深度图网络泡沫识别

召回率升18%

用深度图神经网络跟踪泡沫轨迹，在工业煤和方铅矿浮选中显著提升爆裂气泡识别召回率。

Rui, Tian · Lv, Ziqi · Sun, Meijie · Tu, Yanan · 徐志强 · 王卫东

IEEE Transactions on Industrial Informatics 2025

参数信息

召回率提升

18.45 %

F1分数提升

11.80 %

技术优势

召回率显著提升

通过将气泡轨迹建模为有向无环图并优化最小费用流，框架在工业煤和方铅矿浮选过程上实现了召回率18.45%的提升。

F1分数同步提高

框架同时将F1分数提升了11.80%，表明在提高召回率的同时保持了较高的精确率。

保留小气泡特征

时间感知金字塔网络利用分层空间注意力特征，在下采样层中保留小气泡表征，减少信息丢失。

缓解过平滑问题

边正则化跳跃图聚合稀疏约束嵌入，有效解决过平滑问题，同时捕获长期轨迹信息。

应用场景

• 矿物浮选过程监控：实时识别气泡破裂与兼并，优化浮选过程稳定性和回收率。
• 工业视觉检测：将泡沫视频分析转换为图结构，提升工业视觉检测中动态事件的识别能力。
• 在线粒度分析：通过气泡行为间接反映颗粒大小分布，辅助在线粒度分析。
• 视频目标跟踪：将气泡轨迹建模为图，利用深度图神经网络实现鲁棒跟踪。