CN107274403B - 一种浮选表面质量的评价方法 - Google Patents
一种浮选表面质量的评价方法 Download PDFInfo
- Publication number
- CN107274403B CN107274403B CN201710519765.XA CN201710519765A CN107274403B CN 107274403 B CN107274403 B CN 107274403B CN 201710519765 A CN201710519765 A CN 201710519765A CN 107274403 B CN107274403 B CN 107274403B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- standard deviation
- gradient
- gray
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于泡沫浮选质量评价领域,公开了一种浮选表面质量的评价方法,通过输入浮选图像;进行条件边界扫描操作得到梯度图像;计算梯度图像的平均梯度值及方差;判断浮选是否属于大中气泡还是属于细小气泡及粘稠状态;如果是属于大气泡和中气泡状态,则进行动态的大津阈值处理,根据二值图像的平均灰度值与第二灰度阈值和二值图像的相对标准差与第二相对标准差阈值来区分大气泡状态和中气泡状态,否则属于细小气泡和粘稠状态,将根据结果梯度图像的平均梯度值与第三梯度阈值、二值图像的相对标准差与第三相对标准差阈值和二值图像的平均灰度值与第三灰度阈值来区分细小气泡状态和粘稠状态;进行四类图像数量的统计,以判断浮选生产情况的好坏。
Description
技术领域
本发明属于泡沫浮选质量评价领域,尤其涉及一种浮选表面质量的评价方法,适用于无背景及动态变化的工程表面的在线检测和分析。
背景技术
泡沫浮选是在矿物处理中广泛使用的一种用于提取有用矿物的选择性分离过程。目前许多浮选厂都是通过工人肉眼观察浮选泡沫的外观特性来控制浮选过程的。因此,浮选的性能在很大程度上依赖于工程师的经验,人工衡量的随机性也大大限制了浮选的效率。因此,人们开始借助机器视觉和图像处理技术来分析和处理泡沫图像,如用于气泡大小等物理特征的提取。
气泡大小是反映浮选药剂添加量的两个关键性物理特征。气泡大小也是表征泡沫稳定性的一个重要参数,它反映了气泡发生兼并的程度。因此基于图像处理和分析技术进行气泡大小测量与估计在多年来一直是一个研究热点。然而,现有的浮选图像分割算法却很难获得令人满意的结果,其根本原因在于与一般图像相比,浮选图像有其特殊性和复杂性。一幅浮选图像包含成千上万个大小形状各异的矿物液体气泡(没有背景),通常气泡是呈现三维的球形或多边形的个体,光照使气泡高的部位亮度强,而边缘部位亮度低,也就是说,在每个气泡表面上分布有随机的多个有用颗粒、强光反射区域、低灰度的边界区域和开始破裂时的黑洞,气泡是一个光照变化不均匀且伴有噪声的区域。
发明内容
针对上述现有技术的缺点,本发明的目的在于提供一种浮选表面质量的评价方法,能够快速准确的检测出浮选生产质量问题,为优化浮选生产提供调节依据。
为了避免复杂的图像分割及分析过程,本发明基于统计的理念,采用了一种既简单又能快速地诊断浮选生产质量的方法,适合于实时的在线处理。
为达到上述目的,本发明采用如下技术方案予以实现。
一种浮选表面质量的评价方法,所述方法包括如下步骤:
步骤1,实时获取一幅浮选表面图像,所述浮选表面图像的种类为大气泡图像、中气泡图像、小气泡图像以及粘稠图像中的一种;将所述浮选表面图像转换为灰度图像并缩小,得到缩小后的灰度图像;
步骤2,对所述缩小后的灰度图像进行边界扫描,得到结果梯度图像;并计算所述结果梯度图像的平均梯度值和所述结果梯度图像的相对标准差;
步骤3,设定第一梯度阈值和第一相对标准差;
若所述结果梯度图像的平均梯度值小于所述第一梯度阈值且所述结果梯度图像的相对标准差大于所述第一相对标准差,则所述浮选表面图像属于大气泡图像或者中气泡图像,则转至步骤4;
否则,所述浮选表面图像属于小气泡图像或者粘稠图像,则转至步骤6;
步骤4,采用大津阈值法对所述缩小后的灰度图像进行处理,得到包含第一目标区域和第一背景区域的二值图像;
若所述二值图像中,第一目标区域的面积小于或者等于所述二值图像总面积的10%,则转至步骤5;
