一、Flotation Control System Based on Recognition of Froth Image（论文文献综述）
周博文[1]（2021）在《基于浮选尾煤图像的灰分预测系统工业试验研究》文中研究表明近年来,选煤厂作为煤炭行业的重要环节,在不断的加快智能化建设的步伐,向高端化、智能化和绿色化的方向发展。煤泥浮选作为煤炭分选的重要工艺环节,长时间以来存在生产成本高、生产效率低的问题,其工艺过程向自动化、智能化的发展势在必行。在浮选生产过程中,浮选尾煤灰分作为重要的生产指标,对实现浮选过程闭环优化控制具有重要的意义。但长时间以来,缺乏有效的灰分在线检测技术,这已经成为了限制浮选工艺智能化发展的重要原因。基于此,本文在浮选工业现场进行了浮选尾煤图像采集实验,重点研究了生产过程中的浮选尾煤颜色和其灰分之间的关系,并设计构建了基于浮选尾煤图像的灰分在线检测系统。本文首先针对生产中的浮选尾煤图像难采集的问题进行了分析,在柳湾选煤厂浮选车间的尾矿槽上,设计搭建了浮选尾煤图像实时采集装置。装置采用旁路式结构,通过泥浆泵抽取浮选尾煤样品进行拍摄,主要的设备包括工业相机、镜头和光源。为了优化图像采集装置的相关参数,进行了对比试验,结果表明,当光照强度为70%、光圈大小为F=5.6、曝光时间为8000时,拍出的图像效果最好。为了研究浮选尾煤颜色和其灰分之间的关系,进行了浮选尾煤图像采集实验,通过浮选尾煤图像采集装置,在不同工况条件下,采集了灰分范围为30%—80%的浮选尾煤图像共59组,并在实验室通过烧灰得到了59组图像对应的实际灰分。在对59组浮选尾煤图像进行预处理后,对59组图像的灰度特征、RGB颜色特征和HSI颜色特征进行了提取和分析,结果表明:图像的灰度均值和R、G、B均值与灰分的相关性最强,相关系数分别为0.940、0.921、0.952和0.927,都随灰分的升高呈线性上升的趋势。为了研究基于浮选尾煤图像特征的软测量技术,采用BP神经网络和支持向量回归的机器学习算法进行了灰分预测模型的建立与仿真分析,结果表明:选择灰度+RGB+HSI特征作为输入变量,采用GSA-SVR算法建立的灰分预测模型效果最好,模型拟合系数为0.986,均方误差为1.828,对15组测试图像的预测平均绝对误差为2.179。为了进一步验证基于浮选尾煤图像的灰分在线检测技术的可行性,对浮选尾煤灰分实时检测系统进行了硬件设计和软件设计,并在工业现场进行了试运行。结果表明,系统运行稳定,实时性好,具有使用简单、安全高效的优点,灰分检测的精度较高达到96.54%,能满足工业现场对灰分检测的基本要求。本文的研究对实现浮选尾煤灰分在线检测提供了新思路,为实现浮选过程智能化发展提供了新依据。
曹文艳,王然风,樊民强,付翔,王宇龙[2]（2021）在《MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别》文中研究表明为解决煤泥浮选过程依靠工人肉眼识别泡沫特征来调节药剂用量,造成药剂浪费,产品质量不合格的问题,提出一种MRMR和SSGMM联合分类模型的药况图像识别方法.针对泡沫图像的形态、纹理、颜色特征与泡沫类别具有不同程度的相关性.将精煤灰分作为泡沫的类别信息,利用最大相关最小冗余（MRMR）算法筛选最优特征;针对传统的高斯混合模型（GMM）在聚类时,存在结果需人为判断实现分类的问题,通过引入少量已知加药状况下的泡沫图像特征样本对其改进,构建半监督高斯混合模型（SSGMM）泡沫图像聚类器.将优选的且具有少量先验标签信息的多维泡沫图像特征融合到SSGMM聚类模型中,利用少量的标记样本引导聚类,并将其标签信息映射给聚类结果实现自动分类.实验表明,这种联合分类模型提高了泡沫识别的准确性,为药剂用量的准确控制与精煤产品质量提供了关键技术支持.
武文泽[3]（2020）在《基于机器视觉的选煤厂输送机皮带磨损故障诊断研究》文中认为矿用皮带输送机在长时间、高负荷的运行下会在皮带表面产生较为明显的磨损,如果不加以监测,一旦磨损加剧,造成皮带磨通或断裂,会对生产造成不良影响,带来经济损失,甚至危及人身安全,造成严重生产事故。目前对皮带安全防护的研究较多,但大多集中在皮带撕裂、跑偏等急性故障,对于上面提到的慢性故障涉及不多,本文研究的目的是代替皮带磨损的日常人工巡检,提供更可靠、更有效、也更智能的皮带磨损故障诊断方法,因此,具有较好的新颖性和实用价值。皮带磨损会形成层次分明的磨损分层,大部分磨损分层条纹是几条与皮带机运输方向平行的直线条纹,从未磨损到磨损五层,拍摄皮带磨损图片并分类,共采集到144张磨损图片。由于工业现场环境复杂,有些皮带磨损条纹是环形,有些磨损皮带会在皮带两边呈现干扰条纹,这些情况对皮带磨损的检测都造成了较大干扰。首先,提出灰度分析法。将皮带图像在平行于磨痕方向灰度做平均后以垂直于磨痕方向为横坐标,平均灰度为纵坐标绘制出平均灰度曲线,磨损分层界面由于亮度较高会产生一个波峰,将平均灰度曲线与正弦函数拟合后求残差计算相应的波峰个数可以简单判断皮带磨损层数进而识别皮带的磨损程度,但由于工业现场皮带磨损条纹不都是线性,还存在环形条纹,因此该灰度分析方法在判断此类皮带磨损程度时存在缺陷。其次,提出基于人工图像特征提取的诊断方法。提取皮带磨损图片的7个纹理特征（灰度共生矩阵纹理特征4个、Tamura纹理特征3个）、2个灰度颜色特征以及基于皮带磨损图像的特点的2个图像统计特征（图像熵、图像标准差）,共计11个图像特征。利用支持向量机（SVM）与线性判别式分析（LDA）分别对提取到的图像特征按照磨损层数进行分类学习。实验表明:基于SVM方法的分类正确率为83.8%,基于LDA方法的分类正确率为82.4%。最后,提出基于深度学习的诊断方法。将工业现场的144张图片按磨损层数分为6类分别用AlexNet深度神经网络与GoogLeNet深度神经网络进行迁移训练,其中AlexNet数据集与测试集比例为8:2,此外选14张不同类别的磨损图像作为检测集。由于5层磨损的图片数据集较少,采用加高斯噪声、鱼眼变换、傅里叶低通滤波与直方图均衡化4种方式扩充5层磨损的数据集。分别将未扩充数据集与扩充数据集后的样本用GoogLeNet做迁移训练。实验表明:AlexNet迁移训练的平均正确率为91.5%,未扩充数据集的GoogLeNet迁移训练平均正确率为87.7%,扩充5层磨损数据集后平均正确率为89.2%。可见,AlexNet深度神经网络方法识别效果最好,能够用于皮带磨损慢性故障的诊断。
胡齐[4]（2020）在《基于机器视觉的多煤种密度级在线分类研究》文中提出我国煤炭资源丰富,但随着开采时间变长,煤炭资源日趋贫杂难选。随着科技的进步,基于高新传感器的煤料干法分拣技术崭露头角,但由于高成本、辐射、响应速度慢、矿石单体识别难等问题限制了大部分先进检测技术在矿石干选领域的应用推广,而基于机器视觉的智能矿石干选技术能够很好的克服上述难题。因此本文结合机器视觉技术在煤料干选技术中的优势和当前机器视觉技术在选煤行业中的应用现状,提出一种基于机器视觉的多煤种密度级在线分类技术。本文以不同成煤环境和煤化程度下的气煤、焦煤和无烟煤为研究对象,采用浮沉试验在各煤种中准备了<1.4g/cm3、1.4～1.6g/cm3、1.6～1.8g/cm3、>1.8g/cm3四个密度级煤样,并搭建了一套动态煤样图像采集系统。通过对实验煤进行显微组分分析以及煤粒的表面图像分析,证明煤粒表面颜色、光泽和纹理等表观特征与煤粒密度级之间存在密切联系,并分析了不同煤种表观特性存在差异的根源,同时也指出了不同煤种表观特性与密度级之间存在相同的变化规律,为后续提取煤粒表面共性特征参数和建立多煤种共性分类模型奠定了理论基础。提出了煤料表面图像特征提取和筛选方法。采用阈值分割、二值化处理、形态学处理、区域标记和像素索引等图像预处理技术,确保煤粒表面特征量化的有效性。通过伪彩色图和直方图分析,提取了基于RGB颜色模型的3个颜色和光泽特征,通过小波变换和灰度共生矩阵两种纹理分析方法,提取了基于HSV颜色模型的24个纹理特征;分别采用箱线图-相关性计算和PSO-SVM对特征参数进行筛选,并根据两种方法对应的各分类模型的分类效果对其性能进行评估,后续结果表明PSO-SVM特征筛选方法效果更好。建立了煤粒密度级预测模型。采用SVM、随机森林、BP神经网络、SIMCA和KNN五种模式识别算法,分别在三个煤种中建立了煤粒密度级预测模型,经10次试验,得到各分类标准下各分类模型的分类结果;结合各模型的稳定性、时效性和预测精度,选取SVM、随机森林和SIMCA三种综合性能较好的模型,制定了一种“多算法融合”的“竞争投票”分类决策。最后,根据煤岩组分和表面特征分析以及各煤种的特征参数随密度级的变化规律,建立了一种多煤种共性分类模型,并得到各分类标准下各分类模型的分类结果,结果证明“竞争投票”的总分类准确最高,在“四分类”中达84.78%,在“三分类”中达90.89%,而“两分类”中各模型分类准确率均较高。测试结果说明,采用不同成煤环境和煤化程度下的原煤数据建立的多煤种共性分类模型精度较高、鲁棒性强,为机器视觉技术在煤料干选技术中的推广应用提供了一定的理论基础和技术支撑。
魏凌敖[5]（2020）在《基于机器视觉的煤泥浮选加药控制系统研究》文中提出随着工业自动化不断发展,煤泥浮选生产的自动化和智能化越来越受到行业的关注和重视。而煤泥浮选生产中,药剂一般依靠着浮选司机的操作经验进行添加。在当生产环境不变的情况下,煤泥浮选效果只和浮选司机的能力和经验有关,而浮选司机的经验具有很大的主观能动性,这制约了煤炭生产的自动化水平的发展。浮选过程中受到原煤性质,粒度特性等多种因素影响,为了代替人工浮选和实现智能化浮选,研究基于机器视觉的浮选加药量系统对煤泥浮选生产具有重大意义。本文首先介绍了煤泥浮选加药控制系统研究的背景、机理、工艺和所面临的问题等。接着分析了对煤泥浮选产生影响的因素和分析了煤泥泡沫特点。在上述分析的基础上,设计了基于机器视觉的煤泥浮选加药系统,使用机器视觉的方法对浮选煤泥泡沫进行分类和提提取特征,并结合煤泥浮选过程参数在数学模型的帮助下进行药剂量估计。而后根据对尾煤灰分的检测,设计了基于模糊控制的浮选药剂给定系统。最终根据设计方案,本文完成对硬件选型和调试,搭建了基于机器视觉的煤泥浮选加药控制系统,实现了煤泥浮选的自动加药。在以上分析基础上,本文采用PC机、相机、PLC、隔膜计量泵等设备,搭建了浮选自动加药系统。系统以WinCC为操作界面,实现了依据尾煤灰分给定和图像反馈,自动调整加药量。该论文有图42幅,表16个,参考文献70篇。
胡定雄,张博洋[6]（2020）在《基于图像处理的浮选过程优化应用》文中指出通过对现有浮选生产过程不足的分析,提出基于图像处理的浮选过程优化方法,并通过对图像预处理、泡沫特征提取和生产关系模型等3个具体过程现阶段研究成果,描述了该领域目前学术界采用的主要理论和解决方案,最后对该领域的未来发展提出了展望。
田童[7]（2020）在《煤泥浮选泡沫纹理特征参数的提取与研究》文中提出在泡沫浮选过程中,有经验的工人根据浮选泡沫的视觉状态调整浮选操作,自动化水平较低。将图像识别技术应用到浮选工艺中,提高浮选工艺水平,实现浮选过程的智能化操作与信息化展示,对浮选过程的自动化发展具有重要研究意义和应用价值。针对浮选泡沫图像的纹理、尺寸等视觉特征进行提取,通过建立机器学习分类模型进行浮选状态的识别。主要研究工作如下:在XFD单槽1.5升浮选机上进行煤泥浮选实验,通过相机、镜头与光源建立的机器视觉系统采集泡沫图像。将泡沫图像先后进行同态滤波、自适应形态学操作以及阈值分割等操作,较为准确的提取泡沫的数量特征以及亮点像素特征。采集以灰度矩阵为基础的像素均值、方差、峰度值方差的灰度特征。计算Tamura纹理特征参数为提取算法中的粗糙度、方向度和对比度三种参数。利用上述泡沫尺寸特征、灰度特征、纹理特征提取方法提取大中小三个类别各200幅图像的特征数据,建立泡沫工况识别的训练集与测试集。其中150幅泡沫图像进行模型训练,50幅图像验证分类结果。使用支持向量机、多层感知器两种分类算法进行分类训练与测试,得到单一特征与多泡沫特征融合的分类识别率。结果表明:多泡沫特征的支持向量机和多层感知器的分类识别正确率均优于单一图像特征的分类识别。使用Alex Net网络进行泡沫图像的进行分类识别实验,为有效防止过拟合以及梯度消失现象在神经网络的连接层加入dropout失活函数,得出0.5的丢失概率识别效果较好,将传统机器学习的支持向量机、多层感知器与卷积神经网络进行不同样本容量的泡沫图像识别的对比实验,结果表明SVM在低样本数量的条件下能够取得较好的分类结果;而Alex Net随着样本数量的增加,分类识别的准确率逐步上升;MLP对于样本数量的依赖程度介入两者之间。在现有最大图像样本的条件下,Alex Net网络的模型的分类性能最佳。图41幅;表7个;参73篇。
王靖千[8]（2019）在《基于图像处理的浮选尾矿灰分检测方法研究》文中认为浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量,以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题,本文提出了一种基于彩色图像处理方法的浮选尾煤软测量方法,建立了基于自适应粒子群优化最小二乘支持向量机（APSO-LSSVM）的浮选尾煤灰分软测量模型。因此,分别从浮选尾煤矿浆图像特征提取、特征数据降维处理、尾煤灰分软测量模型构建三个方面进行了研究。本文首先介绍了本研究的研究背景。对于浮选控制过程中,浮选产品灰分检测有多种方法,通过对比各种方法的优缺点,以及分析当前生产现场的实际情况,发现图像识别技术在浮选过程关键参数的软测量领域具有巨大的潜力。本文针对实验对象设计了一套采集浮选尾煤矿浆图像的实验装置,主要包括彩色CCD工业相机、定焦镜头,45°环形光源。并且根据实际生产情况,制定了煤样配置方案,以浮选精煤干粉、浮选尾煤干粉以及矸石干粉作为基础煤样,通过按比例配比,加水搅拌来获取浓度为10g/L-70g/L间隔10g/L、灰分为20%-70%间隔2%的182组样本矿浆。然后并对实验装置的主要硬件和照明方式进行了选型设计。为最大限度地扩大不同样本矿浆的图像特征差别,本研究根据20%灰分和70%灰分的特征差值对相机的曝光时间和光圈大小进行了分析并找到了最适合本试验的关键参数组合。通过对浮选尾煤矿浆的原图像进行分析,对比不同灰分的黑白图像信息和彩色图像信息,发现尾煤矿浆图像中由于非煤物质的存在而包含大量的颜色信息,因此本文选择采集尾煤的彩色图像进行分析。另一方面,通过分析判断原图像中影响图像特征提取的因素有噪声和煤颗粒镜面反射的亮点,为消除它们的干扰,本文采用高斯滤波、均值滤波和多图像均值化的处理方法。数字图像的彩色信息在不同颜色空间下有不同的标准定义,所以本文分别简单介绍了RGB颜色空间、YUV颜色空间和HIS颜色空间,然后分别提取了矿浆图像在上述三个颜色空间下的均值特征。由于提取的图像特征维数较多,为简化软测量模型的运算复杂度,本研究又采用核主元分析分方法,将原始的样本数据从10维降维5维,为后续的模型构建提供了便利。最后,本文对支持向量机的基本思想和原理进行了研究,介绍了适用于本研究的支持向量回归机。由于支持向量机的参数对模型的精确度和适应性有关键的影响,本文又通过粒子群优化算法对支持向量机的模型参数进行了算法寻优。最终构建了基于自适应粒子群优化支持向量回归机的浮选尾煤灰分软测量模型。作为对比分析,本文又通过MATLAB中的人工神经网络工具箱构建了浮选尾煤灰分软测量模型,通过对比结果表明APSO-LSSVM模型具有更高的精确度和适用性。
展彦彤[9]（2019）在《基于多尺度特征分析的矿石粒度分布方法研究》文中研究指明矿产资源作为我国经济发展的支撑,与环境保护、能源、工艺优化等密不可分。据统计,我国超过90%的能源、80%以上的原材料、70%多的生产资料由矿业资源供给,为我国的生产、生活提供了基础保障。为贯彻“绿色矿山”理念,需严格按照矿山建设要求,科学、合理的开采利用,确保矿区的可持续发展。目前形势来讲,矿区开采成本比过去增高,加上矿物的质量大不如以往,但是市场的指标要求逐步提高,因此,需要相关技术人员提供专业性的指导,按需将矿物分类,提高矿物粒度分布的精确度,指定科学有序的方案,提升矿产资源有效利用率,为后续的产品销售与增值保驾护航,保障经济效益。图像处理技术为矿物检测提供有效、准确的手段,为我国矿产资源的开采提供及时有效的方法,减小资源的浪费及降低环境的污染,精确指导有色金色开发过程。但矿石图像的分析依然存在几点难点问题:1)矿石图像中的强噪声问题,矿石纹理复杂混乱,区分度低,内部杂质及孔洞噪声较多,并且其分布范围广、密度高、类型多,影响矿石特征等的提取以及粒度类别的判定;2)粒度类别识别的适应性低,矿石经破碎机的作用逐级破碎,导致不同破碎机下的矿石特征差异大,传统图像处理方法难以适应多级破碎的矿石图像;3)复杂场景下检测矿石粒度分布的准确性和分布规律研究问题,复杂场景的矿石粒度大小不同,矿石块大且被泥浆等覆盖,矿石尺寸小的多被粉尘、沙土淹没,导致矿石特征难以提取,影响粒度分布的准确性及分布规律的研究。本课题为矿石粒度分布检测与识别提供了新视角,在矿物加工、冶金、化工等领域具有重要意义,为智能化、自动化的粒度分布检测与识别提供保障。本论文作为自选课题,针对矿石图像存在问题,结合外界采集环境,聚焦矿石分割、空域和频域多尺度特征提取等方法,对不同破碎下的粒级图像分类,通过建立基于熵的组合向量,建立复杂图像识别模型,完成复杂场景矿石识别。论文研究内容主要包括:1)基于矿石图像空域的多元多尺度特征提取模型,探寻无分割的方法,在空域层面对矿石图像特征提取;2)基于矿石图像二维经验模态分解的频域特征提取模型,在空频域层面对矿石图像特征提取;3)基于直方图累积矩的动态优化矿石粒度分割算法,将单个矿石目标从背景像素精确分割;4)基于熵值组合向量的矿石粒度分布模型,用于复杂矿石图像识别。本文的创新点有以下几个方面:（1）为解决光照、颗粒重叠堆积对矿石图像目标检测的问题,提出一种基于矿石图像空域的多元多尺度特征提取模型,在多个尺度提取图像颜色和梯度信息,在行空间上构建复合延迟向量,在多尺度下对空域特征进行向量构建,利用切比雪夫距离寻找向量间的最大间距,作为尺度特征的表述,用于矿石识别的特征,反映多尺度的粒度信息,克服矿石边界分割的难题。（2）空域特征难以全面、有效地代表复杂场景的矿石图像特性,在频域层面提出一种基于矿石图像二维经验模态分解的频域特征提取模型。二维经验模态分解多尺度提取不同粒级图像局部频率,反映图像目标的边缘、纹理等信息。各模态图像瞬时频率的计算,量化不同尺度的频域信息,综合反映矿石表面的边界、纹理、粗糙度信息,构成矿石粒度识别的有效特征。（3）针对现存阈值分割的问题和矿石图像精确分割难题,提出一种基于直方图累积矩的动态优化矿石分割算法,直方图0阶累积矩反映灰度级概率、1阶累积矩代表均值,相比双窗OTSU算法,降低了目标内部噪声。在整个图像中,用于矿石图像的分割,通过计算靠近目标和背景部分反映灰度级概率的0阶矩以及表示均值的1阶累积矩,用于OTSU算法,代替计算整个灰度级分布,减小噪声带来的误差;选取的最优阈值,避免陷入局部最优,不仅适用于双峰分布的直方图图像,而且有效分割单峰或接近单峰的矿石图像,快速、有效和准确地实现复杂场景下矿石分割。（4）针对复杂场景矿石图像识别,提出一种基于熵值组合向量的矿石粒度分布模型。由分割出的矿石目标,提取目标的形态特征,计算矿石图像中每个目标的粒径信息。分别对空域和频域提取的多尺度特征,利用多元多尺度熵度量,在多尺度上建立熵值范围与矿石图像的粒度分布映射,空域和频域的熵值特征向量组合构建,建立多尺度下熵值组合向量与混配级矿石图像的建立映射关系,完成复杂场景矿石图像识别。本文对多尺度的矿石粒度分布方法进行了相关研究与探索,但存在以下不足,需要进一步的研究与改进:1)基于图像空域特征有限,需要提取更多的特征提取,提高检测精度;2)在频域层面工作反映了矿石边界、纹理、粗糙度,后续工作可以考虑加入方向等特征,进行进一步的分析;3)目前本文只针对等质量比例混合的石料图像识别与分析,有待于对更加复杂场景的矿物图像检测与识别。
秦靖柯[10]（2019）在《基于多源数据的矿物浮选过程预测模型的研究》文中研究指明目前,随着矿产资源的不断开采,矿产资源品位逐步降低。在未来,合理使用较低品位的矿产资源将变得更加重要。因此,我国许多有色金属冶炼工厂在一定工作前提下向矿浆中添加了浮选剂,并通过附着有矿物的矿化泡沫增加矿物品位。最后,建立了浮选生产线以满足冶炼矿物品位要求。泡沫浮选是一种基于矿石表面物理化学性质差异的矿质分离选矿方式,通过不同矿物的物理化学性质不同产生的矿物可浮性不同这种性质将不同矿物分离,泡沫浮选广泛用于选矿行业。评价浮选生产情况的指标有很多,其中最重要质量指标为精矿品位,在工业现场,通常根据当前的精矿品位调整工艺参数,例如给料量和通风量,以便及时知道当前的精矿品位实现最佳控制。精矿品位的测定的测定在大多数浮选设备中采用离线测试来获得当前的精矿品位。浮选过程是一个复杂的多相、多态、多输入输出、耦合关联的系统。影响最终产品质量各个参数的因素很多,包括:原矿品位、磨矿方法、磨矿细度、矿浆浓度、矿浆粒度、给矿速率、浮选液位、温度、PH值、药剂类型、药剂量、反应时间、风量、风压等。矿物浮选由多个工序组成,一般分别为粗选、扫选、精选等,有的浮选厂会在这几道工序后添加浮选机以提高精矿品位。传统浮选作业中,现场人员根据浮选泡沫的形态、颜色、动态特征依靠经验判断浮选生产状况,并根据经验进行适当的调整。这种操作方式对现场人员经验依赖性比较大,易产生较大的产品质量波动,且由于系统本身的长时滞性,当发生质量问题时调整系统需通过相当长时间才能调整正常。目前采用人工判断调整方式的根本原因是对浮选过程认识不够。由于系统本身的复杂性,目前还无法对浮选过程进行有效的建模,精确控制也就无从谈起。近年来人们逐渐倾向于采用人工智能的方式模拟现场人员的判断和操作,通过数据积累后利用专家系统对判断进行优化,这是一个目前比较有效的处理方式。本研究项目涉及选矿学,应用数学,计算机科学等交叉研究内容。本项目将从浮选过程中工艺流程和各特征参数的关系分析入手,深入研究各特征参数与输出品位之间的关系,并对其进行基于数据的集成建模,因此,项目研究的特色和创新点体现在以下方面:1、针对以往基于数据建模只局限于泡沫图像特征,本项目将通过现场工况与泡沫图像特征相结合的形式,依次对工业现场生产数据和泡沫图像特征数据建模,提高预测模型的精度以及准确性。2、针对浮选长流程带来的模型误差,建立的预测模型很难精确说明长流程的浮选过程,因此对预测模型进行优化分析,通过主成分分析算法与聚类分析算法实现模型精度提高。3、建立基于SQLServer与Matlab的预测模型软件系统,采用SQLServer存储数据并与Matlab图形交互界面通过ODBC进行数据交互,完成数据的分析与预测,并输出预测结果。
二、Flotation Control System Based on Recognition of Froth Image（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、Flotation Control System Based on Recognition of Froth Image（论文提纲范文）
（1）基于浮选尾煤图像的灰分预测系统工业试验研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 浮选过程概述 |
| 1.2.2 浮选产品质量检测研究现状 |
| 1.2.3 浮选尾煤图像的灰分检测研究现状 |
| 1.3 研究内容和技术路线 |
| 第2章 浮选尾煤图像采集实验设计 |
| 2.1 浮选尾煤图像采集的理论分析 |
| 2.2 浮选尾煤图像采集装置设计 |
| 2.2.1 浮选尾煤图像采集装置关键问题分析 |
| 2.2.2 图像采集装置整体结构设计 |
| 2.2.3 关键设备选型设计 |
| 2.2.4 图像采集装置参数优化设计 |
| 2.3 实验数据采集 |
| 2.4 本章小结 |
| 第3章 浮选尾煤图像特征提取与分析 |
| 3.1 图像预处理 |
| 3.2 图像特征提取与分析 |
| 3.2.1 灰度特征提取及其与灰分的相关性分析 |
| 3.2.2 RGB颜色特征提取及其相关性分析 |
| 3.2.3 HSI颜色特征提取及其相关性分析 |
| 3.3 其他因素对浮选尾煤图像特征的影响 |
| 3.3.1 浓度对浮选尾煤图像特征的影响 |
| 3.3.2 光强对浮选尾煤图像特征的影响 |
| 3.4 本章小结 |
| 第4章 基于浮选尾煤图像特征的灰分软测量研究 |
| 4.1 基于BP神经网络的灰分预测模型 |
| 4.1.1 BP神经网络原理 |
| 4.1.2 基于BP神经网络的灰分预测模型建立与分析 |
| 4.2 基于GSA-SVR的灰分预测模型 |
| 4.2.1 支持向量回归算法原理 |
| 4.2.2 引力搜索算法原理 |
| 4.2.3 基于GSA-SVR的灰分预测模型建立与分析 |
| 4.3 本章小结 |
| 第5章 浮选尾煤灰分在线检测系统工业性试验 |
| 5.1 工业现场应用背景 |
| 5.2 浮选尾煤灰分实时检测系统整体设计 |
| 5.2.1 系统需求分析 |
| 5.2.2 系统架构设计 |
| 5.2.3 系统工作流程 |
| 5.3 浮选尾煤灰分实时检测系统硬件设计 |
| 5.4 浮选尾煤灰分实时检测系统软件设计 |
| 5.4.1 PLC与MATLAB通讯设计 |
| 5.4.2 图像自动采集处理和分析程序设计 |
| 5.4.3 GUI界面设计 |
| 5.5 灰分实时检测系统工业试运行效果分析 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（3）基于机器视觉的选煤厂输送机皮带磨损故障诊断研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究路线和内容 |
| 1.3 本章小结 |
| 2 文献综述 |
| 2.1 皮带防护综述 |
| 2.2 机器视觉在选矿领域的应用 |
| 2.3 本章小结 |
| 3 基于灰度分布分析的皮带磨损故障诊断 |
| 3.1 皮带磨损实验准备 |
| 3.2 灰度分布分析判断方法 |
| 3.3 灰度分布曲线的平均滤波分析与拟合分析 |
| 3.4 非线性复杂皮带磨损分析 |
| 3.5 本章小结 |
| 4 基于图像特征提取和SVM、LDA的皮带磨损故障诊断 |
| 4.1 图像特征参数提取 |
| 4.2 支持向量机皮带磨损识别 |
| 4.3 线性判别式分析(LDA)法识别 |
| 4.4 本章小结 |
| 5 基于深度学习的皮带磨损故障诊断 |
| 5.1 AlexNet皮带磨损图像分类 |
| 5.2 GoogLeNet皮带磨损图像分类 |
| 5.3 本章小结 |
| 6 总结与展望 |
| 6.1 研究结论 |
| 6.2 主要创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（4）基于机器视觉的多煤种密度级在线分类研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 矿物粒度组成分析 |
| 1.2.2 浮选泡沫表面特征研究 |
| 1.2.3 矿石类型分析和品位分析 |
| 1.3 主要研究内容及技术路线 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线 |
| 1.4 本章小结 |
| 第2章 煤岩组分与表面特征分析 |
| 2.1 煤样准备及煤样图像采集系统 |
| 2.1.1 煤样准备 |
| 2.1.2 煤样密度级分类标准 |
| 2.1.3 煤样图像采集系统 |
| 2.2 煤样显微组分分析 |
| 2.3 煤样表面图像分析 |
| 2.4 本章小节 |
| 第3章 煤粒表面特征量化 |
| 3.1 颜色模型及直方图介绍 |
| 3.1.1 RGB颜色模型 |
| 3.1.2 HSV颜色模型 |
| 3.1.3 灰度图像模型 |
| 3.1.4 伪彩色图 |
| 3.1.5 频率直方图 |
| 3.2 图像预处理 |
| 3.2.1 彩色阈值分割算法 |
| 3.2.2 二值化处理 |
| 3.2.3 边缘颗粒去除算法 |
| 3.2.4 有限腐蚀-精准膨胀算法 |
| 3.2.5 边缘颗粒分割算法 |
| 3.3 煤粒表面特征量化 |
| 3.3.1 颜色、光泽特征量化 |
| 3.3.2 纹理特征量化 |
| 3.4 特征参数筛选方法 |
| 3.4.1 箱线图-相关性系数计算 |
| 3.4.2 PSO-SVM自动寻优算法 |
| 3.5 本章小结 |
| 第4章 煤粒密度级预测模型 |
| 4.1 异常点检测 |
| 4.2 煤粒密度级预测模型 |
| 4.2.1 支持向量机分类器(SVM) |
| 4.2.2 随机森林分类器 |
| 4.2.3 BP神经网络 |
| 4.2.4 SIMCA算法 |
| 4.2.5 K-近邻法(KNN) |
| 4.3 分类效果评估 |
| 4.3.1 BP-R特征参数分类结果 |
| 4.3.2 P-S特征参数分类结果 |
| 4.3.3 竞争投票分类模型 |
| 4.4 多煤种共性分类模型 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 5.1 主要结论 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 附录1 攻读硕士学位期间发表的论文 |
| 附录2 攻读硕士学位期间参加的科研项目 |
（5）基于机器视觉的煤泥浮选加药控制系统研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 引言 |
| 1.2 项目背景与意义 |
| 1.3 国内外研究现状 |
| 1.4 本文主要内容 |
| 2 煤泥浮选机理与工艺 |
| 2.1 煤泥浮选机理与工艺 |
| 2.2 影响煤泥浮选的因素 |
| 2.3 煤泥浮选泡沫层分析 |
| 2.4 本章小结 |
| 3 基于机器视觉的煤泥浮选控制系统设计方案 |
| 3.1 系统设计的技术路线 |
| 3.2 系统设计方案 |
| 3.3 本章小结 |
| 4 基于机器视觉的煤泥泡沫分类 |
| 4.1 煤泥浮选泡沫的类型 |
| 4.2 卷积神经网络的介绍 |
| 4.3 煤泥泡沫分类数据库 |
| 4.4 煤泥泡沫图像分类模型的建立 |
| 4.5 网络调试与对比分析 |
| 4.6 本章小结 |
| 5 煤泥泡沫图像特征提取 |
| 5.1 煤泥泡沫图像预处理 |
| 5.2 煤泥泡沫图像特征提取 |
| 5.3 本章小结 |
| 6 煤泥浮选加药系统的模型建立 |
| 6.1 煤泥浮选样本数据 |
| 6.2 基于数据驱动的煤泥浮选加药模型 |
| 6.3 两种加药预测模型对比 |
| 6.4 本章小结 |
| 7 煤泥浮选加药给定系统 |
| 7.1 煤泥浮选加药给定方案 |
| 7.2 浮选尾煤泡沫图像灰分检测 |
| 7.3 模糊控制器的设计 |
| 7.4 本章小结 |
| 8 煤泥浮选加药量控制系统的实现 |
| 8.1 系统具体硬件实施 |
| 8.2 浮选煤泥控制平台搭建 |
| 8.3 本章小结 |
| 9 总结与展望 |
| 9.1 总结 |
| 9.2 展望 |
| 参考文献 |
| 附录1 |
| 作者简历 |
| 学位论文数据集 |
（6）基于图像处理的浮选过程优化应用（论文提纲范文）
| 1 图像预处理 |
| 1.1 图像噪声去除 |
| 1.2 灰度化 |
| 1.3 图像对比度增强 |
| 2 泡沫特征提取 |
| 2.1 静态特征 |
| 2.1.1 泡沫颜色特征 |
| 2.1.2 泡沫纹理特征 |
| 2.1.3 泡沫形态特征 |
| 2.2 动态特征 |
| 2.2.1 速度特征 |
| 2.2.2 稳定性特征 |
| 3 生产关系模型 |
| 4 结论和展望 |
（7）煤泥浮选泡沫纹理特征参数的提取与研究（论文提纲范文）
| 摘要 |
| abstract |
| 引言 |
| 第1章 绪论 |
| 1.1 课题背景及研究意义 |
| 1.2 浮选泡沫视觉特征研究现状 |
| 1.2.1 浮选泡沫形态尺寸研究现状 |
| 1.2.2 泡沫颜色研究现状 |
| 1.2.3 浮选泡沫纹理特征的研究现状 |
| 1.3 图像分类技术研究现状 |
| 1.4 论文研究内容 |
| 第2章 浮选原理与机器视觉系统的建立 |
| 2.1 浮选原理 |
| 2.1.1 浮选工艺流程 |
| 2.1.2 泡沫浮选关键参数 |
| 2.2 机器视觉系统的建立 |
| 2.2.1 机器视觉系统概述 |
| 2.2.2 视觉设备选型 |
| 2.3 本章小结 |
| 第3章 浮选泡沫多特征参数提取 |
| 3.1 泡沫图像特征提取算法 |
| 3.1.1 泡沫图像分割与尺寸参数提取 |
| 3.1.2 图像灰度特征 |
| 3.1.3 Tamura纹理特征提取 |
| 3.2 特征提取实验结果 |
| 3.2.1 泡沫图像分割与尺度特征提取结果 |
| 3.2.2 灰度值提取结果 |
| 3.2.3 纹理特征提取结果 |
| 3.3 多特征融合 |
| 3.4 本章小结 |
| 第4章 泡沫特征参数的分类训练 |
| 4.1 支持向量机 |
| 4.1.1 线性支持向量机 |
| 4.1.2 非线性支持向量机 |
| 4.1.3 支持向量机多分类问题 |
| 4.2 多层感知器 |
| 4.3 softmax多分类模型 |
| 4.4 分类实验结果 |
| 4.4.1 实验步骤 |
| 4.4.2 SVM识别测试结果 |
| 4.4.3 MLP算法实验结果 |
| 4.5 本章小结 |
| 第5章 基于卷积神经网络的图像提取与应用 |
| 5.1 卷积神经网络 |
| 5.1.1 卷积神经网络的基本结构 |
| 5.1.2 Alex Net网络模型 |
| 5.2 实验与结果分析 |
| 5.2.1 实验过程 |
| 5.2.2 结果分析 |
| 5.3 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 导师简介 |
| 作者简介 |
| 学位论文数据集 |
（8）基于图像处理的浮选尾矿灰分检测方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要内容 |
| 第二章 浮选尾矿灰分分析装置构建 |
| 2.1 实验系统整体设计 |
| 2.2 实验样品制备 |
| 2.3 图像分析系统组成 |
| 2.3.1 相机的选择 |
| 2.3.2 镜头的选择 |
| 2.3.3 照明光源的选择 |
| 2.4 本章小结 |
| 第三章 浮选尾矿图像特征提取方法 |
| 3.1 实验装置关键参数设定 |
| 3.2 浮选尾矿图像特点 |
| 3.3 浮选尾矿图像预处理 |
| 3.4 浮选尾矿彩色图像特征提取 |
| 3.4.1 RGB颜色空间下特征提取 |
| 3.4.2 YUV颜色空间下特征提取 |
| 3.4.3 HSI颜色空间下特征提取 |
| 3.5 本章小结 |
| 第四章 基于主元分析法的特征处理 |
| 4.1 主元分析理论的基本思想 |
| 4.2 主元分析的原理 |
| 4.3 主元分析的改进算法 |
| 4.4 图像特征的主元分析处理 |
| 4.5 本章小结 |
| 第五章 基于APSO-LSSVM的尾矿灰分建模研究 |
| 5.1 支持向量机 |
| 5.1.1 支持向量机原理 |
| 5.1.2 支持向回归机原理 |
| 5.1.3 最小二乘支持向量机 |
| 5.2 粒子群算法 |
| 5.2.1 粒子群算法原理与算法 |
| 5.2.2 自适应变异粒子群算法 |
| 5.3 基于APSO-LSSVM的浮选尾煤灰分软测量模型 |
| 5.4 软测量模型对比 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文 |
（9）基于多尺度特征分析的矿石粒度分布方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 矿石粒度分布检测主要方法 |
| 1.2.1 传统粒度分布检测方法 |
| 1.2.2 基于人工智能的粒度分布检测方法 |
| 1.3 国内外研究现状 |
| 1.3.1 基于图像分割的粒度分布检测技术 |
| 1.3.2 多尺度分析技术 |
| 1.3.3 基于熵的图像分析技术 |
| 1.4 研究内容 |
| 1.5 文章组织结构 |
| 2 基于矿石图像空域的多元多尺度特征提取模型 |
| 2.1 图像空域特征提取方法及研究现状 |
| 2.1.1 颜色特征提取及现状 |
| 2.1.2 空域纹理特征提取方法及现状 |
| 2.1.3 空域形状特征提取方法及现状 |
| 2.2 基于矿石图像空域的多元多尺度特征提取 |
| 2.2.1 基于多元多尺度特征的粗粒化 |
| 2.2.2 基于多元多尺度特征的复合延迟向量构建 |
| 2.3 实验结果及分析 |
| 2.4 本章小结 |
| 3 基于矿石图像二维经验模态分解的频域特征提取模型 |
| 3.1 基于矿石图像多尺度分析技术 |
| 3.1.1 空域特征存在问题 |
| 3.1.2 频域特征提取方法 |
| 3.2 基于二维经验模态分解的频域特征提取模型 |
| 3.2.1 矿石图像二维模态分解 |
| 3.2.2 高频图像瞬时频率提取 |
| 3.3 实验结果及分析 |
| 3.4 本章小结 |
| 4 基于直方图累积矩的动态优化矿石分割方法 |
| 4.1 矿石图像增强 |
| 4.1.1 图像增强理论及相关工作 |
| 4.1.2 基于多尺度彩色复原算法的矿石图像增强 |
| 4.2 矿石图像分割理论及存在问题 |
| 4.2.1 矿石图像阈值分割方法及现状 |
| 4.2.2 基于OTSU的矿石图像阈值分割 |
| 4.2.3 现存矿石图像分割的问题 |
| 4.3 基于直方图累积矩的动态优化分割算法 |
| 4.4 实验结果及分析 |
| 4.4.1 定性分析 |
| 4.4.2 定量分析 |
| 4.5 本章小结 |
| 5 基于熵值组合向量的矿石粒度分布模型 |
| 5.1 矿石图像粒度分布检测 |
| 5.1.1 矿石粒度分布模型研究思路 |
| 5.1.2 粒度分布检测存在问题 |
| 5.2 基于熵的尺度分析 |
| 5.2.1 信息熵理论及相关工作 |
| 5.2.2 多尺度熵理论及相关工作 |
| 5.2.3 多元多尺度熵理论及相关工作 |
| 5.3 基于熵值组合向量的复杂矿石图像识别模型 |
| 5.3.1 基于矿石形状特征的粒径检测 |
| 5.3.2 基于图像多元多尺度熵的矿石粒度分布模型 |
| 5.3.3 基于组合特征的矿石粒度分布模型 |
| 5.4 实验与分析 |
| 5.5 本章小结 |
| 6 总结和展望 |
| 6.1 论文总结 |
| 6.2 论文创新点 |
| 6.3 展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（10）基于多源数据的矿物浮选过程预测模型的研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 过程预测建模方法 |
| 1.2.1 基于机理的建模方法 |
| 1.2.2 基于数据的建模方法 |
| 1.2.3 集成建模方法 |
| 1.3 基于数据的矿物品位预测研究现状 |
| 1.4 本论文的结构安排 |
| 第二章 镍矿浮选工艺过程以及参数分析 |
| 2.1 镍矿浮选的工艺过程 |
| 2.1.1 镍矿浮选的基本原理 |
| 2.1.2 浮选的工艺流程 |
| 2.2 镍矿浮选的参数分析 |
| 2.2.1 镍矿浮选过程工况参数以及有效范围 |
| 2.2.2 镍矿浮选泡沫图像特征参数 |
| 2.3 本章小结 |
| 第三章 镍矿浮选品位预测建模系统架构设计 |
| 3.1 镍矿浮选品位预测系统组成 |
| 3.2 镍矿浮选品位预测系统流程图 |
| 3.3 镍矿浮选品位预测系统数据采集与数据预处理 |
| 3.3.1 镍矿浮选品位预测系统的数据采集 |
| 3.3.2 镍矿浮选品位预测系统的数据预处理 |
| 3.4 本章小结 |
| 第四章 基于多源数据镍矿浮选品位预测模型 |
| 4.1 建模拟解决的问题 |
| 4.2 最小二乘支持向量机LS-SVM的基本原理 |
| 4.3 数据标准化/归一化 |
| 4.4 基于粒子群算法的预测模型优化 |
| 4.5 基于粒子群算法的最小二乘支持向量机的建模 |
| 4.5.1 基于粒子群算法的最小二乘向量机建模的基本流程 |
| 4.5.2 基于粒子群算法的最小二乘向量机预测模型评价标准 |
| 4.5.3 预测模型结果分析 |
| 4.6 本章小结 |
| 第五章 镍矿浮选品位预测建模优化设计 |
| 5.1 数据插值理论 |
| 5.2 主成分分析PCA算法 |
| 5.2.1 主成分分析算法的求解与性质 |
| 5.3 工况识别——聚类分析算法 |
| 5.3.1 聚类分析算法思想 |
| 5.3.2 K均值聚类算法(K-Means聚类算法) |
| 5.3.3 K均值聚类算法结果分析 |
| 5.4 本章小结 |
| 第六章 镍矿浮选品位预测建模系统设计 |
| 6.1 系统的整体架构 |
| 6.2 系统硬件的设计 |
| 6.3 系统软件的设计与应用 |
| 6.3.1 开发环境与技术 |
| 6.3.2 数据库设计 |
| 6.3.3 预测建模系统功能设计 |
| 6.4 本章小结 |
| 第七章 结论与展望 |
| 7.1 结论 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
四、Flotation Control System Based on Recognition of Froth Image（论文参考文献）
- [1]基于浮选尾煤图像的灰分预测系统工业试验研究[D]. 周博文. 太原理工大学, 2021(01)
- [2]MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别[J]. 曹文艳,王然风,樊民强,付翔,王宇龙. 控制理论与应用, 2021(12)
- [3]基于机器视觉的选煤厂输送机皮带磨损故障诊断研究[D]. 武文泽. 中国矿业大学, 2020(03)
- [4]基于机器视觉的多煤种密度级在线分类研究[D]. 胡齐. 武汉科技大学, 2020(01)
- [5]基于机器视觉的煤泥浮选加药控制系统研究[D]. 魏凌敖. 中国矿业大学, 2020(01)
- [6]基于图像处理的浮选过程优化应用[J]. 胡定雄,张博洋. 采矿技术, 2020(02)
- [7]煤泥浮选泡沫纹理特征参数的提取与研究[D]. 田童. 华北理工大学, 2020(02)
- [8]基于图像处理的浮选尾矿灰分检测方法研究[D]. 王靖千. 太原理工大学, 2019(08)
- [9]基于多尺度特征分析的矿石粒度分布方法研究[D]. 展彦彤. 中国矿业大学(北京), 2019(09)
- [10]基于多源数据的矿物浮选过程预测模型的研究[D]. 秦靖柯. 电子科技大学, 2019(01)