基于图像分析的堆浸铀矿石块度参数辨识
发布时间：2021-10-28 19:58
由于核电的迅猛发展,核电对天然铀的需求日益旺盛,铀矿冶技术进入一个新的发展阶段。现阶段提炼天然铀的主要手段是堆浸技术,为了节约资源和最大限度地提高经济效益,铀矿冶企业必须积极研究堆浸技术,提高堆浸技术的科技含量。矿石块度是影响铀矿石浸出率和浸出周期的关键因素,块度分布是堆浸采铀方法的一项重要技术指标,与酸耗率、浸出率等技术指标有直接关系,其合理与否决定了经济效益的好坏。人工检测铀矿石块度参数及分布,耗时,费力,而且检测数据不能实时反馈。采用数字图像处理技术,结合现代数据处理技术等软测量技术,能够提高矿石块度参数的检测效率,降低检测成本,提高检测精度。利用图像分析技术实时连续地进行在线铀矿石块度检测和自动获取矿石块度分布,是铀矿石块度检测技术发展的必然趋势。采用数字图像处理技术实现对矿石块度参数进行在线测量,并确定矿石块度参数的分布。首先,对摄相机进行标定,对采集的矿石图像进行预处理,其中包括灰度化、去噪滤波、二值化和形态学滤波等操作。本文采用张正友相机标定算法对相机进行标定,研究了各种滤波算法,首次将图像引导滤波应用于矿石图像滤波;研究大津法和基于PCNN模型的图像分割算法,提出基于最...
【文章来源】：南华大学湖南省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究意义
1.2 国内外研究现状
1.2.1 堆浸铀矿石块度分布、关键参数与浸出率的关系
1.2.2 矿石外形特征与筛分尺寸的关系
1.2.3 聚堆矿石图像分割
1.2.4 矿石块度参数辨识
1.3 章节安排
第2章 图像预处理
2.1 相机标定
2.1.1 相机成像模型及各坐标系相互关系
2.1.2 相机标定方法
2.1.3 基于移动平面模板的相机标定方法原理及实现
2.2 图像滤波
2.2.1 中值滤波
2.2.2 双边滤波
2.2.3 图像引导滤波
2.3 图像二值化
2.3.1 脉冲耦合神经网络（PCNN-Pulse Coupled Neural Networks）
2.3.2 基于最大熵准则的PCNN图像分割
2.3.3 基于最小交叉熵准则的PCNN图像分割
2.3.4 基于最大类间后验交叉熵准则的PCNN图像分割
2.3.5 实验分析与主客观评价
2.4 本章小结
第3章 基于凹点匹配的数字图像切割算法
3.1 引言
3.2 基于凹点匹配的数字图像切割算法
3.2.1 算法原理
3.2.2 算法实现
3.2.3 算法处理过程
3.2.4 实验结果及分析
3.3 本章小结
第4章 矿石块度图像参数测量系统
4.1 矿石粒径参数测量与分布
4.1.1 粒径参数
4.1.2 粒径参数分布
4.2 基于形状特征的块度参数测量方法
4.2.1 基于形状特征的块度参数测量方法原理
4.2.2 多种参数测量方法实验
4.2.3 实验对比分析
4.3 矿石块度分布
4.4 块度图像分析系统
4.5 本章小结
第5章 总结和展望
5.1 总结
5.2 展望
参考文献
发表论文及参与科研情况
致谢
【参考文献】：
期刊论文
[1]不同粒径分布分维数铀矿石的浸出规律[J]. 叶勇军,丁德馨,李广悦,扶海鹰,宋键斌,胡南. 中国有色金属学报. 2013(10)
[2]一种改进的粘连颗粒图像分割算法[J]. 李希,王天江,周鹏. 湖南大学学报(自然科学版). 2012(12)
[3]基于图像的原矿碎石粒度检测与分析系统[J]. 张国英,邱波,刘冠洲,梁栋华,何鹏云. 冶金自动化. 2012(03)
[4]经典图像去噪算法研究综述[J]. 方莉,张萍. 工业控制计算机. 2010(11)
[5]分水岭算法的改进方法研究[J]. 刁智华,赵春江,郭新宇,陆声链,王秀徽. 计算机工程. 2010(17)
[6]基于PCNN的图像二值化及分割评价方法[J]. 马义德,苏茂君,陈锐. 华南理工大学学报(自然科学版). 2009(05)
[7]基于控制标记符分水岭的医学图像分割[J]. 陈军波,喻胜辉,舒振宇. 长江大学学报(自然科学版)理工卷. 2008(02)
[8]基于最大熵和PCNN的图像分割新方法[J]. 朱冰,祝小平,余瑞星. 红外技术. 2008(05)
[9]一种自适应的Harris角点检测算法[J]. 赵万金,龚声蓉,刘纯平,沈项军. 计算机工程. 2008(10)
[10]中国铀矿采冶技术发展与展望[J]. 阙为民,王海峰,牛玉清,张飞凤,谷万成. 中国工程科学. 2008(03)
博士论文
[1]双目立体视觉深度感知与三维重建若干问题研究[D]. 罗桂娥.中南大学 2012
[2]基于机器视觉的煤尘在线检测系统关键技术研究[D]. 刘伟华.山东大学 2011
硕士论文
[1]摄像机标定方法的研究[D]. 舒娜.南京理工大学 2014
[2]基于机器视觉的矿石粒度检测技术研究[D]. 董珂.北京工业大学 2013
[3]基于分水岭算法的分割方法研究[D]. 熊瞻.西南大学 2013
[4]机器视觉中相机标定方法的研究[D]. 路红亮.沈阳工业大学 2013
[5]基于数字图像处理技术的爆堆粒度分析[D]. 李凯.哈尔滨工业大学 2011
[6]图像处理技术在岩石爆破块度分析中的应用[D]. 杨金保.中国地质大学（北京） 2009
[7]ImageJ在矿物初碎检测中的应用[D]. 宋玉丹.太原理工大学 2008
[8]基于计算机视觉的粒度检测应用研究[D]. 孙宗保.江苏大学 2003
本文编号：3463276
【文章来源】：南华大学湖南省
【文章页数】：78 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 研究意义
1.2 国内外研究现状
1.2.1 堆浸铀矿石块度分布、关键参数与浸出率的关系
1.2.2 矿石外形特征与筛分尺寸的关系
1.2.3 聚堆矿石图像分割
1.2.4 矿石块度参数辨识
1.3 章节安排
第2章 图像预处理
2.1 相机标定
2.1.1 相机成像模型及各坐标系相互关系
2.1.2 相机标定方法
2.1.3 基于移动平面模板的相机标定方法原理及实现
2.2 图像滤波
2.2.1 中值滤波
2.2.2 双边滤波
2.2.3 图像引导滤波
2.3 图像二值化
2.3.1 脉冲耦合神经网络（PCNN-Pulse Coupled Neural Networks）
2.3.2 基于最大熵准则的PCNN图像分割
2.3.3 基于最小交叉熵准则的PCNN图像分割
2.3.4 基于最大类间后验交叉熵准则的PCNN图像分割
2.3.5 实验分析与主客观评价
2.4 本章小结
第3章 基于凹点匹配的数字图像切割算法
3.1 引言
3.2 基于凹点匹配的数字图像切割算法
3.2.1 算法原理
3.2.2 算法实现
3.2.3 算法处理过程
3.2.4 实验结果及分析
3.3 本章小结
第4章 矿石块度图像参数测量系统
4.1 矿石粒径参数测量与分布
4.1.1 粒径参数
4.1.2 粒径参数分布
4.2 基于形状特征的块度参数测量方法
4.2.1 基于形状特征的块度参数测量方法原理
4.2.2 多种参数测量方法实验
4.2.3 实验对比分析
4.3 矿石块度分布
4.4 块度图像分析系统
4.5 本章小结
第5章 总结和展望
5.1 总结
5.2 展望
参考文献
发表论文及参与科研情况
致谢
【参考文献】：
期刊论文
[1]不同粒径分布分维数铀矿石的浸出规律[J]. 叶勇军,丁德馨,李广悦,扶海鹰,宋键斌,胡南. 中国有色金属学报. 2013(10)
[2]一种改进的粘连颗粒图像分割算法[J]. 李希,王天江,周鹏. 湖南大学学报(自然科学版). 2012(12)
[3]基于图像的原矿碎石粒度检测与分析系统[J]. 张国英,邱波,刘冠洲,梁栋华,何鹏云. 冶金自动化. 2012(03)
[4]经典图像去噪算法研究综述[J]. 方莉,张萍. 工业控制计算机. 2010(11)
[5]分水岭算法的改进方法研究[J]. 刁智华,赵春江,郭新宇,陆声链,王秀徽. 计算机工程. 2010(17)
[6]基于PCNN的图像二值化及分割评价方法[J]. 马义德,苏茂君,陈锐. 华南理工大学学报(自然科学版). 2009(05)
[7]基于控制标记符分水岭的医学图像分割[J]. 陈军波,喻胜辉,舒振宇. 长江大学学报(自然科学版)理工卷. 2008(02)
[8]基于最大熵和PCNN的图像分割新方法[J]. 朱冰,祝小平,余瑞星. 红外技术. 2008(05)
[9]一种自适应的Harris角点检测算法[J]. 赵万金,龚声蓉,刘纯平,沈项军. 计算机工程. 2008(10)
[10]中国铀矿采冶技术发展与展望[J]. 阙为民,王海峰,牛玉清,张飞凤,谷万成. 中国工程科学. 2008(03)
博士论文
[1]双目立体视觉深度感知与三维重建若干问题研究[D]. 罗桂娥.中南大学 2012
[2]基于机器视觉的煤尘在线检测系统关键技术研究[D]. 刘伟华.山东大学 2011
硕士论文
[1]摄像机标定方法的研究[D]. 舒娜.南京理工大学 2014
[2]基于机器视觉的矿石粒度检测技术研究[D]. 董珂.北京工业大学 2013
[3]基于分水岭算法的分割方法研究[D]. 熊瞻.西南大学 2013
[4]机器视觉中相机标定方法的研究[D]. 路红亮.沈阳工业大学 2013
[5]基于数字图像处理技术的爆堆粒度分析[D]. 李凯.哈尔滨工业大学 2011
[6]图像处理技术在岩石爆破块度分析中的应用[D]. 杨金保.中国地质大学（北京） 2009
[7]ImageJ在矿物初碎检测中的应用[D]. 宋玉丹.太原理工大学 2008
[8]基于计算机视觉的粒度检测应用研究[D]. 孙宗保.江苏大学 2003
本文编号：3463276
本文链接：https://www.wllwen.com/projectlw/hkxlw/3463276.html
