CN104331714A - 基于图像数据提取和神经网络建模的铂浮选品位估算方法 - Google Patents
基于图像数据提取和神经网络建模的铂浮选品位估算方法 Download PDFInfo
- Publication number
- CN104331714A CN104331714A CN201410701485.7A CN201410701485A CN104331714A CN 104331714 A CN104331714 A CN 104331714A CN 201410701485 A CN201410701485 A CN 201410701485A CN 104331714 A CN104331714 A CN 104331714A
- Authority
- CN
- China
- Prior art keywords
- platinum
- image
- flotation
- variable
- froth images
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/195—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references using a resistor matrix
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于图像数据提取和神经网络建模的铂浮选品位估算方法,通过变量实验得到充气速率、矿浆浓度、捕收剂、活化剂、起泡剂、抑制剂六个变量与浮选品位、回收率之间的相关程度;对铂泡沫图像进行采集和预处理,并从预处理所得的默认的灰度图像、直方图均衡化、图像的对比强化和图像的二值化四种特征图像中提取能量、熵、惯性、同质性、灰度相关性五种图像数据;建立包含三节点输入层、隐藏层和双节点输出层的多层感知器神经网络模型。本发明所提出的一种基于图像数据提取和神经网络建模的铂浮选品位估算方法,有效的实现了通过泡沫图像估算浮选品位和回收率,达到了实时监测浮选过程中品位和回收率的目的。
Description
技术领域
本发明涉及矿选领域,特别的是一种基于图像数据提取和神经网络建模的铂浮选品位估算方法。
背景技术
随着科技发展,对选矿过程各参数变化的自动监测技术,要求越来越高,而且传统方式诸多弊端也慢慢显现。传统监测技术主要包括:荧光分析和粒度分析仪,它们可以在短时间内得到产品品位。传统方式弊端主要包括:相关设备设计开发不切合实际,检测数据误差大,选矿环境恶劣导致传感器使用寿命短,控制系统维护成本较高。
人工神经网络(ANN)也简称为神经网络(NNs)或称作连接模型(Connection Model),它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。多层感知器神经网络(MLP)是一种多层前馈网络模型,它通常由三部分组成:一组感知单元组成输入层、一层或多层计算节点的隐藏层和一层计算节点的输出层,被广泛应用于模式识别、图像处理、函数逼近、优化计算等领域。神经网络建模技术的进一步的成熟,为浮选自动化提供了基础。
发明内容
本发明的目的在于提供一种基于图像数据提取和神经网络建模的铂浮选品位估算方法,以克服现有技术中存在的缺陷。
为实现上述目的,本发明的技术方案是:一种基于图像数据提取和神经网络建模的铂浮选品位估算方法,其特征在于,按照如下步骤实现:
S1:通过变量实验,并对所述变量实验的结果通过柏拉分布图进行分析,得出变量对浮选品位和回收率的影响程度;所述变量包括充气速率、矿浆浓度、捕收剂、活化剂、起泡剂和抑制剂;
S2:对铂泡沫图像进行采集和预处理,并提取铂泡沫图像特性数据;
S3:通过多层感知器神经性网络对所述铂泡沫图像特性数据与浮选品位、回收率之间的关系进行建模,得出所述铂泡沫图像特性数据与浮选品位、回收率之间的数量关系。
进一步的,所述步骤S1中,还包括如下步骤:
S11:用正号和负号分别对所述变量进行表示;
S12:通过棒磨机进行磨矿,并在预设的磨矿时间,添加捕收剂和活化剂;经搅拌T1s,使药剂充分作用后,测量矿浆的pH值和温度,再添加抑制剂和起泡剂,作用T2s后开始充气,并调整棒磨机旋转轮的转速和矿浆液面高度;
S13:分五个阶段进行刮泡,每次刮泡间隔T3s,前三个阶段和后两个阶段按照不同的条件变量进行试验,在第五阶段刮泡完成后,将五个样品和抽取的尾矿进行抽滤、烘干和化验;
S14:用柏拉分布图对所述步骤S13中的刮泡结果进行表示,每个条形表示一种变量,且每个变量对应条行的长度为每个变量对应的T型分布的情况。
进一步的,在所述步骤S2中,还包括如下步骤:
S21:通过高清摄像机获取铂泡沫图像,用RGB色彩模式表示该铂泡沫图像,并转化为灰度图像;
