CN110310286B - 基于泡沫图像多特征的分层工况感知判别方法 - Google Patents
基于泡沫图像多特征的分层工况感知判别方法 Download PDFInfo
- Publication number
- CN110310286B CN110310286B CN201910586978.3A CN201910586978A CN110310286B CN 110310286 B CN110310286 B CN 110310286B CN 201910586978 A CN201910586978 A CN 201910586978A CN 110310286 B CN110310286 B CN 110310286B
- Authority
- CN
- China
- Prior art keywords
- working condition
- foam
- fuzzy
- zone
- layer
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Abstract
本发明公开了一种基于泡沫图像多特征的分层工况感知判别方法,其特征在于本发明针对其工况识别的小概率事件即落点在交界上,考虑到交界左右的区间的工况模糊性,采用分层工况识别,对于区间内部的工况确定地带进行一个基于模糊数学评判方法的快速的粗分类,而对于模糊地带采用分类更为细致且准确的卷积神经网络的特征提取,可以学习到不大容易被注意到的深度特征,从而对工况进行一个精确的工况识别分类。基于此,使用分层控制,通过模糊数学算法针对区间内部地点,无争议地带。通过使用深度学习,针对概率分析可得到工况交界点的模糊地带最小距离,进行细分类的标准使结果更为准确。
Description
技术领域
本发明涉及泡沫浮选工艺技术领域,特别是涉及对于浮选过程中工况的判别方法。
背景技术
在泡沫浮选工艺中,在对锌浮选粗选槽出槽工况品位值的所属区间进行判定时,这些区间对应着一系列相接近的工况,当品位值变化较小的时候,从泡沫图像采集到的相关的物理特征值之间的区别很小,很难做出工况类别判断,甚至存在误分类的情况出现。
对于工况区间交接点或者区间交接点周围的一定范围内,工况所属类别存在争议,尤其是在交界点左右偏移的一定范围内,此时工况所对应的泡沫图像采集到的特征值存在很细微的差别,导致工况类别判别错误,而这种差别,一般会被人为忽视,若是对这类工况都采取忽略态度,那么对最后的品位值与回收率的控制将会产生较大的影响。或有人注意到了这类问题,但是由于没有有效解决此类分类模糊或者分类错误的情况的方法,而选择忽视。与此同时,本发明测量的是锌浮选粗选槽的出矿品位值,为后面的加药量进行一个有效指导,这期间是存在时间限制的,用时过长,容易错过药剂调整的时间。总而言之,受到种种限制,以致于大家选择忽视这类特殊的工况。
发明内容
本发明提供了一种基于泡沫图像分层工况感知方法。针对对象处于工况区间的交点或者处于工况的交界边缘时,工况类别判断存在一定的错误概率,其中存在误分类的可能。
本发明所采用的技术方案是:采用粗、细分层的方法来进行实时工况判别。具体步骤如下:
A.对锌浮选粗选槽的泡沫图像的物理特征进行提取,物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速,用来表征浮选工况;通过对k个锌浮选泡沫图像P1,P2…Pk进行特征提取,泡沫尺寸特征通过图像分割得到具体数据集C1=(C11…C1k),对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行计算得到具体数据集分别为C2=(C21…C2k)、C3=(C31…C3k)、C4=(C41…C4k),泡沫流速通过对相邻两帧的图像进行特征点标记,进行相对应速度计算得到最后的数据集C5=(C51…C5k);
B.通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行可信任度分配,通过改进的多种群自适应遗传算法,考虑到各个特征的重要度不同,各个特征所对应的权值分别为d1、d2、d3、d4、d5,采用的以下适应度函数,即目标函数:
其中(C10…C50)为目标函数的解,计算得到整体最优解u′=(C′1,C′2,C′3,C′4,C′5),通过实时输入的泡沫图像提取特征值u=(C11,C12,C13,C14,C15,);与最优解u′进行差量计算,求和,得到模糊指数α,根据模糊指数α用来判别四个工况类别,分别用y1,y2,y3,y4表示;
C.判断是否需要进行第二层细分类:
a.定义一个最小工况模糊距离γ,即工况区界相接点坐标轴左右的一个最小距离偏移量,在中间相接点边界b处,存在有不确定段[b-γ,b]和[b,b+γ],两个区间的值有可能属于前一区间[a,b],也有可能属于后一区间[b,c],这两个不确定区间定义为工况模糊地带,落在此区间带需进一步确定其具体工况;判断第一层的工况结果,是否属于模糊区域,若属于,则判定此时工况为不确定,再采用进一步的第二层工况细分类,即实施D步骤;若不属于,直接判定此时的工况类别为第一层工况分类的类别结果,直接输出最终工况类别;
