CN113033620B - 一种基于随机森林的多信息融合回转窑产品质量分类识别方法 - Google Patents
一种基于随机森林的多信息融合回转窑产品质量分类识别方法 Download PDFInfo
- Publication number
- CN113033620B CN113033620B CN202110240838.8A CN202110240838A CN113033620B CN 113033620 B CN113033620 B CN 113033620B CN 202110240838 A CN202110240838 A CN 202110240838A CN 113033620 B CN113033620 B CN 113033620B
- Authority
- CN
- China
- Prior art keywords
- data
- tree
- classification
- rotary kiln
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000013145 classification model Methods 0.000 claims abstract description 5
- 238000003066 decision tree Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 10
- 238000005245 sintering Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010304 firing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 abstract description 31
- 239000012467 final product Substances 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明针对回转窑产品质量分类模型仅仅对单一或者几个关键过程参数的识别优化导致整体模型的分类结果准确率与容错率低的问题,通过随机森林(Random Forest,简称RF)算法来对产品质量的各种状态级别进行分类识别,从而可以达到生产过程中对最终产品的质量进行预测。通过改进的卷积神经网络模型LeNet‑5对回转窑烧成带火焰进行图像特征提取,并将提取的特征分类结果与窑头温度、烧成带温度、窑尾温度、窑尾负压为数据集作为RF的输入,将回转窑产品质量划分为5个等级,最后通过RF对产品质量进行识别。本发明不仅可以有效的提高识别模型的鲁棒性和回转窑产品质量分类结果准确率,同时实现了人机物多信息融合的网络信息融合。
Description
技术领域
本发明属于回转窑火焰图像认知技术领域和多信息融合技术,具体涉及一种基于随机森林的多信息融合回转窑产品质量分类识别方法。
背景技术
回转窑广泛应用于水泥、冶金等领域。回转窑是具有大惯性,具有时变参数和大滞后的控制对象,导致现有的回转窑烧结过程仍由有经验的工人通过窑头火孔直接观测窑内火焰情况或者通过电视间接看火判断工况。一般来说,人眼对窑内烟雾粉尘等干扰量辨识度极低,且受主观情绪影响较大,容易忽略一些异常点和波动点,易造成熟料质量指标不稳定、窑运转率低、产能低、能耗高、人工劳动强度大等问题。
研究表明,火焰图像的颜色、形状等和温度有着密切的关系。烧成带图像蕴含丰富的火焰信息,通过深度学习等智能技术对窑内火焰图像特征进行提取分析,识别回转窑内的工况,是目前主要的研究方向。目前,无论在学术论文还是实际应用的工程方法上,对回转窑产品质量分类识别方法做出深层次的研究和实践,如发明专利申请《基于火焰图像结构相似性的回转窑烧成状态识别方法》(CN105740866A)等。
热电偶或红外线测量法是回转窑内测量温度的主要方法。复杂的窑内环境会对热电偶造成污染且非接触的红外线极容易受到窑内灰尘、烟雾的干扰,且一般测量的都是窑体表面的温度,误差较大。
回转窑关键位置温度与回转窑图像识别分类结果与产品质量实际分类仍有一定的误差,因此,如何通过数据融合技术使有效数据利用率最大以及回转窑产品质量分类最准是控制系统领域技术人员目前需要考虑的技术问题。
发明内容
本发明提出一种基于随机森林的多信息融合回转窑产品质量分类识别方法,以期能够将图像分类识别技术与关键位置的温度进行多信息融合,有效的提高模型的鲁棒性和回转窑产品质量分类结果准确率,同时实现了人机物多信息融合的网络信息识别系统。本发明分两个阶段,实现如下:
阶段一:设计基于改进卷积神经网络LeNet-5分类模型,过程如下:
步骤1、获取回转窑火焰图像,通过机器视觉实验平台在某工业回转窑现场进行RGB图像采集,按照烧成带的状态分为正烧结、过烧结、欠烧结三类,数据集分训练集和测试集;
步骤2、有效特征提取
步骤2.1、对图像数据进行归一化处理;
步骤2.2、对数据集进行数据增强;
步骤2.3、图像预处理包括图像通道分离处理、高斯滤波降噪、图像分量合并处理3个部分,将RGB彩色图像分量化转化为R、G、B三通道并分别进行高斯滤波处理后再合并回RGB彩色图像;高斯滤波的计算方法为:
式中x,y为像素点,σ是标准差,G(x,y)是经高斯滤波处理后的数据;
步骤3、卷积神经网络LeNet-5模型改进
步骤3.1、激活函数采用ReLu函数来代替Sigmoid函数;
步骤3.2、损失函数为交叉熵损失函数并设置学习率;
步骤3.3、在每次更新参数时使用Dropout技术在训练过程中对神经元进行一定比率的随机断开;
步骤3.4、将卷积神经网络两种池化方法合二为一,形成均值-最大池化方法;
步骤4、确定训练次数并通过测试集进行数据测试,使LeNet-5模型识别准确率趋于稳定,交叉熵损失趋于稳定。
阶段二为本发明重要的阶段,采用随机森林的多信息融合进行回转窑产品质量分类,具体算法实现如下:
步骤1、通过阶段1获取基于图像回转窑产品质量分类结果;
步骤2、窑头温度、烧成带温度、窑尾温度以及窑尾负压四种关键过程数据的采样、滤波及归一化;
步骤3、数据特征同步序列化
步骤3.1、对所述不同的烧成带图像特征提取过程和关键过程数据采集在时间上进行特征同步序列化,关键过程数据具有不同的滞后时间Γi(i=1,2,3,4)和检测时间Ti(i=1,2,3,4),烧成带图像特征提取时间为Te,则设定的同步周期时间为Ts>max{Te,Ti+Γi};
步骤3.2、两部分在同一周期内进行,得到的信息进行融合;
步骤4、本发明采用算术平均滤波方法来对关键过程数据进行滤波,步骤如下:
在某一时刻t,根据数据形式选取不同采样次数N。
计算采样数据x(k)的滤波值y(t):
算术平均滤波的到的数据,通过Mapminmax函数来对数据进行归一化处理;由下式得出:
式中xmin为数据x内的最小值,xmax为数据x内的最大值,x*为归一化后的数据;
步骤5、随机森林模型训练调参
步骤5.1、确定决策树的数量ntree。随着决策树的数量增加,分类错误率EOOB总体呈现下降趋势,当ntree>13时,分类错误率EOOB趋于平稳,低至0.3%左右。通过网络搜索方法(GridSearchCV)确定ntree使获得的分数最高;
步骤5.2、确定最优特征数目mtree。由于产品质量总共分为五类,则可以通过遍历法来确定最优特征数目。当最优特征数目为mtree时,模型平均误差达到最小。通过网络搜索方法(GridSearchCV)确定mtree使获得的分数最高。
步骤5.3、通过网络搜索方法确定最大深度max_depth使获得分数最高;
步骤5.4、通过网络搜索方法确定叶子节点最小样本数min_samples_leaf使获得分数最高;
步骤5.5、通过网络搜索方法确定叶子中间节点最小分裂样本数min_samples_split使获得分数最高;
步骤6、按随机森林思想,确定基于多信息融合的回转窑产品质量分类步骤
步骤6.1、以烧成带图像特征提取结果、窑头温度、烧成带温度、窑尾温度、窑尾负压作为特征,将产品质量划分为5个级别。并以此建立样本集X{x1,x2,x3,x4,x5,yi},其中x1~x5为5项特征,yi(i=1,2,Λ5)为目标分类级别,即产品质量划分;
步骤6.2、利用Bootstraping法对训练集X进行随机有放回地抽取,得到k个训练子集;
步骤6.3、根据选择的k个训练子集中的数据特点确定决策树的数目ntree和最优特征数目mtree(mtree≤5);
步骤6.4、用遍历法按照公式(4)使平均误差率Eave最小以及网络搜索(GridSearchCV)方法来共同来确定最优特征数目mtree:
mtree=min{Eave} (4)
通过模型袋外数据分类错误率EOOB的稳定程度以及网络搜索(GridSearchCV)方法来共同确定决策树的数量ntree。EOOB的计算方法如下:假设带外样本总数为A,将这A个样本带入先前生成的随机森林分类器,有A个输出结果,计算其中错误分类的数目为B,则公式如下所示:
步骤6.5、在决策树生长过程中的每次节点分裂时,都采用从最优特征数目mtree个特征中按Gini系数最小原则选择最优特征进行分支生长。始终按照这样的方式来生成余下的决策树,且在生长过程中不进行剪枝处理。
