摘要： 浮选泡沫的表面视觉特征是浮选工况和相关工艺指标的指示器,传统的浮选泡沫图像分割方法存在特 征提取能力弱、边缘分割不准确、容易造成漏分割等问题。为解决这一现实问题,以便更科学、客观地实现对浮选作业 的智能化控制,研究以黄铁矿浮选泡沫为对象,提出了改进的IG-EMA-U2Net 泡沫分割算法。该算法以U2Net 为主干 网络,首先在U2Net 外部的下采样处引入EMA 注意力机制,提升网络对泡沫的关注度,减少下采样和跳跃连接造成的 空间信息损失;再将改进的InceptionV1+BN 模块替换RSU7 残差块的第一层卷积池化模块,得到IRU 模块,增强对泡 沫图像特征信息的提取能力;最后提出GRU 模块,使用GhostConv 替代RSU5、RSU4 和RSU4F 中的传统卷积,在分割 精度不变的情况下,减小算法的计算成本和参数量。研究表明,IG-EMA-U2Net 算法的Dice 系数、召回率R 和F1-score 分别达93. 98%、94. 07%和94. 00%,较常用分割算法UNet、DeepLabV3+和U2Net 的分割精度更高、分割效果更好,有 效减少了漏分割。

关键词: 泡沫浮选　图像分割　U2Net　EMA 模块　GhostConv