本发明涉及浮选气泡技术领域，尤其涉及一种基于级联分类器的浮选气泡识别的方法。
背景技术：
浮选是利用矿物表面物理化学性质的差异，从矿浆中选别目的矿物的一种选矿技术，在浮选现场，气泡大小及状态是反映当前浮选工况是否运转正常的最直观表象。传统的通过人工观察泡沫来调整操作的方法，受主观经验影响较大，精度较低，还存在人身安全隐患，因此研究泡沫自动识别技术对降低劳动强度、指导现场生产、提高矿产资源利用率具有重要的现实意义。
现有技术的研究热点主要集中于通过图像分割识别气泡，基于分水岭、边缘检测、区域生长等传统方法做出改进，但这些方法对图像质量要求较高，而泡沫图像存在模糊、黏连、形状各异、光照不均等问题，更加导致了这些方法容易过分割并难以适应多变的工况。
技术实现要素：
本发明的目的是提供一种基于级联分类器的浮选气泡识别的方法，该方法对图像质量要求较低，且不受气泡表面多个亮斑及色块、坍塌等情况的影响，能快速准确识别出气泡，进而统计出气泡分布，对浮选现场的稳定生产具有重要指导意义。
本发明的目的是通过以下技术方案实现的：
一种基于级联分类器的浮选气泡识别的方法，所述方法包括：
步骤1、利用选矿现场架设的浮选泡沫图像采集装置采集各种工况下浮选槽内的原始泡沫图像；
步骤2、从采集的原始泡沫图像上标注出气泡区域作为感兴趣区域；
步骤3、读取所述感兴趣区域的位置信息生成气泡检测正样本集；
步骤4、再从采集的原始泡沫图像上截取非气泡区域生成背景负样本集；
步骤5、将生成的正、负样本集同时送入级联分类器，对所述级联分类器进行训练，获得气泡检测模型；
步骤6、根据气泡检测模型的训练情况，重复实施步骤2至5的操作，直至所得到的气泡检测模型的检测效果达到要求；
步骤7、然后将训练完成的气泡检测模型加载到浮选现场的上位机中，实时检测采集的原始泡沫图像中的气泡，并显示检测结果；
步骤8、根据检测结果识别出原始泡沫图像中完整气泡所在的位置，并统计出气泡大小分布。
由上述本发明提供的技术方案可以看出，上述方法对图像质量要求较低，且不受气泡表面多个亮斑及色块、坍塌等情况的影响，能快速准确识别出气泡，进而统计出气泡分布，对浮选现场的稳定生产具有重要指导意义。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于级联分类器的浮选气泡识别的方法流程示意图。
具体实施方式
下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的基于级联分类器的浮选气泡识别的方法流程示意图，所述方法包括：
步骤1、利用选矿现场架设的浮选泡沫图像采集装置采集各种工况下浮选槽内的原始泡沫图像；
在该步骤中，具体是由浮选现场的上位机发送拍照指令信号给plc来控制浮选泡沫图像采集装置进行图像采集，且采集的原始泡沫图像不少于40幅。
步骤2、从采集的原始泡沫图像上标注出气泡区域作为感兴趣区域；
在该步骤中，气泡区域的标注是通过opencv的annotation工具来实现的，且在每张原始泡沫图像上把人眼可分辨的所有气泡区域都标注出来。
步骤3、读取所述感兴趣区域的位置信息生成气泡检测正样本集；
在该步骤中，所述感兴趣区域的位置信息的读取以及气泡检测正样本集的生成是通过opencv的createsamples工具来实现的。
步骤4、再从采集的原始泡沫图像上截取非气泡区域生成背景负样本集；
在该步骤中，非气泡区域的截取是通过pc机的截图功能来实现的，且截图的数量要多于感兴趣区域的数量。
步骤5、将生成的正、负样本集同时送入级联分类器，对所述级联分类器进行训练，获得气泡检测模型；
在该步骤中，具体是利用opencv的traincascade工具实现级联分类器的训练，具体过程为：
