CN113435486A - 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 - Google Patents
一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 Download PDFInfo
- Publication number
- CN113435486A CN113435486A CN202110663209.6A CN202110663209A CN113435486A CN 113435486 A CN113435486 A CN 113435486A CN 202110663209 A CN202110663209 A CN 202110663209A CN 113435486 A CN113435486 A CN 113435486A
- Authority
- CN
- China
- Prior art keywords
- coal
- gangue
- pca
- svm
- ifoa
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000004927 fusion Effects 0.000 title claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 21
- 241000255588 Tephritidae Species 0.000 claims abstract description 18
- 238000002360 preparation method Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000000926 separation method Methods 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 230000006872 improvement Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 5
- 238000002485 combustion reaction Methods 0.000 abstract description 2
- 238000003912 environmental pollution Methods 0.000 abstract description 2
- 238000003709 image segmentation Methods 0.000 description 13
- 238000012706 support-vector machine Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 239000013598 vector Substances 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000002817 coal dust Substances 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002023 wood Substances 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/241—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
- 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于PCA‑IFOA‑SVM结合灰度‑纹理融合特征的煤矸识别方法；包括：步骤1，采集选煤厂中煤矸分选现场的照片，建立煤矸图像样本数据集；步骤2，对煤和矸石图像进行增强、去噪、分割预处理；步骤3，分别使用直方图统计和灰度共生矩阵的方法提取煤矸图像的灰度和纹理信息；步骤4，对果蝇优化算法进行改进；步骤5，将改进后的果蝇优化算法用于搜索SVM模型中最优参数，建立最优PCA‑IFOA‑SVM煤矸识别模型，对煤矸样本进行训练；步骤6，将训练好的模型对煤矸进行识别，达到最高的分类准确率。本发明为提高煤炭质量、减少环境污染以及增加燃烧效率提供了保障。
Description
技术领域
本发明属于机器视觉技术领域；尤其涉及一种基于PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法。
背景技术
截至目前，选煤方法主要有以下方法：人工选煤、射线透射选煤、重介质选煤等干选方法为主；但是现有的方法存在以下问题：
人工选煤主要是利用人的自身经验使用视觉的方法，根据煤与矸石的亮度等进行区分，在大量煤炭中把目测到的矸石从中分选出来；其中也包括对其他矿石、木块等成分的分选。人工选煤的方式虽然过程简单，但是随着煤炭量的增加，选煤厂周围环境差，工人们劳动强度也会明显增加，分选效率下降，还会对人力资源造成浪费，并且严重影响工人们的身体健康。
