CC BY
46
DOI: 10.24143/2072-9502-2019-1-26-39 УДК 658.562.3:004.9
СОВЕРШЕНСТВОВАНИЕ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ВИДЕОПОТОКА ДЛЯ ИДЕНТИФИКАЦИИ ПЕРЕХОДНЫХ ПРОЦЕССОВ ФЛОТАЦИОННОЙ МАШИНЫ КАЛИЙНОЙ РУДЫ
А. В. Затонский1, А. В. Малышева2
'Пермский национальный исследовательский политехнический университет, Березниковский филиал, Березники, Пермский край, Российская Федерация
2Пермский национальный исследовательский политехнический университет, Пермь, Российская Федерация
Калийные удобрения необходимы для внутреннего сельского хозяйства России и являются важной статьей экспорта, этим обусловлена важность повышения эффективности производства калийных удобрений путем совершенствования управления процессами переработки калийных руд. Объектом исследования являются процессы флотационной переработки калийных руд на примере ПАО «Уралкалий» (г. Березники Пермского края). Цель исследования -совершенствование алгоритмов распознавания пузырей в видеопотоке и использование их для идентификации переходных процессов и ситуаций в флотационной машине. Методы исследований: системный анализ, математическое моделирование, регрессионный анализ, элементы теории автоматического управления и идентификации объектов управления. Модифицированы алгоритмы распознавания пены в машине сильвиновой флотации, что позволило существенно повысить скорость распознавания пузырей в изображениях низкокачественного видеопотока. Проведены эксперименты на лабораторной и промышленной флотомашинах, результаты которых доказывают возможность применения модифицированных алгоритмов как в лабораторных, так и в промышленных условиях. На промышленной флотомашине получены и обработаны видеоряды такого качества, которое позволяет использовать их в идентификации ситуаций в промышленной флотомашине и управлении ею. Использование модифицированных алгоритмов при обработке данных эксперимента позволило идентифицировать сам переходный процесс и уточнить время переходного процесса. Показано, что полученные значения сопоставимы с данными других исследователей и не противоречат экспериментальным данным. Оценена погрешность распознавания пузырей. Показаны пути использования полученных данных для систем поддержки принятия решений флотатора или систем автоматизированного управления флотомашиной.
Ключевые слова: калийная руда, флотация, флотомашина, пена, техническое зрение, бинаризация, переходный процесс, алгоритм.
Для цитирования: Затонский А. В., Малышева А. В. Совершенствование алгоритмов распознавания видеопотока для идентификации переходных процессов флотационной машины калийной руды // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. 2019. № 1. С. 26-39. DOI: 10.24143/2072-9502-2019-1-26-39.
Введение
Калийные удобрения, помимо увеличения урожайности, улучшают качественные характеристики выращиваемой продукции: способствуют повышению сопротивляемости растений к заболеваниям, повышению лежкости плодов при хранении и стойкости при транспортировке, а также улучшению их вкусовых и эстетических качеств. Для России производство калийных удобрений является важным источником валютных поступлений. Общемировую важность этой продукции подтверждает то, что российская индустрия минеральных удобрений, в отличие от нефтегазодобывающей отрасли, практически не ощутила влияния западных санкций. По оценкам аналитиков, сельскохозяйственное производство до 2050 г. должно вырасти на 70 %. В связи с этим необходимо повышать продуктивность и эффективность использования земельных угодий, в том числе за счет роста мирового ежегодного потребления калийных удобрений на 2-3 %.
В настоящее время в России калийные удобрения производит ПАО «Уралкалий», заканчиваются пусконаладочные работы в ООО «Еврохим - Усольский калийный комбинат». Но существенная проблема последнего - низкое качество исходной руды, а именно большой разброс содержания KCl и нерастворимого остатка в руде. В работе [1] предложено решение проблемы
путем специфической рассыпки и выемки руды со склада; в проект предприятия заложены также и другие способы бункерного усреднения руды, но окажутся ли они достаточно эффективными, покажет время. В частности, переменный состав руды может привести к тому, что в пульпе, поступающей на обогащение, будут наблюдаться колебания состава, и это потребует специальных методов идентификации ситуаций и управления процессами.
Состояние проблемы
Для обогащения калийных руд на Верхнекамских калийных комбинатах применяют пенную флотацию [2], в том числе используются шламовая флотация (отделение хлористых солей от нерастворимого остатка) и сильвиновая флотация (разделение хлорида калия и хлорида натрия) (рис. 1).
Силь&инито&ая пульт из с/подии гидромеханического обесшламлибония
Рис. 1. Краткая схема стадий флотационного процесса на примере флотационной обогатительной фабрики Второго Березниковского калийного производственного рудоуправления ПАО «Уралкалий», г. Березники Пермского края [3]
Процесс сильвиновой флотации является головным в цепи технологических операций обогащения калийного сырья, поэтому основная задача при управлении этим процессом - обеспечение заданной производительности и поддержание необходимого качества концентрата на выходе как отдельной флотомашины (ФМ), так и всей технологической секции.
Моделирование ФМ необходимо как для улучшения установок процесса при изменении пульпы (в том числе состава, как на «Еврохиме»), так и для улучшения управления при колебаниях в пределах нормы, в том числе в случае, когда существующие средства выравнивания руды переменного состава не справляются с поставленной задачей.
