CN114627333A - 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 - Google Patents
一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 Download PDFInfo
- Publication number
- CN114627333A CN114627333A CN202210249062.0A CN202210249062A CN114627333A CN 114627333 A CN114627333 A CN 114627333A CN 202210249062 A CN202210249062 A CN 202210249062A CN 114627333 A CN114627333 A CN 114627333A
- Authority
- CN
- China
- Prior art keywords
- layer
- training
- model
- sample
- active learning
- 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
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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
一种改进深度主动学习的锌浮选泡沫图像分类算法及系统,本发明针对类别不平衡的泡沫图像提出一种改进深度主动学习的锌浮选泡沫图像分类算法及系统。利用有标签样本训练初始卷积神经网络,并利用卷积神经网络对无标签样本进行类别预测,基于一种带损耗预测模块的主动学习方法,计算无标签样本的信息量并排序,再人工标注信息量最大的样本,加入训练集更新深度学习模型的参数,逐步提高网络的性能;使用融合Inception‑v2的Dense Net新型网络结构,提出一种新颖的考虑类别之间的权重的损失函数进行网络训练。本发明在降低标记成本的同时,提高模型了不平衡数据集上的分类性能,有效建立锌浮选工况识别模型,能稳定和优化生产。
Description
技术领域
本发明属于泡沫浮选技术领域,具体涉及一种锌浮选过程中的泡沫图像分类方法。
背景技术
泡沫浮选是一种应用最为广泛的选矿方法。其包含复杂的物理化学过程,利用矿物颗粒表面亲疏水性的差异来有效分离不同矿物。一直以来,锌铅矿浮选现场工人通过肉眼观察泡沫的表面状态进行浮选操作,凭长期积累的经验对浮选工况进行判断。这种人工操作方式主观性和随意性强,往往造成结果不准确、药剂消耗量大等问题。为了提高品位监测的准确性和稳健性,在现代浮选装置中应用了x射线荧光分析仪(XRF分析仪)。但是XRF分析仪是一种昂贵的测量设备,维护困难。为了节省成本,浮选厂通常使用XRF分析仪来测量多个矿浆品位,这导致品位监测的测量间隔很长(约20分钟),使得矿物品位检测存在时滞性,难以满足复杂多变的浮选现场,也难以满足浮选过程的实时控制的要求。
利用机器视觉提取浮选泡沫的表面视觉特征,为实现矿物工况识别提供了可能。随着深度学习的发展,深度卷积神经网络在图像分类、图像分割等任务表现出优越的性能。因此构建一个深度卷积神经网络模型,实现对泡沫图像准确快速地分类识别。然而利用深度学习模型进行分类需要大量的有标签样本训练分类模型,而这些标记样本不仅需要专家的先验知识进行标记,还需要投入大量的人力和时间。针对这些问题,提出了一种新的将具有高标记效率的主动学习与深度学习相结合的泡沫图像分类方法,提高泡沫图像分类准确率的同时有效降低标注成本。
发明内容
本发明的目的是提供一种改进深度主动学习的锌浮选泡沫图像分类算法及系统。通过对浮选泡沫图像进行分类,能有效对当前工况进行判断,从而对浮选过程中的一些操作变量进行控制,实时控制与优化浮选过程。本发明针对目前泡沫图像类间不平衡以及需要大量标注样本的问题,提出了一种改进的结合主动学习的深度学习的方法,应用到浮选泡沫图片中,分别利用主动学习的降低标注成本的优势与深度学习的特征提取的优势,以提高训练效率及泡沫图像分类的准确率,同时减少训练数据的标注量。
本发明采用的技术方案步骤如下:
步骤一:数据准备;
采集锌快粗选过程中的泡沫图像,组成泡沫图像数据集,其中,泡沫图像数据集包含带有标签的样本集(XL,YL)与无标签的样本集XU;
步骤二:数据预处理;
将获得的泡沫图像样本进行旋转、翻转,数据增强处理得到样本图像集,将所有样本图像按比例划分为训练集和验证集;
步骤三:搭建深度分类模型;
卷积神经网络结构以Dense Net和Inception网络模型为基础,其中包含1个Inception模块、3个dense_block模块和3个transition层,并且将Inception模块设置在第1个transition模块前面,代替原始的dense_block模块;
步骤四:训练初始网络模型;
从有标签的样本集(XL,YL)随机选择样本数量为n的初始训练集L=(x1,x2,......,xn),输入到训练模型,对训练模型进行初始训练;
步骤五:选择样本,更新模型;
通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练调节;
