[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

技術領域

本發明屬于自動化礦選技術領域，尤其涉及一種基于Adaboost機器學習的礦石可見光圖像分選方法。

背景技術

機器學習是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。機器學習是人工智能的核心，是使計算機具有智能的根本途徑，其應用遍及人工智能的各個領域。

機器學習中的監督學習是從標記的訓練數據來推斷一個功能的機器學習任務。訓練數據包括一套訓練示例。在監督學習中，每個實例都是由一個輸入對象(通常為矢量)和一個期望的輸出值(也稱為監督信號)組成。監督學習算法是分析該訓練數據，并產生一個推斷的功能，其可以用于映射出新的實例。一個最佳的方案將允許該算法來正確地決定那些看不見的實例的類標簽。這就要求學習算法是在一種“合理”的方式從一種從訓練數據到看不見的情況下形成。

決策樹是在已知各種情況發生概率的基礎上，通過構成決策樹來求取凈現值的期望值大于等于零的概率，評價項目風險，判斷其可行性的決策分析方法，是直觀運用概率分析的一種圖解法。由于這種決策分支畫成圖形很像一棵樹的枝干，故稱決策樹。在機器學習中，決策樹是一個預測模型，他代表的是對象屬性與對象值之間的一種映射關系。決策樹是一種樹形結構，其中每個內部節點表示一個屬性上的測試，每個分支代表一個測試輸出，每個葉節點代表一種類別。決策樹是一種十分常用的分類方法，他是一種監督學習，經典代表boosting模型。

近幾年來，隨著我國隨著配套基礎建設的完善，技術、資金的積累，各行各業中利用人工智能解決實際生產問題的需求開始廣泛出現，國內有關高等院校、研究所和企業近兩年在人工智能技術領域進行了積極思索和大膽的嘗試，逐步開始了工業現場的應用。

然而，目前我國礦業開采，在礦石分選時依然采用具有豐富甄別經驗的技術人員進行礦選，其存在的弊端是顯而易見，畢竟經驗豐富的技術人員是少數的。利用機器學習技術的強大優越性：模擬人類神經元的學習機理，信息量大、功能多、效率高。如果將機器學習技術應用于礦石初選檢測，將具有人工檢測所無法比擬的優勢。有效礦元素在礦石中的紋理分布和顏色雖具有獨特的重要特征，但特征細膩、不連續，為分選造成了很大的難度，經驗欠佳的技術人員分選礦石時難以把握，利用機器學習進行預測可充分模擬經驗豐富人員的學習與判別能力，而且還能夠對有效特征進行定量描述，避免了因人而異的分選結果，減小礦石初選誤差，提高生產效率和分選精度。機器學習建立在客觀分析和推理的基礎之上，有效避免了人工甄別的主觀性和個體差異性，提高了檢測精度。機器學些技術研究的目的就是根據人類的學習推理特性使機器更好的替代人來工作或者完成人類不能完成的工作，減少勞動強度，不斷提高產品生產質量和勞動生產效率。與傳統選礦方式相比，機器學習技術具有顯著優勢與巨大的經濟價值，且檢測效率高，檢測具有連續性和可重復性。

然而，機器學習技術用于工業礦石初選，訓練樣本集庫以人工帶標簽的方式組建，由于研究人員的對礦石認知的差異，將不同程度的引進人為誤差，這種人為誤差將一定程度上影響機器學習模型的精度；其次機器學習模型的層數越多，預測精度將得到一定的提高，但是預測速度越慢，模型層數與精度的平衡點不好把控；再次，機器學習模型的參數設置不當，將產生過擬合或者欠擬合的問題。綜上所述，機器學習技術模擬人類學習推理，其模型還需不斷優化。

發明內容

針對上述現有技術的不足，本發明提供了一種基于Adaboost機器學習的礦石可見光圖像分選方法，該方法對礦石可見光圖像進行學習、訓練、預測，可充分模擬經驗較豐富的選礦技術人員進行礦石分選，使每臺機器都具備同一的、準確的礦石分選經驗，能有效避免人工分選礦石的主觀性和個體差異性，可更好的替代人來工作或者完成人類不能完成的工作，減少勞動強度，提高產品生產質量和勞動生產效率。

為了實現上述目的，本發明通過以下技術方案實現：

一種基于Adaboost機器學習的礦石可見光圖像分選方法，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；