S22:将所述步骤S21中的灰度图像分别调整为默认的灰度图像、直方图均衡化、图像的对比强化和图像的二值化四种铂泡沫特征图像,即进行预处理;
S23:对所述步骤S22中得到的每种铂泡沫特征图像采用分区计算的方式,依次得到每种铂泡沫特征图像的铂泡沫图像特征数据,且所述铂泡沫图像特征数据包括:能量、熵、惯性、同质性和灰度相互关系。
进一步的,在所述步骤S3中,还包括如下步骤:
S31:通过主要特征数据分析,将每种铂泡沫特征图像对应的铂泡沫图像特征数据减少到三个,精简输入数据集;
S32: 将多层感知器神经网络设置为三层,包括:三节点输入层、隐藏层和双节点输出层,并通过BFGS方程设定单极型激活函数,双极型激活函数和调整函数;
S33:将精简后的输入数据集从三节点输入层输入,经各隐层逐层处理后,传向双节点输出层,并经所述步骤S23中得到的所述铂泡沫图像特征数据的运行、修正和验证,建立起多层感知器神经网络模型。
相较于现有技术,本发明具有以下有益效果:本发明所提出的一种基于图像数据提取和神经网络建模的铂浮选品位估算方法,综合采用了包括选矿变量研究、泡沫图像摄录、泡沫图像信息转化与处理、多层感知神经网络等多个领域的技术,先得到浮选过程中主要变量对于浮选品位和回收率的影响,再将铂泡沫图像特征数据输入到多层感知器神经网络,得出其与浮选品位和回收率之间的关系,实现了通过铂泡沫图像估算浮选品位和回收率。而且本发明经济效用高,有效减少人力成本;自动化程度高,有利于实现浮选过程自动化;普适性强,可应用于其他矿石或其他领域;提高了生产稳定性,有助于对浮选成品品位和回收率实时监测,尽快发现生产问题。
附图说明
图1为本发明中基于图像数据提取和神经网络建模的铂浮选品位估算方法流程图。
图2为本发明中变量实验过程流程图。
图3为本发明中图像特征数据提取流程图。
图4为本发明中通过铂泡沫特征图像提取铂泡沫图像特征数据流程图。
图5为本发明中多层感知器神经网络建模流程图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供一种基于图像数据提取和神经网络建模的铂浮选品位估算方法,如图1所示,其特征在于,按照如下步骤实现:
S1:通过变量实验,并对所述变量实验的结果通过柏拉分布图进行分析,得出变量对浮选品位和回收率的影响程度;所述变量包括充气速率、矿浆浓度、捕收剂、活化剂、起泡剂和抑制剂;
S2:对铂泡沫图像进行采集和预处理,并提取铂泡沫图像特性数据;
S3:通过多层感知器神经性网络对所述铂泡沫图像特性数据与浮选品位、回收率之间的关系进行建模,得出所述铂泡沫图像特性数据与浮选品位、回收率之间的数量关系。
进一步的,在本实施例中,所述变量实验包括条件实验和分析条件实验,实验使用3.0L的充气搅拌型浮选槽,且如图2所示,所述步骤S1中,还包括如下步骤:
S11:用正号和负号分别对所述变量进行表示,变量取较大数值的时候用正号表示,反之,用负号表示,设计八组实验;
S12:通过棒磨机进行磨矿,并在预设的磨矿时间,添加捕收剂和活化剂;经搅拌T1s,使药剂充分作用后,测量矿浆的pH值和温度,再添加抑制剂和起泡剂,作用T2s后开始充气,并调整棒磨机旋转轮的转速和矿浆液面高度;在本实施例中,所采用的棒磨机为XMMB-φ240×300棒磨机,经搅拌120s,使药剂充分作用后,测量矿浆的pH值和温度,再添加抑制剂和起泡剂,作用120s后开始充气,并根据浮选槽规格和泡沫堆积30s的原则来调整棒磨机旋转轮的转速和矿浆液面高度;
S13:分五个阶段进行刮泡,每次刮泡间隔T3s,得到五个样品,且对第四阶段刮泡的样品进行迅速提取;在第五阶段刮泡完成后,将五个样品和抽取的尾矿进行抽滤、烘干和化验;在本实施例中,每隔20s刮一次泡,在第三阶段之后,补充药剂,对第四阶段的样品进行迅速提取,完成五个阶段的刮泡后,将得到的样品以及抽取的尾矿进行抽滤,烘干和化验;
S14:用柏拉分布图对所述步骤S13中的刮泡结果进行表示,每个条形表示一种变量,且每个变量对应条行的长度为每个变量对应的T型分布的情况;在本实施例中,终对应的条形的长度依次减短,即不同变量对于浮选品位和回收率的影响均依次减弱。
步骤S11~步骤S13为条件实验步骤,步骤S14为分析条件实验步骤,设置实验条件和分析条件实验的目的在于了解铂泡沫图像之外的其他变量对于浮选品位和回收率的影响,且通过做前期实验,了解铂浮选特性,减少主体实验工作量。
进一步的,如图3和图4所示,在所述步骤S2中,还包括如下步骤:
