基于嵌入式的在线图像检测系统研究

随着计算机图像处理技术的快速发展,针对选矿过程特有的长流程、变工况等复杂特性,计算机图像处理技术所具有的非接触性、直观性和智能性为选矿过程在线检测带来了质的变革。目前现有的在线图像检测系统都是通过就地端CCD进行图像采集,再将采集到的图像传输至图像处理工作站中进行分析处理,但在环境复杂且传输距离很长的工业现场,图像的传输过程存在很大的不稳定性,且安装布线难度较大,往往会出现丢帧或延迟现象,使在线检测设备的故障率很高。因此,基于嵌入式系统提出一种集成在线图像检测系统研发,采用B/S三层架构模式,通过网络进行数据流和视频流的同步传输,实现在线测量与监控。同时,系统良好接入浮选流程优化控制系统,实现工业闭环控制,通过实时调整,动态牵引模型和测量结果,作用于智能控制,达到所需平衡。     

图像处理技术在镍选矿厂中的应用

系统运用图像处理技术对摄像头和视频捕获卡采集到的浮选泡沫图像进行分析 ,计算出泡沫颜色参数、气泡个数和大小、泡沫的稳定度和移动速度等泡沫物理参数。根据它们评估浮选过程 ,并建立数学模型来预测浮选泡沫层精矿品位。该系统已经应用到金川公司选矿厂 ,取得了较好的效果。     

基于长程时空特征与多尺度外观特征的锌精选工况识别北大核心

锌精选作为锌浮选的最后一道流程,其工况直接决定锌浮选最终产品质量。现有基于卷积网络的浮选工况识别方法具备挖掘隐藏特征的能力,取得了良好效果,但仍存在表征能力有限、模型参数大等问题。为此,提出了基于长程时空特征与外观特征的锌精选工况识别模型。首先,提出基于分离三维卷积网络(Separable 3D Convolutional Neural Network,S3D CNN)与注意力机制的泡沫视频相邻帧间短程时空特征提取方法,获得特征聚焦的泡沫视频相邻帧间短程时序信息。然后,在短程时空特征的基础上采用双向卷积长短时记忆网络(Bi-directional Convolutional Long Short-Term Memory,BiConvLSTM)提取泡沫视频帧间的长程时空特征,获取泡沫视频帧间的长程动态时序信息。最后,采用基于残差网络和迁移学习的二维卷积网络提取泡沫图像的多尺度外观特征,并融合长程时空特征,对锌精选工况进行识别。实验结果表明,与现有卷积网络方法相比,所提模型在工况识别精度和模型参数上性能更佳。     

基于灰色系统理论的煤泥浮选泡沫数字图像处理算法研究

探讨了灰色系统理论在边缘检测中的应用,分析了应用常规边缘检测算法进行煤泥浮选泡沫图像处理所存在的问题,提出了在煤泥浮选状态机器视觉监控中应用基于灰色关联度计算进行图像边缘检测的观点,介绍了应用基于灰色关联度计算对煤泥浮选泡沫图像进行处理的方法。     

基于嵌入式技术的煤矿井下通信中图像信号处理方法

以提升煤矿井下视频图像呈现能力为目的,提出基于嵌入技术的煤矿井下通信中图像信号处理方法。利用图像采集单元内的CCD摄像机拍摄煤矿井下视频图像后,将其传输到嵌入式FPGA芯片内,该芯片将煤矿井下视频图像信号缓存在SDRAM内后,再利用双口RAM传输到嵌入式DSP芯片内;DSP芯片启动图像信号处理单元内的图像信号处理算法对煤矿井下视频图像信号进行压缩感知和高分辨率重建后,对其进行缓存处理,再利用FLASH视频模块对处理后的煤矿井下视频图像信号实施动态编辑,并将其回传到嵌入式FPGA芯片内;该芯片利用视频D/A转换器输出处理后的煤矿井下视频图像VGA信号,完成煤矿井下通信中图像信号处理过程。实验表明:经过该方法处理后的煤矿井下视频图像信号的峰值信噪比、图像像素密度以及图像信号灰度值均得到了较好的提升,其具备较好的应用效果。     

煤泥浮选泡沫图像灰度行程及其统计纹理特征

针对煤泥浮选泡沫灰度图像统计纹理特征问题，通过实验室浮选柱试验，采集了大量的煤泥浮选泡沫图像，分析了泡沫图像的类别及特征，提出了描述浮选泡沫纹理特征的灰度行程矩阵提取算法，并进一步提取灰度行程矩阵的行程因子特征参数来描述浮选泡沫的视觉纹理特征，分析了各特征参数随浮选时间的变化关系.研究表明，泡沫灰度行程因子特征参数能够表征浮选泡沫图像纹理特征，并与特定的泡沫状态相关，可为煤泥浮选视觉监控系统提供泡沫状态信息.     

