專利名稱：一種基于機器視覺的浮選泡沫圖像識別設備及精礦品位預測方法
專利說明一種基于機器視覺的浮選泡沫圖像識別設備及精礦品位預測方法 本發(fā)明涉及浮選泡沫圖像識別系統(tǒng)及精礦品位預測方法，特別是輕金屬浮選的泡沫圖像識別系統(tǒng)及精礦品位預測。浮選是礦物加工中應用最廣泛的一種選礦方法，其過程礦化起泡是必須的，它涉及到極其復雜的物理化學過程。浮選過程指標非常重要，在實際生產過程中，有經(jīng)驗的操作工人常常是根據(jù)對浮選泡沫狀態(tài)的觀察來調整加藥量，使得浮選過程處于穩(wěn)定狀態(tài)。浮選泡沫特征是判斷浮選效果好壞的一個重要的依據(jù)，它包含有大量與操作變量和產品質量有關的信息。但由于操作人員的輪換、人工操作的不準確性和不可靠性，操作人員實際操作的隨意性大，對泡沫結構好與壞的判斷并沒有一個統(tǒng)一的標準，因此僅僅依靠人的觀察來理解和解釋復雜的泡沫相非常困難，最終導致浮選過程難以處于最優(yōu)運行狀態(tài)。目前，研究開發(fā)泡沫圖像分析系統(tǒng)主要針對重金屬進行的，在輕金屬方面研究不多。重金屬與輕金屬浮選的主要區(qū)別在于重金屬泡沫大，而輕金屬泡沫小而密實，由于輕金屬的顆粒極輕，在浮選槽的表面累積了眾多泡沫，氣泡與氣泡粘合在一起形成礦物的堆積層，且易破裂，使得浮選表面的氣泡呈現(xiàn)棉絮狀，重金屬浮選所提取的泡沫圖像特征主要有泡沫大小、顏色、速度及穩(wěn)定度參數(shù)，而對于輕金屬浮選過程，僅僅依靠這些特征變量不能準確地反映浮選過程變量。目前的浮選過程是通過各種測量儀器，分析測量礦物的品位、浮選回路中的PH值、藥物濃度等參數(shù)，根據(jù)分析得出的數(shù)學模型來調整加藥量。但實際上，由于浮選過程十分復雜，影響浮選過程的因素非常多，所獲得的數(shù)學模型并不能和實際很好吻合。本發(fā)明的目的在于解決浮選過程人工操作的隨意性，泡沫特征難以測量以及普通數(shù)學模型難以準確預測礦物品位的問題，提供一種基于機器視覺的泡沫圖像識別系統(tǒng)，預測礦物品位及回收率，為礦物浮選提供操作參考信息。本發(fā)明采用光源、攝像機、圖像采集卡、計算機及其附屬部件構成系統(tǒng)硬件平臺，獲取浮選槽表面泡沫圖像，采用形態(tài)學及分水嶺方法得到氣泡的個數(shù)和大小等形狀參數(shù)，通過泡沫像素的位移來計算泡沫移動速度，用空間灰度相關矩陣和鄰域灰度相關矩陣提取泡沫紋理特征。采用RBF神經(jīng)網(wǎng)絡預測浮選礦物品位，系統(tǒng)程序采用C++編程語言開發(fā)。本發(fā)明主要包括以下幾方面內容首先通過一系列硬件設備，如計算機PC、照明系統(tǒng)、CCD彩色攝像機和圖像采集卡構建泡沫圖像獲取平臺。硬件系統(tǒng)有兩臺攝像機，分別攝取浮選槽中不同位置的泡沫圖像，兩路圖像信號分別通過Camera Link方式傳輸?shù)綀D像采集卡，經(jīng)圖像采集卡轉換為數(shù)字圖像送往計算機，再由計算機對采集到的兩幀泡沫圖像分別進行有關特征分析計算，通過三種不同的顏色參考系統(tǒng)計算整幅圖像的顏色特征；采用形態(tài)學和分水嶺方法分割泡沫圖像，直接測量氣泡大小、形狀特征參數(shù)；用掃描標號法對泡沫圖像中互不連通的亮點進行標號，對各個亮點的進行面積測量；利用像素點在連續(xù)兩幀圖像中的位移來計算泡沫速度，進而計算泡沫穩(wěn)定度；利用空間灰度矩陣從4個方向上提取能量、熵及慣性矩紋理特征；采用鄰域灰度相關矩陣提取細度、粗度、二階矩紋理特征，經(jīng)現(xiàn)場的試驗表明，使用這些特征參數(shù)能對在惡劣的環(huán)境下采集到的泡沫圖像進行準確的描述，并和生產指標對應起來，為泡沫圖像識別提供了有效的數(shù)據(jù)。