Березниковский филиал Пермского национального исследовательского политехнического университета, РФ:

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

Варламова С. А., доцент, канд. техн. наук, varlamovasa@mail.ru

Проанализированы существующие системы и методы распознавания параметров пенного продукта во флотомашинах. Показан их основной недостаток — высокие требования к качеству изображения, из-за которых создаются специальные условия съемки, приспособления, неприемлемые при флотации калийных руд. Для решения задачи определения цвета пены разработаны два алгоритма определения цветового профиля изображения, доказана их работоспособность. Выдвинута гипотеза о связи расстояния между бликами пузырьков с полусуммой диаметров пузырьков. Разработан алгоритм выделения бликов на изображении. Проанализированы методы бинаризации изображений и выбран наиболее эффективный из них. Предложен алгоритм определения центра блика. Разработано программное обеспечение для определения статистического распределения размеров пузырьков и минеральных вкраплений на поверхности пены. Его поверка произведена путем сравнения результатов расчетов по четырем случайно выбранным фотографиям низкого качества с результатами ручного подсчета пузырьков на фотографии. Показано хорошее соответствие результатов, что позволяет использовать описанный метод для автоматического распознавания параметров пены в целях автоматизации управления процессом флотации или поддержки принятия решений инженером-флотатором.

1. Флотационные технологии Outotec. URL: http://www.outotec.com/ImageVaultFiles/id_706/d_1/cf_2/OTE_Outotec_Flotation_technologies_rus_web.PDF (дата обращения: 18.03.2016).
2. Лавриненко А. А. Современные флотационные машины для минерального сырья // Горная техника: каталог-справочник. СПб.: ИД «Славутич», 2008. С. 186–195.
3. Новое поколение флотационного оборудования компании Metso Minerals — основа эффективных решений / M. Forth, A. Broussaud, Th. Monredon, А. Л. Гребенешников, А. М. Кокорин, Н. В. Лучков, А. О. Смирнов // Горная промышленность. 2005. № 5 (60). С. 21–24.
4. Технологии флотации FLSmidth Dorr-Oliver Eimco. URL: http://www.flsmidth.com/~/media/Brochures/Brochures%20in%20RUSSIAN/FLSMinerals_RUSSIAN/FLSmidthDOEFlotationRUSemailv0.ashx (дата обращения: 17.03.2016).
5. Мещеряков Н. Ф. Кондиционирующие и флотационные аппараты. М.: Недра, 1990. 237 с.
6. Outotec FrothSenseTM. URL: http://www.outotec.com/ImageVaultFiles/id_735/d_1/cf_2/OTE_Outotec_FrothSense_eng_web.PDF (дата обращения: 17.03.2016).
7. Принципы компьютерного управления флотационным процессом на базе новой продукции Outotec — видеосистемы FrothMaster / Г. Н. Машевский, А. B. Петров, Я. Мойланен, Ю. Тимпери, К. Салохеймо, Х. Кемппинен // Цветные металлы. 2010. № 2. С. 89–92.
8. Романенко С. А., Оленников А. С. Опыт внедрения видеокамер FrothMaster на обогатительной фабрике «Зеленая гора-2» // Обогащение руд. 2014. № 2. С. 23–28.
9. Minerals Processing Solutions. Automation. URL: http://www.metso.com/miningandconstruction/MaTobox7.nsf/DocsByID/0AF54610F6C67DDBC2257B030037F030/$File/Automation%20ENGLISH%20Low%20Res.pdf (дата обращения: 17.03.2016).
10. Хасанов Б. Р., Полькин К. В. Флотационная пена как управляемый объект // Сб. трудов Международ. научно-практической конф. «Уральская горная школа — регионам». Екатеринбург: УГГУ, 2013. С. 344–351.
11. Роженцов А. А., Евдокимов А. О., Григорьев А. В. Распознавание плоских изображений групповых точечных объектов в условиях действия ошибок обнаружения // Известия вузов. Приборостроение. 2006. Т. 49, № 4. С. 59–65.
12. Батюков С. В. Выбор метода распознавания информационных признаков изображения для анализа флотационной пены // Информационные технологии и системы 2011 (ИТС 2011): материалы международной научной конференции. Минск: БГУИР, 2011. C. 98–99.
13. Шурыгин А. М. Распознавание образов по межточечным расстояниям // Доклады Академии наук. 2005. Т. 405, № 5. С. 609–612.
14. Ordowski М., Meyer G. G. L. Geometric linear discriminat analysis for pattern recognition // Pattern Recognition. 2004. Vol. 37, Iss. 3. P. 421–428.
15. Image processing and geometric parameters extracted from sliced image of porous biomaterial / Z. Yangi, X. F. Peng, C. P. Chu, D. J. Lee // Advanced Powder Technology. 2007. Vol. 18, Iss. 2. P. 187–213.
16. Ekinci M., Aykut M. Palmprint recognition by applying wavelet-based kernel PCA // Journal of Computer Science and Technology. 2008. Vol. 23, Iss. 5. P. 851–861.
17. Шапиро Л., Стокман Дж. Компьютерное зрение. М.: Бином. Лаборатория знаний, 2006. 752 с.
18. Shi J., Liu X.-G. Product quality prediction by a neural soft-sensor based on MSA and PCA // International Journal of Automation and Computing. 2006. Vol. 3, № 1. P. 17–22.
19. Никитин К. В., Бендерская Е. Н. Новый подход к применению рекуррентных нейронных сетей для решения задач распознавания образов // Научно-технические ведомости СПбГПУ. 2007. № 52-2. С. 85–92.

20. Затонский А. В., Варламова С. А. Распознавание краев пузырьков при пенной флотации калийных руд // Материалы II Международной научно-практической конференции «Виртуальное моделирование, прототипирование и промышленный дизайн». Тамбов: ТГТУ, 2015. С. 220–223.
21. Sezgin M., Sankur B. Survey over image thresholding techniques and quantitative performance evaluation // Journal of Electronic Imaging. 2004. Vol. 13 (1). P. 146–168.

22. Варламова С. А., Мясников А. А. Выбор метода бинаризации для распознавания параметров пены // Новый университет. Серия: Технические науки. 2015. № 5–6. С. 73–78.
23. Zatonskiy A. V., Varlamova S. A. Perspective algorithm for recognition of foam parameters in the chemical-technological processes // Modeling and Information Technologies: Selected Papers of the International Scientific School «Paradigma» (Summer–2015, Varna, Bulgaria). Yelm, WA, USA: Science Book Publishing House, 2015. P. 52–56.