步骤六:得到最终训练调节完毕的Dense Net和Inception-V2模块融合卷积神经网络模型,将待分类泡沫图像数据输入到网络模型中进行识别分类,获得泡沫图像最后的分类结果。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,在步骤一中,泡沫图像数据集中的图像分为四类,分别表示为Class I、Class II、Class III、Class IV,分别记为异常、合格、中等、优秀四种情况,其中品位值范围依次为(-,53]、(53,54]、(54,55]、(55,-)。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,在步骤二中,采用随机的图像处理方法来对泡沫图像集进行扩充,包括:水平垂直翻转、左右旋转;完成扩充后的数据集每一类中抽取出80%的数据作为训练集,其余20%的数据作为验证集。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,步骤三中,所述的使用训练集中的数据训练融合模型,其中所述的融合模型的结构如下所示:block层接收数据层输入的512×512像素大小的泡沫图像,利用1个7×7大小的卷积核以2为步长,对输入数据进行卷积,经过批量归一化、ReLU激活函数、最大池化层,得到了16张128×128大小的特征图,并传递给Inception模块;Inception层由两个Inception-V2模块堆叠而成,Inception-V2模块含有四条支路,各支路的卷积感受野分别为1×1卷积、3×3卷积、3×3池化和2个3×3卷积;同时在1×1、3×3、2个3×3卷积核后紧跟着批量归一化操作,之后将每个输出堆叠在一起;经过两个Inception-V2模块,再通过最大池化层,提取得到了8个128×128的特征图;transition1层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到4个64×64的特征图,传递给dense block1层;dense_block1层由十二个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过十二个layer层,提取得到了388个64×64的特征图,并输入给transition2层;transition2层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到194个32×32的特征图,传递给dense_block2层;dense_block2层由二十四个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过二十四个layer层,提取得到了962个32×32的特征图,并输入给transition3层;transition3层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到481个32×32的特征图,传递给dense_block3层;dense_block3层由十六个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过十六个layer层,提取得到了993个32×32的特征图;将dense_block3层的输出结果经过一个global AvgPooling层进行平均池化,并将特征图展开成为一个一维的向量传递到全连接层中,全连接层使用Dropout随机舍弃一部分神经元的输出,以降低过拟合,最后将全连接层的输出传入softmax分类器得到分类结果。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,步骤五中,通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练调节的过程包括:利用主动学习策略计算无标签的样本集XU中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序,选择前K个(top-K)标签样本进行标注,产生样本与标签对(x*,y*),将新标注样本(x*,y*)加入带有标签的样本集(XL,YL),对训练模型进行训练调节,迭代循环执行以上操作,直到网络达到指定性能或者未标注的样本集标注完为止,保存最终训练好的卷积神经网络模型。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,步骤五中,主动学习策略是一种带有损失预测模块的主动学习方法。损失预测模块附加在深度学习模型上,用来预测不带标签的样本的损失值,评估未标记池中的所有无标签样本的信息量,同时将预测损失top-K的样本标记后添加到训练集中。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,模型训练过程中,采用以考虑类别之间的权重的损失函数和损失预测损失函数为基础的加权损失函数,其形式定义为:
式中,第一部分属于考虑类别之间的权重的损失,而第二部分为损失预测损失,B为小批量样本数,Bs为第s阶段主动学习的小批量样本数,γ为权重;代表预测类别;y代表真实的类别值,l代表目标损失,代表样本通过损耗预测模块的损耗预测。
式中,ny为训练集中类别为y的数量,为权重因子,β为超参数,β∈[0,1),其中引入了一个调节因子δ,来减轻少样本类与多样本类间权重差距,其中调节因子δ越大,类间权重差距越大;C为类别总数,zj为模型输出经过softmax得到属于第j个类别的概率。
式中,ε是一个预定义的正边界,(i,j)表示一对损失预测。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,步骤五中,训练调节完毕的标志为:网络达到指定性能或者未标注的样本集XU标注完。