将正、负样本集加载到级联分类器的训练过程中，并设置图像分辨率、正负训练样本个数、训练阶段数、停止条件、特征提取方式、系统分配内存关键参数，实现对所述级联分类器的训练，获得气泡检测模型。
上述级联分类器是一种用于视觉目标检测的机器学习模型，能够快速处理图像并实现高速率检测，级联分类系统对每幅输入图像顺序通过多个adaboost强分类器，快速舍弃掉不包含感兴趣对象的区域，将计算集中在可能包含感兴趣对象的位置上，类似目标特定的注意力集中机制。
步骤6、根据气泡检测模型的训练情况，重复实施步骤2至5的操作，直至所得到的气泡检测模型的检测效果达到要求；
在该步骤中，若训练出的气泡检测模型能检测出测试图像上所有人眼可分辨的气泡且没有误识别，则判断该气泡检测模型的检测效果达到要求。
具体实现中，可以预先从原始泡沫图像中预留小部分泡沫图像作为模型测试集，然后将训练完成的气泡检测模型应用于测试集，若气泡识别效果未达到要求，则根据识别情况补充相应的正、负样本再行训练，直到模型达标。
步骤7、然后将训练完成的气泡检测模型加载到浮选现场的上位机中，实时检测采集的原始泡沫图像中的气泡，并显示检测结果；
步骤8、根据检测结果识别出原始泡沫图像中完整气泡所在的位置，并统计出气泡大小分布。
在该步骤中，具体是根据检测结果统计出气泡区域占据的像素个数，设置像素阈值来划分集群，具体划分成大、中、小气泡集群，并将识别出的大、中、小气泡占比实时显示在上位机界面上。
举例来说，可以设置像素阈值thre1和thre2，像素个数小于等于thre1的为小气泡，大于thre1并小于等于thre2的为中气泡，大于thre2的为大气泡。
下面以具体的实例对上述方法的实施过程进行详细描述，本实例是应用在钼矿泡沫浮选过程的粗选泡沫图像识别中，具体过程为：
步骤1：在执行粗选作业的浮选机上安装桶状浮选泡沫图像采集装置，配置控制及通讯系统，通过硬件平台实时监控现场工况，在上位机界面发送拍照信号传递给plc，进而控制图像采集装置工作，以每秒20帧的速率拍摄原始泡沫图像，图像分辨率为1278*958；将采集到的原始泡沫图像按工况和特征分为4类：a类图像气泡偏大且矿浆颜色最深；b类图像气泡偏小且矿浆颜色最浅；c类图像介于a、b之间；d类图像拍摄的是浮选槽边缘溢流情况。
步骤2：原始泡沫图像的每种类别都预留出20％作为测试集，其余80％混合起来作为训练集。
在pc机命令提示符界面执行opencv的annotation工具，将训练集路径和存储标注文件的路径加载进来，然后在每张训练集样本上手工标注气泡感兴趣区域，获取区域的起始坐标点以及宽度和高度存储到标注文件。
步骤3：执行opencv的createsamples工具，将气泡标注文件路径和存储正样本文件的路径加载进来，设置正样本个数以及输出正样本的宽度、高度等参数，工具会自动读取气泡标注文件中存储的区域位置信息并依据此信息从原始训练集图像上截取子图，形成后缀.vec文件作为气泡检测正样本集。
步骤4：然后借助pc机的截图功能从每张训练集样本上手工截取背景区域，主要是人眼不可分辨的气泡区域以及d类图像的浮选槽边缘区域，截取的背景区域要比标注的气泡感兴趣区域多，之后在命令提示符界面执行代码提取背景区域的存储路径，形成后缀.txt文件作为背景负样本集。
步骤5：执行opencv的traincascade工具，将正、负样本的存储路径以及存储级联分类器训练过程的路径加载进来，设置样本宽度、高度，以及参与训练的正负样本数、训练阶段数、停止条件、特征提取方式、系统分配内存等关键参数，其中特征提取方式选择haar的垂直特征，在级联分类器的所有阶段训练完毕后，得到气泡检测模型。
