首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  国内免费   2篇
  收费全文   1篇
  完全免费   5篇
  自动化技术   8篇
  2020年   1篇
  2016年   1篇
  2015年   1篇
  2014年   1篇
  2013年   3篇
  2002年   1篇
排序方式: 共有8条查询结果,搜索用时 93 毫秒
1
1.
基于图象识别的浮选控制系统   总被引:2,自引:0,他引:2  
研究了通过提取煤浮选泡沫层图象的特征量 ,建立数学模型预测精煤泡沫的灰份和浓度 ;将泡沫图象按结构进行分类 ,利用泡沫结构特征识别的LVQ神经网络模型建立浮选控制系统。  相似文献
2.
针对矿物浮选过程泡沫大小分布随着药剂量的改变而动态变化的特点,提出一种基于泡沫大小动态分布特征的具有自学习功能的浮选生产过程加药量健康状态统计模式识别方法.首先,通过泡沫图像分割、气泡尺寸分布核密度估计获得浮选气泡大小的概率密度分布函数,采用无监督的最远邻聚类方法获得典型药剂量添加状态下的气泡尺寸统计分布特征集;然后,采用简单的贝叶斯推理方法获得测试时间段对应的药剂添加健康状态分析识别结果,并根据浮选生产工况状态的动态变化对各典型药剂状态下的气泡大小统计分布特征集进行在线学习修正.实验结果表明,所提出方法能实时获取泡沫尺寸分布的动态变化,实现浮选药剂操作健康状态的自动识别与评价,为进一步实现浮选生产过程的加药量优化控制奠定了基础.  相似文献
3.
在浮选生产中,泡沫表面的气泡尺寸分布特征与浮选工况紧密相关。针对浮选药剂添加量变化会动态改变气泡尺寸分布的特点,提出一种基于气泡尺寸动态概率密度函数统计特征的自动评估铜粗选药剂添加量的方法。该方法利用B样条基函数方法获得PDF权值向量以表征气泡尺寸的分布特征,然后采用层次聚类方法中的最远邻聚类和模糊C-均值聚类相结合的方法对各典型药剂添加量下气泡尺寸分布的权值向量进行特征学习,最后利用贝叶斯推理方法获得药剂添加量状态的评估结果。工业现场应用结果表明,该方法能够实时获得气泡尺寸概率密度函数,有效地实现药剂添加量状态的自动评估。  相似文献
4.
针对硫浮选过程中常规检测方法难以准确检测浮选槽液位的缺陷,提出一种基于相关向量机(RVM)的浮选液位软测量方法。该方法基于采集的浮选泡沫表层图像,通过提取硫浮选泡沫溢流速度和泡沫稳定度动态图像特征,融合浮选过程充气量、矿浆流量等过程参数,结合RVM建模思想,实现硫浮选过程中浮选槽液位的预测。工业数据仿真结果验证了所提方法的有效性、可行性。  相似文献
5.
矿物浮选流程长、分布范围广、控制变量多、关键工艺参数无法在线检测,导致实时监控困难, 严重制约了浮选生产的优化运行及选矿自动化水平的提升.浮选泡沫表面视觉特征是浮选工况和工艺指标的直接指示器, 为此将机器视觉应用到矿物浮选过程的监控中, 以提高浮选过程的资源回收率. 本文结合矿物浮选泡沫图像特点,从浮选过程的泡沫图像关键特征提取及表征、关键工艺参数检测、工况识别以及基于机器视觉监控系统的实现等方面综述了浮选过程监控技术的研究成果,并 指出了基于机器视觉的选矿过程监控技术的发展趋势及面临的挑战.  相似文献
6.
本文针对锑粗选异常工况下泡沫层高度改变,导致位置固定的工业相机采集到的泡沫图像存在离焦模糊的问题,提出了一种基于泡沫复原图像特征和深度视觉特征融合的锑粗选异常工况识别方法.该方法首先通过分析不同工况下模糊泡沫图像的特点,采用基于L0和L2正则项的模糊核估计方法提取了模糊核零范数特征,再利用L–R算法提取了灰度平均梯度差特征.其次,为了往更深层次挖掘异常工况下模糊泡沫图像的特征信息,本文采用迁移学习方法,基于InceptionResNetV1深度神经网络,利用大量泡沫图像数据对深度神经网络进行微调,进而提取泡沫图像的深度视觉特征.最后,基于XGBoost机器学习算法,先对高维视觉特征进行降维,再融合复原图像特征与深度视觉特征,对不同工况下的泡沫图像进行分类识别.锑粗选实验结果表明,该方法能够有效降低样本错分率,提高锑粗选异常工况识别率.  相似文献
7.
矿物浮选的精矿品位与泡沫的纹理复杂度密切相关.为了避免纹理谱方法中像素值的刚性比较,提出了一种新的基于旋转分类模糊纹理谱的纹理描述方法用于金属矿物分离.经过指数函数拟合频率分布曲线,确定模糊阈值大小,统计模糊纹理单元,给出了灰度差值的模糊纹理谱,并利用旋转分类将6561种纹理单元简化至834种.基于此,引入2个描述因子,纹理平滑度与粗糙度.实际应用结果表明,纹理平滑度可描述图像纹理粗糙程度,同时反映实时矿物品位.  相似文献
8.
由于浮选现场的恶劣环境和复杂光照等问题,将导致采集到的泡沫图像不可避免地发生色偏.为了消除以上不利影响,提高后续颜色特征提取的准确性,本文提出了一种基于图像统计建模的泡沫图像恒常颜色校正算法.首先,通过对泡沫图像统计特性的分析,利用Contourlet变换和广义高斯分布函数对图像进行统计建模.其次,选取颜色恒常性标准图像库(Gray-ball)中已知真实光照的标准图像作为训练样本,建立其统计模型参数集,分别选用常用的5种颜色恒常性算法对其进行颜色校正,并以最小角度误差为每幅标准图像标记最佳颜色恒常性算法.最后,利用K最近邻分类算法将待校正的泡沫图像分至对应的恒常算法中,该算法即为原始泡沫图像的最佳恒常颜色校正算法.实验结果证明,该算法能够获得较好的颜色校正效果.  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号