在上述的一种改进深度主动学习的锌浮选泡沫图像分类算法,步骤五中,δ设置为0.4,γ设置为2,β设置为0.9999。
本发明还提出一种改进深度主动学习的锌浮选泡沫图像分类系统,所述系统用于实现改进深度主动学习的锌浮选泡沫图像分类算法,包括:
图像样本采集器,用于采集锌浮选过程泡沫图像样本;
训练模型获取模块,改进的融合卷积神经网络模型作为浮选泡沫图像分类的训练模型;
训练模型初始化模块,从有标签的样本集(XLYL)随机选择样本数量为n的初始训练集L=(x1,x2,......,xn),输入到训练模型,对训练模型进行初始训练;
模型标注调节模块,通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练更新;
工况识别模块,利用训练更新完毕的训练模型,对泡沫图像进行分类识别。
与现有技术相比,本发明技术方案的有益效果是:
本发明提出的一种改进深度主动学习的锌浮选泡沫图像分类算法及系统,针对现场设置的工业相机所获得的泡沫图像,基于一种新的损失函数,提出一种适应于类别不平衡的泡沫图像分类的深度主动学习框架。将改进的Dense Net和Inception Net的融合卷积神经网络模型作为泡沫图像分类的训练模型,用卷积神经网络模型去学习浮选泡沫的特征,用主动学习方法去选择未标注数据进行标注,将挑选出来的信息量最大的数据放入已标注数据集L中,对训练模型进行训练更新,有效选择关键信息,减少了人工标注样本的成本。将两种学习方法的优势结合,能够提高了模型训练的效率和泡沫图像分类的精度。
附图说明
图1是本发明一实施例中一种改进深度主动学习的锌浮选泡沫图像分类算法的整体流程示意图。
图2是本发明一实施例中浮选过程4种不同工况下的泡沫图像。
图3是本发明中提出的改进的融合卷积神经网络模型的结构图。
图4是本发明中提出的深度主动学习的框图。
图5是本发明一实施例中一种改进深度主动学习的锌浮选泡沫图像分类算法的整体深度主动学习框图。
具体实施方法
图1是本发明流程框图。
步骤一:数据准备
采集锌快粗选过程中的泡沫图像,组成泡沫图像数据集,其中,泡沫图像数据集包含带有标签的样本集(XL,YL)与无标签的样本集XU。
本实施例中,泡沫图像数据集中的图像分为四类,分别表示为Class I、Class II、Class III、Class IV,分别记为异常、合格、中等、优秀四种情况,其中品位值范围依次为(-,53]、(53,54]、(54,55]、(55,-),如图2所示。
步骤二:数据预处理
将获得的泡沫图像样本进行旋转、翻转,数据增强处理得到样本图像集,将所有样本图像按比例划分为训练集和验证集。
本实施例中,采用随机的图像处理方法来对泡沫图像集进行扩充,包括:水平垂直翻转、左右旋转;完成扩充后的数据集每一类中抽取出80%的数据作为训练集,其余20%的数据作为验证集。
步骤三:搭建深度分类模型
卷积神经网络结构以Dense Net和Inception网络模型为基础,其中包含1个Inception模块、3个dense_block模块和3个transition层,并且将Inception模块设置在第1个transition模块前面,代替原始的dense_block模块。
本实施例中,所述的使用训练集中的数据训练融合模型,其中所述的融合模型的结构如下所示:block层接收数据层输入的512×512像素大小的泡沫图像,利用1个7×7大小的卷积核以2为步长,对输入数据进行卷积,经过批量归一化、ReLU激活函数、最大池化层,得到了16张128×128大小的特征图,并传递给Inception模块;Inception层由两个Inception-V2模块堆叠而成,Inception-V2模块含有四条支路,各支路的卷积感受野分别为1×1卷积、3×3卷积、3×3池化和2个3×3卷积;同时在1×1、3×3、2个3×3卷积核后紧跟着批量归一化操作,之后将每个输出堆叠在一起;经过两个Inception-V2模块,再通过最大池化层,提取得到了8个128×128的特征图;transition1层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到4个64×64的特征图,传递给dense_block1层;dense_block1层由十二个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过十二个layer层,提取得到了388个64×64的特征图,并输入给transition2层;transition2层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到194个32×32的特征图,传递给dense_block2层;dense_block2层由二十四个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过二十四个layer层,提取得到了962个32×32的特征图,并输入给transition3层;transition3层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到481个32×32的特征图,传递给dense_block3层;dense_block3层由十六个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过十六个layer层,提取得到了993个32×32的特征图;将dense_block3层的输出结果经过一个global AvgPooling层进行平均池化,并将特征图展开成为一个一维的向量传递到全连接层中,全连接层使用Dropout随机舍弃一部分神经元的输出,以降低过拟合,最后将全连接层的输出传入softmax分类器得到分类结果。本发明融合网络结构如图3所示。