S21:通过高清摄像机获取铂泡沫图像,用RGB色彩模式表示该铂泡沫图像,并转化为灰度图像,且该高清摄像机要求清晰度至少为1280*720,画面帧数不少于为30fp;在本实施例中,高清摄像机选用佳能Z-80型防水摄像机,清晰度为1280*720,画面帧数为30fps,每一组实验持续1.5个小时,能够搜集到85000张1280*720图片,并将这些图片将用Matlab7.0的图像处理工具进行处理,先用RGB色彩模式来表示,再转化为灰度图像,把黑-灰-白连续变化的灰度值量化为256个灰度级,灰度值的范围为0~255,表示亮度从深到浅,对应图像中的颜色为从黑到白;
S22:将所述步骤S21中的灰度图像分别调整为默认的灰度图像、直方图均衡化、图像的对比强化和图像的二值化四种铂泡沫特征图像,即进行预处理,用字母 表示,其中:
=1:默认的灰度
=2:直方图均衡化图像
直方图均衡化是通过使用累积函数对灰度值进行“调整”以实现对比度的增强的一种图像处理方式,这种方法通常用来增加许多图像的局部对比度,尤其是当图像的有用数据的对比度相当接近的时候;
=3:图像的对比强化:
增强图像对比度实际是增强原图的各部分的反差,实际中往往是通过增强原图里某两个灰度值间的动态范围来实现的;
=4:图像的二值化
图像二值化就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果。图像的二值化有利于图像的进一步处理,使图像变得简单,而且数据量减小,能凸显出感兴趣的目标的轮廓;
S23:对所述步骤S22中得到的每种铂泡沫特征图像采用分区计算的方式,依次得到每种铂泡沫特征图像的铂泡沫图像特征数据,在本实施例中,进一步通过如下方式提取铂泡沫图像特征数据:
图像的空间灰度矩阵取决于根据二阶联合条件概率密度函数得到的像素强度变量的估计值,在函数f(i,j,d,a)中,a=0 °、45°、90°、135°,灰度从i到j,试样之间的统计间隔为d,方向为角度a。假设图像的灰度为g,则密度函数可以表示为g*g的矩阵,采用距离d和方向a为参数,把图像每一个灰度区域依次分析计算,则可通过使用函数来表示获取泡沫图像特征数据,且铂泡沫图像特性数据包括:能量、熵、惯性、同质性和灰度相互关系,其中:
能量:
能量是衡量影像同质性的一个重要方面,对于一段不同质的影像,对应矩阵的对角线的下方会有大量的小点,之后,能量也会越来越小,对角线、及其附近的影像会转变到相似的灰度;
熵:
熵是衡量图像复杂性的指标,例如一段复杂或者熵很大的影像能够表明泡沫尺寸、形状和颜色都有很大变化;
惯性:
惯性是衡量影像中某一区域的变化大小的指标;
同质性:
同质性是表示相似灰度更加接近的指标;
相互关系:
和分别表示矩阵每一行的平均值和标准差,和分别表示矩阵每一列的平均值和标准差;
相互关系能够表现影像中各部分灰度的线性相关性。
在本实施例中,每一个图像可根据不同的预处理方式和数据提取内容,并获取达二十个数据。
进一步的,如图5所示,在所述步骤S3中,还包括如下步骤:
S31:通过主要组分分析,将每种铂泡沫特征图像对应的铂泡沫图像特征数据减少到三个,精简输入数据集;
S32: 将多层感知器神经网络设置为三层,包括:三节点输入层、隐藏层和双节点输出层,并通过BFGS方程设定单极型激活函数、双极型激活函数和调整函数,以获得最佳的模拟效果,其中,Broyden–Fletcher–Goldfarb–Shanno (BFGS)方程是一个强大的二阶运算算法,能够快速收敛;
S33:将精简后的输入数据集从三节点输入层输入,经各隐层逐层处理后,传向双节点输出层,并经所述步骤S23中得到的所述铂泡沫图像特征数据的运行、修正和验证,建立起多层感知器神经网络模型;在本实施例中,经过80000组样本的运行和修正,建立起效果最好的多层感知器神经网络模型,再将剩下5000组样本进行验证,如果95%以上样本达到误差范围内,则神经网络模型建立成功。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (4)
1.一种基于图像数据提取和神经网络建模的铂浮选品位估算方法,其特征在于,按照如下步骤实现:
S1:通过变量实验,并对所述变量实验的结果通过柏拉分布图进行分析,得出变量对浮选品位和回收率的影响程度;所述变量包括充气速率、矿浆浓度、捕收剂、活化剂、起泡剂和抑制剂;
S2:对铂泡沫图像进行采集和预处理,并提取铂泡沫图像特性数据;
S3:通过多层感知器神经性网络对所述铂泡沫图像特性数据与浮选品位、回收率之间的关系进行建模,得出所述铂泡沫图像特性数据与浮选品位、回收率之间的数量关系。
2.根据权利要求1所述的基于图像数据提取和神经网络建模的铂浮选品位估算方法,其特征在于,所述步骤S1还包括:
S11:用正号和负号分别对所述变量进行表示;
S12:通过棒磨机进行磨矿,并在预设的磨矿时间,添加捕收剂和活化剂;经搅拌T1s,使药剂充分作用后,测量矿浆的pH值和温度,再添加抑制剂和起泡剂,作用T2s后开始充气,并调整棒磨机旋转轮的转速和矿浆液面高度;
S13:分五个阶段进行刮泡,每次刮泡间隔T3s,前三个阶段和后两个阶段按照不同的条件变量进行试验,在第五阶段刮泡完成后,将五个样品和抽取的尾矿进行抽滤、烘干和化验;
S14:用柏拉分布图对所述步骤S13中的刮泡结果进行表示,每个条形表示一种变量,且每个变量对应条行的长度为每个变量对应的T型分布的情况。
3.根据权利要求1所述的基于图像数据提取和神经网络建模的铂浮选品位估算方法,其特征在于,在所述步骤S2中,还包括如下步骤:
S21:通过高清摄像机获取铂泡沫图像,用RGB色彩模式表示该铂泡沫图像,并转化为灰度图像;
S22:将所述步骤S21中的灰度图像分别调整为默认的灰度图像、直方图均衡化、图像的对比强化和图像的二值化四种铂泡沫特征图像,即进行预处理;
S23:对所述步骤S22中得到的每种铂泡沫特征图像采用分区计算的方式,依次得到每种铂泡沫特征图像的铂泡沫图像特征数据,且所述铂泡沫图像特征数据包括:能量、熵、惯性、同质性和灰度相互关系。
4.根据权利要求3所述的基于图像数据提取和神经网络建模的铂浮选品位估算方法,其特征在于:在所述步骤S3中,还包括如下步骤:
S31:通过主要特征数据分析,将每种铂泡沫特征图像对应的铂泡沫图像特征数据减少到三个,精简输入数据集;
S32: 将多层感知器神经网络设置为三层,包括:三节点输入层、隐藏层和双节点输出层,并通过BFGS方程设定单极型激活函数,双极型激活函数和调整函数;
S33:将精简后的输入数据集从三节点输入层输入,经各隐层逐层处理后,传向双节点输出层,并经所述步骤S23中得到的所述铂泡沫图像特征数据的运行、修正和验证,建立起多层感知器神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410701485.7A CN104331714B (zh) | 2014-11-28 | 2014-11-28 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410701485.7A CN104331714B (zh) | 2014-11-28 | 2014-11-28 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104331714A true CN104331714A (zh) | 2015-02-04 |
CN104331714B CN104331714B (zh) | 2018-03-16 |
Family
ID=52406435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410701485.7A Expired - Fee Related CN104331714B (zh) | 2014-11-28 | 2014-11-28 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104331714B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204419A (zh) * | 2015-09-18 | 2015-12-30 | 邱艳 | 一种露天矿山矿石品位自动定位显示装置 |
CN105834007A (zh) * | 2016-05-28 | 2016-08-10 | 太原理工大学 | 一种煤浮选捕收剂捕收性能的评价方法 |
CN107274403A (zh) * | 2017-06-30 | 2017-10-20 | 长安大学 | 一种浮选表面质量的评价方法 |
CN108931621A (zh) * | 2018-05-11 | 2018-12-04 | 中南大学 | 一种基于过程纹理特征的锌矿品位软测量方法 |
WO2019049060A1 (en) * | 2017-09-08 | 2019-03-14 | Stone Three Mining Solutions (Pty) Ltd | SEGMENTATION OF FOAM IN FLOTATION CELLS |
CN109781629A (zh) * | 2019-01-15 | 2019-05-21 | 东北大学 | 一种基于泡沫颜色判断铁矿浮选尾矿pH值的方法 |
CN110310286A (zh) * | 2019-07-02 | 2019-10-08 | 中南大学 | 基于泡沫图像多特征的分层工况感知判别方法 |
CN110728329A (zh) * | 2019-07-13 | 2020-01-24 | 中南大学 | 一种基于反馈补偿机制优化的锌浮选过程精矿品位预测方法 |
CN111709942A (zh) * | 2020-06-29 | 2020-09-25 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
