基于深度学习的金属矿物镜下嵌布粒度检测方法

目标矿物嵌布粒度是指目标矿物在矿石中的粒度大小和分布情况,直接影响着选矿工艺的设计和效果。因此,目标矿物嵌布粒度测量是工艺矿物学研究中的重要任务之一。在传统工艺矿物学研究中,主要利用偏光显微镜对矿石样品进行观察分析的方法,普遍存在处理时间长、结果易受人为主观影响、难以实现自动化和大规模应用等问题。为克服传统方法的局限性,提出一种基于深度学习的金属矿物镜下嵌布粒度检测方法。以河北省唐山市水厂磁铁矿矿石标本为对象,在偏光显微镜的反射光条件下进行拍摄,制作数据集,利用Deeplabv3+网络设计了矿物识别网络模型,实现对目标金属矿物的自动化特征提取和智能识别,并生成目的金属矿物的二值化图像,从而实现对目的金属矿物的分割;最后,结合最大Feret直径完成目的金属矿物嵌布粒度分析测量工作。相较于传统的人工镜下测量方法,基于深度学习的图像测量在矿物颗粒分析中的应用,在测量相同矿物颗粒的情境下,处理速度提高了约119.8倍,同时测量精度提升了约169.5倍,揭示了其在处理效率和测量精度上的显著优势。基于深度学习的金属矿物镜下嵌布粒度检测方法显著缩短了矿物镜下嵌布粒度的检测时间并提升了检测精度,同时可消除人为主观因素的影响,对于促进工艺矿物学智能化发展有重要意义。

费雷特法在交通量分布预测中的应用

从明确交通量分布及费雷特模型概念角度切入,以参数标定标准和实例验算过程为要点,详细介绍费雷特法在交通量分布预测方面的具体应用。