射线选煤法的原理是：根据煤和矸石密度及所含元素的不同，穿过煤或矸石时射线衰减的差异性对煤与矸石进行识别；该方法存在维护成本高、对人体健康危害大的不足。
重介质选煤方法是：利用煤和矸石密度不同的特点，把它们放入重介质中，重介质的密度介于煤与矸石两者之间，密度小于重介质的将会上浮，大于重介质的将会下沉，从而实现煤与矸石的分离；该方法成本高、工艺复杂。
由以上分析可知，传统的选煤方法无法满足操作简单、安全快速以及实时性等方面对煤和矸石进行准确分选。因此寻求一种可以同时兼顾上述优势的选煤方法以满足现代化工业选煤的要求是必然趋势。
发明内容
本发明的目的是提供了一种基于PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法。本发明为提高煤炭质量、减少环境污染以及增加燃烧效率提供了保障。
本发明针对选煤厂煤与矸石的分选技术问题，本发明在不增加任何硬件设备的条件下，通过拍摄选煤厂煤矸分选现场煤与矸石的照片，建立煤矸图像样本数据集，提出一种利用煤与矸石图像在灰度和纹理方面的差异，将图像处理和机器视觉技术相结合，实现煤与矸石简单、快速、准确的识别，最终进行分类的目的。
本发明是通过以下技术方案实现的：
本发明涉及一种基于PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，包括以下步骤：
步骤1，采集选煤厂中煤矸分选现场的照片，建立煤矸图像样本数据集；
步骤2，对煤和矸石图像进行增强、去噪、分割预处理；
步骤3，使用直方图统计和灰度共生矩阵的方法，分别提取煤矸图像的灰度和纹理信息，采用PCA的方法得到煤矸图像的灰度-纹理融合特征；
步骤4，对果蝇优化算法进行改进；
步骤5，将改进后的果蝇优化算法用于搜索SVM模型中最优参数，建立最优PCA-IFOA-SVM煤矸识别模型，对煤矸样本进行训练；
步骤6，将煤矸识别模型对煤矸进行识别，达到最高的分类准确率，实现选煤厂煤与矸石快速准确的识别目的。
优选地，步骤1中，所述煤矸图像样本数据集的数据均来自于选煤厂煤矸分选现场的照片，使用CCD相机进行拍摄。
优选地，步骤2中，所述预处理具体为：对传统的分水岭分割算法进行改进，得到基于距离标记的分水岭，实现煤矸图像的分割。
本发明所述改进的分水岭分割算法，通过对煤矸图像目标区域和背景区域进行标记，实现传统分水岭算法的优化，主要过程如下：
在实际的选煤过程中，由于煤和矸石放置于皮带上，因此拍摄的煤和矸石照片中除了煤与矸石之外，还存在皮带，对后期特征的提取和识别造成了困难，因而需要对煤和矸石图像进行分割处理。图像分割是指按照一定的规律对图像进行划分，为了更好的对图像中有兴趣的区域进行分析和处理。传统的图像分割包括基于阈值的图像分割、基于聚类的图像分割等。
上述阈值化图像分割方法以及K均值聚类方法在处理一般图像时有很好的分割效果，但是在实际的煤炭开采过程中周围环境比较复杂；当光照分布不均匀或者图像目标区域与背景区域灰度值相差不大时，分割效果往往并不太好。在对煤和矸石图像的分割过程中，由于背景区域存在部分残留煤粉等原因，导致煤和矸石与背景有部分区域灰度相似，因而分割效果欠佳。因此，需要一种能够减弱环境等条件的影响，具有较好适用性，鲁棒性较强的一种分割方法，以满足后期图像识别的需要。
分水岭算法是一种基于拓扑理论的区域分割算法。基本思想是在每个区域的最小位置开一个洞，以便水从洞中均匀上升，并逐渐淹没整个盆地，并在不同盆地之间建坝以防止聚集。也就是说，将与图像中的每个像素相对应的灰度值视为改变点的高度。每个最小灰度值点和附近区域形成一个盆地，并且在这些盆地之间形成一个分水岭。
分水岭算法在对煤和矸石图像进行分割是，效果一般，存在误分割或过分割的情况，为了防止以上情况的出现，更好的实现对煤与矸石图像的分割，本文在煤和矸石的原始图像上加一个标记图像，对目标区域和背景区域进行标记，通过区分前景图像与背景图像从而更好的指导分水岭分割方法。本文通过对图像中煤与矸石以及背景进行标记，利用找到的内外标记来改进梯度图像，在改进的梯度上进行分水岭变换，得到煤和矸石图像分割结果。
优选地，步骤3中，所述煤矸图像的灰度和纹理信息是基于PCA的灰度-纹理融合特征提取方法得到的。
所述基于PCA的灰度-纹理融合特征提取方法，为缩短数据处理和模型训练时间，需要去除监测数据中的冗余信息。为此，本发明提出基于PCA的灰度-纹理融合特征提取方法，以灰度-纹理融合特征，作为原始主元特征。
优选地，步骤4中，所述果蝇优化算法的改进包括：递减半径策略、优化味道浓度公式、引入随机机制；提高其收敛精度和速度以及全局搜索能力。
