编辑推荐：
研究人员考虑了一种用于浮选过程中泡沫的非接触式自动控制系统构建方法。提出了机器视觉系统的结构。论证了测量单元安装位置的选择。考虑了两种基于机器视觉构建浮选过程中泡沫非接触式自动控制系统的方案。第一种基于传统的分水岭（Watershed）预处理和分割算法，而第二
研究人员考虑了一种用于浮选过程中泡沫的非接触式自动控制系统构建方法。提出了机器视觉系统的结构。论证了测量单元安装位置的选择。考虑了两种基于机器视觉构建浮选过程中泡沫非接触式自动控制系统的方案。第一种基于传统的分水岭（Watershed）预处理和分割算法，而第二种使用卷积神经网络（CNN）。U-Net深度神经网络图像分割算法实现了高分割精度（交并比（IoU） = 0.6947）。该算法对噪声、光照不均和泡沫的动态变化具有鲁棒性。
**研究背景与意义**
浮选是一种复杂的化学过程，其物理化学条件取决于原料成分、矿浆液相离子组成、各种药剂配比、设备状况等诸多因素。目前，评估浮选过程质量最常用的方法是依赖操作员观察泡沫的视觉特征，如气泡大小、形状、颜色、数量、移动方向与速度以及流型（湍流/层流）。然而，这种方法存在显著缺陷：非常不精确且高度主观。使用传感器（如液位计、pH计、流量计等）无法提供过程的全貌，而实验室样本化学分析又耗时过长。因此，实际生产中仍需要浮选技术人员根据经验和泡沫视觉特征手动调整操作参数，这种依赖人工评估的方法存在一系列与人因相关的问题：过程评估的主观性、对变化的低响应性、人员资质不足以及无法进行回顾性分析。
机器视觉技术的引入为上述问题提供了解决方案，它使得在浮选自动控制系统中利用泡沫视觉特征成为可能，从而补充传感器读数。视觉系统能够实时分析泡沫的主要特征，集成到企业系统中，并更高效地管理浮选过程。开发用于监控和管理工艺过程的视觉系统是当前一个紧迫的研究领域。尽管已有大量研究致力于开发用于控制泡沫浮选过程的视觉系统，但仍存在一系列未解决的问题：训练神经网络需要大量数据；图像标注是一项非常耗时、资源密集且劳动密集型的过程；以及与气泡相互粘连和边界模糊相关的分割和分类问题难以解决。此外，图像噪声也是一个关键性难题，它与摄像头在技术视觉系统中的安装条件有关，可能由光照不足、飞溅、环境温度高等因素引起。
基于此，本研究的核心目标是开发一种利用深度神经网络U-Net的图像分割算法来监测泡沫过程的系统，以提取过程的定性和定量指标，旨在克服传统方法的不足，提高浮选过程监控的自动化、客观性和准确性。该研究发表于《Eng》期刊。
**关键技术方法概述**
研究人员开发了一套机器视觉系统，其结构包括分析器单元、测量单元（含摄像机和照明系统）以及人机界面。测量单元置于圆柱形防护罩内，以抵御湿气、高温和化学蒸汽等环境影响。为确保读数可靠性，测量单元被安装在浮选机的泡沫去除区域，因为该区域能捕获最具代表性的、即将被回收的泡沫层图像。照明系统的选择与调整对于确保图像对比度和清晰度至关重要，以避免因泡沫半透明性和快速动态运动导致的错误显色、光照不均和阴影问题。
在图像分析算法方面，研究比较了两种方法：第一种是传统的基于图像预处理和分水岭（Watershed）算法的分割方法（算法1）；第二种是基于卷积神经网络（CNN）的方法，具体采用了U-Net架构，并使用了MobileNetV3作为编码器（算法2）。为增强数据，使用了Albummentations库进行几何和颜色变换以及噪声添加。模型使用了一个包含近20,000张图像的开源标注数据集进行训练，并加载了在ImageNet数据集上预训练的权重。算法处理流程包括图像预处理（如对比度受限的自适应直方图均衡化（CLAHE）、调整尺寸、颜色归一化等）和分割。
**研究结果**
**4.1 数据预处理**
研究人员测试了多种图像对比度调整方法，以优化后续气泡边界检测。结果表明，基于局部区域均值和标准差计算的方法（方法1）能产生具有高局部边缘对比度的图像，气泡边缘呈现清晰的白色，为后续分水岭算法标记边界和神经网络创建掩模提供了最佳条件。在轮廓检测前，还进行了形态学闭运算以去除黑色斑点（即不感兴趣的小气泡），并使用Canny边缘检测器时，通过实验确定了中央像素RGB值范围来筛选和排除由泡沫表面光反射产生的虚假轮廓。
**4.2 静态图像分割（基于照片材料）**
通过比较算法1（分水岭）和算法2（U-Net神经网络）在静态图像上的表现，研究发现，在给定参数下，基于深度神经网络U-Net的分割算法在处理任务上优于传统算法。U-Net深度神经网络图像分割算法展现了高分割精度，其交并比（IoU）指标达到了0.6947，表明模型预测的掩模与真实掩模有良好的重叠。
**4.3 动态图像分割（基于视频材料）**
在视频材料上对比两种算法的分割结果进一步证实，深度神经网络U-Net的分割算法在应对动态变化的泡沫层时，其表现优于使用分水岭的传统算法。U-Net算法的优势包括：能够自动提取特征而无需手动设置参数；对噪声、光照不均和泡沫层的动态变化具有鲁棒性；并且模型可以进一步训练和适应于任何生产环境。
**讨论与结论**
本研究开发并验证了一套用于浮选泡沫过程监测的机器视觉系统。研究成功解决了图像质量不佳的问题，提出并实施了一系列措施，包括使用防护外壳、进行图像预处理（针对传统算法）以及应用CLAHE（针对神经网络算法）。此外，研究还通过数据增强技术应对了为神经网络训练创建数据库的复杂性，增加了训练样本量并防止了模型过拟合。
研究得出的核心结论是：与具有指定参数的传统算法相比，U-Net深度神经网络图像分割算法表现出更高的分割精度（IoU = 0.6947）。该算法能够在无需手动参数设置的情况下确定泡沫的定性和定量特征，并且与传统算法相比，对噪声、光照不均和泡沫层的动态变化具有更强的抵抗力。所进行的研究解决了一系列问题。
研究人员指出，下一步研究阶段将是在所处理的矿石类型上测试该监测系统，并研究物料沿浮选槽组移动时的过程动力学。该监测系统可以集成到浮选泡沫过程控制系统中。总之，需要强调的是，该模型可以进一步训练和调整，以适应任何生产环境。
