Внедрение компилируемого модуля на С++ для повышения эффективности распознавания параметров пенной флотации

Процесс пенной флотации калийной руды является основным методом разделения продукта и примесей. Управление флотацией производится вручную оператором, обслуживающим целое отделение флотации. Это приводит к запаздыванию в принятии решений и ошибкам в изменении подачи флотационных реагентов и воздуха. Одним из способов исключения недостатков, связанных с человеческим фактором, является применение систем технического зрения. Однако подстройка существующего программного обеспечения под конкретные параметры съемки занимает длительное время, что снижает точность распознавания параметров пенного слоя. Предлагается ускорить распознавание за счет использования многопоточности для определения оптимальных порогов бинаризации бликов, антибликов и коэффициента повышения контрастности изображения. Поскольку в языке программирования Python использовать многопоточность невозможно, написана специальная динамическая библиотека на С++, реализующая многопоточный поиск параметров. Достигнуто уменьшение времени поиска параметров на 87,4%, что позволяет определять их каждый полуоборот пеногона, а не один раз для длительной серии кадров. За счет этого на 8,97% увеличено количество правильно распознаваемых пузырьков, то есть качество определения параметров пенного слоя калийной флотомашины. При использовании библиотеки в системах контроля технологического процесса это приведет к уменьшению числа ложных срабатываний сигнализации или к более точной дозировке реагентов, подаваемых в флотомашину.

Затонский А. В., Кузнецов С. В., Плехов П. В. Внедрение компилируемого модуля на С++ для повышения эффективности распознавания параметров пенной флотации // Горный информационно-аналитический бюллетень. – 2026. – № 9. – С. 150–161. DOI: 10.25018/0236_1493_2026_9_0_150.

Затонский Андрей Владимирович¹ — д-р техн. наук, профессор, зав. кафедрой, e-mail: zxenon@narod.ru, ORCID ID: 0000-0003-1863-2535, 
Кузнецов Станислав Викторович — магистрант, Пермский национальный исследовательский политехнический университет, e-mail: kuznetsovstas04@yandex.ru, 
Плехов Павел Владимирович¹ — канд. техн. наук, доцент, e-mail: onim@rambler.ru,
¹ Пермский национальный исследовательский политехнический университет, Березниковский филиал. 

Затонский А.В., e-mail: zxenon@narod.ru.

1. Земсков А. Н., Лискова М. Ю., Заалишвили В. Б., Шамрин М. Ю. Современные технологические и технические решения при ведении горных работ на калийных рудниках // Известия Тульского государственного университета. Науки о земле. — 2022. — № 2. — С. 284—296. DOI: 10.46689/2218-5194-2022-2-1-284-296.

2. Юркевич Н. В., Грошева Т. В., Еделев А. В., Гуреев В. Н., Мазов Н. А. Современные подходы к обогащению баритовых руд // Записки Горного института. — 2024. — Т. 270. — С. 977—993.

3. Коннова Н. И., Чебокчинов И. П. Исследование процесса обогащения пробы руды Буреломного рудопроявления методом флотации // Международный научно-исследовательский журнал. — 2023. — № 12 (138). — C. 74. DOI: 10.23670/IRJ.2023.138.165.

4. Силаков А. В., Варламова С. А., Котков П. В. Программное распознавание дефектов изображений регулярных текстур в текстильной промышленности // Известия высших учебных заведений. Технология текстильной промышленности. — 2022. — № 2 (398). — С. 266—272. DOI: 10.47367/0021-3497_2022_2_266.

5. Варламова С. А., Затонский А. В., Федосеева К. А. Исследование чувствительности к освещению метода бликового распознавания пен калийных флотационных машин // Обогащение руд. — 2021. — № 6. — С. 29—33. DOI: 10.17580/or.2021.06.05.

6. Затонский А. В., Варламова С. А., Федосеева К. А. Улучшение компьютерного распознавания параметров пены калийных флотомашин за счет учета антибликов // Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника. — 2022. — Т. 22. — № 3. — С. 57—67. DOI: 10.14529/ctcr220306.

7. Затонский А. В., Федосеева К. А., Кузнецов С. В. Улучшение качества распознавания окатышей полиметаллических руд на изображении за счет адаптивной коррекции контраста // Инновационное приборостроение. — 2024. — Т. 3. — № 3. — С. 48—52. DOI: 10.31799/2949-0693-2024-3-48-52.

8. Nemirovsky M., Tullsen D. Multithreading architecture. Springer Nature, 2022. 112 p.

9. Lee S. H. Real-time edge computing on multi-processes and multi-threading architectures for deep learning applications // Microprocessors and Microsystems. 2022, vol. 92, article 104554. DOI: 10.1016/j.micpro.2022.104554.

10. Wei X., Ma L., Zhang H., Liu Y. Multi-core-, multi-thread-based optimization algorithm for large-scale traveling salesman problem // Alexandria Engineering Journal. 2021, vol. 60, no. 1, pp. 189—197. DOI: 10.1016/j.aej.2020.06.055.

11. Фешина Е. В., Омельченко Д. А., Гонатаев Р. Г. Многопоточность и асинхронность в языке программирования Python // Инновации. Наука. Образование. — 2021. — № 28. — С. 988—992.

12. Arjona A., Finol G., López P. G. Transparent serverless execution of Python multiprocessing applications // Future Generation Computer Systems. 2023, vol. 140, pp. 436—449. DOI: 10.1016/j.future.2022.10.038.

13. Ruys W., Lee H., You B., Talati S., Park J., Almgren-Bell J., Yan Y., Fernando M., Erez M., Gligoric M., Burtscher M., Rossbach C. J., Pingali K., Biros G. Performance characterization of python runtimes for multi-device task parallel programming // International Journal of Parallel Programming. 2025, vol. 53, no. 2, pp. 1—24. DOI: 10.1007/s10766-025-00788-1.

14. Сычёв М. Д., Трунова К. Д. Сравнение производительности при выполнении сортировки методом пузырька на языках программирования C++ и Python // Вестник Пензенского государственного университета. — 2024. — № 4 (48). — С. 131—133.

15. Kaur A., Nayyar R. A comparative study of static code analysis tools for vulnerability detection in C/C++ and Java source code // Procedia Computer Science. 2020, vol. 171, pp. 2023—2029. DOI: 10.1016/j.procs.2020.04.217.

16. Naveed M. S. Comparison of C++ and Java in implementing introductory programming algorithms // Quaid-E-Awam University Research Journal of Engineering, Science & Technology. 2021, vol. 19, no. 1, pp. 95—103.

17. Oliveira C. Multithreading / Practical C++20 Financial Programming. Apress, Berkeley, CA. 2021, pp. 449—474. DOI: 10.1007/978-1-4842-6834-6_17.

18. Valero A., Gran-Tejero R., Suárez-Gracia D., Georgescu E. A., Ezpeleta J., Álvarez P., Muñoz A., Ramos L. M., Ibáñez P. A learning experience toward the understanding of abstraction-level interactions in parallel applications // Journal of Parallel and Distributed Computing. 2021, vol. 156, pp. 38—52. ISSN 0743-7315. DOI: 10.1016/j.jpdc.2021.05.008.

19. Monat R., Ouadjaout A., Miné A. A multilanguage static analysis of Python programs with native C extensions // International Static Analysis Symposium. Cham: Springer International Publishing, 2021, pp. 323—345. DOI: 10.1007/978-3-030-88806-0_16.

20. Gladstone A. Module development with boost. Python and PyBind / C++ Software Interoperability for Windows Programmers: Connecting to C#, R, and Python Clients. Berkeley, CA: Apress, 2022, pp. 173—209. DOI: 10.1007/978-1-4842-7966-3_8.

21. Belinassi G., Biener R., Hubichka J., Cordiero D., Goldman A. Compiling files in parallel: A study with GCC / 2022 International Symposium on Computer Architecture and High Performance Computing Workshops (SBAC-PADW). IEEE, 2022, pp. 1—8.

22. Hulton-Harrop T. Minimal CMake: Learn the best bits of CMake to create and share your own libraries and applications. Packt Publishing Ltd. 2025, 266 p.