Улучшение качества распознавания параметров флотомашины с использованием нейронной сети

Рассмотрены алгоритмы решения одной из задач контроля за процессом флотации с применением системы компьютерного зрения. Выявлено, что существующий алгоритм синхронизации с пеногоном флотационной машины, основанный на изменениях уровня освещенности, обрабатывает не все проходы пеногона. Предложено улучшить существующие алгоритмы за счет использования нейронной сети для распознавания лопастей пеногона. Представлены результаты проверки работоспособности и адекватности обученной модели распознавания лопастей пеногона. Произведена сравнительная оценка разработанного алгоритма с использованием модели нейронной сети и ранее предложенного алгоритма. Сделан вывод, что использование обученной модели нейронной сети позволит сократить количество пропущенных проходов по сравнению с предыдущим алгоритмом на 5,1%.

Затонский А. В., Кузнецов С. В., Саломатова К. А. Улучшение качества распознавания параметров флотомашины с использованием нейронной сети // Горный информационно-аналитический бюллетень. – 2025. – № 6. – С. 153–167. DOI: 10.25018/0236_1493_2025_6_0_153.

Затонский Андрей Владимирович¹ — д-р техн. наук, профессор, зав. кафедрой, e-mail: zxenon@narod.ru,
Саломатова Кристина Александровна¹ — старший преподаватель, e-mail: kristya_0103@mail.ru,
Кузнецов Станислав Викторович¹ — студент, e-mail: kuznetsovstas04@yandex.ru,
¹ Пермский национальный исследовательский политехнический университет, Березниковский филиал.

Затонский А.В., e-mail: zxenon@narod.ru.

1. Дюжева Н. В., Тинькова А. А. Анализ конъюнктуры мирового рынка минеральных удобрений // Вестник Астраханского государственного технического университета. Серия: Экономика. — 2020. — № 1. — С. 91—100. DOI: 10.24143/2073-5537-2020-1-91-100.

2. Wakeel A., Ishfaq M. Potash use and dynamics in agriculture. Springer, 2022, 144 p.

3. Белкин П. А., Катаев В. Н. Закономерности техногенной трансформации химического состава подземных вод в районах разработки калийных месторождений // Известия Уральского государственного горного университета. — 2018. — № 2 (50). — С. 55—64. DOI: 10.21440/23072091-2018-2-55-64.

4. Земсков А. Н., Лискова М. Ю., Заалишвили В. Б., Шамрин М. Ю. Современные технологические и технические решения при ведении горных работ на калийных рудниках // Известия Тульского государственного университета. Науки о Земле. — 2022. — № 2. — С. 284—296. DOI: 10.46689/2218-5194-2022-2-1-284-296.

5. Юркевич Н. В., Грошева Т. В., Еделев А. В., Гуреев В. Н., Мазов Н. А. Современные походы к обогащению баритовых руд // Записки Горного института. — 2024. — Т. 270. — С. 977—993.

6. Силаков А. В., Варламова С. А., Котков П. В. Программное распознавание дефектов изображений регулярных текстур в текстильной промышленности // Известия высших учебных заведений. Технология текстильной промышленности. — 2022. — № 2 (398). — С. 266—272. DOI: 10.47367/0021-3497_2022_2_266.

7. Затонский А. В., Варламова С. А. Использование бликовых отражений для автоматического распознавания параметров пены при флотации калийных руд // Обогащение руд. — 2016. — № 2. — С. 49—56. DOI: 10.17580/or.2016.02.09.

8. Варламова С. А., Затонский А. В., Федосеева К. А. Исследование чувствительности к освещению метода бликового распознавания пен калийных флотационных машин // Обогащение руд. — 2021. — № 6. — С. 29—33. DOI: 10.17580/or.2021.06.05.

9. Малышева А. В. Модели и алгоритмы поддержки принятия решений при управлении процессом флотации калийной руды: Автореф. дисc. … канд. техн. наук. — Пермь: ПНИПУ, 2020. — 19 с.

10. Федосеева К. А. Совершенствование методов идентификации состояния пенного слоя калийных флотомашин: Автореф. дисc. … канд. техн. наук. — Пермь: ПНИПУ, 2023. — 19 с.

11. Chen L., Li S., Bai Q., Yang J., Jiang S., Miao Y. Review of image classification algorithms based on convolutional neural networks // Remote Sensing. 2021, vol. 13, no. 22, article 4712. DOI: 10.3390/rs13224712.

12. Zhao X., Wang L., Zhang Y., Han X., Deveci M., Parmar M. A review of convolutional neural networks in computer vision // Artificial Intelligence Review. 2024, vol. 57, article 99. DOI: 10.1007/ s10462-024-10721-6.

13. Liu L., Ouyang W., Wang X., Fieguth P., Chen J., Liu X., Pietikainen M. Deep learning for generic object detection: A survey // International Journal of Computer Vision. 2020, vol. 128, pp. 261—318. DOI: 10.1007/s11263-019-01247-4.

14. Kaur R., Singh S. A comprehensive review of object detection with deep learning // Digital Signal Processing. 2023, vol. 132, article 103812. DOI: 10.1016/j.dsp.2022.103812.

15. Андриянов Н. А., Дементьев В. Е., Ташлинский А. Г. Обнаружение объектов на изображении: от критериев Байеса и Неймана-Пирсона к детекторам на базе нейронных сетей // Компьютерная оптика. — 2022. — Т. 46. — № 1. — С. 139—159. DOI: 10.18287/2412-6179-CO-922.

16. Ren J., Wang Y. Overview of object detection algorithms using convolutional neural networks // Journal of Computer and Communications. 2022, vol. 10, no. 1, pp. 115—132. DOI: 10.4236/jcc. 2022.101006.

17. Двойникова А. А., Кагиров И. А., Карпов А. А. Аналитический обзор методов автоматического распознавания вовлеченности пользователя в виртуальную коммуникацию // Информационно-управляющие системы. — 2022. — № 5. — С. 12—22. DOI: 10.31799/1684-8853-20225-12-22.

18. Diwan T., Anirudh G., Tembhurne J. V. Object detection using YOLO: challenges, architectural successors, datasets and application // Multimedia Tools and Applications. 2023, vol. 82, pp. 9243— 9275. DOI: 10.1007/s11042-022-13644-y.

19. Cong X., Li S., Chen F., Liu C., Meng Y. A review of YOLO object detection algorithms based on deep learning // Frontiers in Computing and Intelligent Systems. 2023, vol. 4, no. 2, pp. 17—20. DOI: 10.54097/fcis.v4i2.9730.

20. Тимошкин М. С., Миронов А. Н., Леонтьев А. С. Сравнение YOLO v5 и Faster R-CNN для обнаружения людей на изображении в потоковом режиме // Международный научно-исследовательский журнал. — 2022. — № 6 (120). — С. 137—146. DOI: 10.23670/IRJ.2022.120.6.020.

21. Vaughan L. Python tools for scientists: An introduction to using Anaconda, JupyterLab, and Python’s scientific libraries. No Starch Press, 2023, 744 p.