【技术实现步骤摘要】
本专利技术涉及浮选泡沫智能监测领域,尤其涉及基于多尺度特征融合的浮选泡沫异常分类方法及系统。
技术介绍
1、浮选泡沫过程在矿物分离、废水处理及其他相关领域中具有重要的应用价值。在浮选过程中,泡沫的状态、尺寸和分布直接影响到矿物的回收率和浮选效率,因此,精确监测和分析浮选泡沫的异常情况和尺寸变化,对于提升浮选过程的自动化程度、优化工艺参数、提高生产效率具有重要意义。
2、传统的浮选泡沫监测方法大多依赖人工视觉观察或基于图像处理的传统算法,这些方法存在多种局限性。首先,人工检查不仅效率低,而且容易受到观察者的主观因素影响,无法实时监测泡沫的动态变化。其次,传统图像处理方法多依赖基于阈值、边缘检测等技术,这些方法在浮选泡沫形态复杂、泡沫尺寸差异大或背景环境变化较大的情况下,检测效果较差,容易受到噪声干扰,难以满足高精度、高效性的要求。因此,如何在复杂的浮选泡沫环境中实现高精度、自动化的泡沫异常分类和尺寸测量,成为目前亟待解决的技术难题。
3、随着深度学习技术的发展,尤其是卷积神经网络(cnn)在图像分割与目标检测领域的
...【技术保护点】
1.一种基于多尺度特征融合的浮选泡沫异常分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的多尺度特征融合的浮选泡沫异常分类方法,其特征在于,所述输出层包括FCN模块以及CLS模块,所述FCN模块的输入端与全连接层的输出端连接,所述FCN模块的输出端与所述CLS模块的输入端连接,所述CLS模块用于异常分类。
3.根据权利要求1所述的多尺度特征融合的浮选泡沫异常分类方法,其特征在于,还包括分割与定位模块,所述分割与定位模块包括IFPN层、多个SEGBlock模块,所述IFPN层的输入端分别与所述多尺度特征提取层的多个IEFBlock 模
...【技术特征摘要】
1.一种基于多尺度特征融合的浮选泡沫异常分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的多尺度特征融合的浮选泡沫异常分类方法,其特征在于,所述输出层包括fcn模块以及cls模块,所述fcn模块的输入端与全连接层的输出端连接,所述fcn模块的输出端与所述cls模块的输入端连接,所述cls模块用于异常分类。
3.根据权利要求1所述的多尺度特征融合的浮选泡沫异常分类方法,其特征在于,还包括分割与定位模块,所述分割与定位模块包括ifpn层、多个segblock模块,所述ifpn层的输入端分别与所述多尺度特征提取层的多个iefblock 模块以及 sppf 模块的输出端连接,所述ifpn层的输出端分别与多个segblock模块的输入端连接。
4.根据权利要求3所述的多尺度特征融合的浮选泡沫异常分类方法,其特征在于,所述特征提取子层包括依次连接的第一特征提取子层、第二特征提取子层、第三特征提取子层以及第四特征提取子层,所述第二特征提取子层、第三特征...
【专利技术属性】
技术研发人员:黄勇,刘石梅,邬青秀,刘洋,
申请(专利权)人:长沙矿冶研究院有限责任公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。