否则,对所述二值图像中的第一目标区域再次采用大津阈值法进行处理,得到再次分割后的二值图像,所述再次分割后的二值图像中包含第二目标区域和第二背景区域;
若所述第一目标区域的面积小于或者等于所述二值图像总面积的10%,则转至步骤5;否则,该幅图像为作废图像,转至步骤1,重新获取一幅浮选表面图像;
步骤5,计算所述二值图像的平均灰度值、所述二值图像的相对标准差;并设定第二灰度阈值和第二相对标准差阈值;
若所述二值图像的平均灰度值大于所述第二灰度阈值且所述二值图像的相对标准差小于所述第二相对标准差阈值,则确定所述浮选表面图像为中气泡图像,否则,所述浮选表面图像为大气泡图像;
步骤6,采用大津阈值法对所述缩小后的灰度图像进行处理,得到包含第一目标区域和第一背景区域的二值图像,计算所述二值图像的相对标准差、所述二值图像的平均灰度值;并设定第三梯度阈值,第三相对标准差阈值以及第三灰度阈值;
若所述结果梯度图像的平均梯度值大于所述第三梯度阈值,且所述二值图像的相对标准差小于所述第三相对标准差阈值,且所述二值图像的平均灰度值大于所述第三灰度阈值,则确定所述浮选表面图像为粘稠图像,否则,所述浮选表面图像为小气泡图像;
步骤7,实时获取预设观测时间段内的所有浮选表面图像,对每一幅浮选表面图像执行步骤1至步骤6的操作,确定每一幅浮选表面图像的种类,从而进行浮选表面质量的评价。
本发明技术方案的特点和进一步的改进为:
(1)步骤1中,
将所述浮选表面图像转换为灰度图像具体为:f(x,y)灰=(f(x,y)R+f(x,y)G+f(x,y)B)/3,其中,(x,y)浮选表面图像中的像素点位置,其与灰度图像中的像素点位置一一对应;f(x,y)灰表示灰度图像中像素点(x,y)处的像素值,f(x,y)R、f(x,y)G、f(x,y)B分别表示浮选表面图像中像素点(x,y)处R、G、B三通道的值;
将所述灰度图像缩小为原来的1/4,得到缩小后的灰度图像,并将所述灰度图像中每四个相邻像素点取灰度值最小的像素点的值作为缩小后的灰度图像在对应位置处的像素值。
(2)步骤2具体包括:
计算所述缩小后的灰度图像的平均灰度值A;
对所述缩小后的灰度图像中灰度值小于A/2的像素点进行Sobel边界扫描,得到结果梯度图像;
计算所述结果梯度图像的平均梯度值V和梯度标准差S:
其中,M、N分别为缩小后的灰度图像的图像宽度、图像高度,(i,j)表示缩小后的灰度图像中像素点的位置,F(i,j)表示缩小后的灰度图像中(i,j)处的像素点的灰度值;
根据所述结果梯度图像的平均梯度值V和梯度标准差S,计算所述梯度图像的相对标准差S相=S/V×100。
(3)步骤3中设定第一梯度阈值和第一相对标准差,具体为:
设定第一梯度阈值V1为缩小后的灰度图像的平均灰度值的80%;
设定第一相对标准差S1为缩小后的灰度图像的最大灰度值的30%。
(4)步骤5具体包括:
计算所述二值图像的平均灰度值G、所述二值图像的标准差T:
其中,M、N分别为二值图像的图像宽度、图像高度,(i,j)表示二值图像中像素点的位置,H(i,j)表示二值图像中(i,j)处的像素点的灰度值;
根据所述二值图像的平均灰度值G、所述二值图像的标准差T,计算所述二值图像的相对标准差T相=T/G×100;
设定第二灰度阈值G1为缩小后的灰度图像的最大灰度值的6%;
设定第二相对标准差阈值T1为缩小后的灰度图像的最大灰度值的120%。
(5)步骤6中,设定第三梯度阈值,第三相对标准差阈值以及第三灰度阈值,具体为:
设定第三梯度阈值V2为缩小后的灰度图像的平均灰度值;
设定第三相对标准差阈值T2为缩小后的灰度图像的最大灰度值的96%;
设定第三灰度阈值G2为缩小后的灰度图像的最大灰度值的7%。
(7)步骤7中,进行浮选表面质量的评价,具体包括:
统计大气泡图像个数的比例、中气泡图像个数的比例、小气泡图像个数的比例、粘稠图像个数的比例;
若大气泡图像个数的比例大于50%,则所述浮选表面以大气泡为主;若中气泡图像个数的比例大于50%,则所述浮选表面以中气泡为主;若小气泡图像个数的比例大于50%,则所述浮选表面以小气泡为主;若粘稠图像个数的比例大于50%,则所述浮选表面以粘稠状为主;若大气泡图像与中气泡图像个数之和的比例大于50%,则所述浮选表面为大中气泡混合状态;若小气泡图像与粘稠图像个数之和的比例大于50%,则所述浮选表面为小气泡和粘稠浮选表面混合的状态。