在浮选厂中数据图象处理与主机联机监测泡沫

浮选是选矿中最重要的分选技术。多年来浮选一直是集中研究的课题。尽管做了大量的努力，广泛地向有用的数学模型挑战还处于一个人们没有充分理解的阶段。因此，工业浮选厂的控制常常基于肉眼时泡沫阶段的观察，在很大程度上依靠经验和操作人员的能力。由于操作人员经常轮班，缺乏对工厂动态特性的了解，人工控制系统下精确或不可靠等等，所以这些浮选过程的控制常常不是最佳的。在一家铜浮选厂，采用了一些技术，这些技术以图家颜色分析和快速傅立叶转换到泡沫阶段的视频图像数据过程为基础，结果表明数据图像处理系统能区别粗选槽里泡沫中不同的铜水平面，从表面泡沫的可见特征提取总的特点，这样就有可能确定泡沫里矿物的含量（基于颜色）、平均泡的大小分布、流动方向、泡的形状或泡的活动性。分析总体的泡沫图像，而不是设法辨别泡之间的边界。     

基于彩色图像处理的浮选尾煤灰分软测量研究

浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量，以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题，提出了一种基于彩色图像处理的浮选尾煤软测量方法，建立了基于最小二乘支持向量机(LSSVM)的浮选尾煤灰分软测量模型。模型以不同颜色空间的彩色特征、灰度均值以及浓度特征为输入变量，以尾煤灰分作为输出变量，采用粒子群优化算法对LSSVM模型参数进行优化。结果表明：所建立的尾煤灰分软测量模型可以较好地实现浮选尾矿灰分的在线预测，引入浮选尾矿图像的彩色特征可以提高尾煤图像分析的精度，预测精度达96.89%。研究成果在柳湾选煤厂现场应用，并取得了较好的尾矿灰分测量效果。     

在线图像分析系统在浮选优化控制中的应用

随着国家经济和信息技术的不断发展,多行业融合规划建设已成为未来的主要发展趋势。面对中国工业2025——建设智能制造工业强国的宏伟目标,采用现代高新技术和自动化设备结合来提高选矿过程的生产率和经济效益已成为了选矿过程智能化的发展之路。本文综合研究了以图像处理技术为基础的浮选泡沫图像在线分析系统在选矿过程中的工业融合效果。通过在工业现场,以非接触式的测量方法,将图像信息转化为不间断的实时性测量参数及分析结果,传递到自动控制系统中,为生产一线提供重要参考依据,同时提高控制系统的可靠性及整个选矿过程的质量水平,最大程度发挥在线图像分析系统在选矿过程智能化中的重大作用。     

煤泥浮选泡沫的图像处理

介绍了煤泥浮选泡沫图像灰度处理的几种方法，对泡沫图像的个体特征作了分析，并为煤泥浮选泡沫图像的识别提供算法依据。     

复杂高品位硫氧混合铜浮选智能控制技术研究,

复杂高品位混合铜浮选工艺一直以来是选矿领域的研究热点和难点之一。同时,这种类型的浮选过程智能控制也属于行业空白。本文通过采用浮选过程专用的载流X荧光分析仪、泡沫图像分析仪对工艺过程在线监测,得到了反映混合铜浮选过程的重要工况参数,实现了流程的工况诊断。进一步通过研究基于模糊规则的浮选药剂添加与浮选机的液位充气量控制,实现了这一浮选流程的智能控制。通过本研究形成的控制系统,连续、稳定、可靠地应用于穆索诺伊选矿厂的生产过程之中,获得了较为明显的经济效益。     

基于Hi3510的Linux嵌入式视频服务器的设计

随着视频监控技术的发展,嵌入式视频服务器广泛应用于工业领域,本文介绍了1种基于Hi3510的Linux嵌入式视频服务器,将视音频信号进行采集、H.264压缩编码、复合后传输到网络,采用RTP/RTCP协议实现了视音频压缩数据流的实时网络传输。本文主要分析了系统各组成模块的功能与实现方法,给出了系统的结构框图和程序主流程图。     

矿山智能巡检机器人的关键技术

矿区视频监控系统是矿山的一个重要系统，传统的视频监控系统中摄像机均采用固定安装方式，很难实现对矿山的全方位监控。为此提出了利用机器人技术、无线通信技术、视频压缩与传输技术、视觉技术实现矿山智能巡检机器人，利用该智能巡检机器人可实现对矿山的全面监控。     