步骤6：在visualstudio2019里配置opencv，用c 调用库函数编写检测代码，将气泡检测模型的存储路径加载进去，运行程序依次检测步骤2中预留的测试集中四类图像的每一幅，若有背景区域被误识别为气泡或者明显的气泡区域未识别出来，则返回步骤2继续补充正、负样本重新训练级联分类器，尽量降低模型的误识别率和漏识别率，直至模型对测试集的每张图片都能识别出人眼可分辨的气泡区域。
步骤7：升级钼矿泡沫浮选现场pc机的软件配置，将训练达标的气泡检测模型及检测代码移植到上位机，每当上位机执行检测任务，会自动从当前图像流中挑出最新采集的一幅原始泡沫图像，应用气泡检测模型后在上位机界面显示气泡检测结果。
步骤8：根据检测结果统计每个气泡区域包含的像素个数，设置像素阈值thre1和thre2，像素个数小于等于thre1的为小气泡，大于thre1并小于等于thre2的为中气泡，大于thre2的为大气泡，划分成大、中、小气泡集群，并将识别出的大、中、小气泡占比实时显示在上位机界面上。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。
1.一种基于级联分类器的浮选气泡识别的方法，其特征在于，所述方法包括：
步骤1、利用选矿现场架设的浮选泡沫图像采集装置采集各种工况下浮选槽内的原始泡沫图像；
步骤2、从采集的原始泡沫图像上标注出气泡区域作为感兴趣区域；
步骤3、读取所述感兴趣区域的位置信息生成气泡检测正样本集；
步骤4、再从采集的原始泡沫图像上截取非气泡区域生成背景负样本集；
步骤5、将生成的正、负样本集同时送入级联分类器，对所述级联分类器进行训练，获得气泡检测模型；
步骤6、根据气泡检测模型的训练情况，重复实施步骤2至5的操作，直至所得到的气泡检测模型的检测效果达到要求；
步骤7、然后将训练完成的气泡检测模型加载到浮选现场的上位机中，实时检测采集的原始泡沫图像中的气泡，并显示检测结果；
步骤8、根据检测结果识别出原始泡沫图像中完整气泡所在的位置，并统计出气泡大小分布。
2.根据权利要求1所述基于级联分类器的浮选气泡识别的方法，其特征在于，在步骤1中，具体是由浮选现场的上位机发送拍照指令信号给plc来控制浮选泡沫图像采集装置进行图像采集，且采集的原始泡沫图像不少于40幅。
3.根据权利要求1所述基于级联分类器的浮选气泡识别的方法，其特征在于，在步骤2中，气泡区域的标注是通过opencv的annotation工具来实现的，且在每张原始泡沫图像上把人眼可分辨的所有气泡区域都标注出来。
4.根据权利要求1所述基于级联分类器的浮选气泡识别的方法，其特征在于，在步骤3中，所述感兴趣区域的位置信息的读取以及气泡检测正样本集的生成是通过opencv的createsamples工具来实现的。
5.根据权利要求1所述基于级联分类器的浮选气泡识别的方法，其特征在于，在步骤4中，非气泡区域的截取是通过pc机的截图功能来实现的，且截图的数量要多于感兴趣区域的数量。
6.根据权利要求1所述基于级联分类器的浮选气泡识别的方法，其特征在于，在步骤5中，具体是利用opencv的traincascade工具实现级联分类器的训练，具体过程为：
将正、负样本集加载到级联分类器的训练过程中，并设置图像分辨率、正负训练样本个数、训练阶段数、停止条件、特征提取方式、系统分配内存关键参数，实现对所述级联分类器的训练，获得气泡检测模型。
7.根据权利要求1所述基于级联分类器的浮选气泡识别的方法，其特征在于，在步骤6中，若训练出的气泡检测模型能检测出测试图像上所有人眼可分辨的气泡且没有误识别，则判断该气泡检测模型的检测效果达到要求。
8.根据权利要求1所述基于级联分类器的浮选气泡识别的方法，其特征在于，在步骤8中，具体是根据检测结果统计出气泡区域占据的像素个数，设置像素阈值来划分集群，具体划分成大、中、小气泡集群，并将识别出的大、中、小气泡占比实时显示在上位机界面上。
技术总结