CN112837762A (zh) * | 2021-01-05 | 2021-05-25 | 广东省科学院资源综合利用研究所 | 一种铂钯共生矿的浮选精矿中铂钯品位的预测方法 |
CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4472270A (en) * | 1983-05-18 | 1984-09-18 | Mobil Oil Corporation | Beneficiation of ores |
CN1604125A (zh) * | 2004-11-11 | 2005-04-06 | 上海交通大学 | 目标图像自动识别与快速跟踪的方法 |
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
-
2014
- 2014-11-28 CN CN201410701485.7A patent/CN104331714B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4472270A (en) * | 1983-05-18 | 1984-09-18 | Mobil Oil Corporation | Beneficiation of ores |
CN1604125A (zh) * | 2004-11-11 | 2005-04-06 | 上海交通大学 | 目标图像自动识别与快速跟踪的方法 |
CN101036904A (zh) * | 2007-04-30 | 2007-09-19 | 中南大学 | 一种基于机器视觉的浮选泡沫图像识别设备及精矿品位预测方法 |
CN101334366A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 一种基于图像特征分析的浮选回收率预测方法 |
Non-Patent Citations (1)
Title |
---|
曲钧天等: "基于多层感知器神经网络的精矿品位预报", 《控制工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105204419A (zh) * | 2015-09-18 | 2015-12-30 | 邱艳 | 一种露天矿山矿石品位自动定位显示装置 |
CN105834007A (zh) * | 2016-05-28 | 2016-08-10 | 太原理工大学 | 一种煤浮选捕收剂捕收性能的评价方法 |
CN105834007B (zh) * | 2016-05-28 | 2018-01-19 | 太原理工大学 | 一种煤浮选捕收剂捕收性能的评价方法 |
CN107274403B (zh) * | 2017-06-30 | 2020-12-18 | 长安大学 | 一种浮选表面质量的评价方法 |
CN107274403A (zh) * | 2017-06-30 | 2017-10-20 | 长安大学 | 一种浮选表面质量的评价方法 |
WO2019049060A1 (en) * | 2017-09-08 | 2019-03-14 | Stone Three Mining Solutions (Pty) Ltd | SEGMENTATION OF FOAM IN FLOTATION CELLS |
CN108931621A (zh) * | 2018-05-11 | 2018-12-04 | 中南大学 | 一种基于过程纹理特征的锌矿品位软测量方法 |
CN108931621B (zh) * | 2018-05-11 | 2020-10-02 | 中南大学 | 一种基于过程纹理特征的锌矿品位软测量方法 |
CN109781629A (zh) * | 2019-01-15 | 2019-05-21 | 东北大学 | 一种基于泡沫颜色判断铁矿浮选尾矿pH值的方法 |
CN110310286A (zh) * | 2019-07-02 | 2019-10-08 | 中南大学 | 基于泡沫图像多特征的分层工况感知判别方法 |
CN110310286B (zh) * | 2019-07-02 | 2022-04-22 | 中南大学 | 基于泡沫图像多特征的分层工况感知判别方法 |
CN110728329A (zh) * | 2019-07-13 | 2020-01-24 | 中南大学 | 一种基于反馈补偿机制优化的锌浮选过程精矿品位预测方法 |
CN111709942B (zh) * | 2020-06-29 | 2022-04-12 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
