CN107705283B - 基于Otsu图像分割的颗粒与气泡碰撞检测方法 - Google Patents
基于Otsu图像分割的颗粒与气泡碰撞检测方法 Download PDFInfo
- Publication number
- CN107705283B CN107705283B CN201710448788.6A CN201710448788A CN107705283B CN 107705283 B CN107705283 B CN 107705283B CN 201710448788 A CN201710448788 A CN 201710448788A CN 107705283 B CN107705283 B CN 107705283B
- Authority
- CN
- China
- Prior art keywords
- image
- gray
- bubble
- particles
- particle
- 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.)
- Active
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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Otsu图像分割的颗粒与气泡碰撞检测方法。首先利用图像的预处理操作优化图像,通过最大类间方差法分割出目标区域与背景区域;然后结合最小二乘法将颗粒与气泡拟合成圆,方便求取坐标信息及半径;最后将所有的颗粒位置提取到一幅图像中,实现了对颗粒位置的跟踪,避免了连续帧图像跟踪的复杂程度。该算法能够快速地检测出颗粒与气泡是否发生碰撞,有效地节省了人工试验的工作时间。
Description
技术领域
本发明属于矿业工程技术领域,具体来说涉及一种基于Otsu图像分割的颗粒与气泡碰撞检测方法。
背景技术
在图像处理领域中,对于浮选过程中图像信息的提取有相关的应用。在已公开的专利中,CN201610444525.3公开了颗粒与气泡碰撞、吸附行为测量装置及方法,能够准确的调节颗粒与气泡相对位置。CN200810031809.5公开了用于浮选泡沫图像分析的关键特征提取方法,可以用于浮选泡沫图像分析、矿物浮选过程工艺参数及回收率预测,优化浮选生产操作。CN201310574723.8公开了一种泡沫图像多尺度多方向纹理特征提取方法,可根据获得的不同纹理特征,将泡沫图像区分开。以上公开的专利说明计算机图像处理技术在浮选泡沫图像中已经使用比较广泛,而对于颗粒与气泡作用关系的图像分析中,并没有涉及到如何通过图像处理的手段检测是否发生碰撞,现阶段的方法仍需要靠肉眼观察获取,人工判断具有很大的主观性,并且人工操作速度慢,耗时费力,易受图像清晰度和颗粒与气泡相对位置等各方面影响。
发明内容
针对现有技术的不足,本发明的目的在于提供一种基于Otsu图像分割的颗粒与气泡碰撞检测方法。
本发明的目的是通过下述技术方案予以实现的。
一种基于Otsu图像分割的颗粒与气泡碰撞检测方法,包括以下步骤:
1)将矿浆滴落至液体中,用CCD相机对矿浆进入液体后的轨迹进行多次拍摄,以采集矿浆中颗粒与液体中气泡的图像,得到多张采集图像;
在所述步骤1)中,所述矿浆中颗粒的浓度为1~3wt%。
2)对一张所述采集图像进行预处理:
2-1)图像灰度化:将步骤1)得到的彩色的采集图像转化为灰度图像;
在所述步骤2-1)中,采用Matlab中的rgb2gray函数,将RGB色彩空间转化为HSV色彩空间,提取颜色分量,得到灰度图像。
2-2)取反:通过Matlab中的imcomplement函数对所述灰度图像取反;
在所述步骤2-2)中,对所述灰度图像取反的公式为:
Gray=255-Gray0 (1)
其中,Gray0为初始的灰度值,Gray为取反后的灰度值。
2-3)中值滤波:通过Matlab图像处理中的medfilt2函数滤除取反后的所述灰度图像的噪点,得到滤波后图像;
2-4)优化二值图像
对所述滤波后图像取反,调用Matlab中的bwareaopen函数删除取反后的所述滤波后图像中像素小于900的区域,再次取反,得到优化二值图像;
2-5)边界提取
