CN109815963B - 基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法 - Google Patents
基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法 Download PDFInfo
- Publication number
- CN109815963B CN109815963B CN201910078595.5A CN201910078595A CN109815963B CN 109815963 B CN109815963 B CN 109815963B CN 201910078595 A CN201910078595 A CN 201910078595A CN 109815963 B CN109815963 B CN 109815963B
- Authority
- CN
- China
- Prior art keywords
- target area
- sliding
- window
- flotation tailing
- median
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，涉及浮选尾矿泡沫图像处理技术领域。本发明步骤如下：步骤1：获取浮选尾矿泡沫图像；步骤2：设定目标区域的滑窗大小和滑动步长；步骤3：从浮选尾矿泡沫图像左上开始向右滑动，记录每个窗体中亮点及暗点个数；步骤4：滑动结束，共获得i个窗体，窗体滑动至图像右下时，统计所有窗体亮点及暗点个数的中位数，中位数所对应的窗体位置作为目标区域，输出满足输出条件的目标区域。本发明通过滑窗技术，计算每个窗体的亮点个数，最终通过亮点个数自动选取目标区域。
Description
技术领域
本发明涉及浮选尾矿泡沫图像处理技术领域，尤其涉及一种基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法。
背景技术
浮选过程是一种强非线性、强耦合性、大滞后的多输入多输出的连续复杂工业过程，存在大量不确定信息和多样化的海量数据，使得传统控制方法和现代控制理论无能为力，利用传统的传感器系统识别浮选状态又有其不可避免的问题。目前浮选状态识别存在着以下几个比较突出的问题：(1)检测设备昂贵，安装维护费用高；(2)现场环境恶劣多变，难以保证检测设备的稳定性和可靠性；(3)实用有效的识别模型研究滞后。由于浮选泡沫图像可以反映浮选状态，与工业浮选过程有着密切关系，针对铁矿浮选中的问题，可以把图像处理技术引入浮选过程控制中，建立基于图像处理的浮选状态识别系统。而图像处理有其自身的优势：与载流分析仪等设备相比，价格非常低廉，维护费用低，而且图像特征代表了浮选状态，其实时性容易得到保证。
目前浮选泡沫图像目标区域选择方法通常为固定位置，但是由于拍照时光线、模糊程度、有无遮挡物等不确定干扰因素的存在，采用固定位置作为目标区域的方法难以准确的反映出浮选尾矿的实际性质，给后续的品位预测工作带来了很大困难。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，本发明通过滑窗技术，计算每个窗体的亮点个数，最终通过亮点个数自动选取目标区域。
为解决上述技术问题，本发明所采取的技术方案是：
本发明提供一种基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，包括如下步骤：
步骤1：获取浮选尾矿泡沫图像；
步骤2：设定目标区域的滑窗大小和滑动步长；
步骤3：从浮选尾矿泡沫图像左上开始向右滑动，记录每个窗体中亮点及暗点个数；
步骤4：滑动结束，窗体滑动至图像右下时，统计所有窗体亮点及暗点个数的中位数，中位数所对应的窗体位置作为目标区域，输出满足输出条件的目标区域。
所述步骤2中，滑窗大小即为目标区域的大小，根据现场实际情况确定；滑动步长即为窗体每次滑动的距离，步长值的大小决定了滑动的快慢，和窗体图像质量的优劣，根据实际需要设定。
所述步骤3中，所述亮点为灰度值高于190像素的点；所述暗点为灰度值小于40像素的点。
所述步骤4中，目标区域自动选取时，输出目标区域的条件为亮点个数为中位数是首要条件其次为暗点个数为中位数；亮点个数为中位数的窗体有多个时，取其中暗点个数为中位数的窗体；若依然存在多个，则选择最靠近中心位置的窗体作为目标区域。
采用上述技术方案所产生的有益效果在于：本发明提供的基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法；本发明可以根据窗体中亮点及暗点个数自动选取浮选尾矿泡沫图像目标区域。由于在对浮选泡沫进行图像采集时，液面是波动的，其反光角度无法确定，这就导致有时泡沫图像固定位置目标区域中的图像特征与真实值有较大偏差，不能准确的反映尾矿性质，本发明采取基于滑窗技术的目标区域自动获取方法，有效的解决了这个问题。
附图说明
图1为本发明实施例提供的浮选尾矿泡沫图像目标区域自动获取方法流程图；
图2为本发明实施例提供的窗体在泡沫图像目标区域上；
图3为本发明实施例提供的输出的目标区域。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
如图1所示，以某选矿厂实际情况为例，本实施例的方法如下所述。
一种基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，包括如下步骤：
步骤1：获取浮选尾矿泡沫图像；采集800像素*600像素大小的浮选尾矿泡沫图像；
步骤2：设定目标区域的滑窗大小和滑动步长；所述滑窗大小即为目标区域的大小，根据现场实际情况确定；滑动步长即为窗体每次滑动的距离，步长值的大小决定了滑动的快慢，和窗体图像质量的优劣，根据实际需要设定。
本实施例中如图2所示滑窗的大小设为200*200像素，步长设为1像素；
步骤3：从浮选尾矿泡沫图像左上开始向右滑动，记录每个窗体中亮点及暗点个数；亮点个数为灰度值高于190的像素点个数；暗点个数为灰度值小于40的像素点个数。
步骤4：滑动结束，共获得i个窗体，窗体滑动至图像右下时，统计所有窗体亮点及暗点个数的中位数，如表1所示，遍历所有窗体，中位数所对应的窗体位置(如图2框选部分)即为目标区域，
输出满足输出条件的目标区域。
本实施例中目标区域如图3所示。
目标区域自动选取时，输出目标区域的条件：亮点个数为中位数是首要条件其次为暗点个数为中位数；亮点个数为中位数的窗体有多个时，取其中暗点个数为中位数的窗体；若依然存在多个，则选择最靠近中心位置的窗体作为目标区域。
表1亮点及暗点中位数
| 名称 | 亮点个数 | 暗点个数 |
| 中位数 | 5487 | 4612 |
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (4)
1.一种基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，其特征在于：包括如下步骤：
步骤1：获取浮选尾矿泡沫图像；
步骤2：设定目标区域的滑窗大小和滑动步长；
步骤3：从浮选尾矿泡沫图像左上开始向右滑动，记录每个窗体中亮点及暗点个数；
步骤4：滑动结束，窗体滑动至图像右下时，统计所有窗体亮点及暗点个数的中位数，中位数所对应的窗体位置作为目标区域，输出满足输出条件的目标区域。
2.根据权利要求1所述的基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，其特征在于：所述步骤2中，滑窗大小即为目标区域的大小，根据现场实际情况确定；滑动步长即为窗体每次滑动的距离，步长值的大小决定了滑动的快慢，和窗体图像质量的优劣，根据实际需要设定。
3.根据权利要求1所述的基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，其特征在于：所述步骤3中，所述亮点为灰度值高于190像素的点；所述暗点为灰度值小于40像素的点。
4.根据权利要求1所述的基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法，其特征在于：所述步骤4中，目标区域选取时，输出目标区域的条件为亮点个数为中位数是首要条件，其次为暗点个数为中位数；亮点个数为中位数的窗体有多个时，取其中暗点个数为中位数的窗体；若依然存在多个，则选择最靠近中心位置的窗体作为目标区域。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078595.5A CN109815963B (zh) | 2019-01-28 | 2019-01-28 | 基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910078595.5A CN109815963B (zh) | 2019-01-28 | 2019-01-28 | 基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109815963A CN109815963A (zh) | 2019-05-28 |
| CN109815963B true CN109815963B (zh) | 2022-03-04 |
Family
ID=66605424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910078595.5A Active CN109815963B (zh) | 2019-01-28 | 2019-01-28 | 基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109815963B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| 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 |
| CN102855492B (zh) * | 2012-07-27 | 2015-02-04 | 中南大学 | 基于矿物浮选泡沫图像的分类方法 |
| CA2886752C (en) * | 2012-10-29 | 2023-06-06 | Francois Eberhardt Du Plessis | Provision of data on the froth in a froth flotation plant |
| CN103398753B (zh) * | 2013-08-21 | 2015-11-11 | 冶金自动化研究设计院 | 基于机器视觉的浮选液位在线检测装置及方法 |
| CN104634265B (zh) * | 2015-02-15 | 2017-06-20 | 中南大学 | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 |
-
2019
- 2019-01-28 CN CN201910078595.5A patent/CN109815963B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109815963A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101510356B (zh) | 视频检测系统及其数据处理装置、视频检测方法 | |
| CN101827204B (zh) | 一种运动目标侦测方法及系统 | |
| CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
| DE102009015142B4 (de) | Fahrzeugumgebungs-Erkennungs-Vorrichtung und Steuerungssystem zum Verfolgen eines vorausfahrenden Fahrzeugs | |
| CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
| CN103198705B (zh) | 车位状态自动检测方法 | |
| CN104616290A (zh) | 一种统计矩阵模型和自适应阈值相结合的目标检测算法 | |
| CN101739692B (zh) | 实时视频目标的快速相关跟踪方法 | |
| CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
| CN103778613B (zh) | 一种窗口自适应的极化sar影像滤波方法 | |
| CN111080582A (zh) | 工件内外表面缺陷检测方法 | |
| CN101996307A (zh) | 智能视频人体识别方法 | |
| CN109993154A (zh) | 变电站单指针式六氟化硫型仪表智能识别方法 | |
| CN105139391A (zh) | 一种雾霾天气交通图像边缘检测方法 | |
| CN110751669A (zh) | 一种新型cbocp在线红外转炉出钢钢流自动检测与跟踪方法及系统 | |
| CN114511519A (zh) | 一种基于图像处理的列车车底螺栓丢失检测方法 | |
| CN112801965A (zh) | 一种基于卷积神经网络的烧结皮带异物监测方法及系统 | |
| CN109815963B (zh) | 基于滑窗技术的浮选尾矿泡沫图像目标区域自动获取方法 | |
| CN112669269A (zh) | 一种基于图像识别的管道缺陷分类分级方法及系统 | |
| CN110033469B (zh) | 一种亚像素边缘检测方法及系统 | |
| CN116958120A (zh) | 一种基于梯度分布特性的微弱目标信号提取方法 | |
| Li et al. | Research on glass surface quality inspection based on machine vision | |
| CN100555329C (zh) | 基于小波多尺度变换视频前景运动对象分割方法 | |
| CN114120061A (zh) | 一种面向电力巡检场景的小目标缺陷检测方法及系统 | |
| CN110490879B (zh) | 一种基于亮点距离的浮选尾矿泡沫大小判定方法 |
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 |