以原礦品位、礦漿濃度、礦漿PH值、泡沫厚度、泡沫顏色、氣泡大小、移動速度和穩(wěn)定度等特征參數(shù)作為神經(jīng)網(wǎng)絡的輸入，以浮選礦物品位為網(wǎng)絡的輸出，建立RBF神經(jīng)元網(wǎng)絡礦物品位預測模型。
通過對浮選泡沫圖象的分析處理，提取出能夠表示泡沫特征的參數(shù)，達到測量氣泡的大小、紋理、穩(wěn)定性、流動性等泡沫層特征狀況的目的，結合RBF神經(jīng)網(wǎng)絡模式識別的方法給出浮選礦物的判斷，對浮選礦物品位做出評價并提出操作建議，從而穩(wěn)定生產，進一步提高了礦物回收率和品位指標。
下面結合附圖對本發(fā)明作進一步的詳細說明。

圖1浮選泡沫圖像識別硬件結構示意圖；圖2RBF神經(jīng)網(wǎng)絡結構示意圖。泡沫圖像分析系統(tǒng)硬件結構如圖1所示，主要由電源2和電源5、光源3和光源6、攝像機1和攝像機4、圖像采集卡7、計算機8及其信號導線12構成。圖中攝像機1的用來拍攝浮選槽10溢流處被刮板9撕裂的泡沫層，獲取氣泡大小、穩(wěn)定度特征；攝像機4用來拍攝浮選槽表面泡沫層，以獲取泡沫速度、顏色及紋理特征。
在配置系統(tǒng)硬件方面，電源2和電源5采用可調穩(wěn)壓電源，光源2和光源5采用500W鹵素燈，光源3和光源6分別靠近攝像機1和攝像機4，圖像處理程序通過圖像采集卡7的軟件開發(fā)包接口獲取泡沫圖像。硬件接口由攝像機1和攝像機4的Camera Link接口提供，該接口是標準的圖像傳輸接口，攝像機1和攝像機4由12V獨立的直流電源供電。
彩色CCD攝像機1和攝像機4分別獲取泡沫層圖像，將視頻信號數(shù)字化并生成PAL制式的數(shù)字圖像信號，以Camera Link方式通過信號導線12傳輸?shù)綀D像采集卡7，圖像采集卡7具有兩個采集通道，同時采集兩路圖像信號，經(jīng)圖像采集卡7解碼、采樣后轉化為適于圖像處理的RGB-24bits格式的數(shù)字視頻信號然后讀入計算機8，圖像處理程序提取泡沫圖像特征參數(shù)，然后送往分析程序進行泡沫結構分析，最終根據(jù)分析結果再結合工藝參數(shù)預測浮選礦物的品位。
攝像機2和攝像機4的分辨率為2048×2048，視場為20cm×20cm，架設高度為100cm，鏡頭焦距為70cm，測量精度視視場范圍而定，在5-10pixels/mm范圍之間，可統(tǒng)計40-10000個浮選氣泡。例如選擇視場為40cm×40cm，則測量精度為5pixels/mm，最少可統(tǒng)計100個氣泡，最多可統(tǒng)計20000個氣泡。
圖像特征提取具體實現(xiàn)如下氣泡顏色，通過整幅泡沫圖像計算氣泡顏色，顏色分析在不同參考系統(tǒng)中進行(1)RGB(紅色，綠色，藍色)，(2)HSV(色調，飽和度，值)，(3)HSI(色調，飽和度，亮度)，從每個顏色參考系統(tǒng)的組成部分即可計算出泡沫的顏色均值和標準偏差值，為了避免全反射點和陰影的影響，將最黑和最亮的亮度值排除掉。
氣泡大小、形狀，本發(fā)明利用k-均值聚類估計氣泡與背景像素的分布，提取出氣泡圖像；采用形態(tài)學開運算和面積重構操作對圖像進行預處理；用Ostu算法進行二值轉化分割，同時采用新的重構方法求二值圖像的距離變換圖；基于h-頂開重構的改進變換為分水嶺變換提供標識點從而完成泡沫圖像的分割。利用分水嶺算法標記氣泡連通區(qū)域的骨架圖像，計算每個連通區(qū)域的像素數(shù)目，可得到泡沫圖像的尺寸。從氣泡中心計算若干個方向徑長，得最長、最短軸，長短軸尺寸之比作為形狀系數(shù)，得出氣泡的形狀系數(shù)的平均值。
氣泡面積，用掃描標號法對泡沫圖像中互不連通的亮點(氣泡中心)進行標號，對各個亮點的面積進行測量，其方法是對相同標號的像素點進行累加，得到每個亮點的像素點總和氣泡速度，通過獲取到了兩個連續(xù)的移動目標，第一幀中目標的位置為x0、y0，其灰度值為V。在第二幀圖像中，在x0、y0的位置跟蹤八個方向直到目標的對象灰度值搜索到。對于在浮選過程中這種大量移動的泡沫，泡沫局部會形變而且是不同的速率移動，利用方陣灰度和的不同來檢測整個泡沫圖像的平均速率。
泡沫穩(wěn)定度，泡沫穩(wěn)定度由以下方法計算得到利用泡沫速度信息，將連續(xù)兩幀圖像的后一幀圖像變換到前一幀圖像的同樣位置，然后計算第一幀圖像與變換圖像的差分，差分圖像的像素數(shù)目將超過給定的閾值即可計算出泡沫穩(wěn)定度。
空間灰度相關矩陣，空間灰度相關矩陣p(u，v，d，θ)是對一幅灰度級為G的數(shù)字圖像統(tǒng)計灰度值分別為u、v，相鄰距離為d及位置角度為θ的兩個像素在整幅圖像中出現(xiàn)的次數(shù)。在本發(fā)明的泡沫圖像處理過程中，像素之間的距離d取為1，兩個像素之間的位置角度θ分別取為0°、45°、90°、135°?；谠摼仃嚳梢栽诟鱾€方向上提取能量E、熵ENTS及慣性矩IE=Σu=0G-1Σv=0G-1[p(u,v)]2]]>ENTS=-Σu=0G-1Σv=0G-1p(u,v)log2p(u,v)]]>I=Σu=0G-1Σv=0G-1[(u,v)2p(u,v)]]]>根據(jù)空間灰度相關矩陣的定義，能量E是表征圖像像素灰度均勻性的參數(shù)，能量越大，圖像越均勻；熵ENTS是表征圖像紋理復雜程度的參數(shù)，圖像的紋理越復雜，熵值越大；慣性矩I從另外一個方向來評價圖像的灰度變化情況，圖像越不均勻，紋理越細，慣性矩越大。
在計算上述各特征值之前，將上述各特征參數(shù)作歸一化處理，滿足它們之和為1的條件。
p′(u,v)=p(u,v)Σu=0G-1Σv=0G-1p(u,v),]]>Σu=0G-1Σv=0G-1p′(u,v)=1]]>
各個特征數(shù)從圖像的四個方向上(θ＝0°、45°、90°、135°)依次提取，取各個特征參數(shù)在4個方向上fi的平均值，得到每幅泡沫圖像的三個特征參數(shù)。
F=Σi=14fi4]]>鄰域灰度相關矩陣，本發(fā)明在提取圖像的鄰域灰度相關矩陣紋理特征時，統(tǒng)籌考慮圖像中某一象素點(i，j)的8鄰域方向上的所有象素的灰度值，鄰域灰度相關矩陣包含一幅圖像的紋理信息，相關矩陣Q(k，s)中元素分布的位置和大小反映了圖像紋理的粗細。引入特征參數(shù)對其包含的紋理信息進行高濃縮的描述，設G為一幅圖像的灰度級數(shù)，k為某一象素的灰度值，取象素的3×3面鄰域，并統(tǒng)計該面鄰域內與中心點(i，j)灰度值相等的象素的個數(shù)，從而得到一個新的頻數(shù)矩陣，統(tǒng)計頻數(shù)矩陣的中心象素點灰度值為k，且與中心象素點灰度值相等的象素個數(shù)為s的面鄰域在整幅圖像中出現(xiàn)的頻數(shù)，即得到鄰域灰度相關矩陣Q(k，s)。
