間融合方法對泡沫顏色檢測的精確性. 采用的浮選過程泡沫圖像顏色提取過程如圖 2 所示.
雖然當前泡沫圖像顏色特征提取與表征已取得一定的研究進展, 但生產過程的泡沫圖像獲取易受現場環境、自然光照、光源衰減等因素干擾, 且泡沫圖像存在的高亮點、色偏等問題影響到泡沫顏色特征的準確測量, 需要深入研究.
1.2 泡沫圖像的統計分布特征表征
浮選生產過程大量的礦化氣泡往往表現出典型的隨機分布狀態, 而這些分布狀態與浮選性能指標有密切關系. 因此, 可利用統計直方圖、均值、方差等數學描述手段對泡沫的統計分布進行描述, 進而評估礦物浮選效果[4] . 通過大量研究發現, 泡沫的尺寸特征和紋理特征是能很好地反映泡沫統計分布規律的兩個關鍵特征.
1.2.1 泡沫圖像的尺寸特征提取與表征
大量研究表明浮選泡沫尺寸不但與礦漿 pH 值、濃細度等關鍵工藝參數密切相關, 而且能反映泡沫品位和回收率等生產指標. 圖像分割是浮選泡沫圖像尺寸特征提取的關鍵技術, 分割效果直接影響特征參數的測量精度. 但由于浮選泡沫存在形狀各異、相互擠壓、分布不均勻, 常規圖像的分割算法難以適用泡沫圖像的準確分割.
國內外學者針對礦物浮選泡沫尺寸特征提取方法進行了相關的研究. Bonifazi 等在圖像分割過程中把高亮點作為標識[16] , 采用經典分水嶺分割方法對浮選泡沫圖像進行處理, 但受到泡沫圖像光照不均影響, 易產生過分割. 為此, Sadr-Kazemi 等[28] 利用形態學重構來提取泡沫圖像尺寸特征, 將圖像的極大值區域作為算法的標識種子點, 但該法易受所定義的元素形狀和尺寸的影響. 而 Botha 等在分析泡沫的尺寸特征標識圖像時采用改進同質梯度方法[29] , 有效地減少了泡沫過分割現象.
在國內, Wang 等提出了基于谷邊緣檢測的圖像分割算法, 并提取泡沫圖像特征應用于銅礦浮選[30] , 但該算法憑經驗選取模板尺寸且模板尺寸要求嚴格. 王麓雅等[31] 分析現有的浮選泡沫圖像分割算法, 修改閾值算法, 自動檢測泡沫的種子點, 利用形態學技術產生泡沫圖像分割區域, 但對噪聲大、光照不均的圖像易過分割. 作者所在研究組[32] 提出了一種基于聚類與形態學的泡沫圖像分割方法, 其處理步驟如圖 3 所示, 利用分水嶺算法得到分水線實現浮選泡沫的分割, 并利用泡沫尺寸平均值、標準差、偏斜度及陡峭度來定義泡沫尺寸特征從而為浮選控制提供依據, 有效地解決了因泡沫圖像質量不理想、大小形狀不均而產生欠分割或過分割問題. 在此基礎上, 基于分級分水嶺算法提出了泡沫圖像自適應的分割算法, 并應用于鋁土礦獲得較好的分割效果[33]; 將向量形態學重構方法進行改進, 應用于銅浮選泡沫圖像的分割和尺寸特征的提取[34]; 針對浮選泡沫的形狀特征, 采用均值方差等單值特征, 提出概率密度函數方法對泡沫尺寸分布統計特性進行準確描述[35] .
為了準確提取泡沫尺寸特征, 針對不同礦物泡沫圖像的分割問題, 已經取得一些研究成果, 但是所提算法通用性不強. 迄今還不存在一種普適的泡沫圖像分割算法, 特別是針對強干擾環境 (低光照、強噪聲等) 下泡沫圖像分割及尺寸特征的提取還少有報道, 尚需進一步深入研究.
1.2.2 泡沫圖像的紋理提取與表征
紋理是圖像相鄰像素灰度相關性的表現, 作為刻畫泡沫圖像統計分布的另外一個關鍵特征, 可用來描述浮選過程操作條件及礦物性質的變化所引起的泡沫狀態變化.
