浮选泡沫图像自动标注系统产品系统

泡沫图像分割是一种有效的基于机器视觉的气泡大小提取方法，具有实时、非接触测量等优点。但是，浮选现场环境恶劣，浮选槽内光照不均，获取的泡沫图像存在大量噪声，同时泡沫大小不均且混杂粘连，形状欠规则，使得泡沫尺寸与形状特征难以有效测量，基于传统的图像分割算法（如边缘检测法、阈值分割法、分水岭算法等）都难以准确分割复杂泡沫图像。随着深度学习的快速发展，卷积神经网络广泛应用于图像分割，但在泡沫图像分割中遇到如下挑战难题：
（1）基于卷积神经网络的图像分割方法所需高质量数据样本多，而复杂泡沫边缘人工标注异常困难，标注一张泡沫图像通常需要2个小时的时间，工作量繁重，成本高。
（2）人工标注一致性与准确性受限，标注的准确率难以得到保证。不同标注者在复杂粘连区域的主观判断差异以及现场光照不均、对比度低等因素，导致标签噪声大、边界不一致，影响模型泛化性能，给基于卷积神经网络的图像分割模型训练造成挑战。
因此，本软件是泡沫图像气泡边界自动标注系统，解决复杂泡沫边缘人工标注异常困难和准确率不高的问题。

本系统面向浮选泡沫图像的半自动标注需求，集成四大功能模块：一是批量图像预处理，支持对指定文件夹内图像进行统一读取与交互式裁切，以提取目标子区；二是核心推理引擎，通过预训练 U-Net 与传统分水岭算法融合模型，实现对裁剪后图像中泡沫边界的稳定检测与初步分割；三是人工微调机制，提供多规格画笔与橡皮工具，允许用户在初步分割结果上实时增量绘制或擦除误分割区域，确保标注精度；四是结果导出管理，将裁剪子图、二值边界标签图及边界叠加可视化图三类输出，有序保存至子目录，以满足后续训练与分析需求。该平台在保证分割精度的前提下，大幅降低人工标注成本，提升半自动标注效率。

通过预训练 U-Net 与传统分水岭算法融合模型，实现对裁剪后图像中泡沫边界的稳定检测与初步分割，专利技术保密