针对可见光图像易受光照影响而导致浮选泡沫稳定度视觉检测不准确的问题，对泡沫表面进行红外热成像，将不稳定气泡检测转换为红外显著目标分割，提出一种泡沫红外显著目标分割的FIRSegNet模型及稳定度估计方法。首先，基于U-Net架构进行FIRSegNet模型构建，采用Swin Transformer模块构建编码器网络捕捉长距离依赖关系，提升模型对图像全局上下文的理解能力；其次，在跳跃连接中嵌入双重交叉注意力模块（DCA），以更好地融合不同尺度红外泡沫图像的特征信息，增强模型分割不同大小红外显著性区域的能力；然后，提出一种残差细化模块（RRM），学习分割图与真值之间的残差以改善红外显著区域的边缘细节，实现显著目标的精细化分割；最后，根据显著目标分割结果计算泡沫稳定度。实验结果表明：本文方法在自建数据集能取得较好的分割效果，较主流分割模型的mIoU平均提升1.73%，mDice平均提高0.63%，MAE平均降低11.6%，分割精度得到一定提升；正常光照下不同工况泡沫稳定度预测的RMSE，MAE，MAPE和AMAPE平均值分别为0.014 5，0.0133，2.384 8%和0.025 6，在过曝光和低照度光照条件下的预测误差显著低于现有方法。本文方法具有较强的抗光照变化影响能力，保证了复杂光照环境下泡沫稳定度的准确定量描述，为后续的浮选生产工况与指标预测奠定基础。
Yipeng et al. (Wed,) studied this question.