[發明專利]基于泡沫圖像多特征的分層工況感知判別方法

有效

• 申請號: 201910586978.3
• 申請日: 2019-07-02
• 公開（公告）號: CN110310286B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 唐朝暉;高小亮;劉亦玲;范影;唐勵雍;李濤
• 申請（專利權）人: 中南大學
• 主分類號: G06T7/10
• 分類號: G06T7/10;G06T7/45;G06T7/50;G06T7/90;G06K9/62;G06V10/771;G06N3/04;G06N3/12
• 代理公司: 廣州市紅荔專利代理有限公司 44214
• 代理人: 吝秀梅

1.一種基于泡沫圖像多特征的分層工況感知判別方法，其特征在于包括以下步驟：

A.對鋅浮選粗選槽的泡沫圖像的物理特征進行提取，物理特征包括泡沫尺寸、對比度、熵值、相關系數和泡沫流速，用來表征浮選工況;通過對k個鋅浮選泡沫圖像進行特征提取，泡沫尺寸特征通過圖像分割得到具體數據集，對比度、熵值、相關系數通過對泡沫圖像的灰度共生矩陣進行計算得到具體數據集分別為，泡沫流速通過對相鄰兩幀的圖像進行特征點標記，進行相對應速度計算得到最后的數據集；

B. 通過對泡沫尺寸、對比度、熵值、相關系數、泡沫流速進行可信任度分配，通過改進的多種群自適應遺傳算法，考慮到各個特征的重要度不同，各個特征所對應的權值分別為,采用的以下適應度函數，即目標函數：

其中為目標函數的解,計算得到整體最優解，通過實時輸入的泡沫圖像提取特征值；與最優解進行差量計算，求和，得到模糊指數α，根據模糊指數α用來判別四個工況類別，分別用；

C.判斷是否需要進行第二層細分類：

a.定義一個最小工況模糊距離g，即工況區間相接點坐標軸左右的一個最小距離偏移量，在中間相接點邊界b處，存在有不確定段[b-g,b]和[b,b+g]，兩個區間的值有可能屬于前一區間[a,b]，也有可能屬于后一區間[b,c]，這兩個不確定區間定義為工況模糊地帶，落在此區間帶需進一步確定其具體工況；判斷第一層的工況結果，是否屬于模糊區域，若屬于，則判定此時工況為不確定，再采用進一步的第二層工況細分類，即實施D步驟；若不屬于，直接判定此時的工況類別為第一層工況分類的類別結果，直接輸出最終工況類別；

D.基于卷積神經網絡及隨機森林的浮選工況第二層細分類：

a.采用卷積神經網絡對n個泡沫圖像進行特征提取，獲取深度特征，進行訓練，將RGB泡沫圖像直接作為輸入，為了防止過擬合，采用ReLU層，采用的具體函數如下：

其中x表示的是前一層的特征輸出；

b.當前狀態落于模糊地帶時，進行第二層細分類，實時輸入泡沫RGB圖像，通過卷積神經網絡的識別，通過兩個全連接層降維，得到最后的唯一輸出y，之后采用隨機森林進行工況的準確判別，此時輸出的工況類別即為最終工況類別。

2.如權利要求1所述的基于泡沫圖像多特征的分層工況感知判別方法，其特征在于：所述的g范圍為[0.6，0.7]。

3.如權利要求1所述的基于泡沫圖像多特征的分層工況感知判別方法，其特征在于：所述的泡沫圖像的維度為3×256。

4.如權利要求1所述的基于泡沫圖像多特征的分層工況感知判別方法，其特征在于：所述的四個工況類別，類別分別為（[42,46],[46,50],[50,54],[54,58]）。

5.如權利要求1所述的基于泡沫圖像多特征的分層工況感知判別方法，其特征在于：采用的神經網絡結構為：1個輸入層，2個池化層，2個卷積層，2個全連接層。

6.如權利要求1所述的基于泡沫圖像多特征的分層工況感知判別方法，其特征在于：

。