导读:本文包含了图像泡沫论文开题报告文献综述及选题提纲参考文献，主要关键词:稀土矿物,浮选,泡沫颜色,图像识别
图像泡沫论文文献综述
冉宇,李梅,高凯,张雨涵,荆树励[1]（2019）在《白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究》一文中研究指出在稀土矿物实际浮选中,泡沫颜色特征与稀土品位关系密切。针对白云鄂博稀土矿浮选过程中浮选槽中含气率高、气泡重迭、变形,以及不断发生气泡兼并与破裂的情况,设计建立图像采集系统,并针对LED光源特点,设定照射光源最佳角度,进行图像采集。对采集图像进行进一步颜色特征提取,对泡沫图像颜色与品位之间的相关性进行分析研究。根据浮选过程中浮选泡沫表征颜色与品位的相关性,结合计算机图像处理技术,使用Matlab数学分析软件,对泡沫图像进行预处理并且进一步对泡沫图像进行边缘提取,对泡沫色彩进行色彩效果增强处理,将颜色分类量化,并进行色彩分类统计。通过对泡沫图像灰度直方图分析,计算并统计其整体亮度情况,作为泡沫图像亮度值定量依据。结果表明:通过分析浮选图像RGB颜色值分布、颜色分级分类量化提取图像颜色特征值以及灰度信息,对泡沫颜色特征有一定代表性,并且提高泡沫图像颜色提取精度。通过BP神经网络,输入泡沫图像特征值颜色与品位信息并建立黑箱模型,通过样本训练,得到稀土品位预测值。(本文来源于《有色金属(选矿部分)》期刊2019年06期）
朱建勇,黄鑫,杨辉,聂飞平[2]（2019）在《基于稀疏化神经网络的浮选泡沫图像特征选择方法》一文中研究指出针对泡沫特征复杂繁多不利于建模控制的问题,本文提出了一种基于稀疏化神经网络的泡沫图像特征选择方法.相较于大部分特征选择方法以线性回归模型作为损失函数的情况,本文选择以更为贴近实际工业过程的神经网络模型作为损失函数,并加入L_(2,1)范数约束条件;以此方法建立泡沫特征与矿物品位的回归目标函数,并采用近点梯度法计算最优解,通过对第一层权值的综合排序得到对应的特征选择结果;最后,将选择后的特征组合作为输入量输入到SVR模型,对比得到浮选过程最优特征组合.工业数据仿真结果表明,该方法可以有效地实现泡沫图像维数约简.(本文来源于《第30届中国过程控制会议（CPCC 2019）摘要集》期刊2019-07-31）
唐朝晖,牛亚辉,谢永芳,唐励雍[3]（2019）在《锌快粗过程泡沫图像关键特征选取方法研究》一文中研究指出针对采用泡沫图像特征之间冗余性大,建立关键工艺指标预测模型时容易产生过拟合的问题,提出了一种分步约简的关键特征选取方法。首先定义了特征的分散度,基于特征分散度约简了无效的特征得到了敏感特征集;然后针对特征之间存在相关性的问题,提出使用最大信息系数约简相似度大的特征,得到了独立特征集;然后,在独立特征集中选取了一个可以充分表征工况的最小特征集,实现了关键特征的选取。最后将本方法应用于锌快粗过程,利用工业数据验证了方法的有效性,为基于图像特征的浮选过程建模奠定了基础。(本文来源于《第叁十八届中国控制会议论文集（7）》期刊2019-07-27）
曹文艳,王然风,樊民强,付翔,王宇龙[4]（2019）在《基于半监督聚类的煤泥浮选泡沫图像分类方法》一文中研究指出针对选煤厂煤泥浮选过程加药量依靠人工干预存在主观性、滞后性和粗放性的问题,提出了一种基于半监督聚类的煤泥浮选泡沫图像分类方法。首先,采集已知加药比例与未知加药比例下的煤泥浮选泡沫图像样本,并对泡沫图像进行预处理,提取泡沫的气泡个数、气泡面积、气泡周长等形态特征;然后,对已知加药比例下泡沫图像形态特征样本进行标志,对未知加药比例下泡沫图像形态特征样本不做标志,并将已标志泡沫图像形态特征样本与未标志泡沫图像形态特征样本进行混合;最后,利用基于高斯混合模型的半监督聚类方法对混合样本进行聚类后得到各类簇,将各类簇内已标志泡沫图像形态特征样本的信息映射到未标志泡沫图像形态特征样本。应用结果表明,该方法可为煤泥浮选生产过程加药量调整提供指导,降低了药剂消耗量,提高了选煤厂浮选自动化水平和经济效益。(本文来源于《工矿自动化》期刊2019年07期）
谢兴勇[5]（2018）在《钛精矿浮选泡沫图像识别系统设计与实现》一文中研究指出钛资源是国家重要的战略资源,从钒钛磁铁矿选铁尾矿中,高效的提取钛精矿,提高钛精矿的回收率,降低劳动强度,优化作业环境,采用自动控制系统来进行钛精矿浮选控制是必由之路。钛精矿泡沫图像识别系统,是实现钛精矿浮选全过程自动控制的基础。通过图像识别系统提供的控制参数,浮选自动控制系统可以根据泡沫情况,动态调节相关参数,并随着模型的不断优化,实现稳定、高效的生产。本文根据其他矿物的浮选操作过程,结合钛精矿的浮选过程特点,设计了一套适合钛精矿浮选的泡沫图像识别系统。系统通过图像采集设备,将泡沫图像传递至服务器,经过图像模糊判定及图像预处理,使得图像更有利于特征信息提取。通过模拟现场工程师判断质量的标准,选择了图像HSI颜色空间组合颜色特征、泡沫大小和个数、泡沫移动速度和泡沫Tamura纹理特征等重要特征参数,这些特征很好的反映了泡沫的质量及缺陷类型。根据提取的泡沫特征参数和获取的现场输入参数,结合专家经验和后期检验结果,建立了样本数据库。由于样本数据的数量偏少,结合样本和分类算法特点,本文试验了两种主流分类算法,最终选择了基于SVM的机器学习算法,并根据算法建立了专家系统,来实时判断泡沫的质量。并以此为基础,开发了泡沫图像识别系统,将采集的实时图像数据,通过专家系统判断后,进行质量预测和反馈,提出报警信息或者操作建议,以及输出调整控制参数,还提供了实时趋势图和历史数据查询等功能。该系统在攀钢矿业集团新白马矿业有限公司浮选车间精选2#槽进行了部署和试验,将采集的图像通过网络传递至控制室,运用泡沫图像识别系统进行质量判断,目前已接近了人工正常判断水平,基本实现了浮选过程的操作指导和控制参数的输出。接下来还将进行系统的预测水平的提高和系统稳定性提升,然后将系统应用扩展到所有浮选槽。(本文来源于《大连理工大学》期刊2018-10-17）
彭霞,张向华,胡鹤宇,陈意军,郝伟涛[6]（2018）在《GLCM和NGLDM特征提取方法在锑浮选泡沫图像上的比较》一文中研究指出泡沫图像特征与工况紧密相关,对于指导生产操作,调节生产状态发挥着重要作用.纹理特征是泡沫图像中的关键特征,它能表征泡沫表面纹理粗细、形态、灰度等.分别采用GLCM和NGLDM提取锑浮选泡沫图像纹理特征,采用最近邻分类器对工况进行离线识别.结果表明,GLCM具有相对较高的分类正确率,而NGLDM由于具有远优于前者的处理速度更适用于在线工况识别.(本文来源于《湖南工程学院学报(自然科学版)》期刊2018年03期）
郭西进,李红强,张帆,郑杰,吴刚[7]（2018）在《基于卷积神经网络的煤泥浮选泡沫图像分类方法》一文中研究指出当前煤泥浮选泡沫分类研究多针对光照充足条件下泡沫图像,对于夜晚车间光照不足的暗淡图像效果不好。针对这一问题,引入一种利用深度学习的有效浮选泡沫分类方法,建立了一个深度卷积神经网络同时执行特征学习与泡沫分类,逐层运算抽取图像本质信息,过滤光线影响。实验结果表明,在白天强光和夜晚弱光下,无需图像增强等预处理均获得很高的准确率,实现浮选泡沫端到端分类,提高了识别的抗干扰能力。(本文来源于《煤炭技术》期刊2018年09期）
张昌盛[8]（2018）在《浮选泡沫图像特征提取算法的工业应用研究》一文中研究指出浮选提纯是用途最广、使用最多的一种选矿技术,其中浮选泡沫的视觉特征常作为浮选工况的直观反映。长久以来,浮选过程的控制都基于工人的主观视觉判断来实现,这种方法存在大量问题。近年来,数字技术和自动化控制的进步,使基于计算机视觉的浮选泡沫特征提取成为一种潮流。本文面向工业应用,根据浮选现场泡沫图像的特性分析特征提取算法的重难点,提出相应算法改进和软件设计,主要工作如下:(1)浮选过程分析:总结浮选泡沫特征和工况参数之间的关联,指出有必要提取的特征种类;并针对浮选现场的泡沫图像特性,分析图像处理的算法难点,提出了泡沫特征的提取思路。(2)针对分水岭算法进行泡沫区域划分时的过分割和边缘偏移现象,提出优化思路。首先通过预处理实现了图像降噪和增强,避免了噪声引起的过分割,并增强了模糊的边缘细节信息;采用FCM聚类算法进行图像标记,使算法具有自适应性,不再像阈值标记一样易受光照条件影响;并针对分水岭函数的缺陷进行了机理优化。通过算法优化实现了精准分割,增加了泡沫静态特征的可靠性。(3)针对泡沫流速中的复杂附带情况,采用ORB特征点匹配算法进行泡沫流速估计,实现流速估计的实时性。分析ORB算法存在的问题,进行算法改进,并融合块匹配法和特征点匹配法进行互补,使匹配算法优势融合,提升泡沫流速的估计准确性,得到更可靠的泡沫动态特征。(4)在金川的镍矿浮选生产线搭建了浮选泡沫特征分析系统的硬件平台,并根据功能需求分析提出了软件功能结构设计。在实现浮选现场视频监控和特征数据提取的基础上,丰富特征数据形式,增加了数据存储和交互的功能。并基于用户使用角度,提升了界面友好性,实现系统运行的自动化和人性化。(本文来源于《电子科技大学》期刊2018-05-02）
