视频传输算法在浮选泡沫图像分析系统中的应用

以图像处理技术为主要依托的浮选泡沫图像系统，通过对浮选流程中的浮选泡沫进行非接触式测量，将图像信息转化成连续的、实时的可分析测量数据，提高选矿流程的在线检测水平，为生产过程的智能化提升提供高精度的数据依托。随着浮选泡沫图像系统的不断提升改进，基于嵌入式系统的集成式测量为系统提供了有力的技术支持，打破了传统图像处理工作站模式，采用无线传输方式进行图像和数据的在线传输，但对于高帧视频的压缩和数据同步是嵌入式浮选泡沫图像系统需解决的最大难题。本文综合研究了图像压缩、视频传输算法，采用二维整数变换对浮选泡沫图像进行帧内压缩，再通过帧间差分算法对小片段视频流进行帧间编码，最后选用协议进行流传输，将接收到的数据和图像流在安装好的浏览器端进行显示。嵌入式浮选泡沫系统的研究将完全取代原有的图像处理工作站功能，大大减少设备故障发生率和成本，为浮选智能控制提供稳定、高效的数据支持。     

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。     

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。     

煤泥浮选泡沫数字图像处理中的边缘检测算法研究

通过分析煤泥浮选泡沫图像的特点和应用常规边缘检测算法所存在的问题, 提出了综合应用煤泥浮选泡沫图像灰度和梯度信息进行煤泥浮选状态监控的观点, 介绍了使用基于Sobel算子改进的方向算子对煤泥浮选泡沫图像进行处理的方法。     

基于深度学习的浮选精矿品位预测方法

矿浆品位是浮选工艺中关键参数之一,其对于指导生产,节约药剂,控制产品质量和提高回收率等方面都起着非常关键的作用。为了在线预测浮选精矿品位,解决荧光分析仪检测滞后的问题,研究出了一种不需要主观提取特征的基于深度学习的精矿品位在线预测模型,模型的输入为浮选泡沫图像序列、原矿品位值和尾矿品位值,输出为精矿品位值,属于回归问题。对比了主干网络分别为VGG-16,ResNet-50和MobileNet-V2时预测结果的差异,实验结果显示VGG-16的预测精度和鲁棒性最好,平均预测精度达到12.48%。     

矿山井筒视频图像实时配准的改进Sift算法

针对传统矿山井筒视频图像在匹配过程中存在的匹配精度低、实时性不强的问题,提出了一种矿山井筒视频图像配准的改进Sift算法。该算法以Harris角点检测代替Sift算法的极值检测,首先构建高斯尺度空间,提取满足尺度不变形要求的角点特征;然后采用Forsnter算子对提取点进行精确定位,并基于Sift算法的特征描述方式对提取点进行描述;最后利用Ransac法和随机K-D树完成特征点匹配。试验结果表明:改进Sift算法的匹配精度优于优传统Sift算法,可以大幅缩短矿山井筒视频图像配准时间,有助于实现矿山井筒视频图像实时匹配。     

基于径向基神经网络的浮选精煤灰分预测

鉴于精煤灰分的测量对煤泥浮选自动化的生产有着重要的意义,然而传统的燃烧法测量灰分的办法无法满足自动化生产的需求,设计了一种基于泡沫图像的浮选精煤灰分预测模型。首先对泡沫图像进行去噪声处理,然后用MIV值评价法对影响精煤灰分的特征进行筛选,最后建立基于径向基神经网络的精煤灰分预测模型,并通过与BP神经网络预测结果的对比,说明该网络在预测精煤灰分的优越性。     

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。     

一种改进分水岭算法的浮选泡沫图像分割方法

为了解决煤泥浮选泡沫图像分割中传统分水岭算法的过分割问题,提出了一种基于自适应标记提取的改进分水岭算法。该方法首先对浮选泡沫图像进行高斯滤波,再运用基于形态学的扩展最大值技术从泡沫图像中自适应提取标记,利用标记对梯度图像进行修改,最后使用分水岭算法对修正后的梯度图像进行分割。试验结果表明,改进后的算法克服了标记提取需要先验知识、分割过程繁琐等问题,使参数选取更加合理,分割结果更加准确。     

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。     

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。     

白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究

在稀土矿物实际浮选中,泡沫颜色特征与稀土品位关系密切。针对白云鄂博稀土矿浮选过程中浮选槽中含气率高、气泡重叠、变形,以及不断发生气泡兼并与破裂的情况,设计建立图像采集系统,并针对LED光源特点,设定照射光源最佳角度,进行图像采集。对采集图像进行进一步颜色特征提取,对泡沫图像颜色与品位之间的相关性进行分析研究。根据浮选过程中浮选泡沫表征颜色与品位的相关性,结合计算机图像处理技术,使用Matlab数学分析软件,对泡沫图像进行预处理并且进一步对泡沫图像进行边缘提取,对泡沫色彩进行色彩效果增强处理,将颜色分类量化,并进行色彩分类统计。通过对泡沫图像灰度直方图分析,计算并统计其整体亮度情况,作为泡沫图像亮度值定量依据。结果表明:通过分析浮选图像RGB颜色值分布、颜色分级分类量化提取图像颜色特征值以及灰度信息,对泡沫颜色特征有一定代表性,并且提高泡沫图像颜色提取精度。通过BP神经网络,输入泡沫图像特征值颜色与品位信息并建立黑箱模型,通过样本训练,得到稀土品位预测值。     

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。     

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.     

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。     

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%。     

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。     

改进的ORB-FLANN煤矸石图像高效匹配方法

针对煤矸石分拣机器人分拣煤矸石时,带式输送机输送带打滑、跑偏以及带速波动造成的目标煤矸石位姿变化,从而导致抓取失败或空抓漏抓等问题,提出了一种改进的ORB-FLANN (Oriented FAST and Rotated BRIEF-Fast Library for Approximate Nearest Neighbors)煤矸石识别图像与分拣图像高效匹配方法。提出改进ORB的特征点检测方法对煤矸石识别图像与分拣图像进行特征点检测,实现快速检测图像特征点;提出改进FLANN匹配算法对图像特征点进行匹配,实现煤矸石识别图像与分拣图像高效匹配。针对传统ORB方法对煤矸石图像特征检测时间长、重复率低问题,提出了改进ORB特征检测方法,提高了图像特征点检测速度和重复率;针对传统FLANN匹配方法对煤矸石图像匹配精确率低问题,提出了融合PROSAC算法的改进FLANN匹配方法,剔除错误特征匹配点对,提高了图像匹配的精确率。在自主研发的双机械臂桁架式煤矸石分拣机器人试验平台上应用文中方法、SURF特征匹配方法、HU不变矩匹配方法、SIFT特征匹配方法和ORB特征匹配方法分别进行了不同带速、尺度、...     

基于SA-VAEGAN的浮选精矿品位检测

针对矿物浮选过程中泡沫图像处理的精矿品位建模存在有效泡沫图像样本缺乏、模型检测精度不足、泛化能力和鲁棒性较差等问题，提出了一种基于自注意力机制的变分自编码生成对抗网络(SA-VAEGAN)模型。其中，生成器使用由编码器和解码器组成的变分自编码器，编码层引入自注意力机制使卷积操作能更好地捕捉长距离依赖，获取全局信息，生成高质量的图像；判别器中嵌入分类器使其不仅有判别真假的功能，还能实现检测的目的。试验结果表明，该模型与其他检测模型相比有较强的泛化能力和鲁棒性，在精矿品位检测中准确率达到了96.67%。     

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。