浮选图像中泡沫边缘分割

矿物浮选过程中泡沫的表面特征是浮选性能的重要指标,它可以实时、直观地反映浮选效果的变化,准确分割泡沫的边缘信息是浮选过程中一项重要的任务。近年来,研究人员提出了各种浮选泡沫图像分割算法,但浮选泡沫图像中存在泡沫数量多、泡沫间粘连严重以及边缘不清晰等问题,现存的方法由于其特征提取能力有限,无法精确地分割泡沫边缘。据此,利用深度学习提出了一种基于多尺度融合的浮选泡沫图像边缘分割算法,该算法通过引入一种深度高分辨率的编码结构以及一种基于注意力的分层融合方法来增强模型的特征提取能力,从而提高对于浮选泡沫边缘的分割效果。具体而言,深度高分辨率的编码结构可以在不同分辨率层级上同时维护特征信息,使我们的网络模型可以有效地捕捉不同尺度的信息,在提高图像语义理解能力的同时能够保持更多的细节信息,提高处理高分辨率以及密集任务图像的能力。除此之外,设计了一种基于注意力的分层融合方法来充分融合深层和浅层的特征图,使融合得到的特征图趋向于更重要的特征信息,从而提高识别浮选泡沫的边界和精确定位浮选泡沫的能力。该算法在泡沫边界分割数据集上凭借58.25的泡沫IoU以及73.62的泡沫F_(score)取得了最佳的性能,证明了我们提出的算法可以更加准确地分割浮选泡沫边缘。

基于风格迁移的数据增强方法

针对深度学习模型在实际应用场景中预测性能下降的问题,提出了一种基于风格迁移的数据增强方法。首先,使用少量原始数据和少量实际应用场景下的未标注数据学习风格迁移模型。然后,对大量已标注的原始数据进行风格迁移,得到与实际数据风格相近的大量有标签数据。最后,基于此数据训练面向实际应用场景的深度学习模型。实验结果表明,所提出的方法能有效地提升模型在实际应用场景数据上的预测性能,且效果优于传统数据增强方法。