汪克念,田毅,阎芳,常立博[9]（2018）在《基于泡沫挤压的图像流水线设计与FPGA验证》一文中研究指出在图像处理器中,图像处理过程具有待处理像素量大、处理过程复杂以及数据传输通道多等特点,因而图像处理器存在着处理速度慢的问题。针对该问题,提出一种具有泡沫挤压功能的图像流水线FPGA设计方案,并在Xilinx公司的Virtex XC6VLX550T FPGA芯片上对该FPGA实现方案进行了验证和综合,结果表明本设计方案的正确性且同基本流水线相比该流水线设计能够在不大量增加电路资源的情况下提高图像处理器的处理速度。(本文来源于《电子器件》期刊2018年02期）
廖一鹏,王卫星,付华栋,王焕清[10]（2018）在《结合分数阶微分的浮选泡沫图像NSCT多尺度增强》一文中研究指出针对浮选槽低照度环境下采集的泡沫图像对比度低、边缘弱、噪声干扰等问题,提出了一种结合自适应分数阶微分和非下采样Contourlet变换(NSCT)的泡沫图像多尺度增强算法.首先对泡沫图像进行NSCT多尺度分解,根据低频子带的梯度特征构造自适应分数阶微分阶次函数,结合改进的带亮度控制参数的Tiansi算子对低频子带图像进行增强处理;然后对各高频方向子带,根据能量分布特征自适应计算阈值,再结合尺度相关系数去除噪声,并通过非线性增益函数增强边缘系数;最后对处理后的图像进行NSCT重构.对不同大小类型的泡沫图像进行实验,结果表明:与现有算法相比,文中算法改善了图像的亮度,具有更高的对比度、清晰度和信息熵,保留更多的纹理细节,在有效抑制噪声的同时气泡边缘得到明显增强,为后续的泡沫图像分割和边缘检测奠定了基础.(本文来源于《华南理工大学学报(自然科学版)》期刊2018年03期）
图像泡沫论文开题报告
（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：
针对泡沫特征复杂繁多不利于建模控制的问题,本文提出了一种基于稀疏化神经网络的泡沫图像特征选择方法.相较于大部分特征选择方法以线性回归模型作为损失函数的情况,本文选择以更为贴近实际工业过程的神经网络模型作为损失函数,并加入L_(2,1)范数约束条件;以此方法建立泡沫特征与矿物品位的回归目标函数,并采用近点梯度法计算最优解,通过对第一层权值的综合排序得到对应的特征选择结果;最后,将选择后的特征组合作为输入量输入到SVR模型,对比得到浮选过程最优特征组合.工业数据仿真结果表明,该方法可以有效地实现泡沫图像维数约简.
（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。
图像泡沫论文参考文献
[1].冉宇,李梅,高凯,张雨涵,荆树励.白云鄂博稀土矿浮选泡沫图像颜色特征与品位相关性研究[J].有色金属(选矿部分).2019
[2].朱建勇,黄鑫,杨辉,聂飞平.基于稀疏化神经网络的浮选泡沫图像特征选择方法[C].第30届中国过程控制会议（CPCC2019）摘要集.2019
[3].唐朝晖,牛亚辉,谢永芳,唐励雍.锌快粗过程泡沫图像关键特征选取方法研究[C].第叁十八届中国控制会议论文集（7）.2019
[4].曹文艳,王然风,樊民强,付翔,王宇龙.基于半监督聚类的煤泥浮选泡沫图像分类方法[J].工矿自动化.2019
[5].谢兴勇.钛精矿浮选泡沫图像识别系统设计与实现[D].大连理工大学.2018
[6].彭霞,张向华,胡鹤宇,陈意军,郝伟涛.GLCM和NGLDM特征提取方法在锑浮选泡沫图像上的比较[J].湖南工程学院学报(自然科学版).2018
[7].郭西进,李红强,张帆,郑杰,吴刚.基于卷积神经网络的煤泥浮选泡沫图像分类方法[J].煤炭技术.2018
[8].张昌盛.浮选泡沫图像特征提取算法的工业应用研究[D].电子科技大学.2018
[9].汪克念,田毅,阎芳,常立博.基于泡沫挤压的图像流水线设计与FPGA验证[J].电子器件.2018
[10].廖一鹏,王卫星,付华栋,王焕清.结合分数阶微分的浮选泡沫图像NSCT多尺度增强[J].华南理工大学学报(自然科学版).2018