引用本文

陈贵震, 王红艳, 刘鑫, 熊峰, 邹国锋, 代伟. 基于密度感知引导的煤泥浮选泡沫分割方法. 自动化学报, 2026, 52(7): 1477−1490 doi: 10.16383/j.aas.c250607

Chen Gui-Zhen, Wang Hong-Yan, Liu Xin, Xiong Feng, Zou Guo-Feng, Dai Wei. Coal flotation foam segmentation method based on density-aware guidance. Acta Automatica Sinica, 2026, 52(7): 1477−1490 doi: 10.16383/j.aas.c250607

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250607

关键词

浮选精煤泡沫，图像分割，密度感知，动态密度注意力，互信息约束

摘要

针对浮选精煤泡沫分割中因低质图像数据导致的目标漏检及误分割问题, 提出一种基于密度感知引导的煤泥浮选泡沫分割方法. 首先, 构建跨尺度区域密度感知模块, 设计层次化密度估计子模块提取多尺度差异化区域密度信息, 并提出基于全局语义引导的跨尺度聚合方式, 融合生成具有区域差异感知能力的密度引导表征. 其次, 设计基于密度引导的分支增强模块, 建立基于分布感知的动态密度注意力机制, 构成以密度分布为先验来动态调节双分支空间特征响应的增强策略, 降低泡沫漏检率. 最后, 设计基于密度引导的互信息约束优化模块, 提出以互信息最大化为目标的语义耦合策略, 形成强化密度与分割表征间统计依赖的联合优化方法, 提升泡沫边界的分割判别能力. 在两个实际浮选泡沫数据集上的实验结果表明, 所提方法有效提升了泡沫分割性能.

文章导读

煤泥浮选是一种基于矿物表面疏水性差异, 实现煤与杂质分离的选矿技术[1]. 在浮选过程中, 精煤灰分作为衡量浮选效果和产品质量的关键指标[2−3], 对生产具有重要意义. 然而, 目前工业现场主要依赖人工化验获取浮选精煤灰分值, 存在明显的滞后性, 难以满足浮选过程的实时调控需求[4−6]. 研究表明, 浮选精煤泡沫的形态及分布特征与精煤灰分之间存在强相关性, 其动态变化能够一定程度上反映灰分变化[7−8]. 因此, 快速、准确地获取泡沫图像中的关键特征, 对实现精煤灰分的实时预测具有重要意义.

根据技术路线的差异, 实例分割方法又可划分为两阶段实例分割和单阶段实例分割两大类. 两阶段实例分割方法中的目标定位和掩码生成具有顺序依赖性. 例如, 文献[25]提出的Mask R-CNN方法, 其先通过区域提议网络(region proposal network, RPN)生成候选目标框, 再对每个候选框进行特征对齐与分类回归, 最后生成目标掩码; 文献[26]所提Cascade Mask R-CNN, 在Mask R-CNN基础上将检测与掩码生成阶段拓展为多个级联结构, 使每个阶段在更高的IoU阈值下对候选框进行精细化处理, 从而提升整体分割性能; 为进一步改善Cascade Mask R-CNN在不同阶段间掩码信息流传递不佳的问题, 文献[27]提出Hybrid Task Cascade模型, 引入跨阶段传递机制, 增强语义联系, 并通过交替执行边界框回归与掩码预测, 实现任务间的深度融合; 为进一步提升检测对分割任务的引导作用, 文献[28]提出Mask DINO方法, 基于DINO的Transformer框架引入掩码预测分支, 通过共享查询向量实现目标检测与实例分割的端到端统一建模; 针对实时性要求, 文献[29]构建基于Transformer的端到端轮廓演化机制, 利用子轮廓解耦与细粒度分布细化技术, 提升推理速度. 两阶段实例分割方法因引入候选框机制和多阶段精细化处理, 通常具有更高的分割精度, 但其多步骤结构也导致推理速度较慢, 实际应用中需权衡精度与效率.

相较于两阶段方法, 单阶段实例分割方法跳过显式的候选框生成步骤, 将目标检测与掩码生成任务并行处理, 因而具有更高的运算效率. 例如, 文献[30]提出的EmbedMask方法在FCOS检测网络的基础上, 同时预测候选框及其嵌入向量, 并通过像素级嵌入进行聚类匹配, 在保证分割精度的同时提升了推理速度; 文献[31]提出的YOLACT方法基于RetinaNet检测框架, 通过预测每个实例对应的掩码加权系数与共享的全局掩码特征, 直接生成实例掩码, 避免了RoI Align对局部特征图的复杂提取过程, 结构更加轻量, 实现实时分割; 在单阶段范式的持续演进中, 文献[32]提出的SimCIS方法, 引入懒惰查询预对齐与虚拟查询重放机制, 通过强化特征对齐解决了持续学习问题; 在通用分割领域, 文献[33]提出的FastSAM方法, 将SAM[34]重构为单阶段实例分割范式, 利用全卷积架构实现快速的掩码生成与提示引导选择. 单阶段实例分割方法通过并行化处理, 实现高效推理, 为浮选精煤泡沫图像的实时分割提供了可行方案.

然而, 受工业现场环境及泡沫动态变化影响, 采集到的泡沫图像存在噪声干扰、成像模糊及分辨率受限等低质量问题. 此类成像退化因素导致单阶段实例分割方法面临两个主要问题: 1)在泡沫密集区域, 小尺度泡沫受噪声与分辨率限制影响, 纹理细节被掩盖、显著性下降, 在特征提取阶段易被忽略, 导致漏检率高; 2)在泡沫稀疏区域, 大尺度泡沫受成像模糊及附着颗粒影响, 边界清晰度下降, 在掩码预测阶段易出现边界定位偏差, 导致误分割. 此类问题与泡沫的空间密度分布紧密相关. 因此, 通过引入泡沫的空间密度分布作为先验信息, 驱动模型主动感知并优化不同密度区域的特征响应, 可提升低质图像数据条件下模型对泡沫复杂结构的表征与判别能力.

综上, 为解决低质图像数据条件下的浮选泡沫分割问题, 提出一种基于密度感知引导的煤泥浮选泡沫分割方法, 由多尺度特征提取模块、跨尺度区域密度感知模块、基于密度引导的分支增强模块以及互信息约束优化模块组成. 主要贡献如下:

1)针对泡沫密度分布表征不足问题, 构建跨尺度区域密度感知模块, 在多尺度特征提取模块构建的特征空间中引入所提层次化密度估计子模块, 提取多尺度差异化区域密度信息, 并以全局语义引导跨尺度密度信息自适应融合, 生成具有区域差异感知能力的密度引导表征;

2)针对泡沫密集区域中小尺度目标漏检问题, 设计基于密度引导的分支增强模块, 建立动态密度注意力机制将密度表征映射为空间加权因子, 融合至检测分支与原型分支, 以密度先验动态调整区域特征响应, 从而缓解目标漏检问题;

3)针对泡沫稀疏区域中大尺度目标误分割问题, 设计基于密度引导的互信息约束优化模块, 通过量化密度表征与预测掩码之间的互信息, 并以此构建特征一致性正则项, 与主分割目标进行联合优化, 提升泡沫边界的分割判别能力.

图1  浮选精煤泡沫形成原理、图像特征及分割特性分析图

图2  基于密度感知引导的煤泥浮选泡沫分割网络整体架构图

图3  跨尺度区域密度感知模块结构

针对低质图像数据条件下的泡沫分割问题, 本文提出一种基于密度感知引导的煤泥浮选泡沫分割方法. 该方法通过跨尺度区域密度感知模块和动态密度感知注意力机制的协同作用, 增强了模型对高密度区域的特征响应, 缓解了小尺度泡沫的漏检问题. 同时, 将密度感知信息与互信息优化策略结合, 强化了分割特征与密度表征的语义一致性, 提升了大尺度泡沫的边界定位精度. 在两个采集自不同选煤厂及不同工况条件下的数据集上的实验结果表明, 所提方法在分割精度与推理速度上具有优势.

在未来的工作中, 将进一步探索在保持实时推理能力的前提下, 融合轻量化Transformer结构的实例分割建模方法, 并借鉴显微细胞、CT及病理图像等实例分割领域中的创新思想, 进一步提升模型性能与方法创新性; 同时, 结合分割结果提取泡沫结构与空间分布特征, 开展实时灰分预测研究, 以期推动煤泥浮选过程的智能化发展.

作者简介

陈贵震

中国矿业大学信息与控制工程学院博士研究生. 主要研究方向为复杂工业过程图像信息处理. E-mail: chen_cumt@cumt.edu.cn

王红艳

中国矿业大学信息与控制工程学院讲师. 主要研究方向为复杂工业过程智能建模, 智能检测与智能控制. E-mail: wanghongyan@cumt.edu.cn

刘鑫

中国矿业大学信息与控制工程学院教授. 主要研究方向为系统辨识, 数据驱动的工业建模和软测量. E-mail: liuxin_hit@cumt.edu.cn

熊峰

中国矿业大学信息与控制工程学院硕士研究生. 主要研究方向为基于深度学习的工业视觉系统. E-mail: ts25060090a31ld@cumt.edu.cn

邹国锋

山东理工大学电气与电子工程学院副教授. 主要研究方向为低压电气故障智能检测与电力视觉技术. E-mail: gfzou@sdut.edu.cn

代伟

中国矿业大学信息与控制工程学院教授. 主要研究方向为复杂工业过程建模、运行优化与控制. 本文通信作者. E-mail: weidai@cumt.edu.cn

支持单位：