На производстве процессы в ФМ наблюдаются визуально. В статье [4] на основании анализа видеографической информации с ФМ уточнена стохастическая модель ячейки ФМ. Кроме того, флотатор производит зрительную оценку пены, принимает решения на основании увиденного, что может вызвать определенные проблемы [5]. Вид пены (цвет, плотность, количество и размер пузырьков) имеет значение и может послужить основой для принятия решений не только в ФМ, но и, например, при производстве битумов [6]. Поэтому задача уменьшения влияния человеческого фактора при контроле вида пены в разных производствах представляется практически важной и актуальной.
Применение систем технического зрения (СТЗ) позволяет этих проблем избежать, в частности, вовремя распознавать переходные процессы, начинающиеся в ФМ из-за изменения состава пульпы. Далее с помощью модели, встроенной в систему поддержки принятия решений, можно управлять процессом [7]. Конечно, параметры модели также необходимо уточнить с помощью технического зрения. Это также послужит доказательством работоспособности самой СТЗ.
Системы технического зрения используются при управлении процессами флотации, но чаще в ФМ при флотации угля или полиметаллических руд [7-9]. В статье [10] определяются параметры пены не с поверхности пенного слоя, а в трехмерном измерении (с учетом глубины), что создает ряд проблем вычислительного характера. Пожалуй, одной из первых статей, в которой описываются непреодолимые вычислительные сложности при обработке видеопотока с пены,
является [11], где делается вывод, что реконструкционные алгоритмы (восстанавливающие границы пузырька) успешно могут применяться только к статическим фотографиям. Работа написана по результатам исследования изображений, полученных при угольной флотации.
В источнике [12] описывается определение параметров пены при грубой флотации медной руды каскадным методом. По видеоряду идентифицируют тип руды, в зависимости от которого по цветовым характеристикам определяют параметры процесса. В [13] с помощью машинного зрения контролируют флотацию угля (зависимость между флотационным концентратом и содержанием золы), однако приведенные в работе алгоритмы не могут быть применены непосредственно к флотации калийной руды из-за разницы в RGB-распределениях в изображениях.
Автором [14] предложен метод определения размеров пузырьков, позволяющий идентифицировать пузырьковые кластеры, мелкие и большие пузырьки, а также неполные пузыри в рамке изображения. Следует отметить, что многие описываемые в литературе подходы к применению видеоанализа для контроля параметров флотации и использования их в целях автоматического управления приводятся скорее на уровне описания идеи, чем успешного внедрения, хотя и авторы вышеперечисленных работ, и автор [15] описывают успешную проверку своего алгоритма на идентификации целого и суб-избражения пены в промышленной ФМ.
Пена ФМ полиметаллических руд плотная, глянцевая, границы пузырей хорошо распознаются. Пена в ФМ сильвиновой флотации неконтрастная, плотная, с большим разбросом диаметров пузырей. Это существенно затрудняет распознавание границ пузырей, используемое во всех вышеперечисленных работах, приводит к большим вычислительным затратам. В работе [16] предложено перейти от распознавания границ пузыря к сбору статистики по размерам бликов и расстояниям между ними. Этот подход развит в [4] до пробного программного обеспечения, использованного для распознавания фотографий пены, сделанных со вспышкой, а также искусственно созданной и подкрашенной пены. Вычислительные проблемы, связанные с уточнением распознавания цветных пен, хорошо известны. В [17] для компенсации некачественного изображения авторы предлагают матрицы вспомогательного пересчета серых и цветных изображений. К сведению, в этой статье в действительности используются очень и очень качественные изображения, полученные только на лабораторной ФМ. В [18] для повышения распознавания качества полиэдральных пузырей, каким-то образом характеризующим угольную флотацию, авторы также создали специальную лабораторную ФМ с многоисточниковым освещением и смогли добиться только пятисекундного периода обработки изображений. Само по себе это значение весьма удовлетворительное для промышленной ФМ, но вот создать такие идеальные условия съемки на ней точно не удастся. В [19] авторы для повышения качества распознавания тех же статических изображений, что и в [17], предлагают элементы искусственного интеллекта. В целом проблемы с распознаванием изображений пены, даже статических, полученных в лабораторных условиях и на высококонтрастной пене, широко описаны в научных источниках.
При переходе к обработке видеопотока реального времени возникает ряд дополнительных проблем, сформулированных и частично решенных в [20, 21], где эксперименты производились на лабораторной ФМ. Дальнейшее ускорение расчетов, связанных с идентификацией бликов, и алгоритм исключения пеногона предложены в [22]. Для последней работы съемки проводились на промышленной ФМ ПАО «Уралкалий».
Таким образом, целью настоящей работы является дальнейшее улучшение алгоритмов распознавания пузырей в видеопотоке и использование их для идентификации переходных процессов в ФМ калийной руды.
Эксперимент и его обработка
Важным вопросом при настройке алгоритма распознавания бликов является выбор порога бинаризации. Все пиксели изображения в градациях серого, имеющие яркость ниже этого порога, считаются черными, остальные - белыми. Последние как раз и создают блик, а по разным статистикам бликов определяется начало и окончание переходного процесса в ФМ. В [21] показано, что для лабораторной ФМ зависимость оптимального порога бинаризации, при котором распознается наибольшее количество бликов в кадре, от освещенности кадра может быть приближенно выражена линейно, и при этом алгоритмы обработки распознают переходный процесс в камере.
Данный метод использован для видеопотока с промышленной ФМ, место которой в технологическом процессе описано выше. Обычно ФМ моделируют как последовательность ячеек идеального перемешивания [23]. При шламовой флотации с пеной уносится нерастворимый остаток, при сильвиновой - полезный продукт (рис. 2).
