基于机器视觉的钨矿初选算法研究

论文摘要

随着机器视觉检测在工业中的广泛应用,为工业生产的信息化、智能化提供了强有力的技术支持。针对目前我国钨矿开采过程中,在矿石初选时还采用传统的人工选矿方法,其存在的弊端是显而易见。而钨矿在矿石中的纹理分布和独特的颜色特征,为机器视觉检测提供了客观依据。利用机器视觉技术的强大优越性:速度快、信息量大、功能多、效率高等特点,如果将其应用于钨矿石初选检测,将具有人工检测所无法比拟的优势。利用机器视觉进行检测不仅可以排除人的主观因素的干扰,而且还能够对这些指标进行定量描述。避免因人而异的分选结果,减小矿石初选误差,提高生产效率和分选精度。因此在针对钨矿初选环节的机械化分选问题,本文在论证了机器视觉技术应用于钨矿初选检测系统中软硬件实现可行性的基础上,重点研究了系统检测过程中的核心算法——目标矿的边缘检测,并展开了具体的分析和研究。对此本文主要做了如下一些工作:首先,根据机器视觉检测的特点,研究了机器视觉检测系统的一般结构和系统功能,与此同时给出了机器视觉技术应用于钨矿石初选工艺流程。其次,在研究了钨矿石物象特征的基础上,结合钨矿初选工艺,提出了基于机器视觉分选的具体的硬件和软件算法解决方案。概述了机器视觉检测技术在钨矿初选系统中的具体实现。再者,重点分析和研究了系统检测过程的核心算法——钨矿图像的边缘检测。首先研究比较了Roberts算子、Sobel算子、Prewitt算子、拉普拉斯高斯算子、Canny算子,在钨矿图像特征提取上的效果、算子的抗噪性、稳定性等。并且简要分析了每个算子的特点,及每个算法在检测钨矿图片存在的不足。对此提出了解决问题的方法——基于SUSAN算法的边缘检测。其中重点研究了SUSAN算法运用在钨矿图像边缘提取的可取性,并结合工艺流程要求对算法的快速性能提出了改进方法。用测试图像对提取算子进行试验分析,结果表明SUSAN算子的改进在测试图上的结果表明各项性能有所提高。最后,基于数学形态学是一种非线性滤波方法,可以用来解决抑制噪声、特征提取、边缘检测、图像分割、纹理分析、等图像处理问题。为提高图像检测效果,本文提出了一种基于数学形态学和改进的SUSAN算子相结合的边缘检测方法,通过实验表明,该方法是有效的、可行的。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 研究意义
• 1.3 研究背景
• 1.4 本文主要研究内容
• 第二章 基于视觉技术的分选系统
• 2.1 机器视觉分选依据
• 2.2 基于机器视觉分选系统
• 2.2.1 系统结构
• 2.2.2 系统功能
• 2.3 本章小结
• 第三章 基于机器视觉的钨矿初选系统
• 3.1 钨矿的物象特征分析
• 3.1.1 钨矿原料特点
• 3.1.2 黑钨矿物象特征分析
• 3.2 钨矿初选系统实现
• 3.2.1 系统硬件结构
• 3.2.2 系统软件设计
• 3.3 本章小结
• 第四章 钨矿初选核心算法研究
• 4.1 经典边缘检测算法研究分析
• 4.1.1 边缘检测方法
• 4.1.2 Roberts 算法
• 4.1.3 Prewitt 算法
• 4.1.4 Sobel 算法
• 4.2 CANNY 算法
• 4.3 拉普拉斯算法
• 4.4 结果分析
• 4.5 本章小结
• 第五章 钨矿初选核心算法实现
• 5.1 钨矿石初选工艺算法概述
• 5.2 SUSAN 边缘检测在钨矿图像处理中的应用
• 5.2.1 算法分析
• 5.2.2 SUSAN 边缘检测算法数学模型
• 5.3 SUSAN 边缘检测算法的改进
• 5.3.1 改进思想
• 5.3.2 模板和自适应阈值的选取
• 5.4 基于数学形态学的边缘检测算法
• 5.4.1 二值形态学基本运算
• 5.4.2 二值图像的边缘提取
• 5.5 数学形态学与改进SUSAN 算法对钨矿图像的边缘提取
• 5.6 算法验证
• 5.6.1 钨矿图像检测
• 5.6.2 时间复杂度的比较
• 5.7 本章小结
• 第六章 全文总结
• 6.1 总结
• 6.2 下一步工作展望
• 参考文献
• 致谢
• 个人简历、攻读硕士期间发表论文