步骤四:训练初始网络模型
从有标签的样本集(XL,YL)随机选择样本数量为n的初始训练集L=(x1,x2,......,xn),输入到训练模型,对训练模型进行初始训练。
步骤五:选择样本,更新模型
通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练调节的过程包括:利用主动学习策略计算无标签的样本集XU中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序,选择前K个(top-K)标签样本进行标注,产生样本与标签对(x*,y*),将新标注样本(x*,y*)加入带有标签的样本集(XL,YL),对训练模型进行训练调节,迭代循环执行以上操作,直到网络达到指定性能或者未标注的样本集标注完为止,保存最终训练好的卷积神经网络模型,深度主动学习框架如图4所示。主动学习策略是一种带有损失预测模块的主动学习方法。损失预测模块附加在深度学习模型上,用来预测不带标签的样本的损失值,评估未标记池中的所有无标签样本的信息量,同时将预测损失top-K的样本标记后添加到训练集中。
本系统采用以考虑类别之间的权重的损失函数和损失预测损失函数为基础的加权损失函数,其形式定义为:
式中,第一部分属于考虑类别之间的权重的损失,而第二部分为损失预测损失,B为小批量样本数,Bs为第s阶段主动学习的小批量样本数,γ为权重;代表预测类别;y代表真实的类别值,l代表目标损失,代表样本通过损耗预测模块的损耗预测。
式中,ny为训练集中类别为y的数量,为权重因子,β为超参数,β∈[0,1),其中引入了一个调节因子δ,来减轻少样本类与多样本类间权重差距,其中调节因子δ越大,类间权重差距越大;C为类别总数,zj为模型输出经过softmax得到属于第j个类别的概率。
式中,ε是一个预定义的正边界,(i,j)表示一对损失预测。
本实施例中,训练调节完毕的标志为:网络达到指定性能或者未标注的样本集XU标注完。
本实施例中,δ设置为0.4,γ设置为2,β设置为0.9999。
步骤六:得到最终训练调节完毕的Dense Net和Inception-V2模块融合卷积神经网络模型,将待分类泡沫图像数据输入到网络模型中进行识别分类,获得泡沫图像最后的分类结果。改进深度主动学习的锌浮选泡沫图像分类算法的深度主动学习整体结构如图5所示。
本发明还提出一种改进深度主动学习的锌浮选泡沫图像分类系统,所述系统用于实现改进深度主动学习的锌浮选泡沫图像分类算法,包括:图像样本采集器,用于采集锌浮选过程泡沫图像样本;
训练模型获取模块,改进的融合卷积神经网络模型作为浮选泡沫图像分类的训练模型;训练模型初始化模块,从有标签的样本集(XL,YL)随机选择样本数量为n的初始训练集L=(x1,x2,......,xn),输入到训练模型,对训练模型进行初始训练;
模型标注调节模块,通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练更新。
工况识别模块,利用训练更新完毕的训练模型,对泡沫图像进行分类识别。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (10)
1.一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,包括以下步骤:
步骤一:数据准备;
采集锌快粗选过程中的泡沫图像,组成泡沫图像数据集,其中,泡沫图像数据集包含带有标签的样本集(XL,YL)与无标签的样本集XU;
步骤二:数据预处理;
将获得的泡沫图像样本进行旋转、翻转,数据增强处理得到样本图像集,将所有样本图像按比例划分为训练集和验证集;
步骤三:搭建深度分类模型;
卷积神经网络结构以Dense Net和Inception网络模型融合为基础,其中包含1个Inception模块、3个dense_block模块和3个transition层,并且将Inception模块设置在第1个transition模块前面,代替原始的dense_block模块;
步骤四:训练初始网络模型;
从有标签的样本集(XL,YL)随机选择样本数量为n的初始训练集L=(x1,x2,......,xn),输入到训练模型,对训练模型进行初始训练;
步骤五:选择样本,更新模型;
通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练调节;
步骤六:得到最终训练调节完毕的Dense Net和Inception-V2模块融合卷积神经网络模型,将待分类泡沫图像数据输入到网络模型中进行识别分类,获得泡沫图像最后的分类结果。
2.根据权利要求1所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,在步骤一中,泡沫图像数据集中的图像分为四类,分别表示为Class I、Class II、Class III、Class IV,分别记为异常、合格、中等、优秀四种情况,其中品位值范围依次为(-,53]、(53,54]、(54,55]、(55,-)。
3.根据权利要求1所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,在步骤二中,采用随机的图像处理方法来对泡沫图像集进行扩充,包括:水平垂直翻转、左右旋转;完成扩充后的数据集每一类中抽取出80%的数据作为训练集,其余20%的数据作为验证集。