由于现有的果蝇优化算法在果蝇觅食阶段采用固定的搜索半径进行寻找，对算法速度和精度有很大的影响，算法的精度和速度还有待提高。当算法在求解高纬度复杂性问题时，无法实现对负值区域进行搜索，求解能力会明显下降。并且由于搜索到最优果蝇个体时，整个群体也会跟随着位置更新，但是这个最优个体不一定是全局最优，会导致果蝇种群多样性下降，算法陷入局部最优，影响算法的全局搜索能力。因此，为了提高果蝇优化算法的寻优的精度、提高计算的效率、增强算法的全局搜索能力以及搜索的范围。
优选地，步骤5中，所述最优参数为C和g。
所述果蝇优化算法优化支持向量机识别算法，在使用SVM和径向基核函数在处理煤矸识别问题时，选择最佳的参数g和惩罚参数C意义十分重大，直接决定了分类器的性能和处理问题的效果。但是在实际问题中，最佳参数g和C往往难以确定，想要确定最佳参数需要进行大量的实验，在增加工作量的同时严重影响了处理问题的效率。因此，本发明采用改进的果蝇优化算法对参数g和C进行寻优计算，然后得到最优的支持向量分类模型，进而提高SVM模型的分类性能。
本发明的原理：首先通过采集选煤厂中煤矸分选现场的照片，建立煤矸图像样本数据集，由于采集的图像存在噪声的影响或者在传输过程中会造成质量下降的问题，因此需要对煤矸图像进行增强、去噪、分割等预处理。在预处理完成之后，分别利用灰度值方统计和灰度共生矩阵的方法提取煤矸图像的灰度和纹理信息，使用基于PCA的灰度-纹理融合特征提取方法得到煤矸图像的灰度-纹理融合特征，采用机器视觉的方法建立煤矸识别模型；利用改进的果蝇优化算法良好的寻优能力及较强的全局搜索能力，实现对煤矸识别最优参数的搜索，以此来建立最优的PCA-IFOA-SVM识别模型。最终实现煤与矸石精准的识别。
本发明具有以下优点：
(1)本发明对煤矸图像的进行预处理，采用对分水岭算法进行改进，提出基于距离标记的分水岭分割算法，消弱了矸石表面附有煤粉、光照不良等情况的影响。
(2)本发明分别利用灰度值方统计和灰度共生矩阵的方法提取煤矸图像的灰度和纹理信息，使用基于PCA的灰度-纹理融合特征提取方法得到煤矸图像的灰度-纹理融合特征，采用机器视觉的方法建立煤矸识别模型；利用改进的果蝇优化算法良好的寻优能力及较强的全局搜索能力，实现对煤矸识别最优参数的搜索，以此来建立最优的PCA-IFOA-SVM识别模型。最终实现煤与矸石精准的识别。
附图说明
图1是改进后的分水岭分割算法基本流程图；
图2是动态步长因子随进化次数变化曲线图；
图3是sgn函数图像；
图4是改进后FOA优化SVM识别流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。应当指出的是，以下的实施实例只是对本发明的进一步说明，但本发明的保护范围并不限于以下实施例。
实施例
本发明涉及的煤矸识别方法主要包含六个部分：提出基于距离标记的分水岭分割算法、提出煤矸识别所需煤与矸石图像的灰度特征和纹理特征、提出基于PCA的灰度-纹理融合特征提取方法、提出改进的递减扰动步长果蝇优化算法、提出改进的果蝇优化支持向量机识别算法、建立PCA-IFOA-SVM煤矸识别模型，实现煤与矸石的识别。
本发明涉及一种基于PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，包括以下步骤：
步骤1，采集选煤厂中煤矸分选现场的照片，建立煤矸图像样本数据集；
步骤2，对煤和矸石图像进行增强、去噪、分割预处理；
步骤3，使用直方图统计和灰度共生矩阵的方法，分别提取煤矸图像的灰度和纹理信息，采用PCA的方法得到煤矸图像的灰度-纹理融合特征；
步骤4，对果蝇优化算法进行改进；
步骤5，将改进后的果蝇优化算法用于搜索SVM模型中最优参数，建立最优PCA-IFOA-SVM煤矸识别模型，对煤矸样本进行训练；
步骤6，将训练好的模型对煤矸进行识别，达到最高的分类准确率，实现选煤厂煤与矸石快速准确的识别目的。基于改进的FOA-SVM煤矸识别算法的流程如图4所示。
优选地，步骤1中，所述煤矸图像样本数据集的数据均来自于选煤厂煤矸分选现场的照片，使用CCD相机进行拍摄。
优选地，步骤2中，所述预处理具体为：对传统的分水岭分割算法进行改进，得到基于距离标记的分水岭，实现煤矸图像的分割。
本发明所述改进的分水岭分割算法，通过对煤矸图像目标区域和背景区域进行标记，实现传统分水岭算法的优化，主要过程如下：
在实际的选煤过程中，由于煤和矸石放置于皮带上，因此拍摄的煤和矸石照片中除了煤与矸石之外，还存在皮带，对后期特征的提取和识别造成了困难，因而需要对煤和矸石图像进行分割处理。图像分割是指按照一定的规律对图像进行划分，为了更好的对图像中有兴趣的区域进行分析和处理。传统的图像分割包括基于阈值的图像分割、基于聚类的图像分割等。
上述阈值化图像分割方法以及K均值聚类方法在处理一般图像时有很好的分割效果，但是在实际的煤炭开采过程中周围环境比较复杂；当光照分布不均匀或者图像目标区域与背景区域灰度值相差不大时，分割效果往往并不太好。在对煤和矸石图像的分割过程中，由于背景区域存在部分残留煤粉等原因，导致煤和矸石与背景有部分区域灰度相似，因而分割效果欠佳。因此，需要一种能够减弱环境等条件的影响，具有较好适用性，鲁棒性较强的一种分割方法，以满足后期图像识别的需要。
