本發(fā)明涉及圖像處理，特別涉及一種煤泥浮選泡沫圖像的靜態(tài)特征提取方法。

背景技術(shù)：

1、在國家大力發(fā)展新質(zhì)生產(chǎn)力的背景下，浮選的智能監(jiān)測與控制成為了煤炭洗選加工過程智能化的重要場景之一。具體而言，煤泥浮選泡沫的狀態(tài)可以直接反映浮選工藝的穩(wěn)定性和產(chǎn)品質(zhì)量，因此基于圖像來分析浮選泡沫狀態(tài)是浮選智能化技術(shù)中的重要環(huán)節(jié)。

2、由于煤泥浮選泡沫具有高度的動態(tài)性和復雜的結(jié)構(gòu)特征，特別是在高濃度煤泥水環(huán)境、不同泡沫形成條件等復雜場景下，煤泥浮選泡沫的靜態(tài)特征更加復雜多變，進一步增加了處理難度。傳統(tǒng)方法在實驗室條件下雖然可以實現(xiàn)一定程度的特征提取，但在實際復雜工況中，因環(huán)境光照變化、泡沫形態(tài)不規(guī)則、顏色多樣性等問題，導致泡沫圖像分割和特征提取的準確性和穩(wěn)定性大幅下降。

3、近年來，隨著圖像處理技術(shù)和人工智能的發(fā)展，基于圖像分析的煤泥浮選泡沫特征提取方法逐漸成為研究熱點。這些方法通過圖像分析技術(shù)，可以對煤泥泡沫的形態(tài)、分布、大小等特征進行自動提取和分析，提供量化的數(shù)據(jù)支持。然而，現(xiàn)有研究主要集中在實驗室或相對簡單的環(huán)境中，對于復雜工況下的煤泥泡沫特征提取研究仍然相對較少。特別是在實際生產(chǎn)中，光照條件變化、泡沫形態(tài)多樣、顏色復雜等因素對圖像處理算法的穩(wěn)定性和魯棒性提出了更高的要求。因此，亟需一種能夠在復雜場景下穩(wěn)定、準確地提取煤泥泡沫靜態(tài)特征的方法，可以為泡沫控制提供實時、準確的數(shù)據(jù)支持，從而優(yōu)化泡沫控制策略，加快實現(xiàn)煤泥浮選系統(tǒng)智能化。

技術(shù)實現(xiàn)思路

1、本發(fā)明針對現(xiàn)有技術(shù)的缺陷，提供了一種煤泥浮選泡沫圖像的靜態(tài)特征提取方法。

2、為了實現(xiàn)以上發(fā)明目的，本發(fā)明采取的技術(shù)方案如下：

3、一種煤泥浮選泡沫圖像的靜態(tài)特征提取方法，包括以下步驟：

4、s1、獲取圖像數(shù)據(jù)：在選煤廠正常生產(chǎn)條件下獲得煤泥浮選泡沫視頻；從視頻中取若干幀圖像進行人工點標注，將連續(xù)的泡沫群抽象為離散的點集，生成與圖像分辨率相同大小的二維矩陣；

5、s2、生成泡沫綿密度圖譜：根據(jù)圖中氣泡之間的相對位置生成稀疏的密度矩陣；使用高斯核對稀疏矩陣進行卷積平滑，得到泡沫綿密度圖譜；

6、s3、深度學習網(wǎng)絡(luò)訓練：對泡沫綿密度圖譜進行標準化處理，包括密度值標準化和圖譜尺寸標準化；設(shè)計具有編碼器-解碼器結(jié)構(gòu)的密度回歸網(wǎng)絡(luò)，并引入損失選擇性丟棄機制；使用處理后的泡沫綿密度圖譜作為監(jiān)督學習目標，訓練密度回歸網(wǎng)絡(luò)，實現(xiàn)對煤泥浮選泡沫綿密程度的預測及區(qū)域劃分；

7、s4、顯著氣泡分割：根據(jù)煤泥浮選泡沫綿密程度的預測結(jié)果，對非綿密區(qū)域中的顯著氣泡進行像素級的人工標注，并通過邊界像素的擴展和概率值的計算，將顯著氣泡的二值邊緣標注結(jié)果轉(zhuǎn)化為邊緣置信度圖譜；

8、設(shè)計邊緣回歸網(wǎng)絡(luò)，具有多分辨率特征提取能力的編碼器-解碼器結(jié)構(gòu)和輔助解碼分支，以邊緣置信度圖譜為監(jiān)督目標進行訓練；

9、根據(jù)預測的邊緣概率值，通過閾值生成二值邊緣圖，使用骨架提取、八鄰域法斷點查找和點-泡匹配的方法，實現(xiàn)斷點連接，得到完整的顯著氣泡邊緣信息；

10、s5、特征提取和分析：

11、基于密度回歸網(wǎng)絡(luò)的輸出，對綿密泡沫區(qū)域進行特征提取，分析泡沫的密度和分布特征；

12、基于邊緣回歸網(wǎng)絡(luò)的輸出，提取顯著氣泡的空間分布、數(shù)量、大小的特征；

13、結(jié)合密度圖譜和邊緣回歸圖譜，形成泡沫圖像的靜態(tài)特征描述，包括泡沫形狀、表面紋理、承載率的統(tǒng)計值，以及泡沫尺寸和分布的累積分布數(shù)據(jù)。

14、進一步地，密度回歸網(wǎng)絡(luò)，包括：

15、編碼器：采用hrnet模塊，維護多分辨率特征圖，并融合不同分辨率的語義信息；

16、解碼器：使用反卷積模塊放大網(wǎng)絡(luò)輸出的分辨率，提取氣泡邊界的細節(jié)；

17、損失選擇性丟棄機制：剔除異常損失值，優(yōu)化網(wǎng)絡(luò)訓練。

18、進一步地，訓練密度回歸網(wǎng)絡(luò)具體為：將泡沫圖像和生成的泡沫綿密度圖譜輸入密度回歸網(wǎng)絡(luò)進行訓練；密度回歸網(wǎng)絡(luò)輸出預測密度圖，通過對所有密度值進行求和，獲得圖像中的氣泡數(shù)量、大小氣泡之間的面積比及其空間分布。

19、進一步地，顯著氣泡分割中需要進行檢測顯著氣泡，使用目標檢測器檢測圖像中非綿密區(qū)域的顯著氣泡；標注出每個顯著氣泡的邊界框，并沿邊界框裁剪出顯著氣泡的圖像區(qū)域；

20、對每個顯著氣泡進行語義分割級別的二值邊緣標注；通過高斯分布計算邊緣置信度圖譜，并將其規(guī)范化至[0,1]范圍。

21、進一步地，計算邊緣置信度圖譜具體包括：

22、選擇均值μ和標準差σ來定義高斯核；

23、計算高斯分布，對于每個邊緣中心垂直方向上的像素點xi：

24、

25、其中，e(xi)表示像素xi的邊緣置信度，xi的值是該像素距離邊緣上中心像素的距離；

26、找到邊緣置信度圖譜e(xi)中的最大值emax；

27、將邊緣置信度圖譜中的值規(guī)范化到[0,1]范圍：

28、

29、將規(guī)范化后的邊緣置信度圖譜enorm(x)保存為圖像。

30、進一步地，所述邊緣回歸網(wǎng)絡(luò)，包括：基于hrnet-v2模塊，利用通道注意力模塊和空間注意力模塊進行特征提取和融合；使用邊界置信度圖譜對網(wǎng)絡(luò)進行訓練，輸出預測的邊緣置信度圖譜。

31、進一步地，所述二維矩陣中標注的點的值為1，其余位置的值為0；如果在像素xi處存在氣泡，則注釋有n個氣泡的矩陣表示為：

32、

33、其中，n為圖像中檢測到的氣泡總數(shù)量，x為圖像中的某個位置，xi為第i個氣泡的中心位置，δ(x-xi)為指示函數(shù)，當x＝xi時值為1，否則為0。

34、進一步地，所述泡沫綿密度圖譜的生成公式為：

35、d′(x)＝d(x)*g(x)

36、其中，g(x)為高斯核函數(shù)，*表示卷積操作。

37、進一步地，反卷積模塊由4×4反卷積層、批量歸一化層、relu激活函數(shù)和殘差塊組成。

38、進一步地，斷點續(xù)連算法步驟包括：檢測邊緣圖中的斷點，尋找斷點的八鄰域，匹配斷點與其所屬連通區(qū)域，連接斷點，得到完整的邊緣信息。

39、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：

40、1.針對復雜生產(chǎn)場景的精準處理：本發(fā)明考慮了煤泥浮選泡沫圖像中綿密泡沫與顯著氣泡共存的復雜情況，采用分而治之的策略，將綿密泡沫與顯著氣泡精準分離，并提供了完整的特征提取思路，提升了特征提取的準確性和可靠性。

41、2.密度回歸方法的應(yīng)用：針對綿密泡沫區(qū)域難以精準提取每個小氣泡特征的問題，本發(fā)明引入了密度回歸方法，統(tǒng)一分析綿密泡沫區(qū)域的特點，避免了傳統(tǒng)算法在小氣泡特征提取方面的困難。該方法通過密度回歸網(wǎng)絡(luò)進行高分辨率特征提取，實現(xiàn)了對綿密泡沫區(qū)域氣泡數(shù)量和分布的準確估計。

42、3.改進的邊緣回歸方法：本發(fā)明將顯著氣泡的提取從傳統(tǒng)的“區(qū)域分割”方法轉(zhuǎn)變?yōu)椤斑吘壔貧w”方法。邊緣回歸網(wǎng)絡(luò)通過邊緣置信度圖譜的生成和訓練，解決了傳統(tǒng)方法中存在的邊界分割精度低、連通區(qū)域易粘連、分割效果不穩(wěn)定等問題，提高了顯著氣泡邊界的準確性和完整性。

43、4.多尺度信息表征：本發(fā)明結(jié)合密度回歸和邊緣回歸的結(jié)果，采用多尺度信息表征的方法，計算并結(jié)合大尺度的統(tǒng)計特征值(如泡沫群和單氣泡的顏色、形狀、表面紋理及承載率)、中尺度的累積分布，以及小尺度的密度圖譜和邊緣回歸圖譜。該方法提供了“統(tǒng)計值+累積分布+回歸圖譜”三種尺度下的靜態(tài)特征描述，全面表征了浮選泡沫圖像的特征。

44、5.自適應(yīng)斷點續(xù)連算法：針對顯著氣泡分割過程中出現(xiàn)的異常斷點問題，本發(fā)明采用自適應(yīng)的斷點續(xù)連算法，通過八鄰域法查找斷點及其可能的連續(xù)方向，匹配斷點及其所屬連通區(qū)域關(guān)系，實現(xiàn)了斷點的連接，確保了顯著氣泡邊界的完整性。

45、6.改進的網(wǎng)絡(luò)結(jié)構(gòu)：本發(fā)明在密度回歸網(wǎng)絡(luò)和邊緣回歸網(wǎng)絡(luò)中，采用了hrnet模塊、反卷積模塊、通道注意力模塊和空間注意力模塊，優(yōu)化了高分辨率特征的提取和融合，提高了網(wǎng)絡(luò)的預測精度和訓練穩(wěn)定性。