采用Matlab中的bwboundaries函数获取步骤2-4)所得优化二值图像的轮廓;
3)采用最大类间方差阈值分割法筛选颗粒与气泡
所述优化二值图像中灰度值的个数为m,所述优化二值图像中像素的个数为n,利用灰度值确定灰度分割阈值k:
用灰度分割阈值k将获取轮廓后的所述优化二值图像的灰度值分成两组C0=[1…k]和C1=[k+1…m],k为整数且1<k<m,将所述u的值代入公式(2):
d(k)=w0(u0-u)2+w1(u-u1)2 (2)
将k在1<k<m范围内依次取值,将k在该取值下所对应的w0、w1、u0和u1代入公式(2),求得C0和C1的方差d(k);当d(k*)=max(d(k))时,确定k*为灰度分割阈值;
其中,所述w0为C0的产生概率,所述w1为C1的产生概率,所述u0为C0的平均灰度值,所述u1为C1的平均灰度值,所述u为所述优化二值图像整体的平均灰度值;
以k*作为灰度分割阈值分割获取轮廓后的所述优化二值图像,得到筛选图像,其中,所述筛选图像中黑色部分为背景区域,白色区域中体积相对较大的部分为气泡,白色区域中体积相对较小的部分为颗粒;
4)最小二乘法拟合圆
利用最小二乘法拟合步骤3)所得筛选图像中的气泡和颗粒,得到拟合图像,其中,所述气泡的轮廓拟合形成气泡的圆形,使所述颗粒的轮廓拟合形成颗粒的圆形;
5)对步骤1)中的多张采集图像按照步骤2)~4)进行处理,得到多张拟合图像;选取两张拟合图像,并将两张所述拟合图像以气泡为基点(重合部分)进行合并,得到一合并图像,所述合并图像具有一个气泡和2个颗粒,连接2个颗粒得到一直线,当所述气泡的圆形的圆心与所述直线的距离小于等于所述气泡的圆形的半径时,所述气泡与所述颗粒发生碰撞;当所述气泡的圆形的圆心与所述直线的距离大于所述气泡的圆形的半径时,所述气泡与所述颗粒未发生碰撞。
在所述步骤5)中,两张拟合图像分别为矿浆在液体中初始位置的拟合图像以及颗粒与气泡最接近的拟合图像。
相比于现有技术,本发明的有益效果为:
(1)由于采用计算机系统对矿浆下落过程图像进行处理,可以快速准确地自动分析出颗粒与气泡是否发生碰撞,节省了人工试验的工作时间,为大量实验提供了可靠的技术支撑,提高环境效益和循环经济效益;
(2)将图像分割和最小二乘法相结合应用到目标的碰撞检测当中去,通过将所有的颗粒位置提取到一幅图像中,避免了连续帧图像跟踪的复杂程度;
(3)测量结果避免了人工判断的主观性,同时避免了环境因素的制约;
(4)实现了检测过程的自动化,通过Matlab直接读取图像,运行后直接显示结果,无需专业人员,劳动强度低。
附图说明
图1为本发明的颗粒与气泡碰撞检测方法的流程图;
图2为用CCD相机拍摄的采集图像,其中图2(a)为矿浆滴落(在液体中轨迹)起始位置图,图2(b)是矿浆接近气泡位置图;
图3(a)为对图2(a)进行图像灰度化后得到的灰度图像;图3(b)为对图2(b)进行图像灰度化后得到的灰度图像。
图4(a)为利用Otsu图像分割方法对3(a)处理后得到的筛选图像;图4(b)为利用Otsu图像分割方法对3(b)处理后得到的筛选图像。
图5图4(a)和图4(b)合并后得到的合并图像。
具体实施方式
本发明的颗粒与气泡碰撞检测方法可检测液体中的颗粒是否与气泡发生碰撞。在本发明的具体实施方式中,将待测颗粒制成颗粒浓度在2wt%以内的稀矿浆,置于烧杯中并使用磁力搅拌器搅拌,使矿浆中的颗粒分散不聚集成团。使用胶头滴管吸取矿浆,将滴管插入观察室的液面以下,颗粒在重力作用下沉降。
下面结合具体实施例进一步说明本发明的技术方案。
如图1所示,基于Otsu图像分割的颗粒与气泡碰撞检测方法,包括以下步骤:
1)将矿浆滴落至液体(蒸馏水)中,用CCD相机对矿浆进入液体后的轨迹进行多次拍摄,以采集矿浆中颗粒与液体中气泡的图像,得到多张采集图像,如图2所示;去除图像最上方10%的面积,排除滴落颗粒装置的干扰。
2)对检测得到的颗粒与气泡图像预处理是为了去除图像中的噪声干扰,有效改善图像质量。首先将图像灰度化处理,然后取反,再对图像背景进行中值滤波,优化二值图像,通过边界提取得到颗粒与气泡轮廓。
对一张采集图像进行预处理的具体操作为2-1)~2-5):
2-1)图像灰度化:
