[發明專利]基于主成分分析和支持向量機結合的物料分選方法及系統

有效

• 申請號: 201811355682.2
• 申請日: 2018-11-14
• 公開（公告）號: CN109635845B
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 黃國智;鐘龍;黃嘉震
• 申請（專利權）人: 湖南金石分選智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 長沙朕揚知識產權代理事務所(普通合伙) 43213
• 代理人: 楊斌

本發明公開了一種基于主成分分析和支持向量機結合的物料分選方法及系統，該方法包括：采集待分選的物料的彩色圖像或灰度圖像，并提取彩色圖像或灰度圖像中的物料的輪廓；指定不同的輪廓對應的感興趣區域的樣本標簽；將感興趣區域的樣本標簽分別輸入分類器，根據分類器輸出的分值判定物料的類別。本發明采用主成分分析降維，留下了影響因子最強的特征元，簡化的特征值減少了后續的運算量，可以實現多特征分類。

技術領域

本發明涉及物料分選以及圖像分類領域，尤其涉及一種基于主成分分析和支持向量機結合的物料分選方法及系統。

背景技術

基于圖像分類的物料分選是通過軟件在線采集在傳輸皮帶上的物料圖片，圖片內包含帶狀的，無堆疊有間隔的物料(在皮帶機或者自由落體，物料不疊在一起，有間隔即可)，根據圖片的特征進行分類。物料是破碎后顆粒較為均勻的建筑材料、礦石或者生活垃圾。

由于設備是24小時不間斷生產，圖像得出結果的時間非常短，因此實際生產的實時性和高速性的要求很高，在實時性要求非常高的場合，一般選擇一兩種具有關鍵表述特征的算子來做分類，這樣能保證快速的分類。但是其缺點有二：一是是特征量少，二是不能采用維度較高的算子，同時算子采用數量較多時無法表示不同特征之間的相關性和影響因子。

這些分類算法的分類效果差，分類后都包含鄰類的物料。特征量少的分選算法分類超平面不準確，而高維度算子的分選算法計算速度慢，機器的生產效率低。

發明內容

本發明提供了一種基于主成分分析和支持向量機結合的物料分選方法及系統，用以解決在實時性要求高的場合，采用圖像進行物料分選算法時只能采用少量的算子，且不能采用維度較高的算子進行分類的技術問題。

為解決上述技術問題，本發明提出的技術方案為：

一種基于主成分分析和支持向量機結合的物料分選方法，包括以下步驟：

采集待分選的物料的彩色圖像或灰度圖像，并提取彩色圖像或灰度圖像中的物料的輪廓；

指定不同的輪廓對應的感興趣區域的樣本標簽；

將感興趣區域的樣本標簽分別輸入分類器，根據分類器輸出的分值判定物料的類別。

優選地，分類器通過如下步驟訓練得到：

采集待分選的物料的彩色圖像或灰度圖像，并提取彩色圖像或灰度圖像中的物料的輪廓；

指定不同的輪廓對應的感興趣區域的樣本標簽；

將每一個樣本標簽作為一個樣本，提取樣本的模糊特征集，用主成分分析對模糊特征集降維；將降維特征集合成一個特征向量矩陣；

將特征向量矩陣作為樣本集，用支持向量機訓練得到分類器。

優選地，將降維特征集合成一個特征向量矩陣之后，取所述特征向量矩陣中的部分樣本作為訓練樣本集，用支持向量機訓練得到所述分類器；

使用所述特征向量矩陣中的除所述部分樣本之外的其余樣本作為驗證樣本集，對所述分類器進行驗證。

優選地，模糊特征集包括不同顏色、不同空間或不同通道的顏色直方圖和灰度共生矩陣。

優選地，提取彩色圖像或灰度圖像中的物料的輪廓采用雙閾值二值化方法完成；提取樣本的模糊特征集，用主成分分析對模糊特征集降維，包括以下步驟：

提取該區域內圖像的特征算子后將其歸一化到一行中成為一個特征向量，將每個樣本的特征提取出來可以得到一個N*M的訓練樣本矩陣，和一個N*1的標簽集；

通過主成分分析進行降維將N*M的訓練樣本矩陣降維成一個N*K的訓練樣本矩陣和一個M*K的特征向量矩陣，和一個N*1的標簽集；其中，所述MK，NM。