[發明專利]一種基于Adaboost機器學習的礦石可見光圖像分選方法在審
| 申請號： | 201610715882.9 | 申請日： | 2016-08-20 |
| 公開（公告）號： | CN107766856A | 公開（公告）日： | 2018-03-06 |
| 發明（設計）人： | 曾軍蘭;閔湘川;熊謙 | 申請（專利權）人： | 湖南軍芃科技股份有限公司 |
| 主分類號： | G06K9/32 | 分類號： | G06K9/32;G06K9/46;G06K9/62 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 410000 湖南省長沙市高新開發區*** | 國省代碼： | 湖南;43 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 adaboost 機器 學習 礦石 可見光 圖像 分選 方法 | ||
1.一種基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，包括如下步驟：
(1)礦石初選分類：將含量0.15％以下的礦歸為廢石，含量0.15％以上的礦歸為礦石；
(2)圖像預處理：
a.對采樣的礦石可見光圖像的灰度圖像進行OTSU分割；
b.找出分割后圖像中輪廓最大區域，以及其對應的外接矩形；
c.根據外接矩陣確定出彩色礦石可見光圖像中的對應區域，即為所需的ROI區域；
d.將ROI區域的RGB色彩空間的圖像轉換為HSI色彩空間的圖像；
e.計算ROI對應HSI色彩空間的圖像H通道的0°、45°、90°、135°四個方向的灰度共生矩陣；
f.取計算后的0°、45°、90°、135°四個方向上，熵最大的結果矩陣作為特征向量，存入特征向量庫；
(3)機器學習模型訓練：機器學習模型采用基于決策樹的AdaBoost模型，AdaBoost為自適應的Boosting版本，即將多個弱分類器組成一個強分類器，與此同時AdaBoost還能有效抑制過學習；
a.將帶有礦石與廢石標簽信息的特征向量庫輸入Adaboost模型，讓其進行學習與訓練；
b.待Adaboost模型學習結束，將生成最終Adaboost模型；
(4)目標預測：
a.將待預測的礦石采樣圖片進行圖像預處理；
b.將計算出的特征向量輸入至訓練好的AdaBoost模型中進行預測；
c.預測結果輸出。
2.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(2)中當找出分割后圖像中輪廓最大區域時，面積過濾閾值取2000個像素。
3.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(2)中灰度共生矩陣，最大灰度等級參數值取20。
4.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(2)中灰度共生矩陣，距離參數值取5。
5.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(2)中灰度共生矩陣，最大灰度參數值取360。
6.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(3)中Adaboost模型，類型采用Gentle Adaboost。
7.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(3)中Adaboost模型，弱分類器個數取450。
8.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(3)中Adaboost模型，最大層數取5層。
9.如權利要求1所述的基于Adaboost機器學習的礦石可見光圖像分選方法，其特征在于，所述步驟(4)中所使用參數與(2)圖像預處理、(3)機器學習模型訓練預測。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于湖南軍芃科技股份有限公司，未經湖南軍芃科技股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201610715882.9/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種基于模板匹配實現快速頁碼識別的方法
- 下一篇：連接塊（SZ262）