由于彩色图像有R、G、B三个分量来决定颜色的变化范围,而灰度图像的R、G、B三个分量数值相同,因此为了简化后续图像处理中的计算量,应先将彩色图像转化为灰度图像。将步骤1)得到的彩色的采集图像转化为灰度图像:采用Matlab中的rgb2gray函数,将RGB色彩空间转化为HSV色彩空间,提取颜色分量,得到灰度图像,如图3所示。
2-2)取反:
由于图像中的高灰度区间更容易处理,因此应将目标区域由低灰度区间转换到高灰度区间,进而使目标区域突显出来,更有利于图像细节的处理。通过Matlab中的imcomplement函数对灰度图像取反;
对灰度图像取反的公式为:
Gray=255-Gray0 (1)
其中,Gray0为初始的灰度值,Gray为取反后的灰度值。
2-3)中值滤波:
为了滤除孤立的噪声干扰,保护图像的有用信息,对二值图像进行降噪处理。中值滤波的基本原理为:任意选取一个像素点邻域,按照灰度值的大小进行排序,得到的中间值即可看作该像素点的灰度值。对应公式如下:
g(x,y)=med{f(x-k,y-l),(k,l∈W)}
式中:g(x,y)为滤波后图像,f(x,y)为原始图像,W为区域模板。
通过Matlab图像处理中的medfilt2函数滤除取反后的灰度图像的噪点,得到滤波后图像;
2-4)优化二值图像
对滤波后图像取反,调用Matlab中的bwareaopen函数删除取反后的滤波后图像中像素小于900的区域,从而达到了形态学降噪的目的,再次取反,得到优化二值图像;
在应用bwareaopen函数前后均应加入取反操作的原因是由于图像中待移除的小面积对像为白色,处理难度较大。
2-5)边界提取
采用Matlab中的bwboundaries函数获取步骤2-4)所得优化二值图像的轮廓,也可以简单的认为0和1数据的交界处;
3)采用最大类间方差阈值分割法筛选颗粒与气泡
优化二值图像中灰度值的个数为m,优化二值图像中像素的个数为n,利用灰度值确定灰度分割阈值k:
用灰度分割阈值k将获取轮廓后的所述优化二值图像的灰度值分成两组C0=[1…k]和C1=[k+1…m],k为整数且1<k<m,将所述u的值代入公式(2):
d(k)=w0(u0-u)2+w1(u-u1)2 (2)
将k在1<k<m范围内依次取值,将k在该取值下所对应的w0、w1、u0和u1代入公式(2),求得C0和C1的方差d(k);当d(k*)=max(d(k))时,确定k*为灰度分割阈值;
其中,w0为C0的产生概率,w1为C1的产生概率,u0为C0的平均灰度值,u1为C1的平均灰度值,u为优化二值图像整体的平均灰度值;
以k*作为灰度分割阈值分割获取轮廓后的优化二值图像,得到筛选图像,如图4所示,其中,筛选图像中黑色部分为背景区域,白色区域中体积相对较大的部分为气泡,白色区域中体积相对较小的部分为颗粒;
4)最小二乘法拟合圆
由于颗粒是个近似圆的不规则图形,因此需要将其拟合成圆,进而方便求取其坐标位置及半径。利用最小二乘法拟合步骤3)所得筛选图像中的气泡和颗粒,得到拟合图像,其中,气泡的轮廓拟合形成气泡的圆形(即气泡拟合后形成的圆形),使颗粒的轮廓拟合形成颗粒的圆形(即颗粒拟合后形成的圆形);利用最小二乘法拟合步骤3)所得筛选图像中的气泡和颗粒即在不规则图形周边寻找到一个圆,使圆上各点与不规则图形上对应各点的误差平方和为最小。应用最小二乘法的推导结论,点(Xi,Yi)到圆外侧的残余误差为:
δi=di 2-R2=(Xi-A)2+(Yi-B)2-R2=Xi 2+Yi 2+aXi+bYi+c
令Q(a,b,c)为δi的平方和,从而求得a,b,c使得Q(a,b,c)的值最小。
5)对步骤1)中的多张采集图像按照步骤2)~4)进行处理,得到多张拟合图像;选取两张拟合图像,优选的,两张拟合图像分别为矿浆在液体中初始位置的拟合图像以及颗粒与气泡最接近的拟合图像。
将两张拟合图像以气泡为基点(重合部分)进行合并,得到一合并图像,合并图像具有一个气泡和2个颗粒,合并图像如图5所示,该图像是将图4中的两个颗粒滴落位置合并在一幅图中,实现了对颗粒的位置跟踪。图像中最上方的蓝色十字表示颗粒滴落的起始位置,拟合的小圆表示接近气泡的颗粒,大圆表示气泡。
连接2个颗粒得到一直线,当气泡的圆形的圆心与直线的距离小于等于气泡的圆形的半径时,气泡与颗粒发生碰撞;当气泡的圆形的圆心与直线的距离大于气泡的圆形的半径时,气泡与颗粒未发生碰撞。
将图5的左上角作为坐标原点计算横、纵坐标值,计算结果如表1所示。
表1计算结果
为了对本发明的颗粒与气泡碰撞检测方法的准确性进行测试,应用上述颗粒与气泡碰撞检测方法对100组颗粒下落图像进行分析,为了验证该程序的可靠性,选取图像的颗粒滴落初始位置横坐标均控制在气泡直径范围内,这样保证了理论发生碰撞的概率为100%。为了计算应用不同方法得到的碰撞概率,设实验的总次数为N,统计得到的发生碰撞次数为M,则碰撞概率为:
采用颗粒与气泡碰撞检测方法对100组颗粒下落图像进行测试,通过与传统的人工识别和统计结果进行对照(直接观察颗粒下落视频,在3个位置处暂停观察碰撞情况),得出用不同方法检测的准确率如表2所示。
表2颗粒与气泡碰撞发生概率统计
从表2可以看出利用Matlab检测法统计的碰撞概率明显高于肉眼观察法,这是因为受图像清晰度的影响,人眼并不能识别出颗粒与气泡距离过近的情况下是否发生碰撞。此外,在应用本研究提出的检测碰撞方法的过程中,对于图3(b)的颗粒位置选取至关重要,最佳位置应选在气泡的纵坐标与颗粒纵坐标差值小于气泡半径一半的范围内,这是由于气泡的存在使得气泡周围的液流产生绕流运动,当颗粒选取的较大时,其自身的惯性会减弱该绕流运动,从而使检测结果不受影响;但当颗粒选取的较小时,其绕流运动增强,影响检测精度。
通过分析可以得出:利用Matlab提取多张图片的图像信息以及检测碰撞能在短时间内完成,并且统计结果相对传统方法误差更小,因此检测得到的结果更具有可靠性。试验结果表明,通过Matlab图像处理技术及最大类间方差方法可以迅速并高效地检测出了颗粒与气泡是否发生碰撞,该方法与传统的人工统计方法相比,节省了大量工作时间,减少了人为误差,提高了统计结果的准确率,为进一步研究颗粒碰撞行为奠定了基础。
以上对本发明做了示例性的描述,应该说明的是,在不脱离本发明的核心的情况下,任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。
Claims (4)
1.一种基于Otsu图像分割的颗粒与气泡碰撞检测方法,其特征在于,包括以下步骤:
1)将矿浆滴落至液体中,用CCD相机对矿浆进入液体后的轨迹进行多次拍摄,以采集矿浆中颗粒与液体中气泡的图像,得到多张采集图像;
2)对一张所述采集图像进行预处理:
2-1)图像灰度化:将步骤1)得到的彩色的采集图像转化为灰度图像;
2-2)取反:通过Matlab中的imcomplement函数对所述灰度图像取反;
2-3)中值滤波:通过Matlab图像处理中的medfilt2函数滤除取反后的所述灰度图像的噪点,得到滤波后图像;
2-4)优化二值图像
对所述滤波后图像取反,调用Matlab中的bwareaopen函数删除取反后的所述滤波后图像中像素小于900的区域,再次取反,得到优化二值图像;
2-5)边界提取
采用Matlab中的bwboundaries函数获取步骤2-4)所得优化二值图像的轮廓;
3)采用最大类间方差阈值分割法筛选颗粒与气泡
所述优化二值图像中灰度值的个数为m,利用灰度值确定灰度分割阈值:
用k将获取轮廓后的所述优化二值图像的灰度值分成两组C0=[1Λk]和C1=[k+1Λm],k为整数且1<k<m,将u的值代入公式(2):
d(k)=w0(u0-u)2+w1(u-u1)2 (2)
将k在1<k<m范围内依次取值,将k在该取值下所对应的w0、w1、u0和u1代入公式(2),求得C0和C1的方差d(k);当d(k*)=max(d(k))时,确定k*为灰度分割阈值;
其中,所述w0为C0的产生概率,所述w1为C1的产生概率,所述u0为C0的平均灰度值,所述u1为C1的平均灰度值,所述u为所述优化二值图像整体的平均灰度值;
以k*作为灰度分割阈值分割获取轮廓后的所述优化二值图像,得到筛选图像,其中,所述筛选图像中黑色部分为背景区域,白色区域中体积相对较大的部分为气泡,白色区域中体积相对较小的部分为颗粒;
4)最小二乘法拟合圆
利用最小二乘法拟合步骤3)所得筛选图像中的气泡和颗粒,得到拟合图像,其中,所述气泡的轮廓拟合形成气泡的圆形,使所述颗粒的轮廓拟合形成颗粒的圆形;
5)对步骤1)中的多张采集图像按照步骤2)~4)进行处理,得到多张拟合图像;选取两张拟合图像,两张拟合图像分别为矿浆在液体中初始位置的拟合图像以及颗粒与气泡最接近的拟合图像,并将两张所述拟合图像以气泡为基点进行合并,得到一合并图像,所述合并图像具有一个气泡和2个颗粒,连接2个颗粒得到一直线,当所述气泡的圆形的圆心与所述直线的距离小于等于所述气泡的圆形的半径时,所述气泡与所述颗粒发生碰撞;当所述气泡的圆形的圆心与所述直线的距离大于所述气泡的圆形的半径时,所述气泡与所述颗粒未发生碰撞。
2.根据权利要求1所述的颗粒与气泡碰撞检测方法,其特征在于,在所述步骤1)中,所述矿浆中颗粒的浓度为1~3wt%。
3.根据权利要求1所述的颗粒与气泡碰撞检测方法,其特征在于,在所述步骤2-1)中,采用Matlab中的rgb2gray函数,将RGB色彩空间转化为HSV色彩空间,提取颜色分量,得到灰度图像。
4.根据权利要求1所述的颗粒与气泡碰撞检测方法,其特征在于,在所述步骤2-2)中,对所述灰度图像取反的公式为:
Gray=255-Gray0 (1)
其中,Gray0为初始的灰度值,Gray为取反后的灰度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710448788.6A CN107705283B (zh) | 2017-06-14 | 2017-06-14 | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710448788.6A CN107705283B (zh) | 2017-06-14 | 2017-06-14 | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107705283A CN107705283A (zh) | 2018-02-16 |
CN107705283B true CN107705283B (zh) | 2020-11-17 |
Family
ID=61170179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710448788.6A Active CN107705283B (zh) | 2017-06-14 | 2017-06-14 | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107705283B (zh) |
Families Citing this family (11)
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 |
CN109685733B (zh) * | 2018-12-20 | 2023-06-23 | 湖南师范大学 | 一种基于气泡运动稳定性分析的铅锌浮选泡沫图像时空联合去噪方法 |
CN109919967B (zh) * | 2019-03-14 | 2023-03-21 | 哈尔滨工程大学 | 基于高速摄影的液池表面气泡破碎信息获取方法 |
CN109876416B (zh) * | 2019-03-26 | 2020-06-19 | 浙江大学 | 一种基于图像信息的跳绳计数方法 |
US11054273B2 (en) * | 2019-03-27 | 2021-07-06 | Rapyuta Robotics Co., Ltd. | Generating a 2D-navigation map for collision-free navigation by multiple robots |
CN110006898A (zh) * | 2019-03-28 | 2019-07-12 | 上海工程技术大学 | 基于圆度算法的涤棉纤维混纺比测量方法 |
CN110738674B (zh) * | 2019-07-22 | 2021-03-02 | 中南大学 | 一种基于颗粒密集度的纹理特征度量方法 |
CN112819810B (zh) * | 2021-02-24 | 2023-06-20 | 中国地质大学(北京) | 一种沙颗粒磨圆度计算方法 |
CN113945559B (zh) * | 2021-09-30 | 2023-09-26 | 天津大学 | 一种气液固循环流化床局部相含率检测方法 |
CN113911885A (zh) * | 2021-10-29 | 2022-01-11 | 南京联了么信息技术有限公司 | 一种基于图像处理的电梯防夹方法及系统 |
