對浮選泡沫圖像特征進行分割識別，是提升選礦工藝成效的關鍵技術環節。傳統圖像分割方法處理浮選泡沫圖像時，往往面臨泡沫粘連、邊緣模糊、先驗知識難以引入等問題，制約了其在復雜浮選環境中的應用。

西安建筑科技大學盧才武團隊創新性地提出了融合SoftEdge軟邊緣檢測模型與改進分水嶺算法的浮選泡沫圖像分割方法。該方法首先采用高斯低通濾波對圖像進行預處理，以抑制噪聲與細微紋理干擾，提升圖像質量。SoftEdge模型通過提取圖像軟邊緣，并結合全卷積神經網絡的邊緣特征語義信息，有效削弱了光照噪聲干擾，從而提高了邊緣檢測的準確性。進一步引入基于前置背景標記技術優化的分水嶺算法，能夠精確提取前景與背景標記，指導算法在限定區域內完成分割，減少分割誤差。該方法無需依賴復雜先驗知識與繁瑣參數設置，在提升分割精度與魯棒性的同時，為浮選泡沫圖像的自動化處理提供了可靠的技術支持。

模型設計及技術路線

為更有效發揮分水嶺算法的分割性能，實現浮選泡沫圖像的精準分割，本研究首先基于SoftEdge模型開展軟邊緣提取與預分割。該模型融合了全卷積神經網絡、邊緣特征與語義信息，能夠針對性捕捉泡沫圖像的邊緣細節，為分水嶺算法提供可靠的邊緣基礎，從而期望使后續分割更具針對性。然而實際應用中發現，僅依靠SoftEdge模型處理后，圖像仍受到環境光噪聲與細微紋理的干擾，導致泡沫邊緣模糊、粘連區域分割不完整，最終分割效果未能達到預期，難以滿足分水嶺算法對輸入圖像質量的要求。

Fig. 1 浮選原圖

為解決上述問題，本研究引入高斯低通濾波技術作為前置預處理手段。該技術可有效抑制原始圖像中的噪聲信號，減弱無關細微紋理的干擾，從而顯著提升圖像整體清晰度與邊緣辨識度，為后續分割過程奠定良好基礎。預處理完成后，再次采用SoftEdge模型提取軟邊緣，并結合分水嶺算法進行分割。以下為一系列對比圖示，可直觀看出，經高斯濾波預處理后，SoftEdge模型與分水嶺算法的協同效果顯著提升，泡沫邊緣輪廓更為銳利、分割邊界更加準確，粘連泡沫的區分度也明顯改善；相比之下，未經濾波處理的分割結果仍存在邊緣模糊與分割誤差較大的問題。需要說明的是，高斯濾波在處理含小氣泡的圖像時可能引發輕微模糊或局部欠分割現象。該問題將在后續研究中通過優化濾波參數、融合多尺度處理技術等途徑加以改進。

Fig. 3 分水嶺算法示意

盧才武

教授，博士研究生導師

現任西安建筑科技大學資源工程學院礦業工程一級學科負責人、西安市智慧工業感知計算與決策重點實驗室主任，研究方向聚焦資源系統優化與管理、智能感知計算與決策。主持國家自然科學基金、國家社科基金等40余項，發表論文200余篇，獲發明專利20余項、省部級科技獎勵7項（如中國安全生產協會安全科技進步獎一等獎等），出版《礦山計算機視覺》《露天礦安全生產管控及智能決策系統》等專著7部，兼任中國金屬學會采礦分會常務理事、《金屬礦山》編委等。

《金屬礦山》簡介

《金屬礦山》由中鋼集團馬鞍山礦山研究總院股份有限公司和中國金屬學會主辦，主編為中國工程院王運敏院士，現為北大中文核心期刊、中國科技論文統計源期刊（中國科技核心期刊）、中國精品科技期刊（F5000頂尖學術論文來源期刊）、中國百強報刊、RCCSE中國核心學術期刊（A）、中國期刊方陣雙百期刊、國家百種重點期刊、華東地區優秀期刊，被美國化學文摘（CA）、美國劍橋科學文摘（CSA）、波蘭哥白尼索引（IC）、日本科學技術振興機構數據庫（JST）等世界著名數據庫收錄。主要刊登金屬礦山采礦、礦物加工、機電與自動化、安全環保、礦山測量、地質勘探等領域具有重大學術價值或工程推廣價值的研究成果，優先報道受到國家重大科研項目資助的高水平研究成果。根據科技部中國科技信息研究所發布的《2024中國科技期刊引證報告（核心版）》，《金屬礦山》核心總被引頻次位列26種礦業工程技術學科核心期刊第1位；根據中國知網發布的《中國學術期刊影響因子年報》（2024版），《金屬礦山》學科影響力位居73種礦業期刊第9位。

供稿：曾文旭

編排：余思晨

審核：王小兵

利用提供參考依據。

供稿：曾文旭

編排：余思晨

審核：王小兵

聲明：本文系轉載自互聯網，請讀者僅作參考，并自行核實相關內容。若對該稿件內容有任何疑問或質疑，請立即與鐵甲網聯系，本網將迅速給您回應并做處理，再次感謝您的閱讀與關注。