細度FF=Σk=1GΣs=19[Q(k,s)/s2]Σk=1GΣs=19Q(k,s)]]>對一幅細紋理的泡沫圖像，鄰域灰度相關矩陣中數(shù)值較大的元素Q(k，s)集中在鄰域灰度相關矩陣中s值較小的列中，即鄰域灰度相關矩陣的左邊列中，這使得較小的s的Q(k，s)/s2值較大。因而一幅圖像的F值越大，圖像的紋理越細。
粗度CC=Σk=1GΣs=19[s2Q(k,s)]Σk=1GΣs=19Q(k,s)]]>對一幅紋理較粗的泡沫圖像，較大的鄰域灰度相關矩陣元素Q(k，s)集中在鄰域灰度相關矩陣中s值較大的列中，即鄰域灰度相關矩陣的右邊列中，這使得較大的s的s2Q(k，s)值也大。因此，泡沫圖像的C值越大，圖像的紋理越粗。
二階矩Sec
Sec=Σk=1GΣs-19[Q(k,s)]2Σk=1GΣs=19Q(k,s)]]>二階矩參數(shù)是鄰域灰度相關矩陣中元素分布均勻性的刻畫。鄰域灰度相關矩陣中元素分布的越均勻，即泡沫圖像的灰度變化頻率越高，二階矩越小。
RBF神經(jīng)網(wǎng)絡礦物品位預測模型算法的具體實現(xiàn)如下如圖2所示，利用RBF神經(jīng)網(wǎng)絡建立浮選過程特征參數(shù)與礦物品位之間的關系模型，RBF神經(jīng)元網(wǎng)絡由三層組成。以原礦品位、礦漿濃度、礦漿PH值、泡沫層厚度、泡沫顏色、氣泡大小、移動速度、穩(wěn)定度和泡沫紋理特征參數(shù)作為神經(jīng)網(wǎng)絡的輸入，以浮選礦物的品位為網(wǎng)絡的輸出，建立神經(jīng)元網(wǎng)絡模型。由于RBF神經(jīng)網(wǎng)絡中待確定的參數(shù)有二類基函數(shù)中心點及寬度、網(wǎng)絡的權值，因此，網(wǎng)絡的學習過程分為二步首先確定基函數(shù)的中心點和寬度，其次是權值的學習。
RBF神經(jīng)網(wǎng)絡的學習算法主要有隨機算法、自組織學習算法和最近鄰聚類算法，它們用于選取RBF的中心。采用一種動態(tài)白適應RBF網(wǎng)絡模型，該模型是基于最近鄰聚類學習算法，算法是一種在線自適應聚類線性算法，不需要事先確定隱含層單元的個數(shù)，完成聚類所得到的RBF網(wǎng)絡最優(yōu)，并且此算法可在線學習。
該算法的訓練過程如下①選擇一個適當?shù)母咚购瘮?shù)寬度r，定義一個矢量A(l)用于存放屬于各類的輸出矢量之和，定義一個計數(shù)器B(l)用于統(tǒng)計屬于各類的樣本個數(shù)，其中l(wèi)為類別數(shù)。
②從第1個數(shù)據(jù)對(x1，y1)開始，在x1上建立一個聚類中心，令c1＝x1，A(1)＝y(tǒng)1，B(1)＝1。所建立的RBF網(wǎng)絡，只有一個隱含層單元，該隱含層單元的中心為c1，該隱單元到輸出層的權矢量為w1＝A(1)/B(1)。
③考慮第2個樣本數(shù)據(jù)對(x2，y2)，求出x2到c1這個聚類中心的距離‖x2-c1‖。如果‖x2-c1‖≤r，則c1為x2的最近鄰聚類，且令A(1)＝y(tǒng)1+y2，B(1)＝2，w1＝A(1)/B(1)；如果‖x2-c1‖＞r，則將x2作為一個新聚類中心，并令c2＝x2，A(2)＝y(tǒng)2，B(2)＝1。在上述建立的RBF網(wǎng)絡中再添加一個隱含層單元，該隱單元到輸出層的權矢量為w2＝A(2)/B(2)。
④假設考慮第k個樣本數(shù)據(jù)對(xk，yk)時，k＝3，4，…，N，存在M個聚類中心，其中心點分別為c1，c2…，cM，在上述建立的RBF網(wǎng)絡中已有M個隱層單元。再分別求出xk到M個聚類中心的距離‖xk-ci‖，i＝1，2，…，M。設‖xk-cj‖為這些距離中的最小距離，即cj為xk的最近鄰聚類，如果‖xk-cj‖＞r，則將xk作為一個新聚類中心，并令cM+1＝xk，M＝M+1，A(M)＝y(tǒng)k，B(M)＝1。保持A(i)、B(i)的值不變，i＝1，2，…，M-1，在上述建立的RBF網(wǎng)絡中再添加第M個隱層單元，該隱層單元到輸出層的權矢量為wM＝A(M)/B(M)，如果‖xk-cj‖≤r，作如下計算A(j)＝A(j)+yk，B(j)＝B(j)+1。當i≠j時，i＝1，2，…，M，保持A(i)、B(i)的值不變。隱含層單元到輸出層的權矢量為wi＝A(i)/B(i)，i＝1，2，…，M。
⑤根據(jù)上述規(guī)則建立的RBF網(wǎng)絡其輸出應為f(xk)=Σi=1Mwiexp(-||xk-ci||2/r2)Σi=1Mexp(-||xk-ci||2/r2)]]>式中，Ri(x)＝exp(-‖xk-ci‖2/r2)為高斯函數(shù)，Ri(x)為隱含層第i個單元的輸出。
用最近鄰算法得到網(wǎng)絡的基函數(shù)中心等參數(shù)及初始權值后，再用有監(jiān)督學習算法調整隱層到輸出層的權重，算法步驟如下(1)用min_max規(guī)范化方法，使特征屬性歸一到網(wǎng)絡的處理范圍。設minA，maxA分別是特征屬性A的最小和最大值，通過計算下式將A的值v映射到區(qū)間[new_minA，new_maxA]中得v′=v-minAmaxA-minA(new_maxA-new_minA)+new_minA]]>(2)用徑向基函數(shù)計算中間層的輸出Yh。
(3)輸出層神經(jīng)元的輸出根據(jù)Y=f(Σi=1Mwi·Yhi)]]>計算，式中，Yhi是隱層第i個神經(jīng)元的輸出值；wi是隱層第i個神經(jīng)元至輸出層神經(jīng)元的連接權，f取sigmoid函數(shù)f(x)=1/(1+e-x/x0).]]>(4)用ΔY＝Y(1-Y)(d-Y)計算輸出層誤差，d是輸出層神經(jīng)元的期望輸出，Y是輸出層神經(jīng)元的實際輸出。
(5)按Δw＝α·ΔY計算權值的調整量，式中，α是學習率。
(6)權值的修正按下式用迭代法進行wi＝wi+Δw。
權利要求
1.一種基于機器視覺的浮選泡沫圖像識別設備及精礦品位預測方法，其特征在于由兩套位于浮選槽上方的防塵罩和一臺計算機組成，防塵罩起支撐作用，并保護設備不受浮選槽周圍光源的影響，罩內裝有工業(yè)攝像機和鹵素燈光源，攝像機配備有防水防塵的防護罩，靠近攝像機配有可調獨立光源，攝像機垂直于泡沫槽表面，且距離浮選槽泡沫表面的高度為80-120cm。
2.一種利用權利要求1所述的浮選泡沫圖像識別設備預測泡沫層精礦品位的方法，其特征在于攝像機獲取的圖像送往圖像采集卡，轉換成計算機可處理的圖像信號，由計算機對采集到的泡沫圖像進行特征分析計算，根據(jù)RGB和HIS顏色模型計算浮選泡沫的顏色參數(shù)，用形態(tài)學及分水嶺方法得到氣泡的個數(shù)和大小形狀參數(shù)，通過泡沫像素的位移來計算泡沫移動速度，用空間灰度相關矩陣和鄰域灰度相關矩陣提取泡沫紋理特征；最后根據(jù)原礦品位、礦漿濃度、礦漿PH值、泡沫厚度、泡沫顏色、氣泡大小、移動速度、穩(wěn)定度和泡沫紋理，用RBF神經(jīng)網(wǎng)絡模型預測泡沫層精礦品位。