CN115797654B (zh) * | 2022-12-09 | 2023-06-23 | 中国民用航空飞行学院 | 气液两相流动中气泡泡底参数识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987351A (zh) * | 2005-12-23 | 2007-06-27 | 鸿富锦精密工业(深圳)有限公司 | 三次元离线碰撞检测系统及方法 |
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 |
CN103313796A (zh) * | 2010-11-03 | 2013-09-18 | 西门子公司 | 浮选机和浮选方法 |
CN103559496A (zh) * | 2013-11-15 | 2014-02-05 | 中南大学 | 泡沫图像多尺度多方向纹理特征的提取方法 |
CN104778756A (zh) * | 2015-04-10 | 2015-07-15 | 北京明兰网络科技有限公司 | 智能家居装饰设计系统 |
CN105954158A (zh) * | 2016-06-20 | 2016-09-21 | 中国矿业大学(北京) | 颗粒与气泡碰撞、吸附行为测量装置及方法 |
CN106334627A (zh) * | 2016-10-31 | 2017-01-18 | 中国矿业大学 | 浮选柱及使用其进行分选矿浆的方法 |
CN106669980A (zh) * | 2016-06-20 | 2017-05-17 | 中国矿业大学 | 一种基于胶质气泡的微细粒氧化煤泥的分选方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10315202B2 (en) * | 2015-07-14 | 2019-06-11 | International Business Machines Corporation | Engulfed nano/micro bubbles for improved recovery of large particles in a flotation cell |
-
2017
- 2017-06-14 CN CN201710448788.6A patent/CN107705283B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1987351A (zh) * | 2005-12-23 | 2007-06-27 | 鸿富锦精密工业(深圳)有限公司 | 三次元离线碰撞检测系统及方法 |
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 |
CN103313796A (zh) * | 2010-11-03 | 2013-09-18 | 西门子公司 | 浮选机和浮选方法 |
CN103559496A (zh) * | 2013-11-15 | 2014-02-05 | 中南大学 | 泡沫图像多尺度多方向纹理特征的提取方法 |
CN104778756A (zh) * | 2015-04-10 | 2015-07-15 | 北京明兰网络科技有限公司 | 智能家居装饰设计系统 |
CN105954158A (zh) * | 2016-06-20 | 2016-09-21 | 中国矿业大学(北京) | 颗粒与气泡碰撞、吸附行为测量装置及方法 |
CN106669980A (zh) * | 2016-06-20 | 2017-05-17 | 中国矿业大学 | 一种基于胶质气泡的微细粒氧化煤泥的分选方法 |
CN106334627A (zh) * | 2016-10-31 | 2017-01-18 | 中国矿业大学 | 浮选柱及使用其进行分选矿浆的方法 |
Non-Patent Citations (5)
Title |
---|
"Collision and attachment behavior between fine cassiterite particles and H2 bubbles";Liu-yi Ren等;《Transactions of Nonferrous Metals Society of China》;20141231;第24卷;第520-527页 * |
"利用阈值分割技术提取煤泥浮选泡沫图像的物理特征";路迈西等;《煤炭科学技术》;20020831;第30卷(第8期);第34-37页 * |
"图像处理技术用于评估矿物浮选过程的质量";M·瓜里尼等;《国外金属矿选矿》;19991231(第12期);第38-41页 * |
"基于ARM的气泡图像处理系统研究";刘晓文;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140815(第8期);第I138-1041页 * |
"煤泥浮选泡沫的图像处理";王凡等;《煤炭科学技术》;20011130;第29卷(第11期);第28-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107705283A (zh) | 2018-02-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705283B (zh) | 基于Otsu图像分割的颗粒与气泡碰撞检测方法 | |
CN109870461B (zh) | 一种电子元器件质量检测系统 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN107808378B (zh) | 基于垂直纵横线轮廓特征的复杂结构铸件潜在缺陷检测方法 | |
CN104990925B (zh) | 一种基于梯度多阈值优化缺陷检测方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN107607554A (zh) | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 | |
CN102305798B (zh) | 基于机器视觉的玻璃缺陷的检测与分类方法 | |
CN110008932B (zh) | 一种基于计算机视觉的车辆违章压线检测方法 | |
CN109472822A (zh) | 基于深度图像处理的物体尺寸测量方法 | |
Jie et al. | Real-time rail head surface defect detection: A geometrical approach | |
CN107292310A (zh) | 一种圆形指针式表盘视觉定位及自动读数方法 | |
CN114820773B (zh) | 基于计算机视觉的筒仓运输车辆车厢位置检测方法 | |
CN111060442B (zh) | 一种基于图像处理的油液颗粒检测方法 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN110490839B (zh) | 一种检测高速公路中损坏区域的方法、装置及计算机设备 | |
CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
CN112132821B (zh) | 一种基于图像处理的开口销丢失检测方法 | |
CN106485694A (zh) | 一种基于级联分类器的高铁接触网双套管连接器六边形螺母脱落不良状态检测方法 | |
CN109978940A (zh) | 一种sab安全气囊尺寸视觉测量方法 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN112232222B (zh) | 基于图像处理的动车轴箱端盖螺栓丢失故障检测方法 | |
CN108009574A (zh) | 一种轨道扣件检测方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
Lin et al. | A new prediction method for edge detection based on human visual feature |
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 |