4.根据权利要求1所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,步骤三中,所述的使用训练集中的数据训练融合模型,其中所述的融合模型的结构如下所示:
block层接收数据层输入的512×512像素大小的泡沫图像,利用1个7×7大小的卷积核以2为步长,对输入数据进行卷积,经过批量归一化、ReLU激活函数、最大池化层,得到了16张128×128大小的特征图,并传递给Inception模块;
Inception层由两个Inception-V2模块堆叠而成,Inception-V2模块含有四条支路,各支路的卷积感受野分别为1×1卷积、3×3卷积、3×3池化和2个3×3卷积;同时在1×1、3×3、2个3×3卷积核后紧跟着批量归一化操作,之后将每个输出堆叠在一起;经过两个Inception-V2模块,再通过最大池化层,提取得到了8个128×128的特征图;
transition1层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到4个64×64的特征图,传递给dense_block1层;
dense_block1层由十二个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过十二个layer层,提取得到了388个64×64的特征图,并输入给transition2层;
transition2层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到194个32×32的特征图,传递给dense_block2层;
dense_block2层由二十四个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过二十四个layer层,提取得到了962个32×32的特征图,并输入给transition3层;
transition3层通过1×1卷积层来减小通道数,并使用步幅为2的平均池化层减半高和宽,得到481个32×32的特征图,传递给dense_block3层;
dense_block3层由十六个layer模块堆叠而成,每个layer层都接受前面所有层的特征图的输入,通过concat操作将当前层与前面所有层的特征拼接后传到下一层,经过十六个layer层,提取得到了993个32×32的特征图;
将dense_block3层的输出结果经过一个global AvgPooling层进行平均池化,并将特征图展开成为一个一维的向量传递到全连接层中,全连接层使用Dropout随机舍弃一部分神经元的输出,以降低过拟合,最后将全连接层的输出传入softmax分类器得到分类结果。
5.根据权利要求1所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,步骤五中,通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练调节的过程包括:利用主动学习策略计算无标签的样本集XU中每一个无标签样本的信息量,并将信息量按照从大到小的顺序排序,选择前K个(top-K)标签样本进行标注,产生样本与标签对(x*,y*),将新标注样本(x*,y*)加入带有标签的样本集(XL,YL),对训练模型进行训练调节,迭代循环执行以上操作,直到网络达到指定性能或者未标注的样本集标注完为止,保存最终训练好的卷积神经网络模型。
6.根据权利要求1所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,步骤五中所述主动学习策略是一种带有损失预测模块的主动学习方法,损失预测模块附加在深度学习模型上,用来预测不带标签的样本的损失值,评估未标记池中的所有无标签样本的信息量,同时将预测损失top-K的样本标记后添加到训练集中。
7.根据权利要求1所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,模型训练过程中,采用以考虑类别之间的权重的损失函数和损失预测损失函数为基础的加权损失函数,其形式定义为:
式中,第一部分属于考虑类别之间的权重的损失,而第二部分为损失预测损失,B为小批量样本数,Bs为第s阶段主动学习的小批量样本数,γ为权重;代表预测类别;y代表真实的类别值,l代表目标损失,代表样本通过损耗预测模块的损耗预测;
式中,ny为训练集中类别为y的数量,为权重因子,β为超参数,β∈[0,1),其中引入了一个调节因子δ来减轻少样本类与多样本类间权重差距,其中调节因子δ越大,类间权重差距越大;C为类别总数,zj为模型输出经过softmax得到属于第j个类别的概率;
式中,ε是一个预定义的正边界,(i,j)表示一对损失预测。
8.根据权利要求1所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,步骤五中,训练调节完毕的标志为:网络达到指定性能或者未标注的样本集XU标注完。
9.根据权利要求7所述的一种改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,δ设置为0.4,γ设置为2,β设置为0.9999。
10.一种改进深度主动学习的锌浮选泡沫图像分类系统,所述系统用于实现权利要求1所述的改进深度主动学习的锌浮选泡沫图像分类算法,其特征在于,包括:
图像样本采集器,用于采集锌浮选过程泡沫图像样本;
训练模型获取模块,改进的融合卷积神经网络模型作为浮选泡沫图像分类的训练模型;
训练模型初始化模块,从有标签的样本集(XL,YL)随机选择样本数量为n的初始训练集L=(x1,x2,......,xn),输入到训练模型,对训练模型进行初始训练;
模型标注调节模块,通过主动学习选择无标签的样本集XU中的样本进行标注,对训练模型进行训练更新;
工况识别模块,利用训练更新完毕的训练模型,对泡沫图像进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210249062.0A CN114627333A (zh) | 2022-03-14 | 2022-03-14 | 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210249062.0A CN114627333A (zh) | 2022-03-14 | 2022-03-14 | 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114627333A true CN114627333A (zh) | 2022-06-14 |
Family
ID=81902748
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210249062.0A Pending CN114627333A (zh) | 2022-03-14 | 2022-03-14 | 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114627333A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468658A (zh) * | 2023-02-13 | 2023-07-21 | 长沙矿冶研究院有限责任公司 | 一种混合矿物浮选品位识别方法与系统 |
-
2022
- 2022-03-14 CN CN202210249062.0A patent/CN114627333A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116468658A (zh) * | 2023-02-13 | 2023-07-21 | 长沙矿冶研究院有限责任公司 | 一种混合矿物浮选品位识别方法与系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
CN110309867B (zh) | 一种基于卷积神经网络的混合气体识别方法 | |
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 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111210869B (zh) | 一种蛋白质冷冻电镜结构解析模型训练方法和解析方法 | |
CN110455512B (zh) | 基于深度自编码器dae的旋转机械多集成故障诊断方法 | |
CN110827260B (zh) | 一种基于lbp特征与卷积神经网络的布匹缺陷分类方法 | |
CN110927171A (zh) | 一种基于机器视觉的轴承滚子倒角面缺陷检测方法 | |
CN112233099B (zh) | 一种可重复使用航天器表面撞击损伤特征识别方法 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN107704883A (zh) | 一种菱镁矿矿石的品级的分类方法及系统 | |
CN114295377A (zh) | 一种基于遗传算法的cnn-lstm轴承故障诊断方法 | |
CN113177358B (zh) | 一种基于模糊细粒度特征提取的水泥质量软测量方法 | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN110738271A (zh) | 一种锌浮选过程精矿品位预测方法 | |
CN113887342A (zh) | 基于多源信号和深度学习的设备故障诊断方法 | |
CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
CN108647722B (zh) | 一种基于过程尺寸特征的锌矿品位软测量方法 | |
CN112001253A (zh) | 基于改进Fast R-CNN的煤尘颗粒图像识别方法 | |
CN112749675A (zh) | 一种基于卷积神经网络的马铃薯病害识别方法 | |
Zeng et al. | Steel sheet defect detection based on deep learning method | |
CN114627333A (zh) | 一种改进深度主动学习的锌浮选泡沫图像分类算法及系统 | |
CN114399763A (zh) | 一种单样本与小样本微体古生物化石图像识别方法及系统 | |
CN116883393B (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN113858566A (zh) | 一种基于机器学习的注塑机能耗预测方法及系统 |
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 |