共查询到16条相似文献,搜索用时 62 毫秒
1.
2.
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。 相似文献
3.
4.
5.
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。 相似文献
6.
7.
8.
9.
10.
11.
12.
13.
14.
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。 相似文献
15.