基于拉曼光谱的复杂硫化矿快速分类方法研究

热液硫化物型脉状矿作为一类复杂硫化矿,其区域特征、成矿规律及矿物成份已有初步研究。由于成矿时期的不同,矿石中有用矿物的特征存在较大差异,导致不同矿物的性质变化较大。在选矿过程中,矿物性质的差异一定程度增加了选矿难度,减少了有用矿物回收率。因此,迫切需要一种快速、简单的对复杂硫化矿进行分类的方法,进而提高选矿指标。激光拉曼光谱技术作为一种能够分析物质结构信息的手段,已被应用于矿物的成份鉴定和结构分析。通过对大量矿物样本的激光拉曼光谱的研究,结合矿物性质深入揭示其光谱差异的原因,提出了一种基于拉曼光谱的复杂硫化矿矿源分类方法。实验结果表明:由于此类复杂硫化矿成矿时期的差异,从而造成矿物结构和性质存在较大差异。荧光主要由原矿中的脉石矿物产生,猝灭矿物中瞒石的荧光背景后可知201.62,242.54,288.38和309.77cm-1处拉曼峰可以作为此类硫化矿的拉曼指纹谱。为此,基于此类硫化矿的荧光强度和代表谱峰强度与荧光背景比值可以将矿源分为三类,并利用工业试验结果进一步验证分类方法的准确性。本研究深入分析了此类复杂硫化矿的激光拉曼光谱与其矿物性质与类别之间的密切关系,提出了矿源快速分类方法,矿样无需经过复杂的化学前处理过程,对提高选矿作业效率具有重要应用价值。

基于Harris角点检测的嵌入式稳像系统设计

针对传统电子稳像平台的缺陷,设计了一种基于改进Harris角点检测的进行运动估计的FPGA稳像系统。针对FPGA结构特点以及Harris算法理论结构,对算法进行了必要的改进。该系统还完成了运动估计和运动补偿部分的硬件设计,使得视频序列帧间存在平移和旋转时能够消除这种运动。研究结果证明,该系统基本能消除随机抖动。

基于预瞄模糊PID控制的嵌入式轮式机器人设计

采用ARM作为核心处理器件设计了一款自动寻迹的轮式机器人并完成寻迹实验.基于模仿人工驾驶思想将多点预瞄和模糊PID控制结合提出了多点预瞄模糊PID控制方法.经调试,轮式机器人能分别按照直线、虚线道路行走,并能完成自动寻找目标道路等行为.重点给出了控制器与硬件电路图设计.实验表明,机器人完全能满足性能要求,为新型轮式移动机器人的设计提供了方案.

基于FPGA的嵌入式稳像系统设计

针对传统电子稳像平台的缺陷,设计基于FPGA的实时稳像系统,运用基于图像分块投影匹配的稳像算法,此系统能够适应存在平移运动同时带有旋转与缩放的运动画面,提高算法的精度与适应性。对此算法与传统算法所消耗时间进行对比研究,结果证明,此系统基本能消除随机抖动。

一种快速的车载实时视频稳像方法

通过对车辆行驶时摄像机所拍摄的道路的消失点提取和在消失点邻近范围提取特征点,提出了一种新型的针对行进时车辆视频稳像方法。首先,对道路求取边缘并提取消失点,其次,在得到消失点的邻近范围提取特征点并根据特征点集之间具有相对稳定的结构,提出距离准则,对特征匹配的结果进行验证,去除前景运动干扰或误匹配结果。最后求取运动估算矢量,提出抖动参数并补偿图像。实验证明,此方法有效的实现了车载视频稳像。

基于Harris角点匹配与图像融合算法的嵌入式稳像系统设计

针对传统电子稳像平台的缺陷,设计一种基于改进Harris角点检测的进行运动估计的FPGA(Field Programmable Gate Array)稳像系统。算法针对FPGA结构特点以及Harris算法理论结构,对其进行必要的改进。针对运动补偿后原有部分图像信息缺失问题,提出一种基于图像融合的缺失图像补偿算法。系统还完成了运动估计和运动补偿部分的硬件设计,使得视频序列帧间存在平移和旋转时能够消除这种运动。研究结果证明,系统能消除随机抖动。