Holtham 等采用了經典紋理譜和像素跟蹤來預測礦物浮選泡沫的大小[36] , 但該方法依賴于經驗參數且未考慮灰度變化, 具有很大的隨機性. Bharati 等[37] 對比研究了灰度共生矩陣 (Grey-level co-occurrence matrix, GLCM)、多變量主元分析、小波分析等不同的紋理分析方法, 通過對浮選泡沫圖像的分類研究, 發現小波紋理分析具有較廣頻率的適用范圍. 從浮選泡沫 RGB 圖像、多空間圖像的光譜與空間關系出發, Liu 等[5] 結合多分辨率多變量分析技術提出了一種泡沫紋理特征提取方法, 采用最小二乘回歸方法預測精礦品位. Brtolacci 等[22] 對礦物泡沫紋理特征提取方法進行研究, 分析了基于泡沫紋理的浮選過程監測的可行性. 通過對泡沫圖像的動態紋理分析, Nunez 等[38] 采用混合建模方法對泡沫圖像進行分類, 以此判斷浮選狀態. Zhu 等[39] 利用圖像處理技術提取泡沫紋理特征, 建立了基于粗糙集和神經網絡的加藥量數學模型, 并驗證了模型的可行性.
作者所在研究組利用 GLCM 來提取圖像的全局紋理特征[40−43] , 其中空間 GLCM 建立在估計圖像的二階組合條件概率密度函數的基礎上, 通過計算圖像中有一定距離和一定方向的兩個像素之間的灰度相關性, 對圖像的所有像素進行統計, 反映圖像在方向、相鄰間隔、變化幅度及快慢上的綜合信息. 結合泡沫的視覺紋理特征, 通過分析各視覺特征參數的物理意義, 指出了各泡沫特征參數與泡沫紋理的相關特性. 泡沫圖像紋理特征提取的流程如圖 4 所示, 通過分析 GLCM 得到圖像的紋理特征, 而圖像的能量 (粗細度)、慣性矩、參數熵可用來量化紋理特性.
此外, 針對實際的礦物浮選過程, 作者所在研究組從鋁土礦精選泡沫圖像序列的靜態、動態兩方面研究精選泡沫紋理特征提取方法, 并應用于精選泡沫分類[41]; 基于改進模糊紋理譜提出了一種泡沫圖像紋理特征的提取方法, 有效地改善了鋁土礦精選泡沫圖像的紋理識別效果[40, 42]; 基于 Gabor 小波提取了泡沫圖像多尺度與多方向上的泡沫紋理幅度譜, 利用所提取的泡沫紋理特征對浮選工業生產狀態進行無監督的模糊聚類分析[43] .
1.3 泡沫圖像的速度特征提取與表征
浮選泡沫的流動速度特征是泡沫浮選生產效率的直接指示器, 間接反映了浮選產量、尾礦指標等主要生產指標. 實際生產過程中, 經驗豐富的浮選工可通過觀察泡沫層表面氣泡流動速度判斷浮選效果, 但主觀性強、無法定量描述泡沫圖像速度. 針對浮選泡沫流動畸變 (坍塌嚴重、破碎率高、舊泡兼并伴隨著新泡上浮) 的泡沫圖像序列, 傳統圖像處理算法難以對泡沫識別和跟蹤, 無法實現泡沫動態特征的準確測量.
Ventura-Medina 等[44] 發現在一定操作范圍, 泡沫流動速度可作為浮選性能的量化特征. 由于泡沫流動速度決定的空氣回收率及泡沫尺寸的變化會影響浮選回收率, Neethling[45] 討論了泡沫流動粒子運動特征對回收率的影響. 通過分析泡沫結構參數 - 泡沫表面積流量, 采用泡沫紋理譜特征來估計泡沫尺寸變化, Holtham 等[36] 提出像素跟蹤技術獲取泡沫速度特征. Kaartinen 等[46] 利用泡沫交叉相關峰值來描述泡沫速度, 應用于鋅浮選過程中. Brown 等[47] 采用泡沫的流速來評價品位的穩定性, 實現了金礦粗選精礦品位的監測.
上述針對泡沫流速特征提取的研究工作, 主要體現在泡沫圖像處理算法上, 未充分考慮浮選生產環境的影響. 作者所在研究組克服實際浮選泡沫圖像亮點的影響, 提出了浮選泡沫圖像序列的流動速度特征獲取方法, 并提出了如圖 5 所示的一種抗尺度快速變化和具有旋轉不變性的模板匹配算法, 可有效地分析泡沫速度特征與浮選性能間的關系[48−49]: 利用宏塊跟蹤技術對浮選泡沫圖像序列的泡沫速度特征進行估計, 獲得像素級的泡沫運動速度參量[48]; 研究了泡沫流動速度的提取及跟蹤算法, 提出了一種內搜索六邊形搜索塊匹配算法, 可在工業現場在線實時測量泡沫流速, 并實現空氣回收率的估計[49] , 為浮選生產提供指導, 保證礦物浮選的優化穩定運行, 提高了浮選生產效率
2 基于視覺特征的浮選過程關鍵工藝參數檢測
實時檢測技術是礦物浮選過程監控的基礎, 只有獲取準確的檢測信息, 才能做出準確的判斷進而給出操作建議. 浮選過程中, 礦漿 pH 值 (酸堿度)、過程指標 (精礦品位和尾礦金屬含量) 等是過程監測的主要參數. 但由于浮選過程工藝參數的在線檢測儀器價格昂貴、使用壽命短, 維護保養困難, 且易受礦源的影響導致測量不準, 當前浮選過程的關鍵參數檢測大多通過離線化驗和計算獲得, 滯后時間長, 無法給出實時工況指導信息. 為此, 國內外研究人員對浮選過程關鍵工藝參數的檢測手段進行了研究.
2.1 礦漿 pH 值軟測量
礦漿 pH 作為浮選過程重要參數, 對浮選性能有著直接關系[50]: 1) 直接影響礦物的可浮性; 2) 影響許多藥劑的浮選活性; 3) 影響礦漿中的離子組成; 4) 影響礦泥的分散和凝聚. 目前礦漿 pH 的檢測大多采用兩種方法: 人工化驗和 pH 檢測儀在線檢測. 人工化驗方法滯后嚴重, 導致生產操作頻繁調節, 使得精礦品位和回收率低, 藥劑浪費嚴重. 而 pH 在線檢測儀大多價格昂貴、使用壽命短、維護困難. 基于機器視覺的軟測量技術為實時檢測礦漿 pH 提供了有效途徑. 研究發現, 浮選生產過程中 pH 與泡沫圖像表觀特征有很強的相關性, 不同礦漿酸堿度對應不同泡沫狀態, 但是國內外 pH 軟測量相關的研究工作尚不多見[12] . 作者所在研究組提出了基于數字圖像統計特征、過程工藝檢測數據以及工藝機理知識的多信息智能融合方法[51] . 該方法通過人工取樣離線化驗礦漿實際 pH 作為輸出量, 并結合對應取樣時刻的泡沫圖像表觀特征 (顏色、尺寸、紋理、流速等) 建立了軟測量模型, 利用多元回歸、神經網絡及支持向量機等手段實現了浮選礦漿 pH 的在線檢測.
2.2 精礦品位和回收率預測
由于浮選過程金屬品位的在線檢測困難, 大多數選廠精礦品位和回收率的檢測采用人工化驗獲得, 但檢測數據的滯后性嚴重影響了生產工況的及時調整, 導致產品質量難以提高. 如何在線檢測這些浮選生產的關鍵指標受到國內外學者的關注.
針對鋅粗選過程, Aldrich 等[52] 通過獲取鋅粗選的泡沫紅色分量、破碎率和尺寸等視覺特征, 尋找與精礦品位的關系, 建立預測模型估計精礦品位, 并給出了生產操作的專家控制策略. Hargrave 等[53] 融合常規的統計方法和神經網絡模型建立了泡沫顏色參數與浮選性能指標 (包括精礦品位、礦漿的流量等) 之間的關系模型. 在 Ylinen 基礎上, Kaartinen 等[19] 提取泡沫流速、穩定度、承載率等視覺特征, 發現與精礦品位相關性強, 為此 Kaartinen 在單個浮選槽的監視基礎上, 開發粗選槽、精選槽及掃選槽的多像機浮選監控系統, 提高了浮選泡沫分類的準確率. 此外, Kaartinen 等提取了銅鋅浮選泡沫圖像中的速度、泡沫尺寸分布、承載率、泡沫顏色等視覺特征, 采用偏最小二乘 (Partial least-square, PLS) 方法預測銅浮選泡沫品位. Moolman 等[54] 把泡沫圖像處理技術應用到鉬浮選過程中, 從圖像中提取能量、熵、慣性和相關性等紋理特征, 建立了神經網絡預測模型, 對精礦品位和回收率進行預測.
上述研究表明根據泡沫圖像特征建立精礦品位和回收率預測模型是可行的, 但浮選過程的內部機理極其復雜, 圖像特征、操作變量與性能指標之間存在非線性關系, 而上述研究主要采用 PLS 的線性回歸建模方法, 由于 PLS 方法本質上是一種線性結構的多元回歸方法, 隨著輸入冗余信息增加, 矩陣的維數增加高, 易導致過擬合, 降低模型精度. 作者所在研究組對浮選機理深入研究, 利用樣條映射的 PLS、最小二乘支持向量機和 BP-PBF 神經網絡模型, 提出了基于數據驅動的精礦品位和回收率非線性建模方法[12] , 形成了機理建模和數據驅動建模相結合的浮選性能指標集成預測模型, 實現了浮選指標的軟測量.
