一、Analysis of Texture of Froth Image in Coal Flotation(论文文献综述)
曹文艳,王然风,樊民强,付翔,王宇龙[1](2021)在《MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别》文中认为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[2](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》文中提出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。
白亚腾[3](2020)在《基于机器视觉的煤质检测关键技术研究》文中研究说明目前而言,由于机械开采的迅速推广,产出的细粒煤已经大致占到原煤总量的20%以上。选煤厂的浮选技术水平的高低,将直接影响煤炭资源的有效利用率和经济效益。随着计算机技术的迅猛发展,机器视觉技术用来代替人类视觉自动处理浮选泡沫图像已经成为可能,通过及时准确地提取泡沫图像特征参数,从而对浮选过程中泡沫进行实时检测和识别。然而浮选过程中各种操作变量的不断变化以及现场环境恶劣性对泡沫图像的获取、分割处理及表面视觉特征提取等带来了很大的挑战。因此,研究一套行之有效的泡沫图像处理及视觉特征提取方法,从而建立完善高效的浮选产品指标在线检测体系,有效地提高了浮选生产效率,降低了工人劳动强度,进一步提高矿产资源的回收率,具有非常重要的现实意义。本文首先归纳总结了煤泥浮选的现场环境、工艺特征及其泡沫图像的视觉特点,以实验室小浮选试验为基础研究手段,提出了适用于煤泥浮选泡沫的图像去噪、增强及分割算法。从图像中提取出能够有效反映煤质产量和灰分的相关特征参数,构建了煤泥浮选精煤灰分软测量模型。在此基础上,对浮选系统进行配置,并结合选煤厂的实际情况,搭建了煤泥浮选泡沫图像控制管理系统。实现了对现场精煤灰分的在线检测,验证了本研究的可靠性和有效性。本文的主要研究内容及创新性成果概括为以下几个方面:(1)针对煤泥浮选生产光分布不均匀、图像噪声污染严重、分割困难等问题,本文提出了一种基于全变分理论的混合去噪模型。基于暗原色先验原理、双平台直方图均衡化和递归分层的连通域均衡化原理,本文研究了一种综合图像增强技术,能够在保留图像细节前提下,有效地去除泡沫图像噪声,增强图像对比度。结合以上预处理的技术,设计了一种基于谷底边缘检测的泡沫图像分割算法。不仅保留图像中的非边缘像素,而且保留了真实的泡沫边缘像素点,对泡沫边界像素进行细化处理,从而得到真实的矿物泡沫图像边缘。(2)对不同入浮浓度、捕收剂用量、起泡剂用量和物料颗粒情况下浮选实验泡沫图像进行采集,并化验分析了样品的实验指标。提取了不同浮选实验条件下的泡沫图像纹理、颜色和形状特征,利用机器学习中的回归方法(支持向量机和随机森林等)通过三种特征融合的方式对浮选过程中的精煤产量、精煤灰分和尾煤灰分进行预测,结果表明本文提出的多特征融合的预测方法可以达到较好的预测性能。(3)为了提高精煤灰分的预测精度,本文基于图像灰度直方图和灰度共生矩阵等共提取了11个特征参数,并综合分析了各个特征值与浮选运行状态之间的关系。实验结果表明:基于灰度直方图提取的方差、基于灰度共生矩阵提取的能量以及泡沫大小与精煤灰分值之间存在着明显相关关系。而由灰度直方图提取的平滑度和三阶矩,则与精煤灰分值呈高度相关关系。由灰度直方图提取的熵、由灰度共生矩阵提取的对比度、熵与精煤灰分值呈适度相关。基于灰度直方图提取的一致性对灰分不敏感,相关性极弱。(4)采用多元线性回归分析法对样本数据进行了建模,对比了不同自变量作为模型输入值时的多元线性回归方程,选择方差、平滑度、三阶矩、能量、泡沫实际面积作为自变量,用于构建煤泥浮选灰分软测量模型,对比样品的实际化验结果与模型的预测结果,发现该模型对样品精煤灰分预测的绝对误差可以保证在±5%范围之内。根据经验公式,取得BP神经网络隐含层神经元的最优数量,从而搭建了灰分预测模型,通过测试集的验证,结果表明预测灰分与实际灰分之间的相对误差基本小于±10%,绝对误差可以达到±1%。其中,绝对误差小于±0.5%的样本占总预测的72%。在以上研究的基础上,考虑到现实选煤厂浮选车间的工作情况和机器视觉技术的配置,本文搭建了一套煤泥浮选泡沫图像控制系统。该套系统主要包括由彩色CCD相机、定焦镜头、环形光组成的图像采集系统和由图像预览、图像采集、图像处理、数据保存四个模块组成的图像处理系统,实现了对现场精煤灰分的在线检测。现场工业试验观察发现,基于该系统预测得到的数据与实际化验数据之间的误差可以达到±1.5%之间,达到了实时精确预测浮选精煤灰分,及时指导现场生产的目的。该论文有图62幅,表20个,参考文献146篇。
胡齐[4](2020)在《基于机器视觉的多煤种密度级在线分类研究》文中指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》文中研究表明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。
田童[6](2020)在《煤泥浮选泡沫纹理特征参数的提取与研究》文中进行了进一步梳理在泡沫浮选过程中,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。
刘文涛[7](2019)在《基于机器视觉的浮选泡沫静态参数研究》文中进行了进一步梳理在颗粒与气泡碰撞理论等浮选机理研究中,利用气泡的形态参数进行实验研究并验证理论模型的正确性。其提取方法的研究具有重要的研究价值;在实际的选矿厂中依靠技术人员对浮选泡沫的表面视觉状态的判断调整浮选工况参数,存在着主观性强、工况参数调整滞后等缺点。将机器视觉应用到浮选工艺中,根据泡沫的视觉特征参数实现浮选过程的实时监测。其中泡沫形态、颜色和纹理等静态参数作为先验知识能够用来识别浮选工况状态,预测浮选效果,具有重要的研究意义和广阔的应用前景。通过建立机器视觉系统采集浮选泡沫(气泡)的图像信息,研究气泡的形态与泡沫的形态、颜色和纹理特征参数的提取方法。主要研究工作如下:根据矿浆中离散气泡的存在形式,建立了模拟浮选过程装置和机器视觉设备组成的气泡观测系统。提出了一种基于区域分割的气泡边缘提取方法,其边界点最后由Canny边缘检测提取。在不同的光照环境下,边缘定位准确且变化波动比较小。针对重叠气泡,使用CSS角点检测与方向链码检测凹点并以此分割轮廓,再利用最小二乘法重建气泡边缘。完成了气泡二维形态参数的精确计算,实现了物理参数的转换。提出了水平置位分割方法测量气泡的体积和表面积,通过实验与其他三种方法的测量结果进行对比,该方法具有更高的精度和鲁棒性。在单槽浮选机上使用LED光源与工业相机搭建的监测系统采集泡沫图像。通过分析泡沫平面与截面的结构特点,对基于标记点的分水岭算法做出以下改进:使用同态滤波改善图像亮度不均和阴影问题;利用KFCM将泡沫中相似的高亮点区域进行聚类,提取标记点与边缘光带;修正原图像中的气泡边缘,对修正后的图像进行形态学开闭重建滤波;以高亮标记点为“集水盆地”做分水岭分割。同传统分水岭方法作比较,改进后的方法分割后的泡沫数量与分割线的位置比较接近实际。将双域去噪技术应用到泡沫图像滤波中,在去除噪声的同时保留了图像中的细节。提出了基于HSV颜色空间模型的LBP纹理提取方法,在颜色分量图像上分别提取三个尺度的LBP特征分布直方图,具有更高的特征分辨率。完成了三个颜色分量图的多尺度特征分布的整合,通过训练建立SVM分类器,对两种不同浮选工况状态的图像进行分类测试,准确率为86.67%,能够用于不同工况状态的识别。图44幅;表4个;参57篇。
丁泽海[8](2018)在《基于机器视觉的高硫煤煤质分析研究》文中研究说明目前,国内外选煤厂的自动化基本处于自动启停车、自动加药和自动控制介质密度桶液位等单一的控制状态,不能实时监测入料煤以及产品煤的煤质组成,因此无法及时控制整个选煤过程。在选煤厂,煤质信息如粒度组成、密度组成以及硫分,通常需要人工离线测量。人工离线测量实验量大、分析过程复杂、耗时巨大,不能及时反馈煤质信息变化,不能直接用于生产过程控制,降低了产品的合格率。在课题组对太西无烟煤进行基于机器视觉的煤质组成分析基础上,论文将该项技术用于高硫煤的组成分析。由于高硫烟煤和低硫无烟煤外观上的巨大差异,本文在具体图像分析方法上,提出了新的举措。论文通过直方图均衡化增强图像对比度,采用平滑滤波消除图像噪声,使用基于标记控制的分水岭分割煤粒区域,使用最小外接矩形方法截取煤粒区域;对提取的煤粒二维形状和大小特征参数,运用多重回归方法构建了煤粒厚度估计模型。再结合煤粒的面积得到了煤粒的体积估计模型,模型的相对误差为9.7131%;对比7个与粒径相关的物理量并计算其表征正确率,选出煤粒的最佳等效粒径——最小外接矩形宽(),其表征正确率为87.08%;结合煤粒的最佳等效粒径和体积估计模型,提出了适用于南桐高硫煤的粒度组成估计方法。提取了42种煤粒表面颜色和纹理特征,进行归一化处理和异常点识别,使用箱线图探索特征参数随煤粒粒级和密度级的变化趋势,初步筛选特征参数。使用遗传算法进一步筛选和优化特征参数,并运用遗传算法优化的BP神经网络建立了煤粒密度级估计模型。最后,结合煤粒的最佳等效粒径、体积和密度级估计模型,提出了适用于南桐高硫煤的密度组成估计方法。研究结果表明,试验用煤样的硫分以黄铁矿硫为主,但因黄铁矿的嵌布粒度较细,在煤粒图像中很难分辨出来;同时发现,试验煤样的硫分和密度存在正相关关系,因此选取估计密度用的特征参数作为硫分估计的特征参数。对特征参数行归一化处理和异常点识别,使用箱线图探索特征参数随煤粒硫分的变化趋势,初步筛选特征参数。使用遗传算法进一步筛选和优化特征参数,并运用遗传算法优化的BP神经网络建立了煤粒硫分估计模型和粒群硫分估计模型。最后,结合煤粒的最佳等效粒径、体积、密度和粒群硫分估计模型,提出了适用于南桐高硫煤的硫分估计方法。
谭佳琨[9](2018)在《浮选泡沫性质与精煤灰分的相关性研究》文中研究指明精煤灰分是煤炭行业中一个十分重要的指标,浮选精煤灰分通常高于重选而必须严格控制以实现全厂经济效益最大化。在现场,浮选操作司机只能依据经验对浮选操作参数进行实时调节,因为实验室要得到精确的浮选结果需通过长时间的采样、过滤、烘干、制样和烧灰这样一个流程。无法获得浮选精煤产品灰分精确的实时反馈限制了浮选控制的发展,一旦浮选入料发生波动会导致大量精煤产品不达标,浮选精煤灰分的实时监测亟待解决。本文将对浮选泡沫性质和精煤灰分的相关性进行研究,以找到解决上述问题的方法。煤炭浮选入料粒度和密度范围广,其中极粗(0.5 mm左右)和极疏水(接触角大于65°)的颗粒会引起与常规泡沫性质不同的规律。首先对不同粒度、密度颗粒对泡沫性质的影响进行研究。将煤炭浮选入料分为粗、中、细三个粒度级分别进行单独和混合浮选,在入料性质不同而操作条件相同的情况下,分析各粒级煤炭的浮选精煤产率和灰分,以及相应的浮选泡沫性质,包括水回收率、均一性(气泡尺寸)、破裂气泡尺寸、破裂气泡个数和泡沫速度。同时研究了不同密度级颗粒对泡沫性质和粗颗粒回收的影响。文中通过分析粗颗粒产率、水回收率、精煤重量组成、泡沫灰度和高于溢流堰高度,提出不同密度细颗粒提高粗颗粒回收的两点机理,对于疏水颗粒,颗粒疏水性和易浮颗粒总量影响动态泡沫稳定性和溢流泡沫体积,对于亲水颗粒,夹带在泡沫网络中的颗粒总量影响液体排液,这些关键的泡沫性质从不同方面影响粗颗粒的回收。浮选操作条件影响泡沫性质及其与精煤灰分的相关性。在不同起泡剂用量、充气表观气速和泡沫层厚度时,浮选精煤灰分随着水回收率、泡沫灰度和泡沫速度呈线性增加,浮选精煤灰分随着泡沫均一性呈线性降低。泡沫层薄时,各泡沫性质与精煤灰分的变化范围较泡沫层厚时更为显着。在所有操作条件均改变时,泡沫均一性与浮选精煤灰分的拟合效果最好,文中通过二次多项式进行拟合,泡沫均一性、水回收率、泡沫灰度和泡沫速度的拟合的决定系数R2分别为0.903、0.809、0.630和0.543。研究发现与泡沫几何结构相关的泡沫性质与精煤灰分的相关性最好。本文还提出了一个基于泡沫结构的精煤灰分模型,通过假设部分条件,使用Kelvin泡沫结构单元定量泡沫几何结构,表示液含量和精煤灰分。泡沫排液引起泡沫结构改变并影响产品灰分。为准确地比较两相与三相泡沫排液机制的改变,本文首先以两相泡沫为例,探讨不同强制排液试验条件对幂指数的影响,还研究了三相泡沫中颗粒在排液过程中的行为。研究发现在干燥时间较短的湿泡沫中来自普朗图边界的粘滞损失增加,对于泡沫不稳定性,研究发现随着泡沫液含量的增加,排液幂指数α从0.38增加到0.47,充分说明了泡沫不稳定性对排液幂指数的影响。本文将不同泡沫液含量时的强制排液过程分成上升区、混合区和对流区这三个分区,并针对对流不稳定性临界液含量的计算提出两种改进方法。本文建议传统强制排液试验应在较低液含量时分析排液机制才可信。在加入颗粒的三相强制排液中,泡沫普朗图边界的粘滞损失增大,泡沫通透性降低。在不同灰分颗粒的三相排液试验中,发现当排液时间短时,泡沫中残留颗粒质量随着颗粒灰分的增加而降低,说明越疏水的颗粒越容易与气泡粘附,越不易被排液的水流所影响而返回矿浆。
陈颂[10](2017)在《矿物质对机器视觉检测浮选尾煤灰分的影响规律研究》文中研究表明浮选尾煤灰分是煤泥浮选过程中非常重要的被控变量,实现其在线检测将推动浮选过程控制的发展。近些年来,机器视觉检测技术作为一种安全、快速,稳定、经济的方法日益受到关注。但不同矿区的煤矿物质组成各不相同,浮选尾煤表观特性也存在较大差异,这对机器视觉测灰技术的推广产生一定的阻碍。鉴于此,论文针对尾煤矿物质组成、灰分及浓度等因素对图像特征值的影响规律进行研究。本试验采用配煤的方式进行试验,首先按照国家标准对试验所用煤样进行浮沉试验,以唐口和薛湖两个选煤厂-1.4g/cm3和+1.8g/cm3两个密度级的样品作为基础煤样,并通过烧灰试验确定了基础煤样的灰分。运用X射线衍射仪分析了试验煤样的矿物组成,运用X射线荧光光谱仪分析了试验煤样的元素组成,利用K值法结合元素组成对煤样组分进行了定量分析。并运用了能谱仪(EDS)和扫描电镜背散射电子成像(BSE)元素面分布技术对试验煤样进行表面形貌分析,表面元素定性及定量分析。结合试验需求确定了本试验所用矿物质为石英,高岭石,白云石,黄铁矿,褐铁矿,并运用X射线衍射仪分析试验所用矿物质的组成,确定了矿物质的纯度达到试验应用标准。稳定的图像采集条件对样品图像的灰度特征值影响很大,因此必须设定固定的试验条件,以减小误差,保证试验源数据的准确。搭建机器视觉试验平台并研究各因素对试验的影响规律。试验结果表明,光源照射方式,煤浆流动速度,光源强度,工业相机光圈大小以及图像采集位置等因素对图像特征值影响很大。进而结合试验样品的表观特性确定最佳的试验条件。研究各因素与图像特征值的关系,设计试验并对图像提取灰度均值、平滑度、偏度、方差、能量、熵等六个特征值,分析显示灰度均值与各试验因素之间呈现出的规律最为明显。研究不同图像质量对特征值的影响,设计了不同类型图像的特征值信息对比试验,结果表明,异常图像和正常图像中的异常点对试验数据的真实性和稳定性影响很大,为了及时剔除图像噪声,设置图像最大亮斑面积800为阈值来剔除异常图像,利用中值滤波和莱以特准则剔除图像噪点。在确定的试验条件下用基础煤样进行配煤试验,研究浓度,灰分,矿物质组成对图像表观特性的影响规律,试验结果表明:尾煤图像灰度值随浓度及灰分的增大而增大,且不同矿物质组成的尾煤图像灰度值存在较大差异。研究不同因素间的交互作用和影响显着性,设计了Box-Behnken响应曲面试验,对多因素进行了研究和分析,得出各因素与图像灰度特征值之间的关系模型,模型显示对尾煤图像灰度均值影响最大的因素是灰分与矿物质组成,浓度对其也有一定的影响。其中灰分与矿物质组成,浓度与矿物质组成之间存在一定的交互作用。
二、Analysis of Texture of Froth Image in Coal Flotation(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、Analysis of Texture of Froth Image in Coal Flotation(论文提纲范文)
(2)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 |
(3)基于机器视觉的煤质检测关键技术研究(论文提纲范文)
致谢 |
摘要 |
abstract |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 浮选产品质量检测的研究现状 |
1.2.2 机器视觉在矿物加工领域的研究现状 |
1.2.3 浮选泡沫图像处理技术的研究现状 |
1.3 研究内容及论文组织结构 |
2 煤泥浮选工艺与泡沫图像特征分析 |
2.1 浮选泡沫图像表面视觉特点 |
2.2 浮选过程视觉监控的优点 |
2.3 本章小结 |
3 煤泥浮选泡沫图像去噪 |
3.1 传统图像去噪技术 |
3.1.1 调和去噪模型 |
3.1.2 全变分去噪模型 |
3.1.3 Zhang自适应去噪模型 |
3.1.4 Chen自适应去噪模型 |
3.2 全变分混合去噪模型 |
3.2.1 混合模型的建立 |
3.2.2 混合模型数值实现及整体流程 |
3.2.3 泡沫图像去噪与效果评价 |
3.3 本章小结 |
4 浮选泡沫图像增强及分割技术 |
4.1 传统图像增强技术 |
4.1.1 空域增强 |
4.1.2 频域增强 |
4.2 经典改进均衡化算法 |
4.2.1 双平台直方图均衡化 |
4.2.2 分层子直方图均衡化算法 |
4.3 连通域均衡化算法 |
4.3.1 连通域均衡化 |
4.3.2 改进算法 |
4.4 基于暗原色先验的煤质颗粒增强 |
4.4.1 暗通道先验模型及去雾原理 |
4.4.2 基于GIF的透射率优化 |
4.4.3 改进算法总体流程及仿真 |
4.5 泡沫图像分割简介 |
4.6 基于谷底边缘检测的泡沫图像分割算法 |
4.6.1 基于谷底边缘检测的泡沫图像分割算法研究 |
4.6.2 泡沫图像分割实验结果与分析 |
4.7 本章小结 |
5 浮选泡沫图像的产量和灰分预测方法 |
5.1 浮选实验中泡沫图像的采集 |
5.2 浮选泡沫图像特性 |
5.3 图像特征 |
5.3.1 颜色特征 |
5.3.2 纹理特征 |
5.3.3 形状特征 |
5.4 机器学习方法 |
5.5 实验分析与结果 |
5.6 本章小结 |
6 浮选泡沫图像的特征提取 |
6.1 实验系统 |
6.1.1 试验材料与装置 |
6.1.2 试验过程 |
6.1.3 试验结果 |
6.2 煤泥浮选泡沫图像特征提取 |
6.2.1 基于直方图的纹理特征的提取 |
6.2.2 基于灰度共生矩阵的纹理特征参数提取 |
6.2.3 平均尺寸参数提取 |
6.3 参数的相关性分析 |
6.4 浮选精煤灰分预测模型的建模研究 |
6.4.1 多元线性回归法的建模研究 |
6.4.2 BP神经网络法的建模研究 |
6.5 本章小结 |
7 煤泥浮选泡沫图像控制系统研究与设计 |
7.1 煤泥浮选图像控制系统硬件设计 |
7.1.1 相机参数及选定 |
7.1.2 光源的选择 |
7.1.3 工控机 |
7.2 煤泥浮选图像控制系统软件设计 |
7.2.1 图像预览模块 |
7.2.2 图像采集模块 |
7.2.3 数据处理模块 |
7.2.4 数据保存模块 |
7.3 现场实验 |
7.4 实验结果验证 |
7.5 本章小结 |
8 结论与展望 |
8.1 结论 |
8.2 展望 |
参考文献 |
作者简历 |
附录 |
(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)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 |
(7)基于机器视觉的浮选泡沫静态参数研究(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 浮选气泡形态特征参数提取的研究现状 |
1.3 泡沫静态参数提取方法的研究现状 |
1.3.1 泡沫图像分割与形态特征参数提取 |
1.3.2 泡沫纹理与颜色特征参数提取 |
1.4 论文研究内容 |
第2章 浮选工艺机理分析与机器视觉系统的建立 |
2.1 浮选工艺机理 |
2.1.1 浮选基本原理 |
2.1.2 关键工艺参数 |
2.2 静态参数与浮选工况、指标的相关性分析 |
2.3 机器视觉系统的建立 |
2.3.1 矿浆中离散气泡的视觉观测系统 |
2.3.2 基于实验室浮选机的泡沫监测系统 |
2.4 本章小结 |
第3章 矿浆中离散气泡的形态特征参数提取 |
3.1 气泡的边缘提取与分离 |
3.1.1 图像预处理 |
3.1.2 基于区域分割的边缘检测 |
3.1.3 重叠气泡图像的分离与重建 |
3.2 气泡形态特征参数计算 |
3.2.1 形态特征参数计算公式 |
3.2.2 物理参数的转换 |
3.3 气泡表面积与体积参数的测量 |
3.3.1 测量方法分析 |
3.3.2 基于水平置位分割的测量方法 |
3.4 实验设计与结果分析 |
3.4.1 方法可行性验证 |
3.4.2 参数变量的最优选取 |
3.4.3 测量精度实验与分析 |
3.5 本章小结 |
第4章 泡沫图像分割与形态特征参数提取 |
4.1 泡沫图像分割方法分析 |
4.1.1 泡沫图像特征与存在的问题 |
4.1.2 图像分割方法可行性分析 |
4.2 标记点提取 |
4.2.1 基于同态滤波的图像光照补偿 |
4.2.2 基于KFCM聚类的高亮点和边缘光带提取 |
4.3 分水岭分割 |
4.4 泡沫图像分割结果分析 |
4.4.1 算法改进流程 |
4.4.2 方法对比分析 |
4.5 本章小结 |
第5章 泡沫颜色与纹理特征参数的提取与应用 |
5.1 泡沫图像去噪 |
5.1.1 双域图像去噪原理 |
5.1.2 滤波效果的对比分析 |
5.2 基于HSV颜色空间的LBP特征提取 |
5.2.1 HSV颜色空间 |
5.2.2 旋转不变均匀LBP纹理提取 |
5.3 基于LBP纹理分类的浮选工况识别 |
5.3.1 实验设计 |
5.3.2 分类训练与结果分析 |
5.4 本章小结 |
结论 |
参考文献 |
致谢 |
导师简介 |
企业导师简介 |
作者简介 |
学位论文数据集 |
(8)基于机器视觉的高硫煤煤质分析研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景和意义 |
1.2 研究内容及技术路线 |
1.3 本章小结 |
2 文献综述 |
2.1 机器视觉概况 |
2.2 机器视觉在选矿领域的应用 |
2.3 本章小结 |
3 图像采集系统和煤样准备 |
3.1 图像采集系统 |
3.2 煤样准备 |
3.3 本章小结 |
4 粒度组成估计 |
4.1 煤样堆叠图像分割 |
4.2 等效粒径提取 |
4.3 煤粒体积估计 |
4.4 粒度组成估计步骤 |
4.5 本章小结 |
5 密度组成估计 |
5.1 表面特征参数选取 |
5.2 表面特征参数预处理 |
5.3 特征筛选和分类器 |
5.4 煤粒密度级估计 |
5.5 密度组成估计步骤 |
5.6 本章小结 |
6 硫分估计 |
6.1 煤中硫分的光学表现及直接图像学分析的可行性 |
6.2 硫分与密度的关系 |
6.3 煤粒硫分估计 |
6.4 粒群硫分估计 |
6.5 煤样硫分估计步骤 |
6.6 本章小结 |
7 结论与展望 |
7.1 研究结论 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(9)浮选泡沫性质与精煤灰分的相关性研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 研究内容 |
2 文献综述 |
2.1 浮选及泡沫相简介 |
2.2 煤炭浮选中的灰分 |
2.3 与浮选精煤灰分相关的泡沫性质 |
2.4 柱浮选操作参数对泡沫性质的影响 |
2.5 泡沫几何结构及其失稳行为 |
2.6 泡沫排液机理 |
2.7 粗颗粒脱附与脱附机理 |
2.8 本章小结 |
3 试验材料和方法 |
3.1 试验材料 |
3.2 试验方法 |
3.3 泡沫性质的提取 |
3.4 本章小结 |
4 颗粒粒度特性对泡沫性质的影响 |
4.1 不同粒度颗粒对泡沫性质的影响 |
4.2 不同粒度颗粒浮选与常规浮选的对比 |
4.3 本章小结 |
5 颗粒密度特性对泡沫性质的影响 |
5.1 不同密度细颗粒对泡沫性质和粗粒回收的影响 |
5.2 不同疏水性细颗粒影响粗颗粒回收的机理 |
5.3 气泡间疏水粗颗粒脱附力的测量 |
5.4 本章小结 |
6 不同操作条件对泡沫性质和精煤灰分的影响 |
6.1 不同起泡剂用量时泡沫性质及与灰分相关性的变化规律 |
6.2 多操作条件改变时泡沫性质及与灰分相关性的变化规律 |
6.3 与泡沫几何结构相关的泡沫性质和精煤灰分模型的建立 |
6.4 本章小结 |
7 两相泡沫的排液机理 |
7.1 与精煤灰分相关的泡沫排液等失稳行为分析 |
7.2 排液前干燥时间对强制排液幂指数的影响 |
7.3 泡沫不稳定性对强制排液幂指数的影响 |
7.4 强制排液上升区的分析 |
7.5 本章小结 |
8 三相泡沫的排液机制与排液中颗粒行为研究 |
8.1 强制排液中三相泡沫排液机制的改变 |
8.2 不同灰分煤颗粒在排液过程中的行为 |
8.3 不同操作条件下煤颗粒在排液过程中的行为 |
8.4 本章小结 |
9 结论与展望 |
9.1 结论 |
9.2 主要创新点 |
9.3 展望 |
参考文献 |
作者简历 |
学位论文数据集 |
(10)矿物质对机器视觉检测浮选尾煤灰分的影响规律研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 课题的提出 |
1.3 研究内容 |
2 文献综述 |
2.1 浮选过程控制概述 |
2.2 煤中常见矿物质种类 |
2.3 煤中矿物质测定方法 |
2.4 机器视觉检测技术 |
2.5 国内外关于机器视觉浮选产品检测技术的发展现状 |
2.6 图像法测量煤浆灰分的理论基础 |
2.7 本章小结 |
3 机器视觉灰分检测最佳试验条件研究 |
3.1 机器视觉灰分检测试验平台设计 |
3.2 图像降噪及特征值提取方法研究 |
3.3 光源及布光方式的确定 |
3.4 LED光照度稳定性研究 |
3.5 流动煤浆模拟装置设计 |
3.6 光通量对图像特征的影响规律研究 |
3.7 本章小结 |
4 试验样品 |
4.1 试验煤样准备 |
4.2 试验煤样分析 |
4.3 试验矿物质准备 |
4.4 本章小结 |
5 各因素对浮选尾煤图像表观特性的影响规律研究 |
5.1 浓度对浮选尾煤图像表观特性的影响规律分析 |
5.2 灰分对浮选尾煤图像表观特性的影响规律分析 |
5.3 矿物质组成对浮选尾煤图像表观特性的影响规律分析 |
5.4 本章小结 |
6 影响浮选尾煤图像灰度特征的多因素试验研究 |
6.1 多因素试验设计 |
6.2 白云石石英配制尾煤多因素试验分析 |
6.3 高岭石石英配制尾煤多因素试验分析 |
6.4 不同矿物质组成的尾煤图像灰度特征验证分析 |
6.5 本章小结 |
7 结论与展望 |
7.1 主要结论 |
7.2 主要创新点 |
7.3 研究展望 |
参考文献 |
作者简介 |
学位论文数据集 |
四、Analysis of Texture of Froth Image in Coal Flotation(论文参考文献)
- [1]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)
- [2]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)
- [3]基于机器视觉的煤质检测关键技术研究[D]. 白亚腾. 中国矿业大学, 2020(07)
- [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]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)
- [7]基于机器视觉的浮选泡沫静态参数研究[D]. 刘文涛. 华北理工大学, 2019(01)
- [8]基于机器视觉的高硫煤煤质分析研究[D]. 丁泽海. 中国矿业大学, 2018(02)
- [9]浮选泡沫性质与精煤灰分的相关性研究[D]. 谭佳琨. 中国矿业大学, 2018(12)
- [10]矿物质对机器视觉检测浮选尾煤灰分的影响规律研究[D]. 陈颂. 中国矿业大学, 2017(03)