Березниковский филиал Пермского национального исследовательского политехнического университета, г. Березники, РФ:

Затонский А. В., профессор, д-р техн. наук, zxenon2000@yandex.ru

Малышева А. В., аспирант, akchim@mail.ru

Описана научная проблема автоматического распознавания параметров пенного слоя в калийной флотационной машине. Показаны недостатки ранее разработанных алгоритмов распознавания пузырьков, связанные с низким качеством видеоизображений или вычислительной трудоемкостью. Определены дополнительные требования к данным алгоритмам. Выбраны средства реализации алгоритмов обработки видеоизображений и распознавания параметров пены. Увеличена скорость работы алгоритма. Обосновано исключение из анализа областей неправильной засветки и мелких шумов. Исследована принципиальная возможность идентификации переходного процесса во флотомашине с использованием видеоизображений низкого качества. На основании обработки результатов эксперимента получены оптимальные настройки определения порога адаптивной бинаризации. Показана линейная зависимость между порогом бинаризации и средней освещенностью кадра. Успешно идентифицирован переходный процесс. Специальное программное обеспечение распознало при этом изменение количества пузырьков на ±6–7 % и средней освещенности кадра.

1. Романенко С. А., Оленников А. С. Опыт внедрения видеокамер FrothMaster на обогатительной фабрике «Зеленая Гора-2» // Обогащение руд. 2014. № 2. С. 23–27.
2. Затонский А. В., Варламова С. А. Использование бликовых отражений для автоматического распознавания параметров пены при флотации калийных руд // Обогащение руд. 2016. № 2. С. 49–56. DOI: 10.17580/or.2016.02.09.
3. Использование видеографической информации для уточнения динамической стохастической модели процесса флотации калийной руды / А. В. Затонский, С. А. Варламова, А. В. Малышева, А. А. Мясников // Интернет-журнал «Науковедение». 2017. Т. 9, № 2. URL: http://naukovedenie.ru/PDF/53TVN217.pdf (доступ свободный).

4. Малышева А. В. Визуальный компьютерный контроль процесса производства битума // Достижения, проблемы и перспективы развития нефтегазовой отрасли: материалы Международной научно-практической конференции, посвященной 60-летию высшего нефтегазового образования в Республике Татарстан. Альметьевск: Альметьевский государственный нефтяной институт, 2016. Т. 2. С. 171–172.
5. Jahedsaravani A., Massinaei M., Marhaban M. H. An image segmentation algorithm for measurement of flotation froth bubble size distributions // Measurement. 2017. Vol. 111. P. 29–37.
6. The concentrate ash content analysis of coal flotation based on froth images / J. Tan, L. Liang, Y. Peng, G. Xie // Minerals Engineering. 2016. Vol. 92. P. 9–20.

7. Fu Y., Aldrich C. Froth image analysis by use of transfer learning and convolutional neural networks // Minerals Engineering. 2018. Vol. 115. P. 68–78.
8. Outotec FrothSenseTM. URL: http://www.outotec.com/globalassets/products/analyzers-and-automation/ote_frothsense_sensor_system_eng.pdf (дата обращения: 30.03.18)
9. Minerals processing solutions. Automation. URL: http://www.metsoautomation.com/miningandconstruction/MaTobox7.nsf/DocsByID/0AF54610F6C67DDBC2257B030037F030/$File/Automation%20ENGLISH%20Low%20Res.pdf (дата обращения: 30.03.18).
10. OpenCV. URL: https://opencv.org.
11. Fu Yi., Aldrich C. Flotation froth image analysis by use of a dynamic feature extraction algorithm // IFACPapersOnLine. 2016. Vol. 49, Iss. 20. P. 84–89.
12. Online monitoring and control of froth flotation systems with machine vision: A review / C. Aldrich, C. Marais, B. J. Shean, J. J. Cilliers // International Journal of Mineral Processing. 2010. Vol. 96. P. 1–13.