CN110766673B - 一种基于欧式距离判定的纹理粗糙度定义方法 - Google Patents
一种基于欧式距离判定的纹理粗糙度定义方法 Download PDFInfo
- Publication number
- CN110766673B CN110766673B CN201911005614.8A CN201911005614A CN110766673B CN 110766673 B CN110766673 B CN 110766673B CN 201911005614 A CN201911005614 A CN 201911005614A CN 110766673 B CN110766673 B CN 110766673B
- Authority
- CN
- China
- Prior art keywords
- bubble
- particle
- sub
- gray
- block
- 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
- G06T7/11—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
- G06T7/136—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
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
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 Materials By Optical Means (AREA)
Abstract
一种基于欧式距离判定的纹理粗糙度定义方法,在泡沫浮选领域,提出一种新的基于欧式距离的纹理特征度量方法,此方法基于现场设置的数字图像采集系统提取泡沫图像,提出了颗粒区域的概念,并运用欧式距离判定的方法对泡泡表面的颗粒区域进行准确提取,对所提取的颗粒区域进行一系列的度量,定义了纹理特征量颗粒粗糙度,用以反映整幅图像的纹理特征。该方法有效弥补了传统的纹理特征提取方法没有考虑泡沫表面颗粒的缺陷,从而可以更准确的判断工况并有效指导加药。
Description
技术领域
本发明属于泡沫浮选技术领域,具体涉及一种锌浮选过程中的纹理特征度量方法。
背景技术
泡沫浮选是国内外广泛应用的一种选矿方法,该方法能依据矿物表面亲水性与疏水性的差异,有效地将目标矿物分离出来。泡沫浮选过程将目标矿物与其共生的脉石研磨成合适大小的颗粒然后送入浮选槽中,通过添加药剂调整不同矿物颗粒表面性质同时在浮选过程中不断地搅拌和鼓风,使矿浆中形成大量具有不同尺寸、形态、纹理等特征信息的气泡,使有用矿物颗粒粘附在气泡表面,气泡携带矿物颗粒上升至浮选槽表面形成泡泡层,脉石矿物留在矿浆中,从而实现矿物分选。由于浮选工艺流程长、内部机理不明确、影响因素多、涉及变量多且非线性严重、工艺指标不能在线检测等原因,一直以来,浮选过程主要依靠人工肉眼观察浮选槽表面泡泡状态来完成现场操作,这种生产方式主观性强,难以实现浮选泡泡状态的客观评价与认知,造成浮选生产指标波动频繁、矿物原料流失严重、药剂消耗量大、资源回收率低等情况发生,特别在高品位矿物资源日益匮乏的今天,浮选矿源成分复杂、矿物品味低,浮选生产人工操作更加难以有效进行。将机器视觉应用到浮选过程中,利用数字图像处理技术对浮选泡泡图像进行分析,能实现对泡泡状态的客观描述,再进一步寻找与分析泡泡特征参数与工艺指标的关系,从而推进了浮选过程的生产自动化。浮选泡泡随着浮选状态的不同而呈现出特殊的纹理状态,泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合体现,它与加药量、通气量等浮选生产操作变量及精矿品位、尾矿含量等浮选生产指标密切相关,当前的泡泡纹理信息提取方法主要是提取局部特征,存在提取的精度不够且纹理提取过程中没有考虑到泡泡表面颗粒等问题,难以准确反映工况,而实际上,泡泡表面常常附着一些矿石或者杂志小颗粒,造成泡泡表面粗糙不平,而这些小颗粒的出现的数量与其内部纹理特征与锌精矿品位有密切关系,针对之前的研究没有考虑到泡泡表面颗粒的问题,提出一种基于欧式距离判定的纹理特征度量方法,此方法基于现场设置的数字图像采集系统提取泡泡图像,继而对泡泡表面的颗粒区域进行准确提取,并对颗粒内部纹理状况以及全局纹理特征进行量化度量,定义了纹理特征颗粒粗糙度,有效避免了传统的纹理特征提取方法的局限性,从而更准确的判断工况并有效指导加药。
发明内容
本发明的目的是提供一种基于欧式距离判定的纹理粗糙度定义方法,在浮选生产中,浮选泡泡表面纹理是反映矿石品位的重要视觉信息,与浮选工况密切相关,直接反映泡泡层的矿化程度。针对目前存在的浮选泡泡图像的纹理特征提取没有考虑泡泡表面颗粒的问题,定义了纹理特征度量方法颗粒粗糙度。该方法首先对泡泡图像进行分割,提取出感兴趣泡泡,然后泡泡表面颗粒区域进行提取,进而基于颗粒区域计算颗粒粗糙度,并对颗粒粗糙度如何反应工况的问题进行了分析说明,表明它能更准确地对矿物品位进行调控并指导浮选生产。本发明采用的技术方案步骤如下:
步骤一:利用浮选现场图像采集系统收集锌浮选的泡泡视频并将泡泡视频转换为连续图像,对采集到的锌浮选图像数据进行数据预处理,如下:
1)剔除超出正常变化阈值的错误数据;
2)剔除不完整的数据;
步骤二:将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A:
egf表示的是灰度图像中的每一个像素点对应的灰度值,其中,g∈N,f∈N,N∈(400,800);
步骤三:泡泡图像中,泡泡常规的形态是表面光滑,高亮点位于单个泡泡凸起曲面的顶端,高亮点区域呈现最小灰度值,而以高亮点为中心,灰度值向下逐渐递增,在到达泡泡边界时达到最大值;而实际上,泡泡常常附着一些矿石或者杂志小颗粒,造成泡泡表面粗糙不平,而这些小颗粒的出现的数量与分布密集度与加药量和锌精矿品位有关系;
首先,对泡泡进行分割,采用分水岭的方法将泡泡分割得到h个单个的泡泡,并储存各个泡泡的灰度矩阵,得到单个泡泡的灰度矩阵集合B={b1,b2,b3,...,bλ,...,bh},bλ是第λ个泡泡灰度数值矩阵,h是分割后泡泡总的个数,在分割后的单个泡泡图像集合当中,筛选出泡泡尺寸大于1200像素值的泡泡,即为感兴趣区域,对于筛选后的泡泡,用单个泡泡的灰度均值代替此泡泡高亮点部分的灰度值,得到待检测泡泡灰度矩阵集合C={c1,c2,c3,...,cε,...,cK},K是符合泡泡尺寸要求的泡泡个数。
步骤四:颗粒区域的检测:
对于筛选后得到的的单个泡泡,分别对每一个泡泡进行以下操作:
S1:取30×30像素点大小的子块作为窗口,沿着泡泡边界由上到下由左往右进行滑动,空缺的像素部分由存在横向相邻像素进行填充,步长设定为5;
S2:采用滑动窗口的方法将单个泡泡图像分割为上下左右间隔为5个像素点的30×30的矩形子块区域,并对分割后的矩形子块区域进行判定以筛选出颗粒区域,判定的方法具体为:
(1)对于任一个子块区域,共有八个方向的相邻子块,以子块O0的右边(即0°方向)为例,标记其右侧第六个子块O1,即子块O0的右边线与子块O1的左边线重叠,同理,在以子块O0为中心的8个方向(0°,45°,90°,135°,180°,225°,270°,315°)上标记出8个相邻子块区域O1,O2,...,O8;
(2)计算正在判定的区域子块O0的像素灰度值的均值与方差组合(μ0,σ0),并分别计算得到其相邻子块O1,O2,...,O8的灰度均值与方差组合(με,σε)(ε=1,2,...,8);
步骤五:颗粒粗糙度的计算:
(1)对于泡泡cε,由步骤四提取出颗粒区域Dτ,τ∈(1,2,...,Lε),Lε是泡泡cε中颗粒区域的总个数,并记Qε为该泡泡中所含像素点的个数,对于颗粒区域Dτ,其灰度矩阵的横轴用x表示,纵轴用y表示,记该区域像素点的个数为Sτ,其中各个像素点的灰度值记作记μτ为这Sτ个像素点的灰度均值,即同时计算该颗粒区域内像素点灰度值的方差στ 2,即
(2)泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合表述,泡泡的粗糙度和对比度与泡泡表面矿物的富集程度有关,而在粗糙度特征的提取过程中,颗粒区域的内部纹理是一项重要特征,对浮选生产具有重要的指示作用,对于颗粒区域Dτ,综合考虑其尺寸大小对粗糙度的影响,计算该颗粒区域中像素点个数与泡泡中像素点总个数的比值δτ,即
对于不满足条件①、②、③的颗粒区域定义为其他颗粒区域;
记整幅图像的显著颗粒区域的个数为q,一般颗粒区域的个数为s,轻微颗粒区域的个数为w,其他颗粒区域的个数为u,显著颗粒区域、一般颗粒区域、轻微颗粒区域、其他颗粒区域所占权重分别设定为0.4、0.3、0.2、0.1,定义整幅图像的颗粒粗糙度G,如下式所示:
G=0.4q+0.3s+0.2w+0.1u
步骤六:通过颗粒粗糙度判定工况:
当处于状态①时,泡泡表面纹理较细,药剂过量,泡泡中承载的矿物粒子超过了泡泡的承载量而使泡泡大量破碎,药剂浪费比较严重而且精矿品位低;
当处于状态②时,浮选药剂适量,浮选性能好,浮选生产效率高;
当处于状态③时,矿浆粘性低,药剂添加量欠缺,泡泡含矿量较少,含水量高,精矿品位低。
步骤二中将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A,其中N∈(400,800)。
本发明定义了纹理特征颗粒密集度,用以反映整幅图像的纹理特征,有效避免了传统的纹理特征提取方法的局限性,并有效克服了浮选现场光照不均匀现象对纹理特征提取造成的影响,从而更准确的判断工况并有效指导加药。
附图说明
图1是本基于欧式距离判定的纹理粗糙度定义方法的流程图。
图2是步骤四中所提取的颗粒区域示意图。
具体实施方式
图1是本发明流程图。
步骤一:利用浮选现场图像采集系统收集锌浮选的泡泡视频并将泡泡视频转换为连续图像,对采集到的锌浮选图像数据进行数据预处理,如下:
1)剔除超出正常变化阈值的错误数据;
2)剔除不完整的数据;
步骤二:将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A:
egf表示的是灰度图像中的每一个像素点对应的灰度值,其中,g∈N,f∈N,N∈(400,800);
步骤三:泡泡图像中,泡泡常规的形态是表面光滑,高亮点位于单个泡泡凸起曲面的顶端,高亮点区域呈现最小灰度值,而以高亮点为中心,灰度值向下逐渐递增,在到达泡泡边界时达到最大值;而实际上,泡泡常常附着一些矿石或者杂志小颗粒,造成泡泡表面粗糙不平,而这些小颗粒的出现的数量与分布密集度与加药量和锌精矿品位有关系;
首先,对泡泡进行分割,采用分水岭的方法将泡泡分割得到h个单个的泡泡,并储存各个泡泡的灰度矩阵,得到单个泡泡的灰度矩阵集合B={b1,b2,b3,...,bλ,...,bh},bλ是第λ个泡泡灰度数值矩阵,h是分割后泡泡总的个数,在分割后的单个泡泡图像集合当中,筛选出泡泡尺寸大于1200像素值的泡泡,即为感兴趣区域,对于筛选后的泡泡,用单个泡泡的灰度均值代替此泡泡高亮点部分的灰度值,得到待检测泡泡灰度矩阵集合C={c1,c2,c3,...,cε,...,cK},K是符合泡泡尺寸要求的泡泡个数。
步骤四:颗粒区域的检测:
对于筛选后得到的的单个泡泡,分别对每一个泡泡进行以下操作:
S1:取30×30像素点大小的子块作为窗口,沿着泡泡边界由上到下由左往右进行滑动,空缺的像素部分由存在横向相邻像素进行填充,步长设定为5;
S2:采用滑动窗口的方法将单个泡泡图像分割为上下左右间隔为5个像素点的30×30的矩形子块区域,并对分割后的矩形子块区域进行判定以筛选出颗粒区域,判定的方法具体为:
(4)对于任一个子块区域,共有八个方向的相邻子块,以子块O0的右边(即0°方向)为例,标记其右侧第六个子块O1,即子块O0的右边线与子块O1的左边线重叠,同理,在以子块O0为中心的8个方向(0°,45°,90°,135°,180°,225°,270°,315°)上标记出8个相邻子块区域O1,O2,...,O8;
(5)计算正在判定的区域子块O0的像素灰度值的均值与方差组合(μ0,σ0),并分别计算得到其相邻子块O1,O2,...,O8的灰度均值与方差组合(με,σε)(ε=1,2,...,8);
(6)计算子块O0与子块O1,O2,...,O8之间的灰度均值和方差组合之间的欧氏距离进而计算8个相邻子块O1,O2,...,O8相互之间的欧式距离当成立时则判定为子块O0为颗粒区域,图2是所提取的颗粒区域示意图。
步骤五:颗粒粗糙度的计算:
(1)对于泡泡cε,由步骤四提取出颗粒区域Dτ,τ∈(1,2,...,Lε),Lε是泡泡cε中颗粒区域的总个数,并记Qε为该泡泡中所含像素点的个数,对于颗粒区域Dτ,其灰度矩阵的横轴用x表示,纵轴用y表示,记该区域像素点的个数为Sτ,其中各个像素点的灰度值记作记μτ为这Sτ个像素点的灰度均值,即同时计算该颗粒区域内像素点灰度值的方差στ 2,即
(2)泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合表述,泡泡的粗糙度和对比度与泡泡表面矿物的富集程度有关,而在粗糙度特征的提取过程中,颗粒区域的内部纹理是一项重要特征,对浮选生产具有重要的指示作用,对于颗粒区域Dτ,综合考虑其尺寸大小对粗糙度的影响,计算该颗粒区域中像素点个数与泡泡中像素点总个数的比值δτ,即
对于不满足条件①、②、③的颗粒区域定义为其他颗粒区域;
记整幅图像的显著颗粒区域的个数为q,一般颗粒区域的个数为s,轻微颗粒区域的个数为w,其他颗粒区域的个数为u,显著颗粒区域、一般颗粒区域、轻微颗粒区域、其他颗粒区域所占权重分别设定为0.4、0.3、0.2、0.1,定义整幅图像的颗粒粗糙度G,如下式所示:
G=0.4q+0.3s+0.2w+0.1u
步骤六:通过颗粒粗糙度判定工况:
当处于状态①时,泡泡表面纹理较细,药剂过量,泡泡中承载的矿物粒子超过了泡泡的承载量而使泡泡大量破碎,药剂浪费比较严重而且精矿品位低;
当处于状态②时,浮选药剂适量,浮选性能好,浮选生产效率高;
当处于状态③时,矿浆粘性低,药剂添加量欠缺,泡泡含矿量较少,含水量高,精矿品位低。
步骤二中将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A,其中N∈(400,800)。
本发明定义了纹理特征颗粒密集度,用以反映整幅图像的纹理特征,有效避免了传统的纹理特征提取方法的局限性,并有效克服了浮选现场光照不均匀现象对纹理特征提取造成的影响,从而更准确的判断工况并有效指导加药。
Claims (3)
1.一种基于欧式距离判定的纹理粗糙度定义方法,其特征在于,包括以下步骤:
步骤一:利用浮选现场图像采集系统收集历史时刻的锌浮选的泡泡视频并将泡泡视频转换为多帧的连续图像,对采集到的锌浮选图像数据进行数据预处理;
步骤二:将泡泡图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A
egf表示的是灰度图像中的每一个像素点对应的灰度值,其中,g∈N,f∈N;
步骤三:对泡泡进行分割,采用分水岭的方法将泡泡分割得到h个单个的泡泡,并储存各个泡泡的灰度矩阵,得到单个泡泡的灰度矩阵集合B={b1,b2,b3,...,bλ,...,bh},bλ是第λ个泡泡灰度数值矩阵,在分割后的单个泡泡图像集合当中,筛选出尺寸大于1200像素值的泡泡,记作C={c1,c2,c3,...,cε,...,cK},K是符合泡泡尺寸要求的单个泡泡的个数;
步骤四:颗粒区域的检测
对于筛选后得到的的单个泡泡区域,分别对每一个泡泡进行以下操作:
S1:将筛选后的泡泡分割成上下左右间隔为5个像素点的30×30的矩形子块区域;
S2:对于每一个分割后的矩形子块区域,标记出8个相邻子块区域组成九宫格形式,并分别计算得到各个子块的灰度均值与方差组合;然后计算该子块与其邻域子块灰度均值和方差组合之间的欧氏距离,并对结果进行判定以得到颗粒区域;
步骤五:颗粒粗糙度的计算:
(1)对于泡泡cε,由步骤四提取出颗粒区域Dτ,τ∈(1,2,...,Lε),Lε是泡泡cε中颗粒区域的总个数,并记Qε为该泡泡中所含像素点的个数,对于颗粒区域Dτ,其灰度矩阵的横轴用x表示,纵轴用y表示,记该区域像素点的个数为Sτ,其中各个像素点的灰度值记作记μτ为这Sτ个像素点的灰度均值,即同时计算该颗粒区域内像素点灰度值的方差στ 2,即
(2)泡泡图像的纹理是泡泡表面粗糙度、对比度和黏性的综合表述,泡泡的粗糙度和对比度与泡泡表面矿物的富集程度有关,而在粗糙度特征的提取过程中,颗粒区域的内部纹理是一项重要特征,对浮选生产具有重要的指示作用,对于颗粒区域Dτ,综合考虑其尺寸大小对粗糙度的影响,计算该颗粒区域中像素点个数与泡泡中像素点总个数的比值δτ,即
对于不满足条件①、②、③的颗粒区域定义为其他颗粒区域;
记整幅图像的显著颗粒区域的个数为q,一般颗粒区域的个数为s,轻微颗粒区域的个数为w,其他颗粒区域的个数为u,显著颗粒区域、一般颗粒区域、轻微颗粒区域、其他颗粒区域所占权重分别设定为0.4、0.3、0.2、0.1,定义整幅图像的颗粒粗糙度G,如下式所示:
G=0.4q+0.3s+0.2w+0.1u
步骤六:通过颗粒粗糙度判定工况:
当处于状态①时,泡泡表面纹理较细,药剂过量,泡泡中承载的矿物粒子超过了泡泡的承载量而使泡泡大量破碎,药剂浪费比较严重而且精矿品位低;
当处于状态②时,浮选药剂适量,浮选性能好,浮选生产效率高;
当处于状态③时,矿浆粘性低,药剂添加量欠缺,泡泡含矿量较少,含水量高,精矿品位低。
2.根据权利要求1所述的一种基于欧式距离判定的纹理粗糙度定义方法,其特征在于,所述步骤二包括:将泡沫图像由RGB彩色图像转化为灰度图像,得到图像的灰度矩阵A,其中N∈(400,800)。
3.根据权利要求1所述的一种基于欧式距离判定的纹理粗糙度定义方法,其特征在于,所述步骤四S2包括:采用滑动窗口的方法将单个泡沫图像分割为上下左右间隔为5个像素点的30×30的矩形子块区域,并对分割后的矩形子块区域进行判定以筛选出颗粒区域,判定的方法具体为:
(1)对于任一一个子块区域,共有八个方向的相邻子块,以子块O0的右边,即0°方向出发,标记其右侧第六个子块O1,即子块O0的右边线与子块O1的左边线重叠,同理,在以子块O0为中心的8个方向,即0°,45°,90°,135°,180°,225°,270°,315°,标记出8个相邻子块区域O1,O2,...,O8;
(2)计算正在判定的区域子块O0的像素灰度值的均值与方差组合(μ0,σ0),并分别计算得到其相邻子块O1,O2,...,O8的灰度均值与方差组合(με,σε),ε=1,2,...,8;
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661721X | 2019-07-22 | ||
CN201910661721 | 2019-07-22 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110766673A CN110766673A (zh) | 2020-02-07 |
CN110766673B true CN110766673B (zh) | 2021-04-30 |
Family
ID=69332701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911005614.8A Active CN110766673B (zh) | 2019-07-22 | 2019-10-22 | 一种基于欧式距离判定的纹理粗糙度定义方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110766673B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0857351A (ja) * | 1994-08-18 | 1996-03-05 | Chichibu Onoda Cement Corp | 石炭灰の処理方法 |
JP2004354100A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 容器内液体中の異物検出方法及びその装置 |
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
CN107392232A (zh) * | 2017-06-23 | 2017-11-24 | 中南大学 | 一种浮选工况分类方法和系统 |
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 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1278281C (zh) * | 2004-11-11 | 2006-10-04 | 上海交通大学 | 目标图像自动识别与快速跟踪的方法 |
US9534098B2 (en) * | 2010-02-26 | 2017-01-03 | Peterson Chemical Technology, Llc. | Enhanced thermally conductive cushioning foams by addition of metal materials |
CN104050687A (zh) * | 2014-06-26 | 2014-09-17 | 中国矿业大学(北京) | 一种浮选泡沫运动模式的分析处理方法 |
-
2019
- 2019-10-22 CN CN201911005614.8A patent/CN110766673B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0857351A (ja) * | 1994-08-18 | 1996-03-05 | Chichibu Onoda Cement Corp | 石炭灰の処理方法 |
JP2004354100A (ja) * | 2003-05-27 | 2004-12-16 | Matsushita Electric Works Ltd | 容器内液体中の異物検出方法及びその装置 |
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
CN106257498A (zh) * | 2016-07-27 | 2016-12-28 | 中南大学 | 基于异构纹理特征的锌浮选工况状态划分方法 |
CN107392232A (zh) * | 2017-06-23 | 2017-11-24 | 中南大学 | 一种浮选工况分类方法和系统 |
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 |
Non-Patent Citations (2)
Title |
---|
EFFECT OF SURFACE ROUGHNESS ON INTERACTION OF PARTICLES IN FLOTATION;Firat Karakas 等;《Physicochemical Problems of Mineral Processing》;20161231;第52卷(第1期);第18-34页 * |
一种新的浮选泡沫图像纹理特征提取方法;桂卫华 等;《中国科技论文》;20120415;第7卷(第4期);第277-281页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110766673A (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047555B (zh) | 基于图像处理技术的矿石图像粒度检测算法 | |
CA3006240C (en) | A stepwise refinement detection method for pavement cracks | |
CN114998350B (zh) | 基于图像处理的石材缺陷检测方法 | |
CN109472261B (zh) | 一种基于计算机视觉的粮仓储粮数量变化自动监测方法 | |
Lin et al. | Bubble size estimation for flotation processes | |
CN110230978A (zh) | 一种耐火砖几何尺寸测量方法 | |
Liu et al. | Recognition of the operational statuses of reagent addition using dynamic bubble size distribution in copper flotation process | |
CN104408724A (zh) | 基于深度信息的泡沫浮选液位监测和工况识别方法及系统 | |
CN107314957B (zh) | 一种岩石块度尺寸分布的测量方法 | |
YANG et al. | Bubble size estimation using interfacial morphological information for mineral flotation process monitoring | |
CN110728677B (zh) | 一种基于滑动窗口算法的纹理粗糙度定义方法 | |
CN102680050B (zh) | 一种基于泡沫图像特征和通风量的硫浮选液位测量方法 | |
CN101510262A (zh) | 一种钢中析出粒子的自动测量及其形态分类方法 | |
CN110728676B (zh) | 一种基于滑动窗口算法的纹理特征度量方法 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN110728253B (zh) | 一种基于颗粒粗糙度的纹理特征度量方法 | |
CN114694144B (zh) | 一种基于深度学习的钢中非金属夹杂物的智能识别和评级方法 | |
CN108647722A (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
CN107516315B (zh) | 一种基于机器视觉的掘进机出渣监测方法 | |
CN114841453A (zh) | 一种浮选过程的精煤灰分预测方法 | |
CN114882400A (zh) | 一种基于ai智能机器视觉技术的骨料检测分类方法 | |
CN114387328A (zh) | 基于深度学习模型和岩心图像的rqd计算方法 | |
CN110738674B (zh) | 一种基于颗粒密集度的纹理特征度量方法 | |
CN110766673B (zh) | 一种基于欧式距离判定的纹理粗糙度定义方法 | |
CN110647887A (zh) | 用于煤泥浮选泡沫图像分割中内部标记符的提取方法 |
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 |