CN110119747A - 一种基于x射线图像的煤矸识别方法 - Google Patents
一种基于x射线图像的煤矸识别方法 Download PDFInfo
- Publication number
- CN110119747A CN110119747A CN201910397960.9A CN201910397960A CN110119747A CN 110119747 A CN110119747 A CN 110119747A CN 201910397960 A CN201910397960 A CN 201910397960A CN 110119747 A CN110119747 A CN 110119747A
- Authority
- CN
- China
- Prior art keywords
- value
- image
- particle
- sample
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/45—Analysis of texture based on statistical description of texture using co-occurrence matrix computation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及煤矸识别技术领域,尤其涉及一种基于X射线图像的煤矸识别方法。包括在线识别流程和模型学习流程,所述在线识别流程包括:(1)获取煤矸的X射线图像;(2)对图像进行预处理和目标提取;(3)提取灰度特征量;(4)计算灰度共生矩阵,并提取纹理特征量;(5)将计算得到的煤矸特征量作为分类模型的输入特征量;(6)得出识别准确率;所述模型学习流程包括:(1)积累大量的煤矸X射线图像数据库;(2)人工标定煤矸的类别;(3)对数据库中的图像进行预处理和特征提取;(4)构建NP‑FSVM模型,进行监督学习;(5)利用PSO对模型的主要参数进一步优化;(6)得出最终分类模型。本发明可有效提高煤矸的在线识别准确率。
Description
技术领域
本发明属于煤矸识别技术领域,尤其涉及一种基于X射线图像的煤矸识别方法。
背景技术
煤炭是我国的主要能源之一,随着近年来环境污染的不断加剧,国家十分重视且积极倡导煤炭资源的清洁使用。煤矸石的分选是煤矿生产加工过程中的重要环节,也是充分利用煤炭资源提高煤质减轻环境污染的有效途径。现阶段,煤与矸石的分选方法主要有人工排矸、跳汰选煤、浮游选煤、选择性破碎、重介质选煤以及射线探测识别选煤等,但这些方法普遍存在识别精度低、占地空间大、投资成本高、环境污染严重等问题。
X射线探测识别煤矸石技术是一种不用水、不用介、也不产生煤泥的选煤方法,分选精度接近于重介浅槽分选机,高于动筛、跳汰及其他干选设备,更有利于实现井下煤矸石的分选,为绿色矿山建设提供有效的技术方案。
利用工业CCD采集煤矸的图像,受粉尘、光照等井下复杂环境的影响较大,因此本发明利用X射线探测技术进行煤矸图像的采集。在实际的选煤过程中,块煤和矸石的大小不一,由于厚度的影响可能出现X射线图像灰度值存在部分相等和交叉的现象,使得煤矸石的正确识别率变低,因此不能仅考虑煤矸的灰度特征信息;传统的模糊支持向量机(FSVM)隶属度函数,仅从样本的中心距离来衡量其隶属度的大小,无法有效的剔除孤立样本,导致了正确识别率的降低。
纹理是由基本单元周期性或随机重复而产生的特殊图案,它具有微观无规则性而宏观上有规律性的特点。本发明综合考虑了煤矸石的灰度与纹理特征,提出一种多特征融合的基于粒子群算法优化的法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)煤矸石识别方法。
发明内容
本发明针对上述缺陷,提出一种基于X射线图像的煤矸识别方法,可有效提高煤矸的识别准确率,智能的实现煤矸种类在线识别。
本发明所解决的技术问题采用如下技术方案:
一种基于X射线图像的煤矸识别方法,其特征在于,包括在线识别流程和模型学习流程:
所述在线识别流程,对实时采集的煤矸X射线图像进行定性分析,包括以下步骤:
(1)对煤矸X射线图像的获取:采用XRB401型号的X射线源系统配合分辨率为1.6mm、型号为LINX1605-301的LINX线阵列探测器进行煤矸X射线图像的获取;