D.基于卷积神经网络及随机森林的浮选工况第二层细分类:
a.采用卷积神经网络对n个泡沫图像进行特征提取,获取深度特征,进行训练,将RGB泡沫图像直接作为输入,为了防止过拟合,采用ReLU层,采用的具体函数如下:
其中x表示的是前一层的特征输出;
b.当前状态落于模糊地带时,进行第二层细分类,实时输入泡沫RGB图像,通过卷积神经网络的识别,通过两个全连接层降维,得到最后的唯一输出y,之后采用随机森林进行工况的准确判别,此时输出的工况类别即为最终工况类别。
所述的γ范围为[0.6,0.7]。
所述的泡沫图像的维度为3×256。
所述的四个工况类别,y1,y2,y3,y4类别分别为[42,46],[46,50],[50,54],[54,58])。
所采用的神经网络结构为:1个输入层,2个池化层,2个卷积层,2个全连接层。
所述的d1=0.3、d2=0.2、d3=0.1、d4=0.2、d5=0.2。
与现有技术相比,本发明的有益效果是第一层能保证系统地及时性,针对区间中间部分,没有争议的工况点进行模糊控制能有效快速的进行工况判别,对于落在工况区界交界处的点所对应的特征区别较小,判断需要更为仔细,为了解决在区间交界处或者其周围的工况模糊性问题,通过系统地进行工况分类的分层控制,达到最后快速性和准确性的双重优点。通过及时与准确的工况类别判断,对后续的操作提供了有力的指导,仅仅通过过实时的泡沫图像,来达到判别工况类别的目的,对浮选系统的参数进行调整,达到高效快速生产,有效提高了企业的经济效益。
附图说明
图1为工况区间具体说明图;
图2为基于泡沫图像多特征的分层工况感知判别方法整体流程图。
具体实施方式
下面结合附图对本发明进一步说明。
A.对锌浮选粗选槽的泡沫图像的物理特征进行提取,物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速,用来表征浮选工况;
a.第一层基于模糊数学的粗分类时,采用综合多种物理特征,其中包括泡沫尺寸、纹理特征(包括对比度、熵值、相关系数)、动态特征(泡沫流速),来表征浮选工况。通过对k个锌浮选泡沫图像P1,P2…Pk进行特征提取,泡沫尺寸特征通过图像分割得到具体数据集C1=(C11…C1k),对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行相对应的计算得到具体数据集分别为C2=(C21…C2k)、C3=(C31…C3k)、C4=(C41…C4k),泡沫流速通过对相邻两帧的图像进行特征点标记,进行相对应速度计算得到最后的数据集C5=(C51…C5k)。
B.粗分类时,通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行可信任度分配,计算得出各个特征所对应的权值d1=0.3、d2=0.2、d3=0.1、d4=0.2、d5=0.2,通过改进的多种群自适应遗传算法(MPGA),其中考虑到各个特征的重要度不同,所采用的适应度函数为:
计算得到整体最优解u′=(C′1,C′2,C′3,C′4,C′5)。通过实时的输入的泡沫图像提取以上特征值u=(C11,C12,C13,C14,C15,),与各个特征值得最优解u′进行差量计算,求和,得到最终值(即为模糊指数)α,用来判别最后的工况类别y1,y2,y3,y4(将其浮选工况类别进行分为四个相邻的品位值区间类别分别为[42,46],[46,50],[50,54],[54,58])。
C.是否需要进一步工况判断的条件,即是否需要进行第二层细分类:
a.定义一个最小工况模糊距离γ,考虑到品位值区间精度,γ=0.6,即工况区界相接点坐标轴左右的一个最小距离偏移量。如图1中,落在区间[a,b]中的任何一个点属于同一个工况,但是在边界b处,存在有争议段,[b-γ,b]和[b,b+γ]。有可能属于前一区间,也有可能属于后一区间[b,c]。此时这两个存疑区间则定义为工况模糊地带,落在此地带都需进一步确定其具体工况。而区间内部[a+γ,b-γ],则定义为安全地带,不存在任何争议。判断此时第一层的工况结果,是否属于模糊区域,若属于,则判定此时工况为不确定,再采用进一步的工况细分类,即实施E步骤。若不属于,直接判定此时的工况类别为第一层工况分类的类别结果,直接输出最终工况类别。
E.基于卷积神经网络及随机森林的浮选工况第二层细分类:
a.基于神经网络的细分类时,采用卷积神经网络对n个泡沫图像进行特征提取,获取深度特征。进行训练,将RGB泡沫图像直接作为输入,维度为3×256,其中采用的神经网络结构有:1个输入层,2个池化层,2个卷积层,2个全连接层,为了防止过拟合,采用ReLU(Rectified Linear Unit)层,所采用的具体函数如下:
其中x表示的是前一层的特征输出。
b.当前状态落于模糊地带时,进行第二层细分类,实时输入泡沫RGB图像,维度为3×256,通过卷积神经网络的识别,通过两个全连接层降维,得到最后的唯一输出y,之后采用随机森林进行工况的准确判别,此时输出的工况类别即为最终工况类别。
Claims (6)
1.一种基于泡沫图像多特征的分层工况感知判别方法,其特征在于包括以下步骤:
A.对锌浮选粗选槽的泡沫图像的物理特征进行提取,物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速,用来表征浮选工况;通过对k个锌浮选泡沫图像进行特征提取,泡沫尺寸特征通过图像分割得到具体数据集,对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行计算得到具体数据集分别为,泡沫流速通过对相邻两帧的图像进行特征点标记,进行相对应速度计算得到最后的数据集;
C.判断是否需要进行第二层细分类:
a.定义一个最小工况模糊距离g,即工况区间相接点坐标轴左右的一个最小距离偏移量,在中间相接点边界b处,存在有不确定段[b-g,b]和[b,b+g],两个区间的值有可能属于前一区间[a,b],也有可能属于后一区间[b,c],这两个不确定区间定义为工况模糊地带,落在此区间带需进一步确定其具体工况;判断第一层的工况结果,是否属于模糊区域,若属于,则判定此时工况为不确定,再采用进一步的第二层工况细分类,即实施D步骤;若不属于,直接判定此时的工况类别为第一层工况分类的类别结果,直接输出最终工况类别;
D.基于卷积神经网络及随机森林的浮选工况第二层细分类:
a.采用卷积神经网络对n个泡沫图像进行特征提取,获取深度特征,进行训练,将RGB泡沫图像直接作为输入,为了防止过拟合,采用ReLU层,采用的具体函数如下:
其中x表示的是前一层的特征输出;
b.当前状态落于模糊地带时,进行第二层细分类,实时输入泡沫RGB图像,通过卷积神经网络的识别,通过两个全连接层降维,得到最后的唯一输出y,之后采用随机森林进行工况的准确判别,此时输出的工况类别即为最终工况类别。
2.如权利要求1所述的基于泡沫图像多特征的分层工况感知判别方法,其特征在于:所述的g范围为[0.6,0.7]。
3.如权利要求1所述的基于泡沫图像多特征的分层工况感知判别方法,其特征在于:所述的泡沫图像的维度为3×256。
5.如权利要求1所述的基于泡沫图像多特征的分层工况感知判别方法,其特征在于:采用的神经网络结构为:1个输入层,2个池化层,2个卷积层,2个全连接层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910586978.3A CN110310286B (zh) | 2019-07-02 | 2019-07-02 | 基于泡沫图像多特征的分层工况感知判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910586978.3A CN110310286B (zh) | 2019-07-02 | 2019-07-02 | 基于泡沫图像多特征的分层工况感知判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110310286A CN110310286A (zh) | 2019-10-08 |
CN110310286B true CN110310286B (zh) | 2022-04-22 |
Family
ID=68078832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910586978.3A Active CN110310286B (zh) | 2019-07-02 | 2019-07-02 | 基于泡沫图像多特征的分层工况感知判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110310286B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709942B (zh) * | 2020-06-29 | 2022-04-12 | 中南大学 | 一种基于纹理度优化的锌浮选加药量预测控制方法 |
CN113643298B (zh) * | 2021-10-18 | 2021-12-21 | 矿冶科技集团有限公司 | 工况诊断方法、装置、电子设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
CN104331714A (zh) * | 2014-11-28 | 2015-02-04 | 福州大学 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
CN108647722A (zh) * | 2018-05-11 | 2018-10-12 | 中南大学 | 一种基于过程尺寸特征的锌矿品位软测量方法 |
CN109671124A (zh) * | 2018-12-27 | 2019-04-23 | 湖南师范大学 | 一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统 |
-
2019
- 2019-07-02 CN CN201910586978.3A patent/CN110310286B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103839057A (zh) * | 2014-03-28 | 2014-06-04 | 中南大学 | 一种锑浮选工况识别方法及系统 |
CN104331714A (zh) * | 2014-11-28 | 2015-02-04 | 福州大学 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
CN108647722A (zh) * | 2018-05-11 | 2018-10-12 | 中南大学 | 一种基于过程尺寸特征的锌矿品位软测量方法 |
CN109671124A (zh) * | 2018-12-27 | 2019-04-23 | 湖南师范大学 | 一种矿物浮选泡沫图像颜色校正方法及泡沫颜色检测系统 |
Non-Patent Citations (2)
Title |
---|
A watershed segmentation algorithm based on an optimal marker for bubble size measurement;Hu Zhang等;《Measurement》;20190205;182–193 * |
基于泡沫图像特征和物元可拓模型的锑浮选工况识别;唐朝晖等;《控制与决策》;20150831;1485-1490 * |
Also Published As
Publication number | Publication date |
---|---|
CN110310286A (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN101216998B (zh) | 基于模糊粗糙集的证据理论城市交通流信息融合方法 | |
CN116205919B (zh) | 基于人工智能的五金零件生产质量检测方法及系统 | |
CN111310850B (zh) | 车牌检测模型的构建方法及系统、车牌检测方法及系统 | |
CN110472479B (zh) | 一种基于surf特征点提取和局部lbp编码的指静脉识别方法 | |
CN111242202B (zh) | 基于度量学习的车削加工刀具磨损状态监测方法 | |
CN110245850B (zh) | 一种考虑时序的烧结过程工况识别方法及系统 | |
CN100418469C (zh) | 基于舌象特征的病证计算机分析系统 | |
CN107437243A (zh) | 基于x光图像的轮胎杂质检测方法及装置 | |
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 | |
CN101403676A (zh) | 基于d-s证据理论的绝缘子憎水性等级融合判决方法 | |
CN110310286B (zh) | 基于泡沫图像多特征的分层工况感知判别方法 | |
CN110543906B (zh) | 基于Mask R-CNN模型的肤质自动识别方法 | |
CN103839033A (zh) | 一种基于模糊规则的人脸识别方法 | |
CN111046926B (zh) | 一种计算机视觉图像分类集成学习方法 | |
CN113221956B (zh) | 基于改进的多尺度深度模型的目标识别方法及装置 | |
CN114694178A (zh) | 基于Faster-RCNN算法的电力作业中安全帽监测方法及系统 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN112861871A (zh) | 一种基于目标边界定位的红外目标检测方法 | |
CN116823047A (zh) | 基于蒙特卡洛-可变模糊集的湖泊富营养化评价方法 | |
CN116452873A (zh) | 一种基于多维特征分析的气孔与低密度夹杂分类方法 | |
CN111695582A (zh) | 一种颤振纹理的检测方法及其装置 | |
CN115690401A (zh) | 一种融合ciou自适应样本分配的改进旋转框目标检测方法 | |
CN115294556A (zh) | 基于改进YOLOv5的密闭振动筛上异常流态流体检测方法 | |
Rehman | An ensemble of neural networks for nonlinear segmentation of overlapped cursive script |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |