[發(fā)明專利]一種用于浮選泡沫圖像分類方法

有效

• 申請?zhí)枺?/td>: 202010786610.4
• 申請日: 2020-08-07
• 公開（公告）號: CN112330588B
• 公開（公告）日: 2023-09-12
• 發(fā)明（設(shè)計）人: 李小彤;巴青春;孫荻;王宇鵬
• 申請（專利權(quán)）人: 遼寧中新自動控制集團(tuán)股份有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06T7/00;G06N7/01
• 代理公司: 鞍山嘉訊科技專利事務(wù)所(普通合伙) 21224
• 代理人: 張群

本發(fā)明提供一種用于浮選泡沫圖像分類方法，包括：步驟1、浮選泡沫圖像特征提取和數(shù)據(jù)處理；步驟2、根據(jù)訓(xùn)練集Xsubgt;train/subgt;及其對應(yīng)的標(biāo)簽集C計算每個特征的權(quán)重；步驟3、利用步驟2中的權(quán)值構(gòu)造出貝葉斯分類器；步驟4、利用步驟3中構(gòu)造的分類器對待分類樣本進(jìn)行分類，將待分類樣本作為輸入?yún)?shù)，利用分類器進(jìn)行計算，計算出這樣一個類別，使得分類器得出的值最大，那么該特征組就屬于這個類別。在貝葉斯網(wǎng)絡(luò)基礎(chǔ)上，公開了一種平均單一依賴估計器與特征加權(quán)相結(jié)合的貝葉斯分類改進(jìn)算法，改進(jìn)現(xiàn)有的平均單一依賴估計器算法，提高了分類的準(zhǔn)確率和模型穩(wěn)定性，從而解決平均單一依賴估計器算法將多有特征對結(jié)果貢獻(xiàn)看成一致的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像分類技術(shù)領(lǐng)域，特別涉及一種用于浮選泡沫圖像分類方法。

背景技術(shù)

泡沫浮選是一種廣泛用于金屬礦物分選的方法，其利用礦物表面物理化學(xué)性質(zhì)來篩選精礦和尾礦。多數(shù)選礦廠仍依靠有經(jīng)驗的浮選工人通過肉眼觀察泡沫特征來調(diào)節(jié)浮選過程加藥量，該人工控制方式存在主觀隨意性和滯后性，不能對泡沫特征進(jìn)行量化描述，無法實現(xiàn)對加藥量的優(yōu)化控制，造成浮選工況波動大、浮選生產(chǎn)指標(biāo)不合格、浮選藥劑消耗量大、選礦成本高。利用圖像處理技術(shù)來代替?zhèn)鹘y(tǒng)目視的方法，可以較為準(zhǔn)確和客觀的評價浮選工況，為浮選加藥提供更精確的指導(dǎo)。一種基于Minkowski距離的礦物浮選泡沫圖像紋理分析及工況識別方法(申請?zhí)枺?01410527643)，利用浮選泡沫的紋理信息和線性判別分類器，實現(xiàn)浮選過程工況的監(jiān)控。

貝葉斯網(wǎng)絡(luò)具有對概率預(yù)測和事件相關(guān)性有較好的表達(dá)能力，分類效率穩(wěn)定，是一種處理不確定性因素時知識表示的技術(shù)。基于合理的概率知識，變量關(guān)系以圖形展示，提供結(jié)果與變量之間關(guān)系的解釋性表示，被廣泛應(yīng)用在圖像分類中。樸素貝葉斯定理假設(shè)一個屬性值對給定類的影響?yīng)毩⒂谄渌鼘傩缘闹担谴思僭O(shè)在實際情況中通常是不成立的，進(jìn)而影響分類準(zhǔn)確率。平均單一依賴估計器(Aggregating?One-DependenceEstimators,AODE)算法是一種放松樸素貝葉斯網(wǎng)絡(luò)假設(shè)條件得到的一種貝葉斯方法，AODE將每個屬性作為其他特征的父屬性，并且將這些弱分類器集成起來。但AODE將所有的特征屬性對分類的貢獻(xiàn)程度看成是相等的，在處理一些實際問題時，這樣會極大地限制它分類的正確率。

發(fā)明內(nèi)容

為了解決背景技術(shù)提出的技術(shù)問題，本發(fā)明提供一種用于浮選泡沫圖像分類方法，在貝葉斯網(wǎng)絡(luò)基礎(chǔ)上，公開了一種平均單一依賴估計器與特征加權(quán)相結(jié)合的貝葉斯分類改進(jìn)算法，改進(jìn)現(xiàn)有的平均單一依賴估計器算法，提高了分類的準(zhǔn)確率和模型穩(wěn)定性，從而解決平均單一依賴估計器算法將多有特征對結(jié)果貢獻(xiàn)看成一致的問題。

為了達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案實現(xiàn)：

一種用于浮選泡沫圖像分類方法，包括如下步驟：

步驟1、浮選泡沫圖像特征提取和數(shù)據(jù)處理；

步驟1.1、首先對浮選泡沫圖像進(jìn)行特征提取，包括圖像的泡沫面積，泡沫周長，圓形度，不變矩，灰度平均值，灰度方差，熵，能量，差異性，均質(zhì)性，對比度；組成數(shù)據(jù)集X及其對應(yīng)的圖像標(biāo)簽集C；

數(shù)據(jù)集X樣本數(shù)量為m，特征個數(shù)為n，表示訓(xùn)練集中任意圖像樣本X_i(i∈m)，表示第i個樣本的第j個特征；標(biāo)簽集C的大小為m×1，被分為v個類別{C₁，C₂，…，C_v}，v表示類別；

步驟1.2、對步驟1.1中所提取的特征數(shù)據(jù)集X進(jìn)行離散化處理，確定每個特征數(shù)據(jù)所要離散化的寬度：

其中和表示特征X^j中的最大值和最小值，k為該特征所要離散的份數(shù)；

然后，根據(jù)離散寬度重新計算特征值：