步骤6.6、当随机森林模型建立后,输入测试数据集让每棵决策树对其进行测试,得到各自的分类标识。
步骤6.7、随机森林模型对全部决策树获得的分类结果,采用投票地方式来确定最终烧成带级别。投票公式如下所示:
上式中H(x)是组合分类结果;x为待测数据;hi(x)表示第i颗决策树模型;k是决策树的总数;yi为目标分类;I(·)为示性函数。
与已有技术相比,本发明的有益效果体现在:
1.本发明针对回转窑产品质量分类模型仅仅对单一或者几个关键过程参数的优化导致整体模型的分类结果准确率与容错率低的问题,通过随机森林算法将图像分类信息与关键过程数据信息融合来对产品质量的各种状态级别进行分类识别,从而可以达到任意次生产过程中对最终产品的质量进行预测,提高产品分类的容错性。
2.本发明不仅可以有效的提高模型的鲁棒性和回转窑产品质量分类结果准确率,同时实现了人机物多信息融合的网络信息控制系统。
附图说明
图1是本发明的系统流程图
具体实施方式
为进一步解释本发明的技术方案,下面将结合附图对本发明的技术方案进行清楚、完整的描述。显然所描述的实施例仅是本发明实施例的一部分,基于本发明的实施例,本领域的技术人员在没有做出创造性劳动的前提下获得的其它实施例,都属于本专利的保护范围。
本发明的实施例提供了一种基于随机森林的多信息融合回转窑产品质量分类识别方法,以解决现有技术有效信息利用率低,分类器鲁棒性不强和识别率不高的问题。具体的说,步骤如下:
阶段一:设计基于改进卷积神经网络LeNet-5分类模型,过程如下:
步骤1、获取回转窑火焰图像,通过机器视觉实验平台在某工业回转窑现场进行RGB图像采集,按照烧成带的状态分为正烧结、过烧结、欠烧结三类,数据集分训练集和测试集;本实施例中,数据集中70%为训练样本,30%为测试样本;
步骤2、有效特征提取;
步骤2.1、对图像数据进行归一化处理;
步骤2.2、在实施例中,采用垂直对称,随机裁剪和彩色转换3种方法来对数据集进行数据增强;
步骤2.3、图像预处理包括图像通道分离处理、高斯滤波降噪、图像分量合并处理3个部分,将RGB彩色图像分量化转化为R、G、B三通道并分别进行高斯滤波处理后再合并回RGB彩色图像;高斯滤波的计算方法为:
式中x,y为像素点,σ是标准差,G(x,y)是经高斯滤波处理后的数据;
步骤3、卷积神经网络LeNet-5模型改进
步骤3.1、激活函数采用ReLu函数来代替Sigmoid函数;
步骤3.2、损失函数为交叉熵损失函数并设置学习率;在实施例中,学习率为0.01;
步骤3.3、在每次更新参数时使用Dropout技术在训练过程中对神经元进行一定比率的随机断开;在实施例中,Dropout设为0.5;
步骤3.4、将卷积神经网络两种池化方法合二为一,形成均值-最大池化方法;
步骤4、确定训练次数并通过测试集进行数据测试,使LeNet-5模型识别准确率趋于稳定,交叉熵损失趋于稳定;在实施例中,训练次数=400;
阶段二,采用随机森林的多信息融合进行回转窑产品质量分类,具体算法实现如下:
步骤1、通过阶段1获取回转窑产品质量分类结果;
步骤2、窑头温度、烧成带温度、窑尾温度以及窑尾负压四种关键过程数据的采样、滤波及归一化;
步骤3、数据特征同步序列化
步骤3.1、对所述不同的烧成带图像特征提取过程和关键过程数据采集在时间上进行特征同步序列化,关键过程数据具有不同的滞后时间Γi(i=1,2,3,4)和检测时间Ti(i=1,2,3,4),烧成带图像特征提取时间为Te,则设定的同步周期时间为Ts>max{Te,Ti+Γi};在实施例中,设定的同步周期Ts为2小时;
步骤3.2、两部分在同一周期内进行,得到的信息进行融合;
步骤4、本发明采用算术平均滤波方法来对关键过程数据进行滤波,步骤如下:
在某一时刻t,根据数据形式选取不同采样次数N;在实施例中,选取N=2;
计算采样数据x(k)的滤波值y(t):
算术平均滤波的到的数据,通过Mapminmax函数来对数据进行归一化处理;由下式得出:
式中xmin为数据x内的最小值,xmax为数据x内的最大值,x*为归一化后的数据;
步骤5、随机森林模型训练调参
步骤5.1、确定决策树的数量ntree。随着决策树的数量增加,模型袋外数据分类错误率EOOB总体呈现下降趋势,当ntree>13时,EOOB趋于平稳,低至0.3%左右。通过网络搜索方法(GridSearchCV)确定ntree使获得的分数最高;在实施例中,最终选取ntree=14;
步骤5.2、确定最优特征数目mtree。由于产品质量总共分为五类,则可以通过遍历法来确定最优特征数目。当最优特征数目为mtree时,模型平均误差达到最小。通过网络搜索方法(GridSearchCV)确定mtree使获得的分数最高;在实施例中最终选取mtree=2;
步骤5.3、通过网络搜索方法确定最大深度max_depth使获得分数最高;在实施例中,选择最大深度为max_depth=6;
步骤5.4、通过网络搜索方法确定叶子节点最小样本数min_samples_leaf使获得分数最高;在实施例中,选择最大深度为min_samples_leaf=3;
步骤5.5、通过网络搜索方法确定叶子中间节点最小分裂样本数min_samples_split使获得分数最高;在实施例中,选择最大深度为min_samples_split=3;
步骤6、按随机森林思想,确定基于多信息融合的回转窑产品质量分类步骤
步骤6.1、以烧成带图像特征提取结果、窑头温度、烧成带温度、窑尾温度、窑尾负压作为特征,将产品质量划分为5个级别。并以此建立样本集X{x1,x2,x3,x4,x5,yi},其中x1~x5为5项特征,yi(i=1,2,Λ5)为目标分类级别,即产品质量划分;
步骤6.2、利用Bootstraping法对训练集X进行随机有放回地抽取,得到k个训练子集;在实施例中,k=5;
步骤6.3、根据选择的k个训练子集中的数据特点确定决策树的数目ntree和最优特征数目mtree(mtree≤5);
步骤6.4、用遍历法按照公式(4)使平均误差率Eave最小以及网络搜索(GridSearchCV)方法来共同来确定最优特征数目mtree:
mtree=min{Eave} (10)
通过模型袋外数据分类错误率EOOB的稳定程度以及网络搜索(GridSearchCV)方法来共同确定决策树的数量ntree。EOOB的计算方法如下:假设带外样本总数为A,将这A个样本带入先前生成的随机森林分类器,有A个输出结果,计算其中错误分类的数目为B,则公式如下所示:
步骤6.5、在决策树生长过程中的每次节点分裂时,都采用从最优特征数目mtree个特征中按Gini系数最小原则选择最优特征进行分支生长。始终按照这样的方式来生成余下的决策树,且在生长过程中不进行剪枝处理。
步骤6.6、当随机森林模型建立后,输入测试数据集让每棵决策树对其进行测试,得到各自的分类标识。
步骤6.7、随机森林模型对全部决策树获得的分类结果,采用投票地方式来确定最终烧成带级别。投票公式如下所示:
上式中H(x)是组合分类结果;x为待测数据;hi(x)表示第i颗决策树模型;k是决策树的总数;yi为目标分类;I(·)为示性函数。
上述的仿反馈认知过程是本发明的一个具体实施过程,通过随机森林算法来对产品质量的各种状态级别进行分类识别,从而可以达到任意次生产过程中对最终产品的质量进行预测。并通过改进的卷积神经网络模型LeNet-5对回转窑烧成带火焰进行图像特征提取,并将提取的特征分类结果与窑头温度、烧成带温度、窑尾温度、窑尾负压为数据集作为随机森林模型的输入,将回转窑产品质量划分为5个等级。本发明不仅可以有效的提高模型的鲁棒性和回转窑产品质量分类结果准确率,同时实现了人机物多信息融合的网络信息融合。
Claims (1)
1.一种基于随机森林的多信息融合回转窑产品质量分类识别方法,以期能够将图像分类识别技术与关键位置的温度进行多信息融合,有效的提高模型的鲁棒性和回转窑产品质量分类结果准确率,同时实现了人机物多信息融合的网络信息控制系统;分两个阶段,实现如下:
阶段一:设计基于改进卷积神经网络LeNet-5分类模型,过程如下:
步骤1、获取回转窑火焰图像,通过机器视觉实验平台在某工业回转窑现场进行RGB图像采集,按照烧成带的状态分为正烧结、过烧结、欠烧结三类,数据集分训练集和测试集;
步骤2、有效特征提取;
步骤2.1、对图像数据进行归一化处理;
步骤2.2、对数据集进行数据增强;
步骤2.3、图像预处理包括图像通道分离处理、高斯滤波降噪、图像分量合并处理3个部分,将RGB彩色图像分量化转化为R、G、B三通道并分别进行高斯滤波处理后再合并回RGB彩色图像;高斯滤波的计算方法为:
式中x’,y’为像素点,σ是标准差,G(x’,y’)是经高斯滤波处理后的数据;
步骤3、卷积神经网络LeNet-5模型改进
步骤3.1、激活函数采用ReLu函数来代替Sigmoid函数;
步骤3.2、损失函数为交叉熵损失函数并设置学习率;
步骤3.3、在每次更新参数时使用Dropout技术在训练过程中对神经元进行一定比率的随机断开;
步骤3.4、将卷积神经网络两种池化方法合二为一,形成均值-最大池化方法;
步骤4、确定训练次数并通过测试集进行数据测试,使LeNet-5模型识别准确率趋于稳定,交叉熵损失趋于稳定;
阶段二、采用随机森林的多信息融合进行回转窑产品质量分类,具体算法实现如下:
步骤1、通过阶段1获取回转窑产品基于图像的质量分类结果;
步骤2、窑头温度、烧成带温度、窑尾温度以及窑尾负压四种关键过程数据的采样、滤波及归一化;
步骤3、数据特征同步序列化
步骤3.1、对不同的烧成带图像特征提取过程和关键过程数据采集在时间上进行特征同步序列化,关键过程数据具有不同的滞后时间Γi,i=1,2,3,4,和检测时间Ti,i=1,2,3,4,烧成带图像特征提取时间为Te,则设定的同步周期时间为Ts>max{Te,Ti+Γi};
步骤3.2、两部分在同一周期内进行,得到的信息进行融合;
步骤4、采用算术平均滤波方法来对关键过程数据进行滤波,步骤如下:
在某一时刻t,根据数据形式选取不同采样次数N;
计算采样数据x(k)的滤波值y(t):
算术平均滤波得到的数据x”,通过Mapminmax函数来对数据进行归一化处理;由下式得出:
式中x”min为数据x内的最小值,x”max为数据x”内的最大值,x”*为归一化后的数据;
步骤5、随机森林模型训练调参
步骤5.1、确定决策树的数量ntree;随着决策树的数量增加,模型袋外数据分类错误率EOOB总体呈现下降趋势,当ntree>13时,分类错误率EOOB趋于平稳,低至0.3%;通过网络搜索方法GridSearchCV确定ntree使获得的分数最高;
步骤5.2、确定最优特征数目mtree;由于产品质量总共分为五类,则通过遍历法来确定最优特征数目;当最优特征数目为mtree时,模型平均误差达到最小;通过网络搜索方法GridSearchCV确定mtree使获得的分数最高;
步骤5.3、通过网络搜索方法确定最大深度max_depth使获得分数最高;
步骤5.4、通过网络搜索方法确定叶子节点最小样本数min_samples_leaf使获得分数最高;
步骤5.5、通过网络搜索方法确定叶子中间节点最小分裂样本数min_samples_split使获得分数最高;
步骤6、按随机森林思想,确定基于多信息融合的回转窑产品质量分类步骤
步骤6.1、以烧成带图像特征提取结果、窑头温度、烧成带温度、窑尾温度、窑尾负压作为特征,将产品质量划分为5个级别;并以此建立样本集X{x1,x2,x3,x4,x5,yi},其中x1~x5为5项特征,yi,i=1,2,…5为目标分类级别,即产品质量划分;
步骤6.2、利用Bootstraping法对样本集X进行随机有放回地抽取,得到p个训练子集;
步骤6.3、根据选择的p个训练子集中的数据特点确定决策树的数目ntree和最优特征数目mtree,mtree≤5;
步骤6.4、用遍历法按照公式(4)使平均误差率Eave最小以及网络搜索GridSearchCV方法来共同来确定最优特征数目mtree:
mtree=min{Eave} (4)
通过模型袋外数据分类错误率EOOB的稳定程度以及网络搜索GridSearchCV方法来共同确定决策树的数量ntree;EOOB的计算方法如下:假设带外样本总数为A,将这A个样本带入先前生成的随机森林分类器,有A个输出结果,计算其中错误分类的数目为B,则公式如下所示:
步骤6.5、在决策树生长过程中的每次节点分裂时,都采用从最优特征数目mtree个特征中按Gini系数最小原则选择最优特征进行分支生长;始终按照这样的方式来生成余下的决策树,且在生长过程中不进行剪枝处理;
步骤6.6、当随机森林模型建立后,输入测试数据集让每棵决策树对其进行测试,得到各自的分类标识;
步骤6.7、随机森林模型对全部决策树获得的分类结果,采用投票的方式来确定最终烧成带级别;投票公式如下所示:
上式中H(xT)是组合分类结果;xT为待测数据;hi(xT)表示第i颗决策树模型;q是决策树的总数;yi为目标分类;I(·)为示性函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240838.8A CN113033620B (zh) | 2021-03-04 | 2021-03-04 | 一种基于随机森林的多信息融合回转窑产品质量分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240838.8A CN113033620B (zh) | 2021-03-04 | 2021-03-04 | 一种基于随机森林的多信息融合回转窑产品质量分类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033620A CN113033620A (zh) | 2021-06-25 |
CN113033620B true CN113033620B (zh) | 2022-08-05 |
Family
ID=76468038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240838.8A Active CN113033620B (zh) | 2021-03-04 | 2021-03-04 | 一种基于随机森林的多信息融合回转窑产品质量分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033620B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114169385B (zh) * | 2021-09-28 | 2024-04-09 | 北京工业大学 | 基于混合数据增强的mswi过程燃烧状态识别方法 |
CN114896436B (zh) * | 2022-06-14 | 2024-04-30 | 厦门大学 | 一种基于表征互信息的网络结构搜索方法 |
CN116843234B (zh) * | 2023-08-31 | 2023-11-24 | 武汉科技大学 | 基于混合双层模型融合的生产过程质量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898069A (zh) * | 2018-06-05 | 2018-11-27 | 辽宁石油化工大学 | 基于多分类器融合的视频火焰检测方法 |
CN108985376A (zh) * | 2018-07-17 | 2018-12-11 | 东北大学 | 一种基于卷积-循环神经网络的回转窑序列工况识别方法 |
CN109684968A (zh) * | 2018-12-17 | 2019-04-26 | 华东理工大学 | 一种水泥回转窑烧成工况识别方法和系统 |
CN111488785A (zh) * | 2019-12-12 | 2020-08-04 | 湖南工业大学 | 基于窑内图像的回转窑工况检测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170176985A1 (en) * | 2017-03-06 | 2017-06-22 | Caterpillar Inc. | Method for predicting end of line quality of assembled product |
US11615303B2 (en) * | 2019-02-25 | 2023-03-28 | Samsung Electronics Co., Ltd. | Electronic device for classifying classes, electronic device for providing classification model for classifying classes, and method for operating the same |
CN111325152B (zh) * | 2020-02-19 | 2023-09-26 | 北京工业大学 | 一种基于深度学习的交通标志识别方法 |
-
2021
- 2021-03-04 CN CN202110240838.8A patent/CN113033620B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898069A (zh) * | 2018-06-05 | 2018-11-27 | 辽宁石油化工大学 | 基于多分类器融合的视频火焰检测方法 |
CN108985376A (zh) * | 2018-07-17 | 2018-12-11 | 东北大学 | 一种基于卷积-循环神经网络的回转窑序列工况识别方法 |
CN109684968A (zh) * | 2018-12-17 | 2019-04-26 | 华东理工大学 | 一种水泥回转窑烧成工况识别方法和系统 |
CN111488785A (zh) * | 2019-12-12 | 2020-08-04 | 湖南工业大学 | 基于窑内图像的回转窑工况检测方法 |
Non-Patent Citations (3)
Title |
---|
Recognition of Combustion Condition in MSWI Process Based on Multi-scale Color Moment Features and Random Forest;Haoshan Duan 等;《2019 Chinese Automation Congress》;20200113;第2542-2547页 * |
回转窑烧成带状态混合智能识别方法;刘金鑫 等;《自动化学报》;20120731;第38卷(第7期);第1153-1161页 * |
深度强化学习研究进展;高振洋 等;《电脑知识与技术》;20190228;第15卷(第4期);第157-159页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113033620A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033620B (zh) | 一种基于随机森林的多信息融合回转窑产品质量分类识别方法 | |
CN109871750B (zh) | 一种基于骨架图序列异常关节修复的步态识别方法 | |
CN103279763B (zh) | 一种基于结构特征的轮毂类型自动识别方法 | |
CN110472489B (zh) | 一种人脸美丽等级预测方法、装置及存储介质 | |
CN108960342B (zh) | 基于改进Soft-Max损失函数的图像相似度计算方法 | |
CN110427825A (zh) | 基于关键帧与快速支持向量机融合的视频火焰识别方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN105740866B (zh) | 一种具有仿反馈调节机制的回转窑烧成状态识别方法 | |
Ramya et al. | Leaf disease detection and classification using neural networks | |
CN107766856A (zh) | 一种基于Adaboost机器学习的矿石可见光图像分选方法 | |
Dan | NIR spectroscopy oranges origin identification framework based on machine learning | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN111062848A (zh) | 一种消防工程异常状态监测的智能监控方法 | |
CN105159248B (zh) | 一种基于机器视觉的对工业产品分类的方法 | |
Dhanuja et al. | Areca nut disease detection using image processing technology | |
CN110298377A (zh) | 基于深层人工神经网络的数字图像中烟火检测方法 | |
Sethy et al. | On tree detection, counting & post-harvest grading of fruits based on image processing and machine learning approach-a review | |
Tavallali et al. | Robust skin detector based on AdaBoost and statistical luminance features | |
Agnihotri et al. | Comparative analysis of tomato leaf disease detection using machine learning | |
CN105913056B (zh) | 一种基于工业相机特征提取的润后水渍烟叶识别方法 | |
Jeny et al. | Machine vision-based expert system for automated cucumber diseases recognition and classification | |
CN113160166B (zh) | 通过卷积神经网络模型进行医学影像数据挖掘工作方法 | |
Li et al. | Color moving object detection method based on automatic color clustering | |
CN114662594A (zh) | 一种目标特征识别分析系统 | |
CN107766783A (zh) | 一种三维物体识别装置及方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |