基于改进慢快双流网络的锌快粗选工况识别北大核心

锌快粗选是锌浮选的第一个浮选工艺,其工况状态直接影响后续精选和扫选的性能效果。现有基于卷积神经网络的浮选工况识别方法直接构建泡沫图像和工况类别的关系模型,自动挖掘与工况关联的泡沫深度特征,取得了一定的效果,但忽略了不同采样率下泡沫视频的动态时序信息。为此,提出一种基于改进慢快双流网络的模型,通过泡沫视频对锌快粗选工况进行识别。首先,以慢快双流网络作为主干网络,引入P3D-A轻量化结构减少网络参数,提高模型推理效率。然后,融入时间注意力模块(Time Attention, TA)、空间注意力模块(Channel Spatial Attention, CSA)和空间时间聚合模块(Spatial Time Together, STT),对泡沫视频时空特征进行有效表征,促进双流网络融合。最后,设计辅助网络(Auxiliary Network, AN),降低模型过拟合,提高工况识别准确率。实验结果表明,所提方法能准确地识别锌快粗选工况,准确率达82.54%,与已有的慢快双流网络相比,准确率提高了11.98%。     

基于特征融合宽度学习系统的锌浮选过程工况识别

浮选工况是浮选操作的重要判断依据,如何准确地识别浮选工况对浮选性能的提升有重要意义。基于机器视觉方法是浮选工况识别的主流方法,通常采用大数据技术在浮选工况数据集上建立浮选表层泡沫特征与浮选工况之间的关系模型,工况识别效果与工况数据集密切相关。一旦出现数据集中未包含的新工况,难以获得满意的识别效果。为此,针对当前大部分工况识别方法自适应性不足的问题,本文以锌精选为例,提出一种基于多特征宽度学习的锌浮选工况识别方法,以增量学习方式自适应新出现的工况。首先,根据多特征的不同特性,构建基于多特征宽度学习的锌精选工况识别模型;然后,在浮选状态变化和精选槽故障导致模型识别准确率降低时,通过拓宽特征层、增强层以及输出层的方式调整网络结构以进行增量学习。实验结果表明,本文所提出的基于多特征宽度学习系统的锌浮选工况识别方法具有良好的工况自适应性能,应用价值良好。     

基于多尺度卷积神经网络和LBP算法的浮选工况识别

针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题,提出了一种结合多尺度卷积神经网络(CNN)特征及改进局部二值模式(LBP)计算方法的核随机权神经网络(K-RVFLNs)浮选工况识别方法。首先,对泡沫浮选图像进行非下采样Shearlet多尺度分解,将原始图像分解为不同频率尺度,设计多通道CNN网络对多尺度图像进行特征提取;再通过改进LBP算法提取特征作为补充,将CNN提取的图像特征与LBP特征进行融合;最后,通过核随机权神经网络映射到更高维空间进行分类决策,实现浮选加药状态的精确识别。实验结果表明,采用多尺度CNN及LBP-TOP特征融合的方法识别的精度比传统LBP算法提高了5.34%,比采用单CNN特征的方法提高了3.76%,结合K-RVFLNs实现浮选工况分类准确率高达96.38%,识别精度和稳定性较现有方法有较大提升,且减少了人工干预,有利于提高生产效率。     

数字图像处理技术在煤泥浮选泡沫图像纹理特征的提取及识别上的应用

将数字图像处理系统应用于煤泥浮选泡沫图像的特征提取和识别 ,引入了空间灰度相关矩阵和邻域灰度相关矩阵来提取泡沫的纹理特性 ,并提取基于这两种算法的一系列特征参数来描述泡沫的结构 ;分析了各泡沫特征参数随浮选时间 (泡沫纹理 )的变化关系 ,定性地指出了各泡沫特征参数与泡沫纹理的相关性 ;并利用自组织神经网络对煤泥浮选泡沫的状态进行了识别 ,分类识别的平均正确率达 76 5 %。     

基于改进的SuperGlue模型的浮选泡沫稳定度检测方法研究

在浮选过程中,浮选泡沫保持一定的稳定度对保证浮选指标的稳定至关重要。由于浮选泡沫本身的复杂性和现有检测方法的局限性,目前还无法对工业现场泡沫的稳定度进行定量检测和评估。为此,开发了一种基于改进的SuperGlue模型的浮选泡沫图像特征匹配算法,用于对浮选泡沫的稳定度进行测量。该算法采用改进的SuperPoint模型网络对泡沫图像进行特征点提取,将原有的VGG网络进行了改进,利用特征匹配模型对所得到的两组特征点进行匹配,再进行误匹配精筛选,设置置信度阈值进一步提升匹配精度。对比了在匹配算法中应用比较多的GMS算法,本文算法的有效特征点匹配对数提升了19.58%,匹配精度达99.85%。与传统灰度差值法对比,本文的泡沫稳定度测量方法对不同状态的泡沫可辨识性提升明显,极大地提高了图像检测灵敏度,可以满足生产对泡沫稳定度测量的要求。     

基于深度学习的浮选加药控制系统

赵楼煤矿选煤中心根据浮选泡沫的特点将深度学习技术融入到浮选加药系统的研发之中,设计了基于卷积神经网络的识别与分类网络,提高了系统的泡沫识别准确率及抗干扰能力。通过将西门子PLC、WinCC、高清摄像机与智能算法的深度接合,使浮选加药控制系统实现了"人工智能"。     

基于模糊纹理谱的浮选泡沫图像纹理特征提取

提出一种基于模糊纹理谱的浮选泡沫图像的纹理特征提取方法.该方法根据人眼感知特点定义了一种基于非线性函数的隶属度函数,依据相邻像素与中心像素的灰度变化大小关系统计其模糊纹理单元,计算模糊纹理谱,提取有效描述浮选泡沫纹理的新特征参数一纹理复杂度.并以工况相对稳定情况下的泡沫图像为例,对所提出的方法进行了验证分析,结果表明其有效性,并获得了浮选泡沫的最佳纹理复杂度区间,对浮选的优化操作提供重要的指导意义.     

浮选图像中泡沫边缘分割

矿物浮选过程中泡沫的表面特征是浮选性能的重要指标,它可以实时、直观地反映浮选效果的变化,准确分割泡沫的边缘信息是浮选过程中一项重要的任务。近年来,研究人员提出了各种浮选泡沫图像分割算法,但浮选泡沫图像中存在泡沫数量多、泡沫间粘连严重以及边缘不清晰等问题,现存的方法由于其特征提取能力有限,无法精确的分割泡沫边缘。据此,本文利用深度学习提出了一种基于多尺度融合的浮选泡沫图像边缘分割算法,该算法通过引入一种深度高分辨率的编码结构以及一种基于注意力的分层融合方法来增强模型的特征提取能力,从而提高对于浮选泡沫边缘的分割效果。具体而言,深度高分辨率的编码结构可以在不同分辨率层级上同时维护特征信息,使我们的网络模型可以有效地捕捉不同尺度的信息,在提高图像语义理解能力的同时能够保持更多的细节信息,提高处理高分辨率以及密集任务图像的能力。除此之外,本文设计了一种基于注意力的分层融合方法来充分融合深层和浅层的特征图,使融合得到的特征图趋向于更重要的特征信息,从而提高识别浮选泡沫的边界和精确定位浮选泡沫的能力。该算法在泡沫边界分割数据集上凭借58.25的泡沫IoU以及73.62的泡沫Fscore取得了最佳的性能,证明了我们提出的算法可以更加准确地分割浮选泡沫边缘。     

基于多颜色分量CLBP提取的浮选泡沫状态识别

针对不同状态的浮选泡沫图像之间纹理结构相似、颜色差异不明显的问题,提出一种基于色调、饱和度和亮度（HSV）颜色空间的完全局部二进制模式（CLBP）纹理提取的浮选泡沫状态识别方法。首先使用双域去噪在保留纹理细节的同时滤除图像噪声,然后转换为HSV图像,在H、S和V颜色分量上分别提取三个尺度的CLBP纹理特征。将提取的纹理特征归一化后线性排列,建立高维度的纹理分类模型。最后通过一对一模式的支持向量机分类器对四类泡沫状态的样本集进行纹理提取后的分类训练与测试。结果表明,该方法对不同浮选泡沫状态的分类正确率较高,优于其他纹理描述方法,适用于浮选泡沫状态的识别。     

基于像素匹配和卡尔曼滤波的运动估计在浮选泡沫流速特征提取上的应用

为了解决传统特征匹配算法难以准确提取浮选泡沫流速特征的问题,本文提出一种基于像素匹配和卡尔曼滤波相结合的算法。该算法首先综合考虑前后两帧图像上面像素点的流动,在基于理想情况下的灰度值不变、梯度时空不变以及运动连续性假设,提出使用欧拉-拉格朗日方程与计算数学最小化约束能量方程,得到的结果作为卡尔曼预测的观测值参与测量更新,从而在状态更新中得到最优的泡沫流速特征向量。实验结果表明,该算法计算准确,平稳性高,实时性好,可以很好地作为浮选机优化控制的原始参数。     

浮选指标与浮选泡沫数字图像关系研究

在实验室采集了大量黄铜矿浮选的泡沫图像,并对浮选泡沫图像进行了预处理;采用数字图像分析技术分析了泡沫图像及其灰度直方图,提取了浮选泡沫图像灰度直方图的统计纹理特征参数;采用径向基神经网络建立了黄铜矿浮选指标与泡沫灰度直方图统计纹理特征参数的关系模型。仿真实验证明,所建立的模型有较高的精度。     

基于深度学习特征提取的岩石图像矿物成分分析

采用深度学习方法进行岩石识别,收集15种常见岩石的图像数据,基于卷积神经网络构建岩石识别深度学习模型,达到63%的识别准确率。分析岩石识别结果,白云岩、灰岩和大理岩等矿物成分接近的岩石容易互相误判,说明矿物成分对于岩石识别是很重要的特征。进一步对卷积神经网络学习过程中产生的特征图分析,成功提取了多种类型岩石中的矿物,如花岗岩中的石英、长石、云母等矿物,闪长岩中的角闪石、斜长石等矿物,千枚岩中的绢云母等矿物,说明深度学习方法能有效提取岩石的矿物成分特征,也说明深度学习方法对于岩石识别的有效性,同时有助于按矿物成分进行岩石定名。对岩石识别是有效的。     

卷积神经网络在图像识别技术中的应用研究

为了有效提高图像目标识别率,采用卷积神经网络,重点分析了卷积神经网络的层级结构,主要研究了卷积层、全连接层、池化层,设计了卷积神经网络的实验样本,针对数据集进行了十类识别目标任务,得到了Sar10卷积神经网络结构,对于不同目标,卷积核提取独有的特征。最后进行了基于卷积神经网络的SAR图像目标识别。研究得出,卷积神经网络模型大大提高图像目标识别。     

基于主成分分析的矿物浮选泡沫图像分类与识别

浮选泡沫图像是一种特殊的纹理图像,不同类别等级泡沫图像比较相似,采用邻域灰度相关矩阵法或空间灰度相关矩阵法提取特征参数,然后用神经网络进行分类的效果不是很理想。本文利用主成分分析法对特征参数进行变换处理,改变不同类别特征参数的聚集程度,然后利用神经网络进行分类。对比实验结果表明:对特征参数进行特征变换处理后,分类的正确率大大提高。