CN117943213A - 微泡浮选机的实时监测预警***及方法 - Google Patents
微泡浮选机的实时监测预警***及方法 Download PDFInfo
- Publication number
- CN117943213A CN117943213A CN202410355884.6A CN202410355884A CN117943213A CN 117943213 A CN117943213 A CN 117943213A CN 202410355884 A CN202410355884 A CN 202410355884A CN 117943213 A CN117943213 A CN 117943213A
- Authority
- CN
- China
- Prior art keywords
- pulp
- sequence
- real
- training
- time monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 148
- 238000005188 flotation Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 78
- 230000004927 fusion Effects 0.000 claims abstract description 62
- 239000007788 liquid Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 115
- 238000001914 filtration Methods 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims 2
- 239000006260 foam Substances 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 229910052500 inorganic mineral Inorganic materials 0.000 description 9
- 239000011707 mineral Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 239000012141 concentrate Substances 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011084 recovery Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002002 slurry Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000033558 biomineral tissue development Effects 0.000 description 2
- 230000001427 coherent effect Effects 0.000 description 2
- 238000011010 flushing procedure Methods 0.000 description 2
- 230000003116 impacting effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
公开了一种微泡浮选机的实时监测预警***及方法。其首先获取由摄像头采集的矿浆实时监控图像的序列,接着,提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列,然后,提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量,最后,基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警。这样,可以提高目标液位调整的实时性。
Description
技术领域
本申请涉及微泡浮选机领域,且更为具体地,涉及一种微泡浮选机的实时监测预警***及方法。
背景技术
微泡浮选机运行时,给矿矿浆由高压泵打入高压给矿管路,由高压泵提供的压力在出口形成高速射流。高速向下冲击的矿浆射流在下冲管内与自吸式充气阀门提供的空气混合,同时完成矿物的矿化过程。载有矿物的矿化气泡在下冲管底部被挤出,携带精矿的气泡自动上升,尾矿矿浆下行排出。整个浮选过程在下冲管内完成,精矿和尾矿分离在下冲管外浮选机筒体内完成,各工作区域相互独立,互不干扰。
其中,在浮选过程中,目标液位的调整和控制影响着浮选效率和产品质量。目标液位是指浮选槽内的液面高度。由于不同的矿物颗粒对气泡的粘附能力不同,导致浮选泡沫的稳定性和富集程度不同。如果目标液位过高,会造成浮选泡沫过多,导致矿物颗粒的回收效率降低,同时也会增加能耗和药剂消耗。如果目标液位过低,会造成浮选泡沫过少,导致矿物颗粒的分离效果差,同时也会降低设备的处理能力。
现有的调整方式是通过人工观察浮选泡沫的状态,根据经验或者规则进行手动控制。这种方式存在以下问题:一是人工观察受主观因素影响,难以准确区分浮选泡沫多少的界限;二是手动控制受操作人员技能水平和反应速度限制,难以及时响应浮选过程的变化。
因此,期待一种微泡浮选机的实时监测预警方案。
发明内容
有鉴于此,本申请提出了一种微泡浮选机的实时监测预警***及方法,其可以利用摄像头采集矿浆实时监控图像的序列,并通过基于深度学习的图像处理技术来挖掘矿浆的时序状态变化,从而实现对浮选泡沫的实时监控,同时能够基于此来进行对目标液位调整预警的智能化判断。
根据本申请的一方面,提供了一种微泡浮选机的实时监测预警方法,其包括:
获取由摄像头采集的矿浆实时监控图像的序列;
提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列;
提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量;以及
基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警。
在上述的微泡浮选机的实时监测预警方法中,提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列,包括:
计算所述矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图以得到边缘信息特征的序列;
将所述矿浆实时监控图像的序列中各个矿浆实时监控图像经过多级滤波处理后以得到多级滤波处理后的特征的序列;
将所述矿浆实时监控图像的序列中各个矿浆实时监控图像进行分块处理得到多个矿浆图像块后,计算各个所述矿浆图像块的灰度最大值,以得到局部灰度最大值特征的序列;以及
融合所述边缘信息特征的序列、所述多级滤波处理后的特征的序列和所述局部灰度最大值特征的序列以得到所述多维度矿浆特征融合图像的序列。
在上述的微泡浮选机的实时监测预警方法中,计算所述矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图以得到边缘信息特征的序列,包括:
对所述矿浆实时监控图像进行均匀划分以得到多个细胞空间;
计算所述多个细胞空间中各个细胞空间内各像素点的梯度,并根据梯度分布生成多个细胞方向梯度直方图;以及
基于所述多个细胞方向梯度直方图,生成所述梯度方向直方图。
在上述的微泡浮选机的实时监测预警方法中,所述多级滤波处理包括高斯滤波和双边滤波。
在上述的微泡浮选机的实时监测预警方法中,提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量,包括:
将所述多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量。
在上述的微泡浮选机的实时监测预警方法中,将所述多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量,包括:
分别对所述多维度矿浆特征融合图像的序列进行图像分块以得到多个多维度矿浆特征融合图像块的序列;
使用图像块嵌入层分别对所述多个多维度矿浆特征融合图像块的序列中各个多维度矿浆特征融合图像块进行嵌入化以得到多个多维度矿浆特征融合图像块嵌入向量的序列;以及
将所述多个多维度矿浆特征融合图像块嵌入向量的序列通过所述基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量。
在上述的微泡浮选机的实时监测预警方法中,基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警,包括:
将所述矿浆时序语义上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否发出目标液位调整预警。
在上述的微泡浮选机的实时监测预警方法中,还包括训练步骤:对所述基于转换器的矿浆时序语义特征提取器和所述分类器进行训练。
在上述的微泡浮选机的实时监测预警方法中,所述训练步骤,包括:
获取训练数据,所述训练数据包括训练矿浆实时监控图像的序列,以及,是否发出目标液位调整预警的真实值;
计算所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像的梯度方向直方图以得到训练边缘信息特征的序列;
将所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像经过多级滤波处理后以得到训练多级滤波处理后的特征的序列,所述多级滤波处理包括高斯滤波和双边滤波;
将所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像进行分块处理得到多个训练矿浆图像块后,计算各个所述训练矿浆图像块的灰度最大值,以得到训练局部灰度最大值特征的序列;
融合所述训练边缘信息特征的序列、所述训练多级滤波处理后的特征的序列和所述训练局部灰度最大值特征的序列以得到训练多维度矿浆特征融合图像的序列;
将所述训练多维度矿浆特征融合图像的序列通过所述基于转换器的矿浆时序语义特征提取器以得到训练矿浆时序语义上下文关联特征向量;
对所述训练矿浆时序语义上下文关联特征向量进行聚类优化以得到优化后训练矿浆时序语义上下文关联特征向量;
将所述优化后训练矿浆时序语义上下文关联特征向量通过所述分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于转换器的矿浆时序语义特征提取器和所述分类器进行训练。
根据本申请的另一方面,提供了一种微泡浮选机的实时监测预警***,其中,所述微泡浮选机的实时监测预警***以如前任一所述的微泡浮选机的实时监测预警方法运行。
在本申请中,其首先获取由摄像头采集的矿浆实时监控图像的序列,接着,提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列,然后,提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量,最后,基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警。这样,可以提高目标液位调整的实时性。
根据下面参考附图对本申请的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出根据本申请的实施例的微泡浮选机的实时监测预警方法的流程图。
图2示出根据本申请的实施例的微泡浮选机的实时监测预警方法的架构示意图。
图3示出根据本申请的实施例的微泡浮选机的实时监测预警方法的子步骤S120的流程图。
图4示出根据本申请的实施例的微泡浮选机的实时监测预警***的结构示意图。
图5示出根据本申请的实施例的微泡浮选机的实时监测预警***的***的框图。
图6示出根据本申请的实施例的微泡浮选机的实时监测预警方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
针对上述技术问题,本申请的技术构思是:利用摄像头采集矿浆实时监控图像的序列,并通过基于深度学习的图像处理技术来挖掘矿浆的时序状态变化,从而实现对浮选泡沫的实时监控,同时能够基于此来进行对目标液位调整预警的智能化判断,快速反应浮选过程的变化,提高目标液位调整的实时性。
基于此,图1示出根据本申请的实施例的微泡浮选机的实时监测预警方法的流程图。图2示出根据本申请的实施例的微泡浮选机的实时监测预警方法的架构示意图。如图1和图2所示,根据本申请实施例的微泡浮选机的实时监测预警方法,包括步骤:S110,获取由摄像头采集的矿浆实时监控图像的序列;S120,提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列;S130,提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量;以及,S140,基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警。
应可以理解,步骤S110的目的是通过摄像头采集矿浆的实时监控图像序列,以便后续进行处理和分析。在步骤S120中,从矿浆实时监控图像序列中提取多维度的矿浆特征,例如颜色、纹理、形状等,然后将这些特征融合起来,形成多维度矿浆特征融合图像的序列。在步骤S130中,从多维度矿浆特征融合图像序列中提取上下文关联特征,这些特征可以捕捉到图像序列中矿浆的时序信息和语义上下文关联关系,提取得到的特征被组织成矿浆时序语义上下文关联特征向量。步骤S140利用矿浆时序语义上下文关联特征向量来判断当前的矿浆液位是否需要进行调整,并根据判断结果决定是否发出目标液位调整的预警。总体而言,这些步骤构成了微泡浮选机的实时监测预警方法,通过采集矿浆图像、提取多维度特征、分析上下文关联特征以及预警判断,实现了对矿浆液位的实时监测和调整。
具体地,在本申请的技术方案中,首先获取由摄像头采集的矿浆实时监控图像的序列。这里,获取由摄像头采集的矿浆实时监控图像的序列是为了实现对微泡浮选机运行过程中的浮选泡沫状态进行监测和分析。通过连续采集和记录矿浆实时监控图像的序列,可以获取浮选过程中泡沫的形态、分布和变化情况,提供了对浮选泡沫状态的全面观察。具体来说,摄像头采集的实时监控图像能够直观地展示矿浆中的浮选泡沫情况,包括泡沫的大小、形状、密度等。这些视觉信息有助于判断目标液位是否需要调整。此外,通过实时采集矿浆实时监控图像的序列,可以及时反映浮选过程中泡沫状态的变化。这对于实时调整目标液位非常重要,能够更精确地控制浮选过程。
然后,计算所述矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图以得到边缘信息特征的序列;并将所述矿浆实时监控图像的序列中各个矿浆实时监控图像经过多级滤波处理后以得到多级滤波处理后的特征的序列,所述多级滤波处理包括高斯滤波和双边滤波;同时,将所述矿浆实时监控图像的序列中各个矿浆实时监控图像进行分块处理得到多个矿浆图像块后,计算各个所述矿浆图像块的灰度最大值,以得到局部灰度最大值特征的序列。
这里,计算矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图可以用于提取边缘信息特征。边缘是图像中像素灰度变化明显的区域,对于矿浆实时监控图像而言,边缘信息可以提供泡沫与背景之间的分界线,帮助判断浮选泡沫的位置和形态。此外,将矿浆实时监控图像的序列中各个矿浆实时监控图像进行多级滤波处理可以去除图像中的噪声信息,从而提取出更加平滑和稳定的特征。具体来说,高斯滤波(GaussianFilter)是一种线性平滑滤波器,通过对图像中的每个像素点周围的邻域进行加权平均来实现滤波。高斯滤波器根据距离中心像素的远近,给予不同权重,距离越近的像素权重越大,距离越远的像素权重越小。该滤波器可以有效降低图像中的高频噪声,同时保留图像的整体结构。而双边滤波(Bilateral Filter)虽然也是一种非线性滤波器,相比于高斯滤波器,它在平滑图像的同时还能保持边缘信息。双边滤波器考虑了像素之间的空间距离和像素值之间的差异,通过在像素值差异较小的区域内进行平滑,以保留边缘的锐利度。这使得双边滤波器在平滑图像的同时能够保持较好的边缘细节。通过对各个矿浆实时监控图像进行多级滤波处理,可以逐步减小矿浆实时监控图像中的噪声信息,得到更平滑的图像特征。其次,将矿浆实时监控图像的序列进行分块处理并计算各个矿浆图像块的灰度最大值可以提取局部灰度最大值特征。这种特征有助于捕捉矿浆实时监控图像中的亮度变化和区域的明暗差异,从而提供关于浮选泡沫的局部信息,从而了解泡沫区域的演化和变化趋势。
接着,融合所述边缘信息特征的序列、所述多级滤波处理后的特征的序列和所述局部灰度最大值特征的序列以得到多维度矿浆特征融合图像的序列。也就是,综合利用不同方面的特征信息,即边缘信息特征可以捕捉到物体的边界和轮廓信息,多级滤波处理后的特征可以提供平滑和稳定的图像特征,而局部灰度最大值特征可以反映区域的亮度变化,以提供更全面和准确的图像描述。
相应地,在步骤S120中,如图3所示,提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列,包括:S121,计算所述矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图以得到边缘信息特征的序列;S122,将所述矿浆实时监控图像的序列中各个矿浆实时监控图像经过多级滤波处理后以得到多级滤波处理后的特征的序列;S123,将所述矿浆实时监控图像的序列中各个矿浆实时监控图像进行分块处理得到多个矿浆图像块后,计算各个所述矿浆图像块的灰度最大值,以得到局部灰度最大值特征的序列;以及,S124,融合所述边缘信息特征的序列、所述多级滤波处理后的特征的序列和所述局部灰度最大值特征的序列以得到所述多维度矿浆特征融合图像的序列。
应可以理解,步骤S121的目的是通过计算图像序列中每个图像的梯度方向直方图,提取边缘信息特征,梯度方向直方图可以描述图像中边缘的方向分布情况,从而捕捉到图像中的边缘信息。在步骤S122中,对图像序列中的每个图像进行多级滤波处理,多级滤波处理可以通过不同尺度的滤波器提取不同频率的特征,从而得到多级滤波处理后的特征序列。步骤S123的目的是将图像序列中的每个图像进行分块处理,并计算每个图像块的灰度最大值,通过计算局部灰度最大值特征,可以捕捉到图像中不同区域的灰度变化情况。在步骤S124中,将之前提取得到的边缘信息特征序列、多级滤波处理后的特征序列和局部灰度最大值特征序列进行融合,形成多维度矿浆特征融合图像的序列,融合这些特征可以提供更全面和丰富的矿浆特征信息,用于后续的分析和处理。这些步骤的目的是提取矿浆实时监控图像序列的多维度特征,并将这些特征融合成多维度矿浆特征融合图像的序列,以便后续的上下文关联特征提取和液位调整预警判断。
其中,在步骤S121中,计算所述矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图以得到边缘信息特征的序列,包括:对所述矿浆实时监控图像进行均匀划分以得到多个细胞空间;计算所述多个细胞空间中各个细胞空间内各像素点的梯度,并根据梯度分布生成多个细胞方向梯度直方图;以及,基于所述多个细胞方向梯度直方图,生成所述梯度方向直方图。
其中,在步骤S122中,所述多级滤波处理包括高斯滤波和双边滤波。
应可以理解,矿浆的状态是时序变化的,前一时刻的状态通常会影响到后续时刻的状态。而显然所述多维度矿浆特征融合图像的序列中各个多维度矿浆特征融合图像彼此之间缺乏这种上下文的时序关联关系,对于矿浆特征缺乏全面、动态地表达和描述。因此,在本申请的技术方案中,将所述多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器以建立所述多维度矿浆特征融合图像的序列中不同关键帧之间的时序上下文关联,捕捉浮选泡沫的动态变化,从而得到矿浆时序语义上下文关联特征向量。
相应地,在步骤S130中,提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量,包括:将所述多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量。
值得一提的是,转换器是指用于将输入数据从一种形式或表示转换为另一种形式或表示的模型或组件,在提取矿浆时序语义上下文关联特征向量的步骤中,基于转换器的矿浆时序语义特征提取器可以理解为一种模型或组件,它能够将多维度矿浆特征融合图像序列转换为矿浆时序语义上下文关联特征向量。具体而言,这个转换器可以采用机器学习或深度学习的方法,通过学习数据的内在特征和关联关系,将多维度矿浆特征融合图像序列映射到一个语义空间中,这个映射过程可以提取出矿浆图像序列中的时序信息和语义上下文关联特征,从而得到矿浆时序语义上下文关联特征向量。常见的转换器包括卷积神经网络(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent NeuralNetworks,RNN)、自编码器(Autoencoders)、Transformer等。
具体地,将所述多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量,包括:分别对所述多维度矿浆特征融合图像的序列进行图像分块以得到多个多维度矿浆特征融合图像块的序列;使用图像块嵌入层分别对所述多个多维度矿浆特征融合图像块的序列中各个多维度矿浆特征融合图像块进行嵌入化以得到多个多维度矿浆特征融合图像块嵌入向量的序列;以及,将所述多个多维度矿浆特征融合图像块嵌入向量的序列通过所述基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量。
进一步地,将所述矿浆时序语义上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否发出目标液位调整预警。
相应地,在步骤S140中,基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警,包括:将所述矿浆时序语义上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否发出目标液位调整预警。
具体地,将所述矿浆时序语义上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否发出目标液位调整预警,包括:使用所述分类器的全连接层对所述矿浆时序语义上下文关联特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括发出目标液位调整预警(第一标签),以及,不发出目标液位调整预警(第二标签),其中,所述分类器通过软最大值函数来确定所述矿浆时序语义上下文关联特征向量属于哪个分类标签。值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“是否发出目标液位调整预警”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,是否发出目标液位调整预警的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“是否发出目标液位调整预警”的语言文本意义。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
进一步地,在本申请的技术方案中,所述的微泡浮选机的实时监测预警方法,其还包括训练步骤:对所述基于转换器的矿浆时序语义特征提取器和所述分类器进行训练。应可以理解,训练步骤在微泡浮选机的实时监测预警方法中起着关键作用,通过对基于转换器的矿浆时序语义特征提取器和分类器进行训练,可以使它们具备对矿浆数据进行有效处理和分析的能力。训练基于转换器的矿浆时序语义特征提取器的目的是学习矿浆数据中的时序和语义上下文关联特征,通过训练,该提取器可以从输入的多维度矿浆特征融合图像序列中提取出有用的特征,捕捉到矿浆数据中的时序关系和语义关联,这些特征可以用于后续的分类和预测任务。训练分类器的目的是根据提取的时序语义特征,对矿浆数据进行分类和预测,分类器可以根据具体的问题设置,例如判断矿浆的液位是否需要调整预警,通过训练分类器,可以使其具备对矿浆数据进行准确分类和预测的能力,从而实现对微泡浮选机操作的监测和控制。训练步骤的关键在于使用具有标注的训练数据来训练模型,通过提供已知类别或标签的矿浆数据作为训练样本,模型可以通过学习样本之间的关联性和特征表示,从而提高对未知数据的泛化能力。训练步骤可以通过优化算法和损失函数来调整模型的参数,使其能够更好地适应任务需求。综合来说,训练步骤对于微泡浮选机的实时监测预警方法非常重要,它能够使基于转换器的矿浆时序语义特征提取器和分类器具备处理和分析矿浆数据的能力,实现对微泡浮选机操作的监测和控制。
其中,在一个示例中,所述训练步骤,包括:获取训练数据,所述训练数据包括训练矿浆实时监控图像的序列,以及,是否发出目标液位调整预警的真实值;计算所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像的梯度方向直方图以得到训练边缘信息特征的序列;将所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像经过多级滤波处理后以得到训练多级滤波处理后的特征的序列,所述多级滤波处理包括高斯滤波和双边滤波;将所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像进行分块处理得到多个训练矿浆图像块后,计算各个所述训练矿浆图像块的灰度最大值,以得到训练局部灰度最大值特征的序列;融合所述训练边缘信息特征的序列、所述训练多级滤波处理后的特征的序列和所述训练局部灰度最大值特征的序列以得到训练多维度矿浆特征融合图像的序列;将所述训练多维度矿浆特征融合图像的序列通过所述基于转换器的矿浆时序语义特征提取器以得到训练矿浆时序语义上下文关联特征向量;对所述训练矿浆时序语义上下文关联特征向量进行聚类优化以得到优化后训练矿浆时序语义上下文关联特征向量;将所述优化后训练矿浆时序语义上下文关联特征向量通过所述分类器以得到分类损失函数值;以及,以所述分类损失函数值来对所述基于转换器的矿浆时序语义特征提取器和所述分类器进行训练。
在本申请的技术方案中,将所述训练多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器时,会基于所述训练多维度矿浆特征融合图像的序列中的所述边缘信息特征的序列、所述多级滤波处理后的特征的序列和所述局部灰度最大值特征的序列各自的特征上下文关联来进行相应的时序语义特征编码,由此,在提升了所述边缘信息特征、所述多级滤波处理后特征与所述局部灰度最大值特征之间的特征表示关联的同时,也不可避免地会导致其各自的基于其特定特征时序分布的特征分布信息显著性受到影响,使得所述训练矿浆时序语义上下文关联特征向量在训练过程中难以稳定地聚焦于局部显著特征分布,也就是,所述训练矿浆时序语义上下文关联特征向量具有显著的局部特征分布离散性。
这样,所述训练矿浆时序语义上下文关联特征向量作为整体通过分类器进行分类时,会由于矿浆时序语义上下文关联特征向量的局部特征分布离散性导致通过分类器进行类回归时面向预定类概率的收敛困难,从而影响分类器的训练速度和最终得到的分类结果的准确性。基于此,本申请对所述训练矿浆时序语义上下文关联特征向量进行聚类优化,也就是,首先对所述训练矿浆时序语义上下文关联特征向量的各个特征值进行聚类,例如基于特征值间距离的聚类,再基于聚类后的特征类内和类外表征进行优化。
相应地,在一个示例中,对所述训练矿浆时序语义上下文关联特征向量进行聚类优化以得到优化后训练矿浆时序语义上下文关联特征向量,包括:对所述训练矿浆时序语义上下文关联特征向量的各个特征值进行聚类;基于聚类后的特征类内和类外表征进行优化以得到优化后训练矿浆时序语义上下文关联特征向量。
具体地,基于聚类后的特征类内和类外表征进行优化以得到优化后训练矿浆时序语义上下文关联特征向量,包括:以如下聚类优化公式基于聚类后的特征类内和类外表征进行优化以得到优化后训练矿浆时序语义上下文关联特征向量;其中,所述聚类优化公式:
其中,是所述训练矿浆时序语义上下文关联特征向量的各个特征值,/>是所述训练矿浆时序语义上下文关联特征向量对应的特征集合数目,/>是聚类特征数目,/>表示聚类特征集合,/>是所述优化后训练矿浆时序语义上下文关联特征向量的各个特征值。
具体地,通过将所述训练矿浆时序语义上下文关联特征向量的类内特征和类外特征作为不同的实例角色来进行基于聚类比例分布的类实例描述,并引入基于类内和类外动态上下文的聚类响应历史,来对所述训练矿浆时序语义上下文关联特征向量的整体特征的类内分布和类外分布保持协调的全局视角,使得对于所述训练矿浆时序语义上下文关联特征向量的优化的特征聚类操作可以维持类内和类外特征的连贯一致的响应,从而在类回归过程中基于特征聚类的回归收敛路径保持连贯一致,提升所述训练矿浆时序语义上下文关联特征向量的面向预定类概率的收敛效果,以改进分类器的训练速度和分类结果的准确性。
综上,基于本申请实施例的微泡浮选机的实时监测预警方法,其可以提高目标液位调整的实时性。
进一步地,本申请还提供了一种微泡浮选机的实时监测预警***,所述微泡浮选机的实时监测预警***以如前所述的微泡浮选机的实时监测预警方法运行。
具体地,如图4所示,所述微泡浮选机包括一设备主体以及被设置于设备主体上的给矿循环泵1、精矿出口2、清洗水调节阀3、下冲管调节阀4、给矿压力表5、尾矿出口6、空气流量计7、气量调节阀8、尾矿控制阀9、真空压力表10以及清洗水接口11。
微泡浮选机运行时,给矿矿浆由高压泵打入高压给矿管路,由高压泵提供的压力在出口形成高速射流。高速向下冲击的矿浆射流在下冲管内与自吸式充气阀门提供的空气混合,同时完成矿物的矿化过程。载有矿物的矿化气泡在下冲管底部被挤出,携带精矿的气泡自动上升,尾矿矿浆下行排出。整个浮选过程在下冲管内完成,精矿和尾矿分离在下冲管外浮选机筒体内完成,各工作区域相互独立,互不干扰,可以分别作条件优化,从而保证下冲管内的浮选效率达到最佳。微泡浮选机的各个工作区,包括气泡产生区、矿浆与气泡混合区、精矿回收区和尾矿排放区等相对独立,为各自工作区域工作条件的优化提供了一定的可行性。微泡浮选机中矿浆通过射流后与空气混合产生的矿化气泡平均直径为0.3mm左右,约为常规浮选机和浮选柱气泡直径的十分之一。在浮选矿物时,相同条件下前者产生的矿化气泡个数是后者的50倍以上,这是微泡浮选机能够同时提高选矿回收率及精矿品位的关键因素之一。
相应地,微泡浮选机的操作方法包括:启动电控柜电源,检查各个仪表显示是否正常;设置目标液位;给料泵开始给料;给料至当前液位显示数值开始低频率启动循环泵;当前液位显示与目标液位显示一致后,调整循环泵频率;循环泵频率调整至目标给矿压力;根据浮选泡沫现象调整目标液位;调整进气量;调整清洗水量;重复调整以上步骤至稳定产出目标精矿和尾矿;记录各项参数。
图5示出根据本申请的实施例的微泡浮选机的实时监测预警***100的框图。如图5所示,根据本申请实施例的微泡浮选机的实时监测预警***100,包括:图像获取模块110,用于获取由摄像头采集的矿浆实时监控图像的序列;多维度矿浆特征提取模块120,用于提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列;上下文关联特征提取模块130,用于提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量;以及,预警分析模块140,用于基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警。
这里,本领域技术人员可以理解,上述微泡浮选机的实时监测预警***100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的微泡浮选机的实时监测预警方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的微泡浮选机的实时监测预警***100可以实现在各种无线终端中,例如具有微泡浮选机的实时监测预警算法的服务器等。在一种可能的实现方式中,根据本申请实施例的微泡浮选机的实时监测预警***100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该微泡浮选机的实时监测预警***100可以是该无线终端的操作***中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该微泡浮选机的实时监测预警***100同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该微泡浮选机的实时监测预警***100与该无线终端也可以是分立的设备,并且该微泡浮选机的实时监测预警***100可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图6示出根据本申请的实施例的微泡浮选机的实时监测预警方法的应用场景图。如图6所示,在该应用场景中,首先,获取由摄像头采集的矿浆实时监控图像的序列(例如,图6中所示意的D),然后,将所述矿浆实时监控图像的序列输入至部署有微泡浮选机的实时监测预警算法的服务器(例如,图6中所示意的S)中,其中,所述服务器能够使用所述微泡浮选机的实时监测预警算法对所述矿浆实时监控图像的序列进行处理以得到用于表示是否发出目标液位调整预警的分类结果。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器,上述计算机程序指令可由装置的处理组件执行以完成上述方法。
本申请可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本申请的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
附图中的流程图和框图显示了根据本申请的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种微泡浮选机的实时监测预警方法,其特征在于,包括:
获取由摄像头采集的矿浆实时监控图像的序列;
提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列;
提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量;以及
基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警。
2.根据权利要求1所述的微泡浮选机的实时监测预警方法,其特征在于,提取所述矿浆实时监控图像的序列的多维度矿浆特征以得到多维度矿浆特征融合图像的序列,包括:
计算所述矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图以得到边缘信息特征的序列;
将所述矿浆实时监控图像的序列中各个矿浆实时监控图像经过多级滤波处理后以得到多级滤波处理后的特征的序列;
将所述矿浆实时监控图像的序列中各个矿浆实时监控图像进行分块处理得到多个矿浆图像块后,计算各个所述矿浆图像块的灰度最大值,以得到局部灰度最大值特征的序列;以及
融合所述边缘信息特征的序列、所述多级滤波处理后的特征的序列和所述局部灰度最大值特征的序列以得到所述多维度矿浆特征融合图像的序列。
3.根据权利要求2所述的微泡浮选机的实时监测预警方法,其特征在于,计算所述矿浆实时监控图像的序列中各个矿浆实时监控图像的梯度方向直方图以得到边缘信息特征的序列,包括:
对所述矿浆实时监控图像进行均匀划分以得到多个细胞空间;
计算所述多个细胞空间中各个细胞空间内各像素点的梯度,并根据梯度分布生成多个细胞方向梯度直方图;以及
基于所述多个细胞方向梯度直方图,生成所述梯度方向直方图。
4.根据权利要求3所述的微泡浮选机的实时监测预警方法,其特征在于,所述多级滤波处理包括高斯滤波和双边滤波。
5.根据权利要求4所述的微泡浮选机的实时监测预警方法,其特征在于,提取所述多维度矿浆特征融合图像的序列的上下文关联特征以得到矿浆时序语义上下文关联特征向量,包括:
将所述多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量。
6.根据权利要求5所述的微泡浮选机的实时监测预警方法,其特征在于,将所述多维度矿浆特征融合图像的序列通过基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量,包括:
分别对所述多维度矿浆特征融合图像的序列进行图像分块以得到多个多维度矿浆特征融合图像块的序列;
使用图像块嵌入层分别对所述多个多维度矿浆特征融合图像块的序列中各个多维度矿浆特征融合图像块进行嵌入化以得到多个多维度矿浆特征融合图像块嵌入向量的序列;以及
将所述多个多维度矿浆特征融合图像块嵌入向量的序列通过所述基于转换器的矿浆时序语义特征提取器以得到所述矿浆时序语义上下文关联特征向量。
7.根据权利要求6所述的微泡浮选机的实时监测预警方法,其特征在于,基于所述矿浆时序语义上下文关联特征向量,确定是否发出目标液位调整预警,包括:
将所述矿浆时序语义上下文关联特征向量通过分类器以得到分类结果,所述分类结果用于表示是否发出目标液位调整预警。
8.根据权利要求7所述的微泡浮选机的实时监测预警方法,其特征在于,还包括训练步骤:对所述基于转换器的矿浆时序语义特征提取器和所述分类器进行训练。
9.根据权利要求8所述的微泡浮选机的实时监测预警方法,其特征在于,所述训练步骤,包括:
获取训练数据,所述训练数据包括训练矿浆实时监控图像的序列,以及,是否发出目标液位调整预警的真实值;
计算所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像的梯度方向直方图以得到训练边缘信息特征的序列;
将所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像经过多级滤波处理后以得到训练多级滤波处理后的特征的序列,所述多级滤波处理包括高斯滤波和双边滤波;
将所述训练矿浆实时监控图像的序列中各个训练矿浆实时监控图像进行分块处理得到多个训练矿浆图像块后,计算各个所述训练矿浆图像块的灰度最大值,以得到训练局部灰度最大值特征的序列;
融合所述训练边缘信息特征的序列、所述训练多级滤波处理后的特征的序列和所述训练局部灰度最大值特征的序列以得到训练多维度矿浆特征融合图像的序列;
将所述训练多维度矿浆特征融合图像的序列通过所述基于转换器的矿浆时序语义特征提取器以得到训练矿浆时序语义上下文关联特征向量;
对所述训练矿浆时序语义上下文关联特征向量进行聚类优化以得到优化后训练矿浆时序语义上下文关联特征向量;
将所述优化后训练矿浆时序语义上下文关联特征向量通过所述分类器以得到分类损失函数值;以及
以所述分类损失函数值来对所述基于转换器的矿浆时序语义特征提取器和所述分类器进行训练。
10.一种微泡浮选机的实时监测预警***,其特征在于,所述微泡浮选机的实时监测预警***以如权利要求1至9所述的微泡浮选机的实时监测预警方法运行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355884.6A CN117943213B (zh) | 2024-03-27 | 2024-03-27 | 微泡浮选机的实时监测预警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410355884.6A CN117943213B (zh) | 2024-03-27 | 2024-03-27 | 微泡浮选机的实时监测预警***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117943213A true CN117943213A (zh) | 2024-04-30 |
CN117943213B CN117943213B (zh) | 2024-06-04 |
Family
ID=90799845
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410355884.6A Active CN117943213B (zh) | 2024-03-27 | 2024-03-27 | 微泡浮选机的实时监测预警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117943213B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201814982D0 (en) * | 2018-09-14 | 2018-10-31 | Reliable Data Systems International Ltd | Vehicle Position Identification |
CN109772593A (zh) * | 2019-01-25 | 2019-05-21 | 东北大学 | 一种基于浮选泡沫动态特征的矿浆液位预测方法 |
CN110899005A (zh) * | 2019-12-24 | 2020-03-24 | 江西理工大学 | 一种浮选槽矿浆和泡沫满槽智能监控装置及其监控方法 |
CN211838492U (zh) * | 2019-12-24 | 2020-11-03 | 江西理工大学 | 一种浮选槽矿浆和泡沫满槽智能监控装置 |
KR102358769B1 (ko) * | 2021-08-27 | 2022-02-08 | 한국지질자원연구원 | 부유선별공정의 운전제어방법 |
EP3957712A1 (en) * | 2020-08-21 | 2022-02-23 | Sartorius Stedim Data Analytics AB | Automated foam detection |
CN114383985A (zh) * | 2021-12-24 | 2022-04-22 | 鞍钢集团矿业有限公司 | 基于多参数特征融合的浮选精矿品位检测方法 |
US20220156490A1 (en) * | 2020-11-16 | 2022-05-19 | Kyocera Document Solutions Inc. | Method and system for extracting information from a document image |
CN115711128A (zh) * | 2022-11-11 | 2023-02-24 | 深圳市金航深海矿产开发集团有限公司 | 一种深海多金属结核矿产的实时丰度探测***及方法 |
CN116213105A (zh) * | 2023-03-31 | 2023-06-06 | 浙江艾领创矿业科技有限公司 | 一种金矿浮选工艺及设备 |
WO2023178798A1 (zh) * | 2022-03-25 | 2023-09-28 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及介质 |
WO2023179111A1 (zh) * | 2022-03-23 | 2023-09-28 | 中国矿业大学 | 基于浮选尾煤矿浆检测的浮选智能加药***及加药方法 |
CN116832968A (zh) * | 2023-05-25 | 2023-10-03 | 宁波春泥新材料有限公司 | 锂云母的智能浮选工艺及其*** |
CN116889933A (zh) * | 2023-08-16 | 2023-10-17 | 江西江钒科技实业有限公司 | 含钒石煤矿的富集选矿方法 |
CN117115193A (zh) * | 2023-08-25 | 2023-11-24 | 大连海事大学 | 基于行抑制的红外舰船定位方法 |
CN117244678A (zh) * | 2023-10-11 | 2023-12-19 | 浙江艾领创矿业科技有限公司 | 砂磨机智能监测控制***及方法 |
CN117274059A (zh) * | 2023-10-11 | 2023-12-22 | 杭州一隅千象科技有限公司 | 基于图像编码-解码的低分辨率图像重构方法及其*** |
CN117292148A (zh) * | 2023-11-27 | 2023-12-26 | 中交第二公路勘察设计研究院有限公司 | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 |
CN117579513A (zh) * | 2024-01-16 | 2024-02-20 | 北京中科网芯科技有限公司 | 汇聚分流设备的可视化运维***及其方法 |
CN117764994A (zh) * | 2024-02-22 | 2024-03-26 | 浙江首鼎视介科技有限公司 | 基于人工智能的胆胰成像***及方法 |
-
2024
- 2024-03-27 CN CN202410355884.6A patent/CN117943213B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201814982D0 (en) * | 2018-09-14 | 2018-10-31 | Reliable Data Systems International Ltd | Vehicle Position Identification |
CN109772593A (zh) * | 2019-01-25 | 2019-05-21 | 东北大学 | 一种基于浮选泡沫动态特征的矿浆液位预测方法 |
CN110899005A (zh) * | 2019-12-24 | 2020-03-24 | 江西理工大学 | 一种浮选槽矿浆和泡沫满槽智能监控装置及其监控方法 |
CN211838492U (zh) * | 2019-12-24 | 2020-11-03 | 江西理工大学 | 一种浮选槽矿浆和泡沫满槽智能监控装置 |
EP3957712A1 (en) * | 2020-08-21 | 2022-02-23 | Sartorius Stedim Data Analytics AB | Automated foam detection |
US20220156490A1 (en) * | 2020-11-16 | 2022-05-19 | Kyocera Document Solutions Inc. | Method and system for extracting information from a document image |
KR102358769B1 (ko) * | 2021-08-27 | 2022-02-08 | 한국지질자원연구원 | 부유선별공정의 운전제어방법 |
CN114383985A (zh) * | 2021-12-24 | 2022-04-22 | 鞍钢集团矿业有限公司 | 基于多参数特征融合的浮选精矿品位检测方法 |
WO2023179111A1 (zh) * | 2022-03-23 | 2023-09-28 | 中国矿业大学 | 基于浮选尾煤矿浆检测的浮选智能加药***及加药方法 |
WO2023178798A1 (zh) * | 2022-03-25 | 2023-09-28 | 平安科技(深圳)有限公司 | 图像分类方法、装置、设备及介质 |
CN115711128A (zh) * | 2022-11-11 | 2023-02-24 | 深圳市金航深海矿产开发集团有限公司 | 一种深海多金属结核矿产的实时丰度探测***及方法 |
CN116213105A (zh) * | 2023-03-31 | 2023-06-06 | 浙江艾领创矿业科技有限公司 | 一种金矿浮选工艺及设备 |
CN116832968A (zh) * | 2023-05-25 | 2023-10-03 | 宁波春泥新材料有限公司 | 锂云母的智能浮选工艺及其*** |
CN116889933A (zh) * | 2023-08-16 | 2023-10-17 | 江西江钒科技实业有限公司 | 含钒石煤矿的富集选矿方法 |
CN117115193A (zh) * | 2023-08-25 | 2023-11-24 | 大连海事大学 | 基于行抑制的红外舰船定位方法 |
CN117244678A (zh) * | 2023-10-11 | 2023-12-19 | 浙江艾领创矿业科技有限公司 | 砂磨机智能监测控制***及方法 |
CN117274059A (zh) * | 2023-10-11 | 2023-12-22 | 杭州一隅千象科技有限公司 | 基于图像编码-解码的低分辨率图像重构方法及其*** |
CN117292148A (zh) * | 2023-11-27 | 2023-12-26 | 中交第二公路勘察设计研究院有限公司 | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 |
CN117579513A (zh) * | 2024-01-16 | 2024-02-20 | 北京中科网芯科技有限公司 | 汇聚分流设备的可视化运维***及其方法 |
CN117764994A (zh) * | 2024-02-22 | 2024-03-26 | 浙江首鼎视介科技有限公司 | 基于人工智能的胆胰成像***及方法 |
Non-Patent Citations (2)
Title |
---|
J・亚纳托斯等: "工业型浮选回路自动控制的流体动力学特性和选矿指标研究", 国外金属矿选矿, no. 05, 25 May 2002 (2002-05-25), pages 31 - 37 * |
何桂春等: "浮选泡沫图像处理技术研究现状与进展", 有色金属科学与工程, no. 02, 15 April 2011 (2011-04-15), pages 57 - 63 * |
Also Published As
Publication number | Publication date |
---|---|
CN117943213B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830196A (zh) | 基于特征金字塔网络的行人检测方法 | |
CN109101108B (zh) | 基于三支决策优化智能座舱人机交互界面的方法及*** | |
CN111862093A (zh) | 一种基于图像识别的腐蚀等级信息处理方法及*** | |
CN102033964A (zh) | 基于块划分及位置权重的文本分类方法 | |
CN111062296B (zh) | 一种基于计算机的白细胞自动识别分类方法 | |
CN104268600B (zh) | 一种基于Minkowski距离的矿物浮选泡沫图像纹理分析及工况识别方法 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
Mehrshad et al. | New image-processing algorithm for measurement of bubble size distribution from flotation froth images | |
CN107067022B (zh) | 图像分类模型的建立方法、建立装置和设备 | |
CN111062383A (zh) | 一种基于图像的船舶检测深度神经网络算法 | |
CN112084842B (zh) | 一种基于深度语义模型的水文遥感图像目标识别方法 | |
WO2019049060A1 (en) | SEGMENTATION OF FOAM IN FLOTATION CELLS | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN117943213B (zh) | 微泡浮选机的实时监测预警***及方法 | |
CN105069450A (zh) | 一种快速的多文字识别方法 | |
CN109460781B (zh) | 一种基于决策树归纳学习的牛排等级划分方法 | |
CN115601747A (zh) | 一种贴壁细胞汇合度的计算方法和*** | |
CN115588191A (zh) | 基于图像声流控细胞分选模型的细胞分选方法及*** | |
CN115661904A (zh) | 数据标注和域适应模型训练方法、装置、设备及介质 | |
Lan et al. | PCB defect detection algorithm of improved YOLOv8 | |
CN109447136A (zh) | 一种对于360度图像的显著性检测方法 | |
CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、***、介质及设备 | |
CN112802026A (zh) | 一种基于深度学习实时的交通场景语义分割方法 | |
CN115424250A (zh) | 一种车牌识别方法及装置 | |
CN116597258B (zh) | 一种基于多尺度特征融合的矿石分选模型训练方法及*** |
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 |