CN111709942A (zh) * | 2020-06-29 | 2020-09-25 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
CN112837762A (zh) * | 2021-01-05 | 2021-05-25 | 广东省科学院资源综合利用研究所 | 一种铂钯共生矿的浮选精矿中铂钯品位的预测方法 |
CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
CN112837762B (zh) * | 2021-01-05 | 2023-12-22 | 广东省科学院资源综合利用研究所 | 一种铂钯共生矿的浮选精矿中铂钯品位的预测方法 |
CN112861076B (zh) * | 2021-01-05 | 2023-12-26 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104331714B (zh) | 2018-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104331714A (zh) | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 | |
CN107194872B (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN105139395B (zh) | 基于小波池化卷积神经网络的sar图像分割方法 | |
CN104966085B (zh) | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 | |
CN107784319A (zh) | 一种基于增强卷积神经网络的病理图像分类方法 | |
CN105427275B (zh) | 大田环境麦穗计数方法及装置 | |
CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
CN108090403A (zh) | 一种基于3d卷积神经网络的人脸动态识别方法及系统 | |
CN104834912A (zh) | 一种基于图像信息检测的天气识别方法及装置 | |
CN107229917A (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN109523566A (zh) | 一种砂岩薄片显微图像的自动分割方法 | |
CN108133173A (zh) | 基于半监督梯形网络的极化sar图像分类方法 | |
CN105469111B (zh) | 基于改进的mfa和迁移学习的小样本集的物体分类方法 | |
CN107944370A (zh) | 基于dccgan模型的极化sar图像分类方法 | |
CN109902715A (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN104574328A (zh) | 一种基于直方图分割的彩色图像增强方法 | |
CN103761526A (zh) | 一种基于特征位置优选整合的城区检测方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
Singh et al. | Automatic detection of rust disease of Lentil by machine learning system using microscopic images. | |
CN115131712A (zh) | 一种计算机视觉驱动的钻杆智能计数方法 | |
CN101533515A (zh) | 一种面向视频监控的基于块的背景建模方法 | |
CN109034070A (zh) | 一种置换混叠图像盲分离方法及装置 | |
Dubey et al. | Segmentation techniques for external defect detection in pome fruits | |
CN107808396A (zh) | 易于图像分割的线虫识别方法及系统 | |
CN109359522A (zh) | 一种小样本皮肤图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20180316 Termination date: 20201128 |
|
CF01 | Termination of patent right due to non-payment of annual fee |