本发明提供一种浮选表面质量的评价方法,通过输入浮选图像;一种简单的条件边界扫描操作得到梯度图像;计算梯度图像的平均梯度值及标准差;判断浮选是否属于大中气泡还是属于细小气泡及粘稠状态;如果是属于大气泡和中气泡状态,则进行简单动态的大津阈值处理,根据二值图像的平均灰度值与第二灰度阈值和二值图像的相对标准差与第二相对标准差阈值来区分大气泡和中气泡状态,否则属于细小气泡和粘稠状态,将根据结果梯度图像的平均梯度值与第三梯度阈值、二值图像的相对标准差与第三相对标准差阈值和二值图像的平均灰度值与第三灰度阈值之间的大小来区分细小气泡和粘稠状态;进行四类图像数量的统计,以判断浮选生产情况的好坏。该方法有利于快速准确地检测出复杂浮选表面质量的情况,可以作为选矿生产的实时调整或便于进一步地细致图像处理和图像分析,该方法适用于实时在线的无背景物体表面的动态变化检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种浮选表面质量的评价方法的流程示意图;
图2为本发明实施例提供的四种浮选气泡图像的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供一种实时简单快速评价浮选表面质量的方法,如图1所示,所述方法包括如下步骤:
步骤1,输入动态的浮选图像f(x,y)RGB:
一般来说,为了长期实时地获取图像,浮选槽的上方架设一台普通的CCD相机获取动态的浮选表面的图像,为了避免外来光照的不均及不稳定,也为了防尘防雨雪等,需要架设一个上面及侧面封闭的光照箱,箱内安装均匀的光源(灯)及CCD摄像头,为了清晰地抓取运动(一般运动速度为1-2米/秒)浮选气泡图像,CCD相机应该可以设置取像参数,既常说的快门和光圈,获取的图像可以通过连接的图像板传输到电脑。
步骤2,将彩色图像转换为灰度图像及缩小:
由于浮选气泡彩色不明显,为了减少计算量,将其转换成灰度图像f(x,y)灰=(f(x,y)R+f(x,y)G+f(x,y)B)/3,f(x,y)R,f(x,y)G,f(x,y)B分别为同一场景的红绿蓝三频道的图像。然后,为了消除噪声及和保持气泡之间的弱边界信息,对图像f(x,y)灰的每四个相邻点取灰度值最小的值作为缩小图像的相应点的灰度值,得到缩小的图像f(x,y),图像尺寸为MxN,计算出缩小的图像的平均灰度值A。
步骤3,进行有条件的Sobel边界扫描:
如果复杂的图像边界扫描算法(如Canny、LoG及一些其它特别的算法等)对这种浮选图像进行边界扫描,虽然可能会得到较为精细的结果,但不仅没必要也会耗费太多的计算时间,不适合实时检测。
因此,本发明实施例采取简单的Sobel算子对缩小的图像f(x,y)部分像素进行快速的操作来获得梯度图像。
与通常的Sobel边界扫描不同,本发明实施例是有条件的Sobel边界扫描算法,不是扫描图像中的每一个点,而是只扫描部分点,因为气泡之间的边界均为弱边界,这些边界点的灰度值一般都在整个图像平均灰度值的50%以下,所以,为了减少各种非气泡边界噪声的影响及加快扫描速度,对图像中每一个灰度值小于A/2的像素进行Sobel操作,最终获得结果梯度图像。
步骤4,计算结果梯度图像F(i,j)的平均梯度值V及相对标准差S:
具体过程如下:
相对梯度标准差:S相=S/V×100 (3)
M为结果梯度图像F(i,j)的宽度,N为结果梯度图像F(i,j)的高度。
步骤5,根据图像平均梯度值及相对标准差判断图像的质量:
一般来说,浮选的目的是将要选的金属颗粒由气泡带到浮选表面上来,而杂质颗粒将被沉在浮选槽的底部。当浮选表面气泡过大,气泡的张力和凝结力较弱,会导致要选的金属颗粒浮不到表面上来;而当气泡小或很小时,许多杂质颗粒也被浮选到了表面,达不到浮选的目的;而只有浮选气泡大小均衡适中时,才是较为理想的浮选生产状况。故此,本发明实施例将浮选表面状况分为四个类别:大气泡,中气泡,小气泡,粘稠表面,具体如图2所示,图2(a)为大气泡示意图,图2(b)为中气泡示意图,图2(c)为小气泡示意图,图2(d)为粘稠表面示意图。
根据实际情况选定一个阈值V1,及一个相对标准差S1。一般取V1为缩小后的灰度图像的平均灰度值的80%,而S1为75。如果V<V1且S相>S1,则该图像属于大气泡或中气泡图像,转到步骤6做进一步评价,否则转到步骤7。
步骤6,根据图像的简单动态的大津阈值结果区分大中气泡情况:
首先用大津阈值方法对灰度图像f(x,y)进行处理,若有目标区域大于图像面积的10%,对该区域进行再次大津阈值处理;若二次处理后仍有目标区域大于图像面积的10%,则跳转到步骤1,否则可以得到二值图像,类似于步骤4,对二值图像进行平均值G和标准差T及相对标准差的统计。
计算二值图像的平均值G和标准差T。
图像相对标准差:T相=T/G×100(6)
M为二值图像H(i,j)的宽度,N为二值图像H(i,j)的高度。
一般来说,G值越大及相对标准差T相越小,则气泡的白色(高亮度)光点平均面积就小,也意味着气泡的平均尺寸越小。用这两个指标可以分辨出大中气泡图像。根据实际情况选定一个阈值G1,一般取15,然后再取相对标准差阈值T1,根据实验,可以取300。如果G>G1并且T相<T1,则该图像为中气泡图像,否则是大气泡图像。
步骤7,根据梯度值和二值图像的灰度均值及相对标准差来区分小气泡图像和粘稠图像:
小气泡图像可以清晰可见气泡,而粘稠浮选图像几乎看不清楚气泡,故两类图像的梯度值有很大差别:梯度值越大,二值图像相对标准差越小及灰度均值越大,则粘稠程度越强,为此,根据现场情况选定图像平均梯度阈值V2和二值图像相对标准差阈值T2及灰度均值G2。一般取V2=正常图像平均灰度值,G2=18,T2=245,如果V>V2且T相<T2且G>G2,则该图像为粘稠图像,否则为小气泡图像。
步骤8,统计各类图像的数目:
由于浮选生产时在线实时生产系统,很难根据单个一幅图像去调节生产状况,为了稳妥和正确地证实生产状况,需要对生产线进行一定的时间观测,也就是说需要一定数目的图像评判。故此,根据以上判断,分别把各个类别的图像进行数目统计,以提供生产优化调节的依据。
检测的图像总数目:L=L1+L2+L3+L4,其中:
大气泡图像所占比例:D=(100*L1/L);
中气泡图像所占比例:Z=(100*L2/L);
小气泡图像所占比例:X=(100*L3/L)
粘稠面图像所占比例:N=(100*L4/L);
步骤9,浮选质量的最终判定:
观察浮选生产状况是需要一定时间的,不能根据某一瞬间的状况而确定浮选质量的好坏。时间的确定是根据矿物的类别及浮选药剂的配比来确定的,这些指标在每个选矿厂都是有差异的。但本发明实施例是按检测浮选图像的数目来确定浮选质量的。根据实验及统计规律,一般来说,检测浮选图像数目L达到一万幅时(根据普通视频的采集率,25幅/秒,如果一秒钟检测10幅图像,不到20分钟就能检测10000幅图像),检测结果是稳定的,可以分成下种六种生产状况:
若D>50时,属于大气泡;
若Z>50时,属于中气泡;
若X>50时,属于小气泡;
若N>50时,属于粘稠浮选表面;
若(D+Z)>50,属于大中气泡混合状况;
否则属于小气泡和粘稠浮选表面的混合状况。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种浮选表面质量的评价方法,其特征在于,所述方法包括如下步骤:
步骤1,实时获取一幅浮选表面图像,所述浮选表面图像的种类为大气泡图像、中气泡图像、小气泡图像以及粘稠图像中的一种;将所述浮选表面图像转换为灰度图像并缩小,得到缩小后的灰度图像;
步骤2,对所述缩小后的灰度图像进行边界扫描,得到结果梯度图像;并计算所述结果梯度图像的平均梯度值和所述结果梯度图像的相对标准差;
步骤3,设定第一梯度阈值和第一相对标准差阈值;
若所述结果梯度图像的平均梯度值小于所述第一梯度阈值且所述结果梯度图像的相对标准差大于所述第一相对标准差阈值,则所述浮选表面图像属于大气泡图像或者中气泡图像,则转至步骤4;
否则,所述浮选表面图像属于小气泡图像或者粘稠图像,则转至步骤6;
步骤4,采用大津阈值法对所述缩小后的灰度图像进行处理,得到包含第一目标区域和第一背景区域的二值图像;
若所述二值图像中,第一目标区域的面积小于或者等于所述二值图像总面积的10%,则转至步骤5;
否则,对所述二值图像中的第一目标区域再次采用大津阈值法进行处理,得到再次分割后的二值图像,所述再次分割后的二值图像中包含第二目标区域和第二背景区域;
若所述第二目标区域的面积小于或者等于所述二值图像总面积的10%,则转至步骤5;否则,该幅图像为作废图像,转至步骤1,重新获取一幅浮选表面图像;