基于拉曼光谱高斯分峰拟合的硫化锑含量检测方法

针对硫化锑含量采用化学分析方法检测存在操作复杂、检测时间长的问题,提出了一种基于拉曼光谱高斯分峰拟合的硫化锑含量快速检测方法。采用拉曼光谱系统测定锑矿样品的拉曼谱图,对原始拉曼谱图进行平滑去噪、背景扣除、谱段选择及归一化等预处理。基于高斯曲线的高斯峰、峰面积、半高宽和峰位置等信息,建立单个高斯峰的数学模型,提出高斯分峰拟合算法对光谱进行拟合,采用状态转移算法对高斯峰模型进行优化求解,得到表征光谱信息的特征参量,结合偏最小二乘回归方法,确定特征参量和硫化锑含量之间的关系,从而建立模型,实现对硫化锑含量的预测。实验中通过训练样本建立校正模型,对测试样本进行预测,同时从训练样本中随机挑选出检验样本,利用已建立的模型,对其硫化锑含量进行预测,以检验模型的正确性和外推性。实验结果表明:与预处理后全光谱建模相比,采用高斯分峰拟合后建立的预测模型的预测效果更好,证明了模型的正确性和良好外推性。因此,拉曼光谱结合高斯分峰拟合算法应用于锑矿中硫化锑含量的检测是可行的,且测量过程更简单,适用于矿物成分的快速分析。

基于卷积降噪自编码器的苹果树种鉴别模型研究

结合卷积降噪自编码器与随机森林算法,提出一种新型的卷积降噪自编码器-随机森林(CDAE-RF)模型,并基于可见-近红外光谱数据集来识别苹果树种。首先,通过网格式搜索、平行实验的方法优化了L1范数等参数,提高了模型的鲁棒性;然后,对比实验分析了CDAE-RF、主成分分析-随机森林模型(PCA-RF)、K最近邻分类算法等方法在不同噪声水平下光谱识别的准确性和鲁棒性。实验结果表明,相对于传统算法,新提出的CDAE-RF模型识别准确率达97.92%,在加噪情况下具有更高的鲁棒性。CDAE-RF模型降低了随机森林算法对噪声的敏感性,提高了噪声光谱图像识别的准确性,为地物波谱识别提供了一种新的方法。

基于轻量型卷积视觉Transformer的锑浮选工况识别

依靠人工观测锑浮选泡沫特征进行锑浮选工况识别,主观性强、误差大,严重制约浮选性能.基于计算机视觉的识别方法成本低、效果好.针对以上问题,提出一种基于轻量型卷积视觉Transformer(L-CVT)的锑浮选工况识别方法.通过Transformer层的堆叠代替标准卷积中矩阵乘法来学习全局信息,将卷积中的局部建模更替为全局建模,同时引入轻量型神经网络MobileNetv2中的子模块,减少计算成本.所提方法解决了卷积神经网络(CNN)忽略浮选图像内部长距离依赖关系的问题,同时也弥补了视觉Transformer(VIT)缺乏归纳偏置的缺点.实验结果表明,基于所提方法的锑浮选工况识别准确率最高可达93.56%,明显高于VGG16、ResNet18、AlexNet等主流网络,为锑浮选数据在工况识别领域提供了重要参考.

基于SA-VAEGAN的浮选精矿品位检测

针对矿物浮选过程中泡沫图像处理的精矿品位建模存在有效泡沫图像样本缺乏、模型检测精度不足、泛化能力和鲁棒性较差等问题,提出了一种基于自注意力机制的变分自编码生成对抗网络(SA-VAEGAN)模型。其中,生成器使用由编码器和解码器组成的变分自编码器,编码层引入自注意力机制使卷积操作能更好地捕捉长距离依赖,获取全局信息,生成高质量的图像;判别器中嵌入分类器使其不仅有判别真假的功能,还能实现检测的目的。试验结果表明,该模型与其他检测模型相比有较强的泛化能力和鲁棒性,在精矿品位检测中准确率达到了96.67%。

基于平滑样条曲线结合离散状态转移算法的拉曼光谱基线校正方法

作为一种无损检测技术,拉曼光谱基于其指纹谱特性和精确捕获分子振动的能力能够获取物质的定性和定量信息,在环境、化工和生物医学等领域得到日益广泛的应用。然而,在拉曼光谱测量过程中,荧光散射信号所造成的光谱基线漂移会导致拉曼光谱特征峰识别困难,对定性或定量分析结果产生不同程度的负面影响。目前,各种基线校正方法已经成功地应用于各种光谱的处理,但这些方法的参数仍须根据研究者的经验来设置。为此提出一种基于平滑样条结合离散状态转移算法(DSTAspline)的基线校正方法,能够基于离散状态变换策略实现全局寻优,得出荧光背景的最佳估计结果,并基于平滑样条曲线拟合得到最优基线曲线。在实验中,选取模拟光谱和实际物质并与现有方法对比其基线校正结果。实验结果表明,所提出的方法能够有效地消除具有不同强度荧光背景的拉曼光谱的基线漂移,且不需要复杂的参数设置和调整过程,为进一步利用拉曼光谱数据实现物质的定性和定量分析提供可靠的信息。