(2)预处理:采用窗口大小为5×5的中值滤波器对采集到的X射线图像进行中值滤波处理,以去除图像中的脉冲噪声,处理公式为:
其中,g(x,y)为处理后的图像,f(x,y)为原始图像;
(3)图像目标提取:采用基于canny的边缘检测与轮廓的提取,canny边缘检测是一个多级边缘检测算法;其基本步骤主要有:1)获取x,y的梯度;2)非最大值抑制;3)边缘跟踪;这里直接采用opencv里面的canny算子;
(4)灰度特征提取:将每一个X射线煤矸图像统一缩放为128*128大小,在此基础上计算灰度特征量,采用灰度均值μ和方差s来表示灰度特征,计算公式如下:
(5)计算灰度共生矩阵及纹理特征提取:灰度共生矩阵具有较强的鲁棒性,描绘在θ方向上距离为δ,灰度级别分别为i和j的一对象元出现的概率,其描述式为:
p(i,j,δ,θ)={[(x,y),(x+Δx,y+Δy)/g(x,y)=i;g(x+Δx,y+Δy)=j]}
其中,(x,y)为像素点坐标,θ为方向参数。根据煤矸的特点,θ值分别取0°、45°、90°、135°四个方向,取距离δ=1,共4组参数,因此每一幅图像会得到4个对应的灰度共生矩阵图像,对应的维数为128*128*4=65536;
在此基础上计算纹理特征量,采用能量ASM、相关性COR、对比度CON和熵ENT表示纹理特征,计算公式如下:
能量反应了物体表面的均匀程度和粗糙程度,
相关性主要是衡量图像的相似程度,
对比度反应了纹理特征的灰度范围,
熵主要反应了图像灰度变化的复杂程度,
其中,
不同特征具有不同的物理意义,即使同一特征下的不同特征量也具有不同的取值范围。为了避免特征值受方向的影响,取4个方向纹理特征值的平均值作为最终特征,并对不同的特征值进行归一化处理,处理公式分别为:
其中,i为=1,2,3,4时的纹理特征值,分别表示0°、45°、90°、135°这四个方向;
其中,xij为第i个输入样本的第j个输入参量,xij’表示xij归一化后的值,为了方便计算,将值归一化到[-1,1];xmax、xmin分别为输入参量的最大值和最小值,j为输入参量的个数共6个,n为输入样本的数目。
(6)将通过上述步骤得到的6个煤矸特征量作为训练完成的法平面型模糊支持向量机(NP-FSVM)的输入特征向量;
(7)得出识别准确率;
所述模型学习流程,采取一种粒子群算法(PSO)优化的法平面型模糊支持向量机(NP-FSVM)分类器模型,包括以下步骤:
(1)模型学习的前提是积累的大量煤矸X射线图像的数据库;
(2)在此基础之上,采用人工标注的方式,使机器明确目标煤矸的种类,属于一种监督学习的方式;
(3)对数据库中煤矸的X射线图像进行预处理、特征提取,该步骤与在线识别流程的(2)—(5)步骤一致;
(4)学习过程采取PSO优化的NP-FSVM模型,模型的构建包括以下步骤:
1)选用RBF径向基函数为模糊支持向量机的核函数:
RBF核函数可表示为:
2)确定法平面型隶属度函数;
法平面型隶属度函数可表示为:
其中,di+,di-分别为正负样本点xi到各自超平面的距离;D+,D-分别为正样本和负样本距离超平面的最大值,D+=max(di+),D-=max(di-);η>0,为取值很小的正数;+1和-1分别表示正、负类样本;
3)模型的主要参数为惩罚因子c和核参数σ两个参数,用PSO算法寻求参数c和σ的最优组合;
4)构建最终优化后的NP-FSVM分类器模型。
2、根据权利要求1所述的一种基于X射线图像的煤矸识别方法,其中模型学习流程中所述用PSO算法寻求参数c和σ的最优组合,按如下步骤进行:
(1)初始化:设定加速度常数c1=1.5,c2=1.7,最大迭代次数Tmax=200,粒子种群数量m=30,设置惩罚因子c的范围为0.1~100,核参数σ的范围为0.01~1000,并将当前的迭代次数设置为1,针对PSO算法容易出现早熟和后期容易在全局最优解附近振荡的现象,采用线性递减权重法对惯性权重ω进行调整,ωmax取值1,ωmin取值0.4,具体计算如下:
其中,tn为迭代次数;
(2)评价种群:加载训练样本数据,然后将每个粒子对应的核参数代入适应度计算函数来计算相对应的适应值,计算公式如下:
样本之间的距离:
适应度函数:
其中,表示1类样本中心,表示-1类样本中心,n(1)表示1类数据的样本数,n(-1)表示-1类数据的样本数;
(3)更新个体最优解:若为第一代粒子,则将每个粒子的个体最优解设置为当前位置否则与个体最优解比较粒子的适应度,如果当前位置比个体最优的适应度更优,则将个体最优更改为当前位置,并记录此时的最优适应度,计算公式如下:
其中,d=1,2,…,n(n表示特征空间的维度);i=1,2,…,m(m表示种群规模);t表示当前粒子进化代数;r1和r2为分布于[0,1]的随机数;c1和c2为加速常数;表示第i个粒子在特征空间中的第d维的速度;表示第i个粒子在特征空间中的第d维的坐标;表示粒子的个体最优解,表示种群的全局最优解。
(4)更新局部和全局最优解:若粒子的个体最优解更改,则比较更改后的粒子与当前种群最优粒子的适应值。若当前值比种群的最优值更优,则将种群最优更改为当前位置,并记录种群最优粒子的索引,更新局部和全局的c和σ;
(5)更新粒子的速度与位置,同步更新种群中所有粒子的位置与速度;
(6)按照(2)—(5)进行迭代,并记录迭代次数,当次数达到最大迭代次Tmax或者种群收敛时,结束迭代,输出种群全局最优的c和σ。
有益效果:
本发明与现有技术相比,其有益效果体现在:
(1)本发明采用X射线采集煤矸石的灰度图像,避免了光照、粉尘等复杂环境的影响;
(2)本发明采用法平面型隶属度函数的模糊支持向量机(NP-FSVM)模型作为煤矸的分类器,该隶属度函数能有效的剔孤立除样点,提高识别准确率;
(3)本发明采用粒子群算法(PSO)对分类模型的主要参数进行寻优,进一步提高了模型的分类效率和准确率。
附图说明
图1为本发明的流程示意图;
图2为法平面隶属度函数确定方法的示意图;
图3为PSO优化NP-FSVM模型流程示意图;
图4为本发明与PSO-FSVM分类模型的仿真对比。
具体实施方式
以下结合附图对本发明做进一步描述:
本发明的实施例:
一种基于X射线图像的煤矸识别方法,其特征在于,包括在线识别流程和模型学习流程:
所述在线识别流程,对实时采集的煤矸X射线图像进行定性分析,包括以下步骤:
(1)对煤矸X射线图像的获取:采用XRB401型号的X射线源系统配合分辨率为1.6mm、型号为LINX1605-301的LINX线阵列探测器进行煤矸X射线图像的获取;
(2)预处理:采用窗口大小为5×5的中值滤波器对采集到的X射线图像进行中值滤波处理,以去除图像中的脉冲噪声,处理公式为:
其中,g(x,y)为处理后的图像,f(x,y)为原始图像;
(3)图像目标提取:采用基于canny的边缘检测与轮廓的提取,canny边缘检测是一个多级边缘检测算法;其基本步骤主要有:1)获取x,y的梯度;2)非最大值抑制;3)边缘跟踪;这里直接采用opencv里面的canny算子;
(4)灰度特征提取:将每一个X射线煤矸图像统一缩放为128*128大小,在此基础上计算灰度特征量,采用灰度均值μ和方差s来表示灰度特征,计算公式如下:
(5)计算灰度共生矩阵及纹理特征提取:灰度共生矩阵具有较强的鲁棒性,描绘在θ方向上距离为δ,灰度级别分别为i和j的一对象元出现的概率,其描述式为:
p(i,j,δ,θ)={[(x,y),(x+Δx,y+Δy)/g(x,y)=i;g(x+Δx,y+Δy)=j]}
其中,(x,y)为像素点坐标,θ为方向参数。根据煤矸的特点,θ值分别取0°、45°、90°、135°四个方向,取距离δ=1,共4组参数,因此每一幅图像会得到4个对应的灰度共生矩阵图像,对应的维数为128*128*4=65536;
在此基础上计算纹理特征量,采用能量ASM、相关性COR、对比度CON和熵ENT表示纹理特征,计算公式如下:
能量反应了物体表面的均匀程度和粗糙程度,
相关性主要是衡量图像的相似程度,
对比度反应了纹理特征的灰度范围,
熵主要反应了图像灰度变化的复杂程度,
其中,
不同特征具有不同的物理意义,即使同一特征下的不同特征量也具有不同的取值范围。为了避免特征值受方向的影响,取4个方向纹理特征值的平均值作为最终特征,并对不同的特征值进行归一化处理,处理公式分别为:
其中,i为=1,2,3,4时的纹理特征值,分别表示0°、45°、90°、135°这四个方向;
其中,xij为第i个输入样本的第j个输入参量,xij’表示xij归一化后的值,为了方便计算,将值归一化到[-1,1];xmax、xmin分别为输入参量的最大值和最小值,j为输入参量的个数共6个,n为输入样本的数目。
(6)将通过上述步骤得到的6个煤矸特征量作为训练完成的法平面型模糊支持向量机(NP-FSVM)的输入特征向量;
(7)得出识别准确率;
所述模型学习流程,采取一种粒子群算法(PSO)优化的法平面型模糊支持向量机(NP-FSVM)分类器模型,包括以下步骤:
(1)模型学习的前提是积累的大量煤矸X射线图像的数据库;
(2)在此基础之上,采用人工标注的方式,使机器明确目标煤矸的种类,属于一种监督学习的方式;
(3)对数据库中煤矸的X射线图像进行预处理、特征提取,该步骤与在线识别流程的(2)—(5)步骤一致;
(4)学习过程采取PSO优化的NP-FSVM模型,模型的构建包括以下步骤:
1)选用RBF径向基函数为模糊支持向量机的核函数:
RBF核函数可表示为:
2)确定法平面型隶属度函数;
如图2所示,比较正类圆形样本中的孤立样本点与正类样本中心点xo+的距离d1和其中一个支持样本点与xo+的距离d2可知,d1与d2大致相等,导致了样本划分的不合理,影响最优分类面的确定。文中采用了一种法平面(Normal Plane,NP)型隶属度函数,综合考虑两类样本的中心点,通过正负样本中心点xo+xo-连线的法平面来确定样本的分类超平面,以各样本点到其所属类别超平面的距离来确定隶属度大小。经过此种方法判定后,如图3所示,d3明显大于d4,有效地排除了孤立样本点。用该方法确定的隶属度函数为:
其中,di+,di-分别为正负样本点xi到各自超平面的距离;D+,D-分别为正样本和负样本距离超平面的最大值,D+=max(di+),D-=max(di-);η>0,为取值很小的正数;+1和-1分别表示正、负类样本;
3)模型的主要参数为惩罚因子c和核参数σ两个参数,用PSO算法寻求参数c和σ的最优组合;
5)构建最终优化后的NP-FSVM分类器模型。
2、根据权利要求1所述的一种基于X射线图像的煤矸识别方法,其中模型学习流程中所述用PSO算法寻求参数c和σ的最优组合,按如下步骤进行:
(1)初始化:设定加速度常数c1=1.5,c2=1.7,最大迭代次数Tmax=200,粒子种群数量m=30,设置惩罚因子c的范围为0.1~100,核参数σ的范围为0.01~1000,并将当前的迭代次数设置为1,针对PSO算法容易出现早熟和后期容易在全局最优解附近振荡的现象,采用线性递减权重法对惯性权重ω进行调整,ωmax取值1,ωmin取值0.4,具体计算如下:
其中,tn为迭代次数;
(2)评价种群:加载训练样本数据,然后将每个粒子对应的核参数代入适应度计算函数来计算相对应的适应值,计算公式如下:
样本之间的距离:
适应度函数:
其中,表示1类样本中心,表示-1类样本中心,n(1)表示1类数据的样本数,n(-1)表示-1类数据的样本数;
(3)更新个体最优解:若为第一代粒子,则将每个粒子的个体最优解设置为当前位置否则与个体最优解比较粒子的适应度,如果当前位置比个体最优的适应度更优,则将个体最优更改为当前位置,并记录此时的最优适应度,计算公式如下:
其中,d=1,2,…,n(n表示特征空间的维度);i=1,2,…,m(m表示种群规模);t表示当前粒子进化代数;r1和r2为分布于[0,1]的随机数;c1和c2为加速常数;表示第i个粒子在特征空间中的第d维的速度;表示第i个粒子在特征空间中的第d维的坐标;表示粒子的个体最优解,表示种群的全局最优解。
(4)更新局部和全局最优解:若粒子的个体最优解更改,则比较更改后的粒子与当前种群最优粒子的适应值。若当前值比种群的最优值更优,则将种群最优更改为当前位置,并记录种群最优粒子的索引,更新局部和全局的c和σ;
(5)更新粒子的速度与位置,同步更新种群中所有粒子的位置与速度;
(6)按照(2)—(5)进行迭代,并记录迭代次数,当次数达到最大迭代次Tmax或者种群收敛时,结束迭代,输出种群全局最优的c和σ。
本发明的效果可以通过以下的仿真试验进一步说明:
1.试验条件和试验内容:
试验条件:
在CPU为Intel Core i5 2.80GHz、内存8G、Windows 10系统上使用Matlab R2010b进行仿真。
试验内容:
本发明分别选取煤和矸石的X射线透射图像各25幅,将这些样本随机分成5份,选取其中的4份作为训练样本,余下的1份作为测试样本,进行交叉验证试验。分别采用PSO-FSVM和PSO-NP-FSVM建立分类器模型,取相对误差作为模型的适应度函数值,采用相同的训练样本进行试验。
其中,Fit*(xi)表示相对误差,n表示样本总数,yi为煤矸样本类别的真实值,为煤矸样本类别的预测值;
2.试验结果:
由图4可以看出,经过56次的迭代,PSO-NP-FSVM算法参数达到最优,而普通的PSO-FSVM算法参数达到最优时,需迭代63次;PSO-NP-FSVM的适应度函数值较小,说明改进后的算法识别准确率要高于普通的PSO-FSVM算法。因此,改进后的算法寻优效率和识别准确率均得到了提升。
以上通过实施例对本发明的进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡利用本发明所述的技术方案,或本领域的技术人员在本发明技术方案的启发下,设计出类似的技术方案而达到上述技术效果的,或者对申请范围所作的均等变化与改进等,均应仍归属于本发明的发明涵盖保护范围之内。
Claims (2)
1.一种基于X射线图像的煤矸识别方法,其特征在于,包括在线识别流程和模型学习流程:
所述在线识别流程,对实时采集的煤矸X射线图像进行定性分析,包括以下步骤:
(1)对煤矸X射线图像的获取:采用XRB401型号的X射线源系统配合分辨率为1.6mm、型号为LINX1605-301的LINX线阵列探测器进行煤矸X射线图像的获取;
(2)预处理:采用窗口大小为5×5的中值滤波器对采集到的X射线图像进行中值滤波处理,以去除图像中的脉冲噪声,处理公式为:
其中,g(x,y)为处理后的图像,f(x,y)为原始图像;
(3)图像目标提取:采用基于canny的边缘检测与轮廓的提取,canny边缘检测是一个多级边缘检测算法;其基本步骤主要有:1)获取x,y的梯度;2)非最大值抑制;3)边缘跟踪;这里直接采用opencv里面的canny算子;
(4)灰度特征提取:将每一个X射线煤矸图像统一缩放为128*128大小,在此基础上计算灰度特征量,采用灰度均值μ和方差s来表示灰度特征,计算公式如下:
(5)计算灰度共生矩阵及纹理特征提取:灰度共生矩阵具有较强的鲁棒性,描绘在θ方向上距离为δ,灰度级别分别为i和j的一对象元出现的概率,其描述式为:
p(i,j,δ,θ)={[(x,y),(x+Δx,y+Δy)/g(x,y)=i;g(x+Δx,y+Δy)=j]}
其中,(x,y)为像素点坐标,θ为方向参数。根据煤矸的特点,θ值分别取0°、45°、90°、135°四个方向,取距离δ=1,共4组参数,因此每一幅图像会得到4个对应的灰度共生矩阵图像,对应的维数为128*128*4=65536;
在此基础上计算纹理特征量,采用能量ASM、相关性COR、对比度CON和熵ENT表示纹理特征,计算公式如下:
能量反应了物体表面的均匀程度和粗糙程度,
相关性主要是衡量图像的相似程度,
对比度反应了纹理特征的灰度范围,
熵主要反应了图像灰度变化的复杂程度,
其中,
不同特征具有不同的物理意义,即使同一特征下的不同特征量也具有不同的取值范围。为了避免特征值受方向的影响,取4个方向纹理特征值的平均值作为最终特征,并对不同的特征值进行归一化处理,处理公式分别为:
其中,i为=1,2,3,4时的纹理特征值,分别表示0°、45°、90°、135°这四个方向;
其中,xij为第i个输入样本的第j个输入参量,xij’表示xij归一化后的值,为了方便计算,将值归一化到[-1,1];xmax、xmin分别为输入参量的最大值和最小值,j为输入参量的个数共6个,n为输入样本的数目。
(6)将通过上述步骤得到的6个煤矸特征量作为训练完成的法平面型模糊支持向量机(NP-FSVM)的输入特征向量;
(7)得出识别准确率;
所述模型学习流程,采取一种粒子群算法(PSO)优化的法平面型模糊支持向量机(NP-FSVM)分类器模型,包括以下步骤:
(1)模型学习的前提是积累的大量煤矸X射线图像的数据库;
(2)在此基础之上,采用人工标注的方式,使机器明确目标煤矸的种类,属于一种监督学习的方式;
(3)对数据库中煤矸的X射线图像进行预处理、特征提取,该步骤与在线识别流程的(2)(4)(5)步骤一致;
(4)学习过程采取PSO优化的NP-FSVM模型,模型的构建包括以下步骤:
1)选用RBF径向基函数为模糊支持向量机的核函数:
RBF核函数可表示为:
2)确定法平面型隶属度函数;
法平面型隶属度函数可表示为:
其中,di+,di-分别为正负样本点xi到各自超平面的距离;D+,D-分别为正样本和负样本距离超平面的最大值,D+=max(di+),D-=max(di-);η>0,为取值很小的正数;+1和-1分别表示正、负类样本;
3)模型的主要参数为惩罚因子c和核参数σ两个参数,用PSO算法寻求参数c和σ的最优组合;
4)构建最终优化后的NP-FSVM分类器模型。
2.根据权利要求1所述的一种基于X射线图像的煤矸识别方法,其中模型学习流程中所述用PSO算法寻求参数c和σ的最优组合,按如下步骤进行:
(1)初始化:设定加速度常数c1=1.5,c2=1.7,最大迭代次数Tmax=200,粒子种群数量m=30,设置惩罚因子c的范围为0.1~100,核参数σ的范围为0.01~1000,并将当前的迭代次数设置为1,针对PSO算法容易出现早熟和后期容易在全局最优解附近振荡的现象,采用线性递减权重法对惯性权重ω进行调整,ωmax取值1,ωmin取值0.4,具体计算如下:
其中,tn为迭代次数;
(2)评价种群:加载训练样本数据,然后将每个粒子对应的核参数代入适应度计算函数来计算相对应的适应值,计算公式如下:
样本之间的距离:
适应度函数:
其中,表示1类样本中心,表示-1类样本中心,n(1)表示1类数据的样本数,n(-1)表示-1类数据的样本数;
(3)更新个体最优解:若为第一代粒子,则将每个粒子的个体最优解设置为当前位置否则与个体最优解比较粒子的适应度,如果当前位置比个体最优的适应度更优,则将个体最优更改为当前位置,并记录此时的最优适应度,计算公式如下:
其中,d=1,2,…,n(n表示特征空间的维度);i=1,2,…,m(m表示种群规模);t表示当前粒子进化代数;r1和r2为分布于[0,1]的随机数;c1和c2为加速常数;表示第i个粒子在特征空间中的第d维的速度;表示第i个粒子在特征空间中的第d维的坐标;表示粒子的个体最优解,表示种群的全局最优解。
(4)更新局部和全局最优解:若粒子的个体最优解更改,则比较更改后的粒子与当前种群最优粒子的适应值。若当前值比种群的最优值更优,则将种群最优更改为当前位置,并记录种群最优粒子的索引,更新局部和全局的c和σ;
(5)更新粒子的速度与位置,同步更新种群中所有粒子的位置与速度;
(6)按照(2)—(5)进行迭代,并记录迭代次数,当次数达到最大迭代次Tmax或者种群收敛时,结束迭代,输出种群全局最优的c和σ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910397960.9A CN110119747A (zh) | 2019-05-14 | 2019-05-14 | 一种基于x射线图像的煤矸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910397960.9A CN110119747A (zh) | 2019-05-14 | 2019-05-14 | 一种基于x射线图像的煤矸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110119747A true CN110119747A (zh) | 2019-08-13 |
Family
ID=67522275
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910397960.9A Pending CN110119747A (zh) | 2019-05-14 | 2019-05-14 | 一种基于x射线图像的煤矸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110119747A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110773454A (zh) * | 2019-11-11 | 2020-02-11 | 安徽理工大学 | 一种基于真双能x射线的智能干法排矸系统 |
CN110826794A (zh) * | 2019-10-31 | 2020-02-21 | 上海电力大学 | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 |
CN112338898A (zh) * | 2020-10-09 | 2021-02-09 | 中国矿业大学(北京) | 物体分选系统的图像处理方法、装置及物体分选系统 |
CN112520376A (zh) * | 2020-11-03 | 2021-03-19 | 安徽理工大学 | 一种高精度煤矸识别系统 |
CN112916407A (zh) * | 2020-04-29 | 2021-06-08 | 江苏旷博智能技术有限公司 | 用于分拣煤和矸石的方法 |
CN113327282A (zh) * | 2021-04-12 | 2021-08-31 | 厦门大学 | 一种办公转椅打孔位置与连接点识别方法 |
CN113458005A (zh) * | 2021-06-11 | 2021-10-01 | 安徽理工大学 | 一种基于纯矿物模拟的煤矸x射线识别系统 |
CN114882215A (zh) * | 2022-04-11 | 2022-08-09 | 安徽理工大学 | 一种煤矸光电分选图像颗粒集料区域形选识别方法 |
CN117036953A (zh) * | 2023-08-21 | 2023-11-10 | 中国科学院自动化研究所 | 一种多特征融合的煤矸识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN104156945A (zh) * | 2014-07-16 | 2014-11-19 | 西安电子科技大学 | 基于多目标粒子群算法的灰度图像分割方法 |
CN108460793A (zh) * | 2018-03-28 | 2018-08-28 | 中国矿业大学(北京) | X射线图像的分形维数确定方法及煤矸的分选方法 |
-
2019
- 2019-05-14 CN CN201910397960.9A patent/CN110119747A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8793200B1 (en) * | 2009-09-22 | 2014-07-29 | Hrl Laboratories, Llc | Method for particle swarm optimization with random walk |
CN104156945A (zh) * | 2014-07-16 | 2014-11-19 | 西安电子科技大学 | 基于多目标粒子群算法的灰度图像分割方法 |
CN108460793A (zh) * | 2018-03-28 | 2018-08-28 | 中国矿业大学(北京) | X射线图像的分形维数确定方法及煤矸的分选方法 |
Non-Patent Citations (1)
Title |
---|
郭永存等: "基于PSO优化NP-FSVM的煤矸光电智能分选技术研究", 《煤炭科学技术》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110826794A (zh) * | 2019-10-31 | 2020-02-21 | 上海电力大学 | 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置 |
CN110773454A (zh) * | 2019-11-11 | 2020-02-11 | 安徽理工大学 | 一种基于真双能x射线的智能干法排矸系统 |
CN112916407A (zh) * | 2020-04-29 | 2021-06-08 | 江苏旷博智能技术有限公司 | 用于分拣煤和矸石的方法 |
CN112338898A (zh) * | 2020-10-09 | 2021-02-09 | 中国矿业大学(北京) | 物体分选系统的图像处理方法、装置及物体分选系统 |
CN112520376A (zh) * | 2020-11-03 | 2021-03-19 | 安徽理工大学 | 一种高精度煤矸识别系统 |
CN113327282A (zh) * | 2021-04-12 | 2021-08-31 | 厦门大学 | 一种办公转椅打孔位置与连接点识别方法 |
CN113458005A (zh) * | 2021-06-11 | 2021-10-01 | 安徽理工大学 | 一种基于纯矿物模拟的煤矸x射线识别系统 |
CN114882215A (zh) * | 2022-04-11 | 2022-08-09 | 安徽理工大学 | 一种煤矸光电分选图像颗粒集料区域形选识别方法 |
CN117036953A (zh) * | 2023-08-21 | 2023-11-10 | 中国科学院自动化研究所 | 一种多特征融合的煤矸识别方法 |
CN117036953B (zh) * | 2023-08-21 | 2024-02-13 | 中国科学院自动化研究所 | 一种多特征融合的煤矸识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110119747A (zh) | 一种基于x射线图像的煤矸识别方法 | |
CN110378799B (zh) | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 | |
CN101271572B (zh) | 基于免疫克隆选择聚类的图像分割方法 | |
CN109902953B (zh) | 一种基于自适应粒子群聚类的电力用户分类方法 | |
CN103226741B (zh) | 城市供水管网爆管预测方法 | |
CN111127499A (zh) | 一种基于语义轮廓信息的安检图像刀具检测分割方法 | |
CN105678332A (zh) | 火焰图像cnn识别建模的转炉炼钢终点判断方法及系统 | |
CN107506862B (zh) | 一种基于物联网的磨矿粒度在线实时预测系统及方法 | |
CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
CN110738271B (zh) | 一种锌浮选过程精矿品位预测方法 | |
CN103617147A (zh) | 一种矿井突水水源层识别方法 | |
CN107992945B (zh) | 基于深度学习和进化计算的特征基因选择方法 | |
CN110287985B (zh) | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
CN110659682A (zh) | 一种基于MCWD-KSMOTE-AdaBoost-DenseNet算法的数据分类方法 | |
CN115953666B (zh) | 一种基于改进Mask-RCNN的变电站现场进度识别方法 | |
Wang et al. | Features Extraction of Flotation Froth Images and BP Neural Network Soft‐Sensor Model of Concentrate Grade Optimized by Shuffled Cuckoo Searching Algorithm | |
CN110728329B (zh) | 一种基于反馈补偿机制优化的锌浮选过程精矿品位预测方法 | |
CN106326914B (zh) | 一种基于svm的珍珠多分类方法 | |
CN104537383A (zh) | 一种基于粒子群的海量组织机构数据分类方法及系统 | |
CN110689059A (zh) | 一种垃圾自动分拣的方法 | |
CN112819087A (zh) | 一种基于模块化神经网络的出水bod传感器异常检测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN108154089A (zh) | 一种基于尺度自适应的头部检测和密度图的人群计数方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190813 |