步骤5,计算所述二值图像的平均灰度值、所述二值图像的相对标准差;并设定第二灰度阈值和第二相对标准差阈值;
若所述二值图像的平均灰度值大于所述第二灰度阈值且所述二值图像的相对标准差小于所述第二相对标准差阈值,则确定所述浮选表面图像为中气泡图像,否则,所述浮选表面图像为大气泡图像;
步骤6,采用大津阈值法对所述缩小后的灰度图像进行处理,得到包含第一目标区域和第一背景区域的二值图像,计算所述二值图像的相对标准差、所述二值图像的平均灰度值;并设定第三梯度阈值,第三相对标准差阈值以及第三灰度阈值;
若所述结果梯度图像的平均梯度值大于所述第三梯度阈值,且所述二值图像的相对标准差小于所述第三相对标准差阈值,且所述二值图像的平均灰度值大于所述第三灰度阈值,则确定所述浮选表面图像为粘稠图像,否则,所述浮选表面图像为小气泡图像;
步骤7,实时获取预设观测时间段内的所有浮选表面图像,对每一幅浮选表面图像执行步骤1至步骤6的操作,确定每一幅浮选表面图像的种类,从而进行浮选表面质量的评价。
2.根据权利要求1所述的一种浮选表面质量的评价方法,其特征在于,步骤1中,
将所述浮选表面图像转换为灰度图像具体为:f(x,y)灰=(f(x,y)R+f(x,y)G+f(x,y)B)/3,其中,(x,y)浮选表面图像中的像素点位置,其与灰度图像中的像素点位置一一对应;f(x,y)灰表示灰度图像中像素点(x,y)处的像素值,f(x,y)R、f(x,y)G、f(x,y)B分别表示浮选表面图像中像素点(x,y)处R、G、B三通道的值;
将所述灰度图像缩小为原来的1/4,得到缩小后的灰度图像,并将所述灰度图像中每四个相邻像素点取灰度值最小的像素点的值作为缩小后的灰度图像在对应位置处的像素值。
4.根据权利要求3所述的一种浮选表面质量的评价方法,其特征在于,步骤3中设定第一梯度阈值和第一相对标准差阈值,具体为:
设定第一梯度阈值V1为缩小后的灰度图像的平均灰度值的80%;
设定第一相对标准差阈值S1为缩小后的灰度图像的最大灰度值的30%。
6.根据权利要求1所述的一种浮选表面质量的评价方法,其特征在于,步骤6中,设定第三梯度阈值,第三相对标准差阈值以及第三灰度阈值,具体为:
设定第三梯度阈值V2为缩小后的灰度图像的平均灰度值;
设定第三相对标准差阈值T2为缩小后的灰度图像的最大灰度值的96%;
设定第三灰度阈值G2为缩小后的灰度图像的最大灰度值的7%。
7.根据权利要求1所述的一种浮选表面质量的评价方法,其特征在于,步骤7中,进行浮选表面质量的评价,具体包括:
统计大气泡图像个数的比例、中气泡图像个数的比例、小气泡图像个数的比例、粘稠图像个数的比例;
若大气泡图像个数的比例大于50%,则所述浮选表面以大气泡为主;若中气泡图像个数的比例大于50%,则所述浮选表面以中气泡为主;若小气泡图像个数的比例大于50%,则所述浮选表面以小气泡为主;若粘稠图像个数的比例大于50%,则所述浮选表面以粘稠状为主;若大气泡图像与中气泡图像个数之和的比例大于50%,则所述浮选表面为大中气泡混合状态;若小气泡图像与粘稠图像个数之和的比例大于50%,则所述浮选表面为小气泡和粘稠浮选表面混合的状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710519765.XA CN107274403B (zh) | 2017-06-30 | 2017-06-30 | 一种浮选表面质量的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710519765.XA CN107274403B (zh) | 2017-06-30 | 2017-06-30 | 一种浮选表面质量的评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274403A CN107274403A (zh) | 2017-10-20 |
CN107274403B true CN107274403B (zh) | 2020-12-18 |
Family
ID=60070384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710519765.XA Expired - Fee Related CN107274403B (zh) | 2017-06-30 | 2017-06-30 | 一种浮选表面质量的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274403B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109272548B (zh) * | 2018-09-28 | 2021-09-28 | 北京拓金科技有限公司 | 一种浮选过程气泡直径的测量方法 |
CN111415322A (zh) * | 2019-01-04 | 2020-07-14 | 宁波舜宇光电信息有限公司 | 屏幕显示异常检测方法、装置、系统及存储介质 |
CN112767327B (zh) * | 2021-01-08 | 2021-09-07 | 上海大学 | 基于神经网络的图像质量管理系统及方法 |
CN115178438B (zh) * | 2022-09-14 | 2022-12-02 | 深圳市鑫路远电子设备有限公司 | 一种真空灌胶阀的稳态性能评估方法及系统 |
CN115294379B (zh) * | 2022-09-29 | 2023-01-03 | 南通甘雨钢化玻璃制品有限公司 | 基于光学信息的浮选法泡沫识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334844A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 用于浮选泡沫图像分析的关键特征提取方法 |
CN104331714A (zh) * | 2014-11-28 | 2015-02-04 | 福州大学 | 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 |
JP2015081844A (ja) * | 2013-10-23 | 2015-04-27 | 株式会社ロゼフテクノロジー | 透明体検査方法および透明体検査装置 |
CN105488816A (zh) * | 2015-11-27 | 2016-04-13 | 中南大学 | 一种基于三维视觉信息的矿物浮选泡沫流速在线检测装置及方法 |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
CN106530255A (zh) * | 2016-11-15 | 2017-03-22 | 中国核动力研究设计院 | 一种汽泡群数据测量方法 |
-
2017
- 2017-06-30 CN CN201710519765.XA patent/CN107274403B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334844A (zh) * | 2008-07-18 | 2008-12-31 | 中南大学 | 用于浮选泡沫图像分析的关键特征提取方法 |
JP2015081844A (ja) * | 2013-10-23 | 2015-04-27 | 株式会社ロゼフテクノロジー | 透明体検査方法および透明体検査装置 |
CN104331714A (zh) * | 2014-11-28 | 2015-02-04 | 福州大学 | 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 |
CN105488816A (zh) * | 2015-11-27 | 2016-04-13 | 中南大学 | 一种基于三维视觉信息的矿物浮选泡沫流速在线检测装置及方法 |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
CN106530255A (zh) * | 2016-11-15 | 2017-03-22 | 中国核动力研究设计院 | 一种汽泡群数据测量方法 |
Non-Patent Citations (5)
Title |
---|
Flotation Bubble Delineation Based on Harris Corner Detection and Local Gray Value Minima:web of science;Wang, WX 等;《MINERALS》;20150630;第5卷(第2期);第142-163页 * |
Flotation process fault detection using output PDF of bubble size distribution;Canhui Xu 等;《Minerals Engineering》;20120131;第26卷;第5-12页 * |
基于分数阶微分、水平集及分水岭的铅锌浮选图像分割;王卫星;《四川大学学报(工程科学版)》;20160731;第48卷(第4期);第107-114页 * |
基于图像灰度特征的浮选尾矿灰分软测量研究;高博;《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》;20170215;第B021-644页 * |
基于数字图像处理技术的浮选气泡分布特性研究;雷少敏 等;《2013中国水处理技术研讨会暨第33届年会论文集》;20131031;第260-266页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107274403A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274403B (zh) | 一种浮选表面质量的评价方法 | |
CN113538429B (zh) | 基于图像处理的机械零件表面缺陷检测方法 | |
CN102221559B (zh) | 基于机器视觉的织物疵点在线自动检测方法及其装置 | |
CN110264459A (zh) | 一种土壤裂缝特征信息提取方法 | |
CN102305798B (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN115082683A (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN112567229A (zh) | 缺陷检查装置、缺陷检查方法及其程序 | |
CN103778627B (zh) | 一种基于sar图像的海域溢油检测方法 | |
CN104268505A (zh) | 基于机器视觉的布匹疵点自动检测识别装置及方法 | |
CN109540925B (zh) | 基于差影法与局部方差测量算子的复杂瓷砖表面缺陷检测方法 | |
CN107705283A (zh) | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 | |
CN116205919A (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN102074017B (zh) | 一种杠铃中心点检测及跟踪的方法和装置 | |
CN105741281B (zh) | 基于邻域离散度的图像边缘检测方法 | |
CN100363942C (zh) | 一种图像的二值化方法 | |
CN106651831B (zh) | 一种竹块缺陷检测方法和系统 | |
CN113256624A (zh) | 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质 | |
CN114119591A (zh) | 一种显示屏画面质量检测方法 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN112561875A (zh) | 一种基于人工智能的光伏电池板粗栅检测方法 | |
CN114266743A (zh) | 基于hsv和cnn的fpc缺陷检测方法、系统及存储介质 | |
CN110530894B (zh) | 导光板亮点缺陷检测方法 | |
CN111724375A (zh) | 一种屏幕检测方法及系统 | |
CN107292892A (zh) | 视频帧图像的分割方法及装置 | |
CN108982544A (zh) | 一种印制电路板瑕疵部件检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20201218 Termination date: 20210630 |
|
CF01 | Termination of patent right due to non-payment of annual fee |