分水岭算法是一种基于拓扑理论的区域分割算法。基本思想是在每个区域的最小位置开一个洞，以便水从洞中均匀上升，并逐渐淹没整个盆地，并在不同盆地之间建坝以防止聚集。也就是说，将与图像中的每个像素相对应的灰度值视为改变点的高度。每个最小灰度值点和附近区域形成一个盆地，并且在这些盆地之间形成一个分水岭。
分水岭算法在对煤和矸石图像进行分割是，效果一般，存在误分割或过分割的情况，为了防止以上情况的出现，更好的实现对煤与矸石图像的分割，本文在煤和矸石的原始图像上加一个标记图像，对目标区域和背景区域进行标记，通过区分前景图像与背景图像从而更好的指导分水岭分割方法。本文通过对图像中煤与矸石以及背景进行标记，利用找到的内外标记来改进梯度图像，在改进的梯度上进行分水岭变换，得到煤和矸石图像分割结果。本发明所述基于距离标记改进的分水岭算法基本步骤如下：
Step1：对煤矸图像进行拉普拉斯增强和高斯滤波等预处理；
Step2：对煤矸图像进行开闭运算的重建，去掉图像中一些中小块区域，计算图像中的极大值标记为前景图像；
Step3：标记背景图像：对图像进行二值化，计算黑色图像与前景图像边缘的距离，选择离前景图像距离比较远的部分区域标记为背景图像；
Step4：最后对标记之后的煤矸图像进行分水岭图像分割，即可得到分割后的图像。改进后的分水岭分割算法基本流程如图1所示。
优选地，步骤3中，所述煤矸图像的灰度和纹理信息是基于PCA的灰度-纹理融合特征提取方法得到的。
所述基于PCA的灰度-纹理融合特征提取方法，为缩短数据处理和模型训练时间，需要去除监测数据中的冗余信息。为此，本发明提出基于PCA的灰度-纹理融合特征提取方法，以灰度-纹理融合特征，作为原始主元特征。原理：设煤矸图像的原始特征参数数据集作原始变量为X。
①数据标准化
本发明选取了煤矸图像的灰度特征和纹理信息作为煤矸识别的特征，由于指标较多，在主成分分析之前，为了消除不同指标量纲对模型效果产生不良影响，先对煤矸图像的特征参数数据进行标准化处理，数据标准化矩阵Zij的表达式如下：
其中，n为数据个数，p为特征数量，
为各个特征参数的算数平均值，si为标准差，Zij为标准化后的变量值，xij为实际变量值。
②求相关系数矩阵
相关系数矩阵R的表达式如下：
其中
③求相关系数矩阵的特征值和特征向量
由特征方程|R-λIp|＝0解出λ，并将其按从大到小的顺序排列，即λ1≥λ2≥…≥λp≥0。然后分别计算每个特征值对应的特征向量ei，特征向量构成变化矩阵A，其中i＝1,2,…p，eij为特征向量的第j个向量，满足
④求方差贡献率和累计贡献率
第i个主成分方差贡献率的计算公式如下：
方差贡献率越大表示该主成分包含原始变量的信息量越大。前i个主成分的累计贡献率的计算公式如下式所示，它表示前i个主成分累计提取了原始变量信息的多少。
⑤确定主成分的个数
根据以往学者的研究结论，在主成分分析中，确定主成分个数的方法主要有以下两种：(1)特征根大于或等于1的前i个综合变量确定为主成分；(2)选取累计贡献率高于70％时的前i个综合变量为主成分。为了同时保证识别的准确率和减小计算量，本发明选取累计贡献率高于85％的前i个综合变量为主成分。
⑥计算主成分
主成分F与原始变量X的关系表达式为：F＝XA，其中F(f1,f2,…fp)，矩阵A为
优选地，步骤4中，所述果蝇优化算法的改进包括：递减半径策略、优化味道浓度公式、引入随机机制；提高其收敛精度和速度以及全局搜索能力。
由于现有的果蝇优化算法在果蝇觅食阶段采用固定的搜索半径进行寻找，对算法速度和精度有很大的影响，算法的精度和速度还有待提高。当算法在求解高纬度复杂性问题时，无法实现对负值区域进行搜索，求解能力会明显下降。并且由于搜索到最优果蝇个体时，整个群体也会跟随着位置更新，但是这个最优个体不一定是全局最优，会导致果蝇种群多样性下降，算法陷入局部最优，影响算法的全局搜索能力。因此，为了提高果蝇优化算法的寻优的精度、提高计算的效率、增强算法的全局搜索能力以及搜索的范围，本发明将对果蝇优化算法作出如下改进：
1)引入动态步长因子实现对步长的动态变化，进而实现对搜索半径的动态递减，在保证有一定全局搜索能力的情况下，同时提高算法的收敛的速度和求解的精度。本发明提出动态步长因子如下：
w＝w0×e-(αd)/maxgen
式中，w表示权重，w0表示初始权重，α表示权重系数，d表示当前迭代次数，maxgen表示最大进化代数。设w0＝1，α＝2，maxgen＝100，则变化曲线如图2所示。
2)改进算法中果蝇气味浓度判定公式，实现算法在负值区域的搜索，扩大搜索范围，提升对复杂问题的求解能力。因此本发明中优化了气味浓度判定公式，其中sgn函数图像如图3所示，优化后的气味浓度公式如下：
由图3可知，当x＞0式，函数值为1，当x＜0时，函数值为-1。公式(4.7)中指数函数确保了候选解与果蝇位置的负相关，同时使用sgn函数，当果蝇个体在二维坐标的二、四象限时，Si为负值。通过公式(4.7)可以实现对负值空间的全面搜索，增加了算法的应用场景，提高了算法对高纬度和复杂化问题的求解能力。
3)引入随机机制，使算法有概率的逃离局部最优，增加种群多样性，尽可能搜索到全局最优解。主要改进策略如下：
w＝Ri×w0×e-(αd)/maxgen
式中，Ri为指数分布，γ取0.5，其余和基本FOA原理一致。
优选地，步骤5中，所述最优参数为C和g。
所述果蝇优化算法优化支持向量机识别算法，在使用SVM和径向基核函数在处理煤矸识别问题时，选择最佳的参数g和惩罚参数C意义十分重大，直接决定了分类器的性能和处理问题的效果。但是在实际问题中，最佳参数g和C往往难以确定，想要确定最佳参数需要进行大量的实验，在增加工作量的同时严重影响了处理问题的效率。因此，本发明采用改进的果蝇优化算法对参数g和C进行寻优计算，然后得到最优的支持向量分类模型，进而提高SVM模型的分类性能。
所述改进的FOA-SVM算法，具体为：
Step1:初始化种群规模G，最大进化次数M，设置初始位置为X_axis、Y_axis，由于优化参数有2个，初始果蝇位置时，X_axis和Y_axis应分别取2个随机数，则初始坐标(X1 C,Y1 C)和(X1 g,Y1 g)；
Step2:计算果蝇到原点距离，利用改进后的判定式得到味道浓度判定值S1 C和S1 g；
Step3:使用准确率为SVM模型分类的结果，通过5折交叉验证法，得到的准确率为果蝇个体的适应度值，并保存最佳适应度个体的信息。适应度函数计算公式如下：
Step4:将具有最高准确率的果蝇个体的信息保存，其余个体向最优个体位置聚集；
Step5:判断是否达到设定的最大进化次数，如果不满足，则回到步骤Step2，否则，输出模型的最优参数，即C＝S1 C，g＝S1 g。
本发明分别利用灰度值方统计和灰度共生矩阵的方法提取煤矸图像的灰度和纹理信息，使用基于PCA的灰度-纹理融合特征提取方法得到煤矸图像的灰度-纹理融合特征，采用机器视觉的方法建立煤矸识别模型；利用改进的果蝇优化算法良好的寻优能力及较强的全局搜索能力，实现对煤矸识别最优参数的搜索，以此来建立最优的PCA-IFOA-SVM识别模型。最终实现煤与矸石精准的识别。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质。
Claims (6)
1.一种基于PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，其特征在于，包括以下步骤：
步骤1，采集选煤厂中煤矸分选现场的照片，建立煤矸图像样本数据集；
步骤2，对煤和矸石图像进行增强、去噪、分割预处理；
步骤3，使用直方图统计和灰度共生矩阵的方法，分别提取煤矸图像的灰度和纹理信息，采用PCA的方法得到煤矸图像的灰度-纹理融合特征；
步骤4，对果蝇优化算法进行改进；
步骤5，将改进后的果蝇优化算法用于搜索SVM模型中的最优参数，建立最优PCA-IFOA-SVM煤矸识别模型；
步骤6，将煤矸识别模型对煤矸进行识别，达到最高的分类准确率，进行识别。
2.如权利要求1所述的PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，其特征在于，步骤1中，所述煤矸图像样本数据集的数据均来自于选煤厂煤矸分选现场的照片，使用CCD相机进行拍摄。
3.如权利要求1所述的PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，其特征在于，步骤2中，所述预处理具体为：对传统的分水岭分割算法进行改进，得到基于距离标记的分水岭，实现煤矸图像的分割。
4.如权利要求1所述的PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，其特征在于，步骤3中，所述煤矸图像的灰度和纹理信息是基于PCA的灰度-纹理融合特征提取方法得到的。
5.如权利要求1所述的PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，其特征在于，步骤4中，所述果蝇优化算法的改进包括：递减半径策略、优化味道浓度公式、引入随机机制。
6.如权利要求1所述的PCA-IFOA-SVM结合灰度-纹理融合特征的煤矸识别方法，其特征在于，步骤5中，所述最优参数为惩罚参数C和参数g。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663209.6A CN113435486A (zh) | 2021-06-15 | 2021-06-15 | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110663209.6A CN113435486A (zh) | 2021-06-15 | 2021-06-15 | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113435486A true CN113435486A (zh) | 2021-09-24 |
Family
ID=77756021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110663209.6A Pending CN113435486A (zh) | 2021-06-15 | 2021-06-15 | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113435486A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935364A (zh) * | 2022-05-13 | 2022-08-23 | 河北工业大学 | 基于多源信息融合的煤矸在线识别设备 |
| CN115007474A (zh) * | 2022-06-09 | 2022-09-06 | 千眼云(重庆)科技有限公司 | 一种基于图像识别的选煤机器人及选煤方法 |
| CN117011302A (zh) * | 2023-10-08 | 2023-11-07 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710424A (zh) * | 2009-12-22 | 2010-05-19 | 中国矿业大学(北京) | 矿石图像分割方法 |
| CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
| CN106599793A (zh) * | 2016-11-21 | 2017-04-26 | 江苏大学 | 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法 |
| CN108805165A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 一种煤炭识别分拣方法、电子设备、存储介质及系统 |
| CN108986104A (zh) * | 2018-06-04 | 2018-12-11 | 国网浙江省电力有限公司检修分公司 | 基于距离变换和标记分水岭算法的绝缘子图像分割方法 |
| CN110045237A (zh) * | 2019-04-08 | 2019-07-23 | 国网上海市电力公司 | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 |
-
2021
- 2021-06-15 CN CN202110663209.6A patent/CN113435486A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101710424A (zh) * | 2009-12-22 | 2010-05-19 | 中国矿业大学(北京) | 矿石图像分割方法 |
| CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
| CN106599793A (zh) * | 2016-11-21 | 2017-04-26 | 江苏大学 | 一种基于标记分水岭分割的钢材晶粒晶界自动提取方法 |
| CN108805165A (zh) * | 2018-04-27 | 2018-11-13 | 淘然视界(杭州)科技有限公司 | 一种煤炭识别分拣方法、电子设备、存储介质及系统 |
| CN108986104A (zh) * | 2018-06-04 | 2018-12-11 | 国网浙江省电力有限公司检修分公司 | 基于距离变换和标记分水岭算法的绝缘子图像分割方法 |
| CN110045237A (zh) * | 2019-04-08 | 2019-07-23 | 国网上海市电力公司 | 基于果蝇算法优化的变压器状态参量数据预测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| YANG YU ET AL: "Self-adaptive step fruit fly algorithm optimized support vector regression model for dynamic response prediction of magnetorheological elastomer base isolator", 《NEUROCOMPUTING》 * |
| 戈涛等: "一种新型的改进果蝇优化算法", 《现代计算机》 * |
| 段雍: "基于图像的煤矸识别和定位方法研究与实现", 《中国优秀硕士学位论文全文数据库》 * |
| 王培珍等: "一种基于PCA与RBF-SVM的煤岩显微组分镜质组分类方法", 《煤炭学报》 * |
| 程宏伟等: "基于改进果蝇算法优化 BP 神经网络的接地网腐蚀速率预测模型" * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114935364A (zh) * | 2022-05-13 | 2022-08-23 | 河北工业大学 | 基于多源信息融合的煤矸在线识别设备 |
| CN114935364B (zh) * | 2022-05-13 | 2023-05-23 | 河北工业大学 | 基于多源信息融合的煤矸在线识别设备 |
| CN115007474A (zh) * | 2022-06-09 | 2022-09-06 | 千眼云(重庆)科技有限公司 | 一种基于图像识别的选煤机器人及选煤方法 |
| CN117011302A (zh) * | 2023-10-08 | 2023-11-07 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
| CN117011302B (zh) * | 2023-10-08 | 2024-01-09 | 山东济宁运河煤矿有限责任公司 | 一种基于煤矸识别的智能干选系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN113435486A (zh) | 一种基于pca-ifoa-svm结合灰度-纹理融合特征的煤矸识别方法 | |
| CN110334706B (zh) | 一种图像目标识别方法及装置 | |
| CN108345911B (zh) | 基于卷积神经网络多级特征的钢板表面缺陷检测方法 | |
| CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
| CN110298280A (zh) | 一种基于mkl多特征融合的海洋涡旋识别方法 | |
| CN110060273B (zh) | 基于深度神经网络的遥感影像滑坡测图方法 | |
| CN110443257B (zh) | 一种基于主动学习的显著性检测方法 | |
| CN105046259B (zh) | 基于多特征融合的日冕物质抛射检测方法 | |
| CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
| CN112613410B (zh) | 基于迁移学习的寄生虫虫卵识别方法 | |
| US11037299B2 (en) | Region merging image segmentation algorithm based on boundary extraction | |
| CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测系统 | |
| CN112734761A (zh) | 工业品图像边界轮廓提取方法 | |
| Hekim et al. | A hybrid model based on the convolutional neural network model and artificial bee colony or particle swarm optimization-based iterative thresholding for the detection of bruised apples | |
| Andayani et al. | Fish species classification using probabilistic neural network | |
| CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN116452506A (zh) | 一种基于机器学习的井下煤矸石智能视觉识别分选方法 | |
| CN112183237A (zh) | 基于颜色空间自适应阈值分割的白细胞自动分类方法 | |
| CN117011260A (zh) | 一种芯片外观缺陷自动检测方法、电子设备及存储介质 | |
| CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
| CN110991554A (zh) | 一种基于改进pca的深度网络图像分类方法 | |
| Zhang et al. | Research on pipeline defect detection based on optimized faster r-cnn algorithm | |
| Ye et al. | Cucumber appearance quality detection under complex background based on image processing | |
| CN105512682B (zh) | 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |