[发明专利]一种智能泡沫浮选检测系统

说明书

本发明公开了一种智能泡沫浮选检测系统，涉及矿山浮选领域。系统基于深度学习‑目标检测模型，以浮选液面视频帧图像中泡沫的识别与定位为基础，通过不断跟踪各个泡沫流动的轨迹与速度，计算出整个液面的流速、流向。同时基于一定的历史趋势数据，研判当前监测的浮选液面流动状态是否正常(是否出现流速异常或方向异常)，从而最终对浮选液面的工作状态进行研判、告警。图像识别技术应用到浮选工艺中，提高浮选工艺水平，实现浮选过程的智能化操作与信息化展示，对浮选过程的自动化发展具有重要研究意义和应用价值。

技术领域

本发明涉及矿山浮选领域，具体涉及一种智能泡沫浮选检测系统。

背景技术

在矿山企业生产运营过程所关注的各项作业中，浮选作为与精矿产品质量直接相关的重要生产环节，基础数据的完善对精细浮选工艺控制水平尤为重要。当前浮选岗位操作主要基于浮选槽液面泡沫状态判断浮选工况和入浮矿浆的变化，由于无法量化操作依据，控制精度高度依赖于人工经验，操作流程难以形成相应的规范。如何获得相关基础数据，并确保数据的准确性、实时性和一致性是改善浮选工艺控制的重点。

在泡沫浮选过程中，有经验的工人根据浮选泡沫的视觉状态调整浮选操作，自动化水平较低。实际生产中，大多数是由工人直接根据自身经验来判断浮选工况并做出调整，如矿浆浓度、浮选药剂用量等。浮选过程自动化水平较低，判断误差较大。因此提高浮选性能，节约人力物力，实现工况自动化生产至关重要。

发明内容

本发明的目的是针对上述不足，提出了一种采用深度学习图像处理算法的智能泡沫浮选检测系统。

本发明具体采用如下技术方案：

一种智能泡沫浮选检测系统，包括浮选视频检测模块，通过浮选视频检测模块，实现对摄像头视频流的解码、抽帧和格式转换处理，并将转换后的图像帧进行识别，并最终将检测结果标注在视频流中，重新编码视频流推送给前端UI进行展示；具体包括以下过程：

(1)基于深度学习--目标检测实现浮选液面泡沫目标识别；

(2)基于浮选泡沫识别、定位结果，实现液面大泡沫数量统计检测结果计算；基于泡沫跟踪，实现液面流速、流向监测统计检测结果计算；液面颜色监测统计检测结果计算；上述指标数据存储与历史变化趋势展现；

(3)基于上述监测指标信息，实现对浮选液面正常、冒槽、堵矿三类工况的检测与异常告警输出。

优选地，浮选视频检测模块包括时实在线处理单元和离线处理单元，时实在线处理单元包括YoloV5视觉模型，离线处理单元包括深度学习模型，实时在线处理单元实现对原始摄像头视频流的解码、抽帧，格式转换处理，并将转换后的图像帧送到深度学习模型中进行识别，并最终将检测结果标注在视频流中，重新编码视频流推送给前端UI进行展示与预警。

优选地，系统的前端连接核心图像识别引擎，采用pytorch+yoloV5模型，通过对500+张样本数据集的训练，实现对液面泡沫的识别、定位与标注。

优选地，pytorch+yoloV5模型中的YOLO检测网络包括24个卷积层和2个全连接层，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。

优选地，yolov5包含yolov5s,yolov5x,yolov5m,yolov5l四个模型，其中Yolov5s是模型做小的，并且是速度最快的模型。

优选地，前端UI采用B/S架构，基于Django架构，在智能边缘设备上部署一个轻量级的WebService，实时接收下层视频检测程序，流量、流速检测程序推送过来的数据、视频流信息，并最终展现在前端页面上。

优选地，采用SORT进行浮选气泡目标检测，前端UI展现的内容是当前浮选液面视频播放，页面流向、流速的变化趋势折线图，以及浮选液面监测结果数据表，系统还包括用来进行视频封装，推送播放功能的RTMP视频流服务器。