3.根據(jù)權利要求2所述的預測泡沫層精礦品位的方法，其特征在于所述的RBF神經(jīng)網(wǎng)絡的訓練過程包括如下步驟①選擇一個高斯函數(shù)寬度r，定義一個矢量A(l)用于存放屬于各類的輸出矢量之和，定義一個計數(shù)器B(l)用于統(tǒng)計屬于各類的樣本個數(shù)，其中l(wèi)為類別數(shù)；②從第1個數(shù)據(jù)對(x1，y1)開始，在x1上建立一個聚類中心，令c1＝x1，A(1)＝y(tǒng)1，B(1)＝1，所建立的RBF網(wǎng)絡，只有一個隱含層單元，該隱含層單元的中心為c1，該隱單元到輸出層的權矢量為w1＝A(1)/B(1)；③考慮第2個樣本數(shù)據(jù)對(x2，y2)，求出x2到c1這個聚類中心的距離‖x2-c1‖，如果‖x2-c1‖≤r，則c1為x2的最近鄰聚類，且令A(1)＝y(tǒng)1+y2，B(1)＝2，w1＝A(1)/B(1)；如果‖x2-c1‖＞r，則將x2作為一個新聚類中心，并令c2＝x2，A(2)＝y(tǒng)2，B(2)＝1，在上述建立的RBF網(wǎng)絡中再添加一個隱含層單元，該隱單元到輸出層的權矢量為w2＝A(2)/B(2)；④假設考慮第k個樣本數(shù)據(jù)對(xk，yk)時，k＝3，4，…，N，存在M個聚類中心，其中心點分別為c1，c2，…，cM，在上述建立的RBF網(wǎng)絡中已有M個隱層單元，再分別求出xk到M個聚類中心的距離‖xk-ci‖，i＝1，2，…，M，設‖xk-cj‖為這些距離中的最小距離，即cj為xk的最近鄰聚類，如果‖xk-cj‖＞r，則將xk作為一個新聚類中心，并令cM+1＝xk，M＝M+1，A(M)＝y(tǒng)k，B(M)＝1，保持A(i)、B(i)的值不變，i＝1，2，…，M-1，在上述建立的RBF網(wǎng)絡中再添加第M個隱層單元，該隱層單元到輸出層的權矢量為wM＝A(M)/B(M)，如果‖xk-cj‖≤r，作如下計算A(j)＝A(j)+yk，B(j)＝B(j)+1。當i≠j時，i＝1，2，…，M，保持A(i)、B(i)的值不變。隱含層單元到輸出層的權矢量為wi＝A(i)/B(i)，i＝1，2，…，M；⑤根據(jù)上述規(guī)則建立的RBF網(wǎng)絡其輸出應為f(xk)=Σi=1Mwiexp(-||xk-ci||2/r2)Σi=1Mexp(-||xk-ci||2/r2)]]>式中，Ri(x)＝exp(-‖xk-ci‖2/r2)為高斯函數(shù)，Ri(x)為隱含層第i個單元的輸出。
全文摘要
一種基于機器視覺的浮選泡沫圖像識別設備及精礦品位預測方法，本發(fā)明以選礦過程的浮選階段的泡沫圖像分析為基礎，通過工業(yè)攝像機獲取浮選泡沫圖像，并在計算機上進行圖像處理，提取浮選槽表面泡沫特征參數(shù)，以此定量的描述浮選過程，結合浮選過程其它工藝參數(shù)預測礦物品位和回收率，實現(xiàn)浮選生產過程的最佳操作。本發(fā)明的兩臺攝像機分別攝取浮選槽中不同位置的泡沫圖像，經(jīng)由圖像采集卡轉換為數(shù)字圖像送往計算機，由計算機對采集到的泡沫圖像進行有關特征分析計算，用RBF神經(jīng)網(wǎng)絡分類識別。系統(tǒng)可用于輕金屬浮選泡沫圖像識別，減少了藥劑消耗量，提高了礦物品位和回收率。
文檔編號G06K9/62GK101036904SQ200710034870
公開日2007年9月19日 申請日期2007年4月30日 優(yōu)先權日2007年4月30日
發(fā)明者陽春華, 桂衛(wèi)華, 賀建軍, 牟學民, 周開軍, 唐朝暉, 王雅琳, 朱紅求, 謝永芳, 李勇剛 申請人:中南大學