基于改进YOLOv5的螺旋选矿机矿物分带图像分割算法研究

螺旋选矿机是一种流膜类重力选矿设备,目前其精矿的截取是通过工人观察矿物分带,根据经验确定精矿与中矿或尾矿的边界分割位置,并相应调节截取器的分矿块的分割点到精矿边界分割线位置,从而实现对精矿的准确截取和精矿品位的控制。由于每个工人的经验和技术水平不一样,难以保证每次获取的矿带分割线位置信息和调节操作的准确性,而容易造成选矿指标的波动。螺旋选矿机分选流体存在流速快、矿带边界模糊的问题,采用常规的图像识别算法和原始YOLOv5算法都难以得到满意的结果,针对此问题,提出了一种能够识别模糊小目标矿带分割点的改进YOLOv5算法,利用本算法对从工业中采集的螺旋选矿机生产矿带图像样本进行了矿带边界分割识别试验和测试。结果表明,改进的YOLOv5算法比原始YOLOv5算法准确度提高了14.3%,其识别的精度可以满足生产中对螺旋选矿机矿物分带自动识别的要求。

基于深度学习的螺旋选矿机矿物分带图像特征信息提取方法研究

螺旋选矿机是一种流膜重力选矿设备,目前其产品的截取是通过工人观察矿物分带并根据精矿与尾矿的分割位置,调节截取器的分矿块到相应的位置以实现对精矿的准确截取,获得合格的精矿产品。由于每个工人的经验和技术水平不一样,难以保证获取的矿带位置信息和操作的准确性,而容易造成选矿指标的波动。为了准确、快速、自动地获取螺旋选矿机矿物分带的位置信息,针对螺旋选矿机矿带分界模糊、识别难度大等难题,提出了一种优化的Canny边缘检测算法和基于深度学习的HED(Holistically-Nested Edge Detection)边缘检测算法,并分别对螺旋选矿机矿物分带图像进行了矿带分割位置提取试验。试验结果表明,基于深度学习的HED算法优于传统的边缘检测算法,其识别的精度可以满足生产中对螺旋选矿机矿带分割特征信息识别的要求。