Рис. 2. Схема флотационной камеры: q - объемный расход пульпы; р - доля полезного компонента; п - доля загрязняющего компонента в пульпе; Qp - объемный расход полиакриламида. Индексы 1-3 обозначают входной и два выходных потока флотомашины соответственно
Съемка производилась на 1-й и 3-й камерах ФМ, с искусственным точечным источником света и без него (при естественном цеховом освещении). Флотационные агенты подаются именно в 1-ю и 3-ю камеры. Конкретные режимные параметры процесса не могут быть опубликованы в открытой печати, однако в 1-ю камеру их расход в несколько раз больше, чем в 3-ю. В остальных камерах ФМ происходит дофлотация. Использовалась широкоугольная видеокамера высокого разрешения 1 980 х 1 200 точек с частотой кадров 50 fps (рис. 3).
Рис. 3. Исходное изображение 3-й камеры флотомашины
Из полученного кадра «вырезалось» окно между осью пеногона и станиной камеры, в котором производилось выделение бликов. В терминах использованной библиотеки OpenCV [24] подобное окно называется Region Of Interest (ROI), для обработки изображений в ROI в библиотеке имеется множество функций.
При съемке 1-й камеры ФМ с искусственным источником света расход реагентов был уменьшен на 1/3. После того, как наблюдаемый визуально переходный процесс завершался и небольшой дополнительной выдержки расход реагентов восстанавливался, начинался обратный переходный процесс. При съемке 3-й камеры подача реагентов полностью прекращалась на сопоставимое время, затем восстанавливалась. Переходный процесс при этом визуально не наблюдался. Далее производилась съемка 5-й камеры с источником света, 1-й и 3-й камер при естественном освещении. Эти фрагменты использовались для тестирования алгоритма.
Каждое видео обрабатывалось несколько раз. При этом решались следующие задачи:
1. «Подгонка» частоты выборки кадров под частоту вращения пеногона (в данном случае она оказалась не кратной частоте кадров). В результате получали настройки алгоритма поиска «перевала освещенности», описанного в [22], при которых вертикальное положение вращающегося пеногона определялось уверенно и безошибочно. Настройки, полученные при обработке видео 1-й и 3-й камер с точечным источником, оказались приемлемыми для всех видеофрагментов.
2. Определение оптимального порога бинаризации, при котором алгоритм распознает в ROI наибольшее количество бликов, в зависимости от средней освещенности окна. В результате получали линейную регрессию, связывающую порог и освещенность.
3. При найденном оптимальном пороге бинаризации в зависимости от освещенности окна определялось количество пузырей в кадре в зависимости от номера кадра. Таким образом, для первых двух фрагментов определяли параметры переходного процесса, а на остальных убеждались в его отсутствии.
При установленном (а в задаче 2 меняющемся) пороге бинаризации каждый кадр подвергался следующей обработке:
1. Вырезалось изображение в заданном окне.
2. Изображение переводилось в градации серого функцией cvtColor (здесь и далее речь идет о функциях библиотеки OpenCV).
3. По освещенности окна и другим настройкам алгоритма определения положения пено-гона определялось, расположен ли он вертикально. Если нет, дальнейшая обработка не производилась, происходил переход к следующему кадру.
4. Производилась бинаризация изображения функцией cvThreshold.
5. Изображение копировалось в бинарную матрицу функцией cvarrToMat.
6. На бинаризованном изображении алгоритмом движущегося угла «нумеровались» пузыри.
7. Исключались все пузыри слишком большого и слишком малого размера (области засветки, возникшие из-за случайной волны или слишком низкого порога бинаризации, и шум).
8. Оставшиеся пузыри учитывались в статистике (количество, размер, расстояния между пузырями и т. д.).
Результаты исследований и их обсуждение
При обработке видео с разных камер промышленной ФМ возникли новые проблемы, не отмечавшиеся ранее. Например, потребовалась модификация метода распознавания момента параллельного к оси камеры положения пеногона, т. к. на одной из камер за полуоборот освещенность несколько раз достигала максимального значения (рис. 4).
140
135
130
| 125
= 120
О
115
110
105
100
Б Б А Б
Ai / \ д Г Л
А
г
1 -
i -л i\.umvpu 3-я камера
51 101 151 201
Номер кадра
251
Рис. 4. Зависимость освещенности на 1-й и 3-й камерах флотомашины от номера кадра: А - «острые» пики освещенности; Б - соответствуют искомому положению пеногона
«Острые» пики освещенности, отмеченные «А», соответствуют блику на пеногоне, когда он стоит почти перпендикулярно оси камеры и отражает источник света в объектив. Соответственно, в алгоритме, приведенном ранее в [22], пришлось добавить условие ограничения максимального изменения освещенности в процессе приближения к максимуму, и он стал уверенно распознавать точки «Б».
Для всех камер был определен оптимальный порог бинаризации, обеспечивающий распознавание наибольшего количества бликов, в зависимости от освещения кадра. Типичный график зависимости оптимального уровня бинаризации (ось ординат) от освещенности приведен на рис. 5 (для его построения полученные экспериментальные результаты были упорядочены по росту освещенности кадра).
110
110 115 120 125 130
Средняя освещенность кадра
Рис. 5. Зависимость оптимального уровня бинаризации от освещенности кадра на 1 -й камере с источником освещения
Очевидно, что для 1-й камеры общая тенденция зависимости оптимального порога бинаризации от средней освещенности кадра близка к линейной. Коэффициент корреляции для тренда на рис. 5 равен 0,65, его невысокое значение можно объяснить ошибкой определения освещенности и целочисленностью порога бинаризации.
Процедура определения оптимального порога достаточно трудоемкая, т. к. ROI обрабатывается последовательно при уровнях бинаризации от 110 до 252, т. е. оптимизация происходит методом полного перебора. На компьютере, на котором производилась обработка, одно оптимальное значение получается за 70-300 с, что недопустимо при обработке реального видеопотока. Поэтому для данных, полученных при обработке каждого эксперимента, методом наименьших квадратов были рассчитаны коэффициенты a и b зависимости оптимального порога бинаризации p от средней освещенности кадра 5:
p = a ■ s + b . (1)
Возможность замены оптимального порога бинаризации на расчетный проверена следующим образом. При расчетном пороге бинаризации для каждой камеры повторно было произведено определение количества пузырей, что на один ROI занимало 0,7-1,1 с. Это время меньше времени полуоборота пеногона, следовательно, в дальнейшем ускорении обработки нет необходимости. Результаты в целом соответствуют полученным при оптимальном пороге (рис. 6).
Номер кадра
Рис. 6. Фрагмент тренда зависимости количества пузырей в кадре при оптимальном и расчетном порогах бинаризации
Полученные коэффициенты линейной зависимости (1) и погрешность определения количества пузырей в ROI приведены в таблице.
Экспериментальные данные и расчет коэффициентов линейной зависимости между средней освещенностью кадра и оптимальным порогом бинаризации
Параметры Лабораторная ФМ Камера 1 Камера 3 Камера 5 Камера 1 Камера 3
Наличие источника освещения да да да да нет нет
Средняя освещенность я 212,24 119,72 129,82 138,79 105,6 108,86
Количество кадров нет данных 236 204 67 313 312
Коэффициент а -0,204 0,8828 1,7992 1,0017 1,1536 1,6064
Коэффициент Ь 273,9 23,9217 -79,6112 19,8192 -8,7088 -37,1921
Погрешность распознавания пузырей, % нет данных 8,28 9,51 26,18 7,78 7,79
Наибольшая погрешность получена при съемках 5-й камеры, что объясняется краткостью видеофрагмента (67 полуоборотов пеногона).
Очевидно, что при росте количества кадров свыше 200 погрешность определения количества пузырей приходит к асимптотическому значению порядка 7-8 %, что вполне сопоставимо с шумом исходных данных, а потому допустимо (рис. 7).
а ч
Й (У
<ц О \0
а а о4
" о а
н о
Л
н о о и
в
<и
о
с
8 £ и
30
25
20
15
10
5
Экспериментальная Расчетная
50 100 150 200 250
Количество кадров в выборке
300
350
0
Рис. 7. Зависимость относительной погрешности от количества кадров в выборке
Так, из рис. 6 очевидно, что в отсутствие переходного процесса количество пузырей в кадре меняется примерно на ±50, т. е. на ±25 % от среднего значения.
Зависимость коэффициентов (1) от освещенности показана на рис. 8 (значения для графика упорядочены по росту освещенности кадра).
Рис. 8. Зависимость линейных коэффициентов от средней освещенности кадра
Коэффициент корреляции между освещенностью и коэффициентом а равен 0,8336, между освещенностью и коэффициентом Ь - 0,9090. Однако если, в свою очередь, рассчитать уже зависимости самих коэффициентов от освещенности в виде а= А + Bs или а^) = А + Bs + Сs2 и использовать расчетные значения для определения порога бинаризации, погрешность определения количества пузырей составляет уже десятки процентов.
С использованием расчетного порога бинаризации были обработаны все видеозаписи. Как принято при проведении идентификационных экспериментов в автоматизации технологических процессов, полученные данные были нормированы и сглажены по пяти точкам. В результате на 1-й и 3-й камерах получили очевидно выраженные переходные процессы (рис. 9), вызванные, как изложено выше, изменением подачи реагентов (по оси абсцисс - номер кадра, полученного при правильном положении пеногона; частота вращения пеногона порядка 1,75 с на полуоборот).
(D
0
и
5 «
» (D
1 &
Л
00
а о
X
§
0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
Начало переходног процесса
ш _ _ _ Ка 1ме ра 1 о A. > 1
1ме ра 3 n / / t V А с_ ь y. i
Кг ,r
i i a m V 1 / 1 1 w ■4_ V / » \ fk t
А 1 к 1 1 к к. »'V L £ J _ _ _ — t _
lliL 1 T T
1 1 h \ V _1 л 1 1 Ii * 1 1 1 Ü 1 1 / 1 ¡3» i T ... 4 * n \i Г x V,
ь д » r*t 2 »1 % l I 1 ! , / Г T —J
Г 1 Г
OOiOiNOS^OmOt^^r^OOiOiNOS^OmOt^^r^OOiOiNOS^O HMMrni-in/lilhhiOOlOlOHMisnttiniliOh
Номер кадра от начала переходного процесса
Рис. 9. Переходные процессы на 1-й и 3-й камерах флотомашины
Если рассматривать ячейки как объекты первого порядка и исключить запаздывание,
к
то при идентификации объекта получим его уравнение Ж (5) = —^, где Т - постоянная времени: Т ~ 8,3 с для 1-й камеры и Т ~ 8,6 с для 3-й камеры. В [4] использовалось значение Т = 7,6 с для любой камеры ФМ, полученное ранее в [23, с. 72]. В этой же монографии в другой главе используется также значение Т = 10 с, полученное в других экспериментальных условиях [23, с. 95]. Следовательно, можно констатировать, что полученные путем анализа видеоряда данные как минимум не противоречат предыдущим имеющимся данным.
Как и ожидалось, при отсутствии изменений на входе в ФМ среднее количество пузырей остается неизменным (рис. 10).
0,7
^■hOniCl^tS^OOH^hOniOOiMinMH^hO HHHHHHHHMt4(NNM(NNn
Номер кадра
Рис. 10. Фрагмент тренда зависимости количества пузырей в кадре с 3-й камеры флотомашины без дополнительного источника освещения
Во всяком случае, явно выраженный переход от одного среднего значения к другому отсутствует. На рис. 10 представлен тренд с 3-й камеры без дополнительного источника освещения. С использованием источника освещения среднее отклонение при условии отсутствия переходного процесса примерно вдвое меньше, чем без источника. Сравнение рис. 6 и рис. 10 является подтверждением этого факта. Таким образом, выбор источника нужной яркости является важной задачей при дальнейшей доработке метода.
Было также произведено исследование влияния переходного процесса на среднюю интенсивность красной (R), зеленой (G) и голубой (B) компоненты в кадре и на статистические характеристики расстояний между пузырями. Для расщепления на R-, G- и B-составляющие кадр до перевода в градации серого рассматривался как совокупность трехкомпонентных векторов, описывающих каждый пиксель. В терминах библиотеки OpenCV это модель BGR, т. е. первая компонента вектора соответствует интенсивности голубого цвета и т. д.
Более сложным является составление статистических характеристик расстояний между пузырями. Так как пузырей в кадре достаточно много (порядка 300), все расстояния между всеми пузырями дадут массив длиной 3 002 = 90 0 00. Собственно, все они и не нужны, т. к. нас интересует расстояние только между ближайшими пузырями, или центрами бликов. Поиск ближайших бликов осуществлялся по следующему алгоритму:
1. Для каждого перенумерованного блика находился его центр как середина охватывающего прямоугольника, как это предложено в [21].
2. Для каждого центра блика составлялся массив расстояний до всех остальных центров бликов. Из этого массива выбирались несколько наименьших расстояний, после ряда экспериментов пришли к выводу, что переходные процессы стабильно наблюдаются при 8 наименьших расстояниях. Чтобы 300 раз не сортировать массив длиной 300 элементов для выбора наименьших значений, использовали следующее:
- при добавлении каждого расстояния в массив контролировалось и изменялось при необходимости минимальное и максимальное расстояние до бликов;
- в выборку добавлялось минимальное значение, счетчик выборки увеличивался на 1;
- после заполнения массива в цикле от минимального плюс 1 до максимального расстояния массив перебирался, производился поиск расстояния, равного счетчику цикла. Если такое расстояние найдено, оно добавлялось в выборку, счетчик выборки увеличивался на 1, в исходном массиве значение расстояния обнулялось, цикл начинался сначала;
- при каждом добавлении контролировалось значение счетчика выборки; как только оно достигало 8, выборка наименьших расстояний прекращалась.
3. Затем вся выборка из 8 наименьших расстояний копировалась в глобальный массив расстояний и п. 2 повторялся до окончания всех бликов.
4. Глобальный массив сортировался для расчета среднемедианного расстояния, заодно вычислялось среднее арифметическое значение всех его элементов.
Обнаружено, что значения RGB-компонент могут в некоторых случаях служить индикаторами начала переходного процесса. Так, компонента R (red, красная) на рис. 11 скачкообразно изменяется в момент, когда восстанавливается прежняя подача реагентов.
0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0
о о и и
ев «
О &
S
Ср о и
ев
Ч «
р
о К И
о £
о ев
о И
ч
о
¿С
^C^m^^in^t^OOOOOsO^CNCNrO^fin^O^Or-OOaNOO
Номер кадра
Рис. 11. Переходный процесс
Все три компоненты меняются скачкообразно одновременно, поэтому контролировать можно любую из них, хотя наибольшее изменение наблюдалось именно у красной компоненты.
Среднее арифметическое расстояние между пузырями, полученное вышеописанным способом, хорошо характеризует переходный процесс, как видно на рис. 11. Среднемедианное расстояние также изменяется в ходе переходного процесса, но, как и RGB-компоненты, не так отчетливо и не в такой степени. Поэтому из вышеописанного алгоритма можно исключить п. 4 и ограничиться контролем цветовых компонент и среднего арифметического расстояния между пузырями как вспомогательными параметрами, характеризующими наличие переходного процесса в флотационной камере.
Заключение
Таким образом, цель, поставленная в данной статье, достигнута. Произведены модификации алгоритмов распознавания пены в машине сильвиновой флотации. Произведены эксперименты на лабораторной и промышленной флотомашинах. Обработка данных эксперимента с использованием модифицированных алгоритмов позволила идентифицировать сам переходный процесс и определить время переходного процесса значением, сопоставимым с данными других авторов. Оценка погрешности распознавания и дальнейшее уточнение параметров флотомашины как объекта управления возможны с использованием большего количества видеоданных.
СПИСОК ЛИТЕРА ТУРЫ
1. Григалашвили А. С. Реализация модели заполнения и разгрузки усреднительного склада руды // Современная наука: актуальные проблемы теории и практики. Сер.: Естественные и технические науки. 2016. № 1. С. 44-48.
2. Тетерина Н. Н., Сабиров Р. Х., Сквирский Л. Я., Кириченко Л. Н. Технология флотационного обогащения калийных руд. Пермь: Перм. гос. техн. ун-т, 2002. 484 с.
3. Курмаев Р. Х. Флотационный способ получения хлорида калия из сильвинита. Пермь: Перм. гос. техн. ун-т, 1993. 83 с.
4. Затонский А. В., Варламова С. А., Малышева А. В., Мясников А. А. Использование видеографической информации для уточнения динамической стохастической модели процесса флотации калийной руды // Науковедение. 2017. № 2 (39). С. 87.
5. Zatonskiy А. V., Varlamova S. A. Use of reflection flare spots for automatic recognition of froth parameters in potassium ores flotation // Obogashchenie Rud (Mineral processing). 2016. № 2. P. 49-56. DOI: 10.17580/or.2016.02.09.
6. Малышева А. В. Визуальный компьютерный контроль процесса производства битума // Достижения, проблемы и перспективы развития нефтегазовой отрасли: материалы Междунар. науч.-практ. конф., посвящ. 60-летию высшего нефтегазового образования в Республике Татарстан (Альметьевск, 28-29 октября 2016 г.). Альметьевск: Альметьев. гос. нефтяной ин-т, 2016. С. 171-172.
7. Outotec FrothSenseTM. URL: https://www.outotec.ru/globalassets/ru/brochures/outotec-sensornaya-sistema-frothsense-pdf (дата обращения: 21.12.2018).
8. Flotation optimization. URL: https://www.metso.com/services/optimization/flotation (дата обращения: 21.12.2018).
9. Романенко С. А., Оленников А. С. Опыт внедрения видеокамер FROTHMASTER на обогатительной фабрике «Зеленая гора-2» // Обогащение руд. 2014. № 2. С. 23-28.
10. Xu D., Chen Y., Chen X., Xie Y., Yang C., Gui W. Multi-model soft measurement method of the froth layer thickness based on visual features // Chemometrics and Intelligent Laboratory Systems. 2016. V. 154. P. 112-121. DOI: https://doi.org/10.1016/jxhemolab.2016.03.029.
11. Sadr-Kazemi N., Cilliers J. J. An image processing algorithm for measurement of flotation froth bubble size and shape distributions // Minerals Engineering. 1997. V. 10. Iss. 10. P. 1075-1083.
12. Horn Z. C., Auret L., McCoy J. T., Aldrich C., Herbst B. M. Performance of Convolutional Neural Networks for Feature Extraction in Froth Flotation Sensing // IFAC-PapersOnLine. 2017. V. 50. Iss. 2. P. 13-18. DOI: https://doi.org/10.1016/j.ifacol.2017.12.003.
13. Tan J., Liang L., Peng Y., Xie G. The concentrate ash content analysis of coal flotation based on froth images // Minerals Engineering. 2016. V. 92. P. 9-20. DOI: https://doi.org/10.1016/j.mineng.2016.02.006.
14. Zhao L., Peng T., Zhao Y., Xia P., Xie Y. Features Extraction of Flotation Froth Based on Equivalent Binocular Stereo vision // IFAC-PapersOnLine. 2016. V. 49. Iss. 20. P. 90-95. DOI: http://dx.doi.org/ 10.1016/j .ifacol.2016.10.102.
15. Jahedsaravani A., Massinaei M., Marhaban M. H. An Image Segmentation Algorithm for Measurement of Flotation Froth Bubble Size Distributions // Measurement. 2017. V. 111. P. 29-37. DOI: http://dx.doi.org/ 10.1016/j .measurement.2017.07.023.
16. Затонский А. В., Варламова С. А. Применение технического зрения для управления процессом флотации // Виртуальное моделирование, прототипирование и промышленный дизайн: материалы II Меж-дунар. науч.-практ. конф. (Тамбов, 17-19 ноября 2015 г.). Тамбов: Тамб. гос. техн. ун-т, 2016. С. 313-318.
17. Aldrich C., Smith L. K., Verrelli D. I., Bruckard W. J., Kistner M. Multivariate image analysis of realgar -orpiment flotation froths // Mineral Processing and Extractive Metallurgy. 2017. V. 127 (3). P. 146-156. DOI: 10.1080/03719553.2017.1318570.
18. Tan J., Liang L., Xia W., Xie G. The effect of different flotation operating parameters on the froth properties and their relation to clean coal ash content // Separation Science and Technology. 2018. V. 53 (9). P. 1434-1444. DOI: 10.1080/01496395.2018.1444051.
19. Fu Y., Aldrich C. Froth image analysis by use of transfer learning and convolutional neural networks // Minerals Engineering. 2018. V. 115. P. 68-78. DOI: 10.1016/j.mineng.2017.10.005.
20. Мясников А. А., Гайнутдинова К. В. Оценка процесса флотации с использованием компьютерного зрения // Первый шаг в науку. 2016. № 11. С. 32-36.
21. Zatonskiy A. V., Malysheva A. V. Modernization of algorithms for flare detection of froth layer parameters during flotation of potash ores // Obogashchenie Rud (Mineral processing). 2017. N. 2. P. 35-41. DOI: 10.17580/or.2018.02.07.
22. Малышева А. В. Усовершенствованный алгоритм распознавания бликов бинаризованного изображения пены // Современная наука: актуальные проблемы теории и практики. 2018. № 5. С. 110-116.
23. Беккер В. Ф. Решение технологических проблем действующего производства средствами автоматизации. Т. 1: Производство калийных удобрений. Пермь: БФ ПНИПУ, 2012. 312 с.
24. Open Source Computer Vision Library. URL: https://opencv.org (дата обращения: 30.08.2018).
Статья поступила в редакцию 30.11.2018
ИНФОРМАЦИЯ ОБ АВТОРАХ
Затонский Андрей Владимирович - Россия, 618404, Пермский край, Березники; Пермский национальный исследовательский политехнический университет, Березниковский филиал; д-р техн. наук, профессор; зав. кафедрой автоматизации технологических процессов; zxenon2000@yandex.ru.
Малышева Анна Владимировна - Россия, 614990, Пермь; Пермский национальный исследовательский политехнический университет; аспирант кафедры информационных технологий и автоматизированных систем; akchim@mail.ru.
IMPROVING ALGORITHMS OF VIDEO SEQUENCE DATA RECOGNITION FOR IDENTIFICATION OF TRANSITION PROCESSES IN A FLOATATION MACHINE OF POTASSIUM ORE
A. V. Zatonskiy1, A. V. Malysheva2
JPerm National Research Polytechnic University, Berezniki branch, Berezniki, Perm region, Russian Federation
2Perm National Research Polytechnic University, Perm, Russian Federation
Abstract. Potash fertilizers are important for the Russian national agriculture and have become an export item. This fact results in increasing potash fertilizer production and improving potassium procession management. The object of research is floatation processes of potassium in the example of "Uralkaliy", PJSC (Berezniki, Perm region). The aim of the research is improving algorithms of bubble recognizing in the video stream and using them to identify transient processes and situations in a flotation machine. Methods of researches include the system analysis, mathematical modeling, regression analysis, elements of automatic control theory and object identification. Algorithms for
recognizing foam in the sylvinic floatation machine have been modified, which significantly increased the speed of recognizing bubbles in images of the low-quality video stream. Experiments were carried out on laboratory and industrial flotation machines, the results showing the possibility of using modified algorithms both in laboratory and industrial conditions. Video sequences of such quality were obtained and processed on the industrial floatation machine and could be used on the industrial flotation machine to identify situations and to control the machine operation. Using modified algorithms in experimental data processing allowed to identify the transient process and to clarify the time of the transient process. It has been shown that the obtained values are comparable with the data of other researchers and are not at variance with the experimental data. The error of bubble recognition has been estimated. The ways of using the data obtained for the decision support systems of the floater or of the automated control systems of the floatation machine have been shown.
Key words: potassium ore, flotation, floatation machine, foam, computer vision, binarization, transient process, algorithm.
For citation: Zatonskiy A. V., Malysheva A. V. Transition processes parameters determination in an industrial flotation machine by a video sequence data. Vestnik of Astrakhan State Technical University. Series: Management, Computer Science and Informatics. 2019;1:26-39. (In Russ.) DOI: 10.24143/2072-9502-2019-1-26-39.
REFERENSES
1. Grigalashvili A. S. Realizatsiia modeli zapolneniia i razgruzki usrednitel'nogo sklada rudy [Actualizing the model of loading and unloading of a raw materials storage]. Sovremennaia nauka: aktual'nye problemy teorii ipraktiki. Seria: Estestvennye i tekhnicheskie nauki, 2016, no. 1, pp. 44-48.
2. Teterina N. N., Sabirov R. Kh., Skvirskii L. Ia., Kirichenko L. N. Tekhnologiia flotatsionnogo obo-gashcheniia kaliinykh rud [Technology of floatation beneficiation of potassium]. Perm', Perm. gos. tekhn. un-t, 2002. 484 p.
3. Kurmaev R. Kh. Flotatsionnyi sposob polucheniia khlorida kaliia iz sil'vinita [Floatational method of producing potassium chloride from sylvinite]. Perm', Perm. gos. tekhn. un-t., 1993. 83 p.
4. Zatonskii A. V., Varlamova S. A., Malysheva A. V., Miasnikov A. A. Ispol'zovanie videograficheskoi informatsii dlia utochneniia dinamicheskoi stokhasticheskoi modeli protsessa flotatsii kaliinoi rudy [Using vide-ographycal data for precise dynamic stochastic model of floatation process of potassium ore]. Naukovedenie, 2017, no. 2 (39), p. 87.
5. Zatonskiy A. V., Varlamova S. A. Use of reflection flare spots for automatic recognition of froth parameters in potassium ores flotation. Obogashchenie Rud (Mineral processing), 2016, no. 2, pp. 49-56. DOI: 10.17580/or.2016.02.09.
6. Malysheva A. V. Vizual'nyi komp'iuternyi kontrol' protsessa proizvodstva bituma [Visual computer control of bitumen production process]. Dostizheniia, problemy iperspektivy razvitiia neftegazovoi otrasli: mate-rialy Mezhdunarodnoi nauchno-prakticheskoi konferentsii, posviashchennoi 60-letiiu vysshego neftegazovogo obrazovaniia v Respublike Tatarstan (Al'met'evsk, 28-29 oktiabria 2016 g.). Al'met'evsk; Al'met'ev. gos. neftianoi in-t, 2016. Pp. 171-172.
7. Outotec FrothSenseTM [Using videographycal data for precise dynamic stochastic model of floatation process of potassium ore]. Available at: https://www.outotec.ru/globalassets/ru/brochures/outotec-sensornaya-sistema-frothsense-pdf (accessed: 21.12.2018).
8. Flotation optimization. Available at: https://www.metso.com/services/optimization/flotation (accessed: 21.12.2018).
9. Romanenko S. A., Olennikov A. S. Opyt vnedreniia videokamer FROTHMASTER na obogatitel'noi fabrike «Zelenaia gora-2» [Practice of implementing FROTHMASTER cameras at the dressing works "Zelenaya Gora-2"]. Obogashchenie rud, 2014, no. 2, pp. 23-28.
10. Xu D., Chen Y., Chen X., Xie Y., Yang C., Gui W. Multi-model soft measurement method of the froth layer thickness based on visual features. Chemometrics and Intelligent Laboratory Systems, 2016, vol. 154, pp. 112-121. DOI: https://doi.org/10.1016/jxhemolab.2016.03.029.
11. Sadr-Kazemi N., Cilliers J. J. An image processing algorithm for measurement of flotation froth bubble size and shape distributions. Minerals Engineering, 1997, vol. 10, iss. 10, pp. 1075-1083.
12. Horn Z. C., Auret L., McCoy J. T., Aldrich C., Herbst B. M. Performance of Convolutional Neural Networks for Feature Extraction in Froth Flotation Sensing. IFAC-PapersOnLine, 2017, vol. 50, iss. 2, pp. 13-18. DOI: https://doi.org/10.1016Zj.ifacol.2017.12.003.
13. Tan J., Liang L., Peng Y., Xie G. The concentrate ash content analysis of coal flotation based on froth images. Minerals Engineering, 2016, vol. 92, pp. 9-20. DOI: https://doi.org/10.1016/j.mineng.2016.02.006.
14. Zhao L., Peng T., Zhao Y., Xia P., Xie Y. Features Extraction of Flotation Froth Based on Equivalent Binocular Stereo vision. IFAC-PapersOnLine, 2016, vol. 49, iss. 20, pp. 90-95. DOI: http://dx.doi.org/ 10.1016/j.ifacol.2016.10.102.
15. Jahedsaravani A., Massinaei M., Marhaban M. H. An Image Segmentation Algorithm for Measurement of Flotation Froth Bubble Size Distributions. Measurement, 2017, vol. 111, pp. 29-37. DOI: http://dx.doi.org/ 10.1016/j .measurement.2017.07.023.
16. Zatonskii A. V., Varlamova S. A. Primenenie tekhnicheskogo zreniia dlia upravleniia protsessom flo-tatsii [Using computer vision for flotation process control]. Virtual'noe modelirovanie, prototipirovanie i promyshlennyi dizain Materialy II Mezhdunarodnoi nauchno-prakticheskoi konferentsii (Tambov, 17-19 noiabria 2015 g.). Tambov, Tamb. gos. tekhn. un-t, 2016. Pp. 313-318.
17. Aldrich C., Smith L. K., Verrelli D. I., Bruckard W. J., Kistner M. Multivariate image analysis of realgar - orpiment flotation froths. Mineral Processing and Extractive Metallurgy, 2017, vol. 127 (3), pp. 146-156. DOI: 10.1080/03719553.2017.1318570.
18. Tan J., Liang L., Xia W., Xie G. The effect of different flotation operating parameters on the froth properties and their relation to clean coal ash content. Separation Science and Technology, 2018, vol. 53 (9), pp. 1434-1444. DOI: 10.1080/01496395.2018.1444051.
19. Fu Y., Aldrich C. Froth image analysis by use of transfer learning and convolutional neural networks. Minerals Engineering,, 2018, vol. 115, pp. 68-78. DOI: 10.1016/j.mineng.2017.10.005.
20. Miasnikov A. A., Gainutdinova K. V. Otsenka protsessa flotatsii s ispol'zovaniem komp'iuternogo zreniia [Evaluating floatation process using computer vision]. Pervyi shag v nauku, 2016, no. 11, pp. 32-36.
21. Zatonskiy A. V., Malysheva A. V. Modernization of algorithms for flare detection of froth layer parameters during flotation of potash ores. Obogashchenie Rud (Mineral processing), 2017, no. 2, pp. 35-41. DOI: 10.17580/or.2018.02.07.
22. Malysheva A. V. Usovershenstvovannyi algoritm raspoznavaniia blikov binarizovannogo izobrazheniia peny [Up-graded algorithm of recognizing patches of light of binarized foam images]. Sovremennaia nauka: aktual'nyeproblemy teorii ipraktiki, 2018, no. 5, pp. 110-116.
23. Bekker V. F. Reshenie tekhnologicheskikh problem deistvuiushchego proizvodstva sredstvami avtoma-tizatsii. T. 1. Proizvodstvo kaliinykh udobrenii [Solving technological problems of modern production using automated methods. Vol. 1. Potash fertilizers production]. Perm', BF PNIPU, 2012. 312 p.
24. Open Source Computer Vision Library. Available at: https://opencv.org (accessed: 30.08.2018).
Zatonskiy Andrey Vladimirovich - Russia, 618404, the Perm region, Berezniki; Berezniki branch of Perm National Research Polytechnic University; Doctor of Technical Sciences, Professor; Head of the Department of Automation of Technological Processes; zxenon2000@yandex.ru.
Malysheva Anna Vladimirovna — Russia, 614990, Perm; Perm National Research Polytechnic University; Postgraduate Student of the Department of Information Technologies and Automation Systems; akchim@mail.ru.
The article submitted to the editors 30.11.2018
INFORMATION ABOUT THE AUTHORS
