[发明专利]一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统

说明书

本发明公开了一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统，包括以下步骤：收集特定光照下的泡沫图像构成泡沫图像的基准色域样本集；训练两个生成式对抗网络A和B用于未知光照下泡沫图像颜色校正；最后，计算校正后的泡沫图像在HSV空间和CIE Lab空间的均值、偏度、峰度等统计量构成泡沫颜色特征向量，可用于浮选过程精矿品位预估与工况评价。其中，A与B共享两个相同的生成器G₁和G₂，但拥有各自独立的判别器；通过对抗训练，最终使生成器G₁能将任意光照下色偏泡沫图像转换为基准色域下的颜色表示，且保持原始图像结构细节不变。该颜色检测系统具有在线模型修正功能，可有效检测各种未知光照条件下浮选泡沫在基准光照下的颜色特征。

技术领域

本发明涉及工业过程在线监测领域，尤其涉及基于机器视觉的矿物浮选过程自动化监控中泡沫图像颜色校正与泡沫颜色检测。

背景技术

矿产资源是经济、民生和国防工业、高新科学技术发展不可或缺的重要物资。我国矿产资源虽然总量多，但以伴生矿为主且贫矿多、富矿少。因此，必须提升选矿技术以加大矿产利用率。利用矿物间表面润湿性差异对不同矿物粒子进行浮游分离的矿物浮选技术，是选矿工程技术领域应用最为广泛的一种选矿方法。矿物浮选过程属于连续的、长流程生产过程，过程由多个耦合关联的子过程构成，且浮选生产工艺指标参量无法在线检测。因此，矿物浮选过程自动化监控水平低，难以保证浮选生产的稳定优化运行。

浮选过程中机器视觉系统能够从捕获的泡沫图像中提取视觉特征并将基于泡沫图像的工况感知和过程优化操作结果呈现给过程控制系统，因此，基于机器视觉的浮选过程监控是当前进一步提高浮选生产性能与选矿自动化水平的发展趋势。研究表明，泡沫表面颜色是精矿品位和生产工况的一种重要的指示器。准确的泡沫颜色检测对于基于机器视觉的浮选过程自动化监控具有重要的意义。

在矿物浮选过程监测中，光源强弱、空气中的粉尘雾气以及同一天不同的光照强度以及入射角度的不同，极易造成泡沫图像偏色，进而对准确的泡沫图像颜色信息采集造成严重的干扰，从而严重影响浮选生产指标的预估与生产工况的评判，不准确的预估和评判会影响基于机器视觉的矿物浮选过程自动化操作的有效性，造成最终的成矿品位波动以及浮选生产资源利用率低。因此，对于基于机器视觉的矿物浮选工业过程监控来说，获得具有特定(参考)光照条件下的泡沫颜色特征，或者称为颜色恒常特征，成为了一个至关重要的问题。

传统的颜色恒常性算法通常是基于统计学的方法，如单光照的颜色恒常、图像增强算法、对图像的各像素颜色值进行线性变换等，但它们都是建立在对外界环境的假设之上的，作用域受限，不能完美解决问题。

本发明基于深度学习中生成式对抗网络的基本原理来对发生色偏的浮选图像进行颜色恒常处理，通过学习基准光照下泡沫图像颜色域和待校正输入图像颜色域的映射关系，实现未知光照条件下(色偏)泡沫图像颜色到基准光照条件下(基准颜色域上)的颜色转换。校正模型不受光照等因素影响，能得到较为理想的校正图像，通过将其转换到HSV和CIELab颜色空间，并通过提取H，S，a，b四个颜色通道的均值、标准差、偏度、峰度来组成校正后的泡沫图像颜色特征向量，可以用于基于机器视觉的工业浮选过程自动化监测，实现统一参考光照下泡沫颜色特征提取。

发明内容

(1)解决的技术问题

针对现有技术的不足，本发明提供了一种应用于矿物浮选过程自动化监控的浮选泡沫图像颜色校正方法及基于统一参考光照的泡沫图像颜色检测系统，结合深度学习中的对抗式网络思想，通过学习基准色域泡沫图像的颜色域与非特定光照下泡沫图像颜色域的非线性映射关系，实现非标准光照下泡沫图像到基准颜色域上的转换；将转换后的泡沫图像由RGB颜色空间转换到HSV与CIE Lab颜色空间，通过计算H，S，a，b四个颜色通道的均值，标准差、偏度、峰度等统计量来获得未知光照下泡沫图像在统一参考光照条件下的标准颜色特征。

(2)技术方案

为了达到以上目的，本发明通过以下技术方案予以实现。