3 基于視覺特征的浮選工況識別
由于原礦性質經常變化, 導致工況不穩定、指標波動, 如果不能及時調整生產操作, 常常引發工況故障. 當前一般由經驗豐富的操作工觀察泡沫進行工況判斷, 但浮選現場環境惡劣、勞動強度大、人工判別方式的主觀性太強, 易導致工況波動.
近年來國內外學者對基于數字圖像處理技術的浮選泡沫圖像分類以及工況識別開展了一些研究工作. Moolman 等[14, 54] 利用數字圖像分析和人工神經網絡方法對浮選泡沫表面進行分類識別. Singh 等[55] 通過將礦物浮選圖像分成 5 × 5 大小的分塊, 提取每個小分塊的 RGB 顏色信息, 并通過徑向基神經網絡對浮選圖像進行分類識別. 劉文禮等[56] 利用灰度共生矩陣算法提取浮選泡沫的紋理特征后, 通過自組織神經網絡對煤泥浮選泡沫圖像進行分類識別. 利用 GLCM 提取泡沫圖像紋理特征時會產生特征相互重疊的問題, 郝元宏等[57] 提出了一種新的泡沫狀態識別方法, 利用正交投影對提取到的原始紋理參數進行變換, 并用支持向量機對泡沫圖像進行分類識別. 而王紅平等[58] 則利用主成分分析法對浮選泡沫的紋理特征參數進行變換處理以解決各紋理參數相互重疊的問題, 并利用神經網絡進行泡沫狀態的分類.
相關知識推薦：論文里寫哪個作者的單位
上述研究的共同特點是: 1) 未考慮入礦條件的影響; 2) 隨機選擇泡沫視覺特征作為分類識別的輸入變量, 未考慮具體類別圖像特征對應的浮選工況; 3) 未考慮工況與其他操作參數的融合. 為此, 作者所在研究組提出了如圖 6 所示的浮選工況趨勢識別策略[12] , 采用工況識別模塊先識別故障工況及趨勢, 再識別正常工況及趨勢的分級識別方法. 具體步驟為: 首先, 基于提出的泡沫圖像特征選擇算法, 提取某一類能明顯體現浮選生產故障工況的視覺特征進行故障工況與正常工況的識別, 并結合浮選工藝特點, 分析故障趨勢; 然后, 確定關鍵視覺特征進行正常工況分類, 同時利用數據的時序匹配, 依據浮選生產指標特征的變化趨勢結合入礦類型, 進行生產狀態的趨勢類別識別; 最后, 融合獲取的實時工藝參數和基于機器視覺的關鍵參數預測值, 給出相應的操作指導信息.
4 基于機器視覺的泡沫浮選過程監控系統
在 實 際 工 業 應 用 方 面, 國 外 已 研 發 的 泡沫 圖 像 系 統 包 括 VisioFroth (Metso), SmartFroth (UCT), JKFrothCam (JKMRC), FrothMaster (Outokumpu). 其中 ForthMaster 是奧拓昆普公司開發的一個商業化系統, 目前應用比較廣泛, 該系統可通過攝像頭采集視頻信號, 提取泡沫速度、穩定度、泡沫大小等泡沫表面視覺特征. 作者所在研究組在前期的浮選泡沫圖像處理方法基礎上, 與國內多家大型有色冶金企業合作研究了基于機器視覺的浮選泡沫過程監控技術, 研發了鋁土礦、銅礦、金銻礦等多種礦物浮選泡沫圖像處理系統, 主要性能指標與世界上最先進的芬蘭奧托昆普泡沫分析儀相比, 泡沫特征更完備、氣泡顏色特征更準確以及氣泡尺寸檢測范圍大, 具有很好的推廣應用價值. 所研發的泡沫圖像系統與奧托昆普 ForthMaster 儀的參數對比如表 1 所示.
特別是針對我國首創的選礦拜耳法高硅鋁礦石處理新工藝, 研發了鋁土礦泡沫浮選圖像分析系統. 該系統通過對浮選泡沫圖像的分析處理, 能夠自動提取出表示泡沫顏色、大小、速度、紋理、穩定性、流動性等泡沫特征, 并提供泡沫圖像實時顯示、特征曲線及工藝參數曲線實時顯示, 實現浮選泡沫狀態的分類、識別與綜合評價和自動生成生產報表等功能, 如圖 7 和圖 8 所示. 該系統有效改善工人工作環境和勞動強度, 為現場浮選操作提供指導信息, 提高了浮選過程的自動化技術水平.——論文作者：桂衛華 1 陽春華 1 徐德剛 1 盧 明 1 謝永芳 1
SCISSCIAHCI
