浮选泡沫图像特征提取方法研究进展

机器视觉作为设备操作人员的工具,在泡沫浮选设备的监测中得到了广泛的应用。利用泡沫图像数据集建立预测识别模型,以初级泡沫特征参数为输入,以品位和回收率等浮选指标为输出。根据是否需要手动提取浮选泡沫图像特征,可以将特征提取算法划分为两大类别:一种是基于颜色、形态特征等的传统手动特征提取方法,另一种是基于深度神经网络的自动特征提取方法。本文总结并归纳了近年来浮选泡沫图像特征提取算法领域的研究进展,分析了各种方法的优势和不足,对当前难以人工识别泡沫状态及实现浮选自动化提升浮选效率,具有一定的指导价值。

基于改进MobileNet V3的矿物智能识别模型

针对当前矿物识别领域存在的精度不佳、适应性差、携带不便等问题,提出了一种基于改进MobileNet V3的矿物智能识别模型(CA-MobileNet V3)。为获得研究所需的有效数据集,通过由mindat. org网站和自行拍摄方式获取的矿物图像创建了一个包含19种矿物的数据集,对其进行数据增强处理,并按照8:1:1的比例划分为训练集、验证集和测试集。为提升模型对图像信息的特征提取能力,引入协调注意力机制,用以替代轻量型MobileNet V3模型的原始SE注意力机制,以提高矿物识别准确率。最后,采用迁移学习方法预训练CA-MobileNet V3模型,以加速模型收敛、提高泛化能力、避免过拟合。在训练过程中,将CA-MobileNet V3与mobilenet v3、MobileNet V3、ShuffleNet V2、Efficient Net V2等模型进行了性能比较。结果表明:各迁移模型均展现出显著的收敛速度优势,而CA-MobileNet V3矿物智能识别模型的Top1-准确率、Top2-准确率、f_1-score值分别达到93.90%、98.58%和93.89%,在所有模型中效果最佳,且模型大小仅为4.61 MB,属于轻量化模型。为验证模型有效性,t-SNE可视化分析被用于不同模型的识别效果比较,进一步印证了CA-MobileNet V3模型的优越性。

二氧化碳相变致裂技术研究进展与展望

二氧化碳相变致裂作为一种环境友好的绿色破岩技术,具有破岩效率高、振动小、无污染等优点,近年来已成为岩石破碎与开挖领域的热门研究课题,相关研究发展迅速.大量学者运用理论分析、实验研究和数值模拟等手段对二氧化碳相变致裂技术进行了广泛探究,并取得了一些有益进展.通过对现有相关研究成果的调研分析,阐述了二氧化碳相变致裂技术的破岩机理,回顾了二氧化碳相变致裂荷载特征及其测试手段,归纳了致裂荷载表征方法,概括了致裂荷载与致裂效果的主要影响因素,分析了二氧化碳相变致裂的有害效应,总结了二氧化碳相变致裂技术在多领域的应用,并探讨了二氧化碳相变致裂当前存在的问题与未来挑战,以期为二氧化碳相变致裂技术的理论研究和工程应用推广提供参考.

丽江玄武岩水含量:对峨眉山大火成岩省源区水含量分布特征的启示

近年来对太古宙科马提岩和显生宙大火成岩省中苦橄岩的水含量、地幔潜热、源区成分等研究表明,这些短时间内喷出巨量岩浆的地表过程都与水化的地幔柱有关。峨眉山大火成岩省位于扬子板块西部,是我国被公认的大火成岩省之一。前人从地球化学的角度将其分为西、中、东三区;并通过对西区丽江、永胜、宾川、大理苦橄岩和中区二滩玄武岩的水含量分析,发现形成峨眉山大火成岩省的地幔柱可能自喷发初期就已普遍存在强烈的水化,且该特征持续至喷发中晚期。然而前人的研究着重于苦橄岩,对作为大火成岩省主体部分的玄武岩研究甚少。本文以位于西区的仕满、大具剖面中的高Ti/Y玄武岩为研究对象,采用单斜辉石斑晶反演原始熔体水含量的方法,得到仕满、大具玄武岩原始熔体的水含量下限分别为1.15%和0.83%,该水含量略低于丽江苦橄岩水含量。而计算出的源区最低水含量分别为1380×10^(-6)和1245×10^(-6),与二滩玄武岩相当。结合前人报道的数据,本次工作的结果证明了峨眉山大火成岩省的地幔柱水化现象普遍且长期存在,地幔柱内部的热化学组成是不均一的,且其热化学结构是随着时间而发生变化的。本次工作还暗示了峨眉山大火成岩省地幔柱内部的水含量可能是由轴部南端向轴部北端,由轴部向边缘呈放射状递减的,这对于进一步认识大火成岩省的形成过程有一定的启示。