铁多金属选矿厂智能控制系统设计与应用

数字化选矿控制系统在保障工艺流程、设备稳定运转的同时,重在提高生产系统的抗干扰能力及自适应能力。通过对生产数据长期不断的挖掘分析,实现生产过程操作方式的迭代优化。本文主要是对某铁多金属选矿厂的碎磨及浮选过程进行智能控制系统设计及实施。通过磨矿智能控制系统向基础自动化的单元给矿、补水、调频回路下达优化控制指令,平稳生产流程,提高了溢流产品质量;浮选智能控制过程通过粒度在线分析与智能充气控制系统,提升作业流程稳定性,实现流程产率优化,稳定了精矿品位。     

基于视频技术的煤矿在线应急预警系统研究

研究基于视频技术的煤矿在线应急预警系统,提升煤矿在线应急反应能力和预警能力。该系统由矿井内控制层、地面网络层和在线应急预警层组成,矿井内控制层利用传感器、USB摄像头等设备,通过V4L2视频图像采集技术采集视频图像;地面网络层通过视频监控设备控制视频监控、地面控制等设备,并利用视频处理服务器采集矿井现场视频数据和完成报警,同时这些矿井现场视频数据传输至在线应急预警层;在线应急预警层使用模糊积分法构建在线应急预警模型,实现煤矿在线应急预警,并向客户端发出预警通知信息。实验表明,当视频图像数据量为8 000 h,系统传输耗时仅为0.8 s,在线应急反应能力好;预警的矿井应急程度与实际矿井应急程度一致,在线应急预警性能卓越。     

基于物联网技术的矿山井筒安全监测系统设计

为解决矿山井筒安全监测系统中高清视频数据传输效率低及数据不能共享问题,设计了一个基于物联网技术的矿山井筒安全监测系统。系统基于物联网的3层架构,由前端视频采集装置、井上控制装置、视频数据服务器和后台管理软件4个模块组成,介绍了各个模块的功能及其互联方案。系统采用H.264编码协议对高清监控视频进行编码压缩提高传输效率,利用视频数据服务器实现数据共享,并使用多线程并发数据传输方案解决同时接收多个矿井的视频数据传输问题。该系统将视频采集、存储和分析部分通过物联网技术有机结合在一起,有效简化了系统的操作,提高了高清视频数据的传输速率,实现了不同矿井间视频数据的共享。     

基于残差神经网络的矿井图像重构方法

针对煤矿井下噪声对可视化作业环境扰动影响,面向智能开采对井下作业目标的图像清晰化需求,研究基于机器视觉的矿井视频图像重构理论与方法,对提高矿井智能监控与安全开采技术具有重要意义。传统的视频监控系统采用经典的Nyquist采样定理来解决视频图像的信号采集、压缩和编解码问题,但矿井视频图像数据庞大,采用传统的编解码方法不仅浪费大量采样资源及增大系统开销,而且难以解决矿井视频图像重构时出现的信号保真度低、图像边缘模糊和视频传输时延等问题,其直接影响矿井智能监控系统性能与视频传输质量。针对矿井视频监控图像重构中存在的信号保真度不足及图像边缘模糊等问题,提出一种基于残差网络的图像压缩与重构方法。该方法通过建立一种新的残差神经网络结构,采用下采样矩阵将矿井图像进行压缩,再通过多次上采样将特征图变换为与原始图像相同大小的特征图,并使用残差网络块对其优化,最后利用优化后的重构网络将特征图聚合成重构图像。提出融合离散小波结构相似度损失与均方误差损失的损失函数方法,并据此训练网络参数。为评价本文所提出方法的有效性,实验选取了基于压缩感知的D-AMP,TVAL3算法和基于深度学习的ReconNet算法与之进行对比。结果表明,较小压缩比条件下对矿井图像重构,本文方法在结构相似度和峰值信噪比性能方面均优于其他算法;在噪声环境下,本文方法相较于其他方法,图像重构的峰值信噪比与结构相似度受噪声强度扰动较小,对噪声具有较强鲁棒性,较显著增强矿井重构图像的保真度和清晰度;在图像重构的时间复杂度方面,本文方法用时最短,有助于改善矿井视频监控系统的实时性。     

基于S3C6410的井下救援视频处理终端

针对现有井下救援视频信号差,易受环境干扰,系统集成度低,不能实时显示现场救援信息等问题,提出了一种适用于井下救援通信的嵌入式视频信号处理系统。系统主要包括井下视频采集端和井上救援指挥端。井下视频采集端系统采用Linux作为软件开发平台,利用S3C6410自带的编码器MFC对视频数据进行H.264标准压缩编码;井上救援指挥端系统在VS2005开发环境下实现视频解码,网络传输和应用程序的开发,并针对矿山救援环境特点优化开源H.264解码算法。该系统完成了救援现场视频处理,提高了设备集成度和视频画面清新度,实现了井下救援的可视化。