[發(fā)明專利]一種基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110257189.2
• 申請(qǐng)日: 2021-03-09
• 公開（公告）號(hào): CN112906813A
• 公開（公告）日: 2021-06-04
• 發(fā)明（設(shè)計(jì)）人: 岑麗輝;胡健;陳曉方;謝永芳;唐朝輝
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 長(zhǎng)沙軒榮專利代理有限公司 43235
• 代理人: 李喆

1.一種基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，具體包括：

獲取浮選工況的視頻數(shù)據(jù)，將所述視頻數(shù)據(jù)進(jìn)行預(yù)處理獲得圖像樣本集；

將所述圖像樣本集采用預(yù)設(shè)的密度聚類方法進(jìn)行去噪優(yōu)化獲得多個(gè)工況類別的訓(xùn)練樣本和測(cè)試樣本；

構(gòu)建膠囊神經(jīng)網(wǎng)絡(luò)，輸入所述訓(xùn)練樣本并采用動(dòng)態(tài)路由算法和梯度下降算法進(jìn)行訓(xùn)練優(yōu)化獲得浮選工況識(shí)別模型；

將待測(cè)工況圖像樣本輸入所述浮選工況識(shí)別模型進(jìn)行工況識(shí)別獲得待測(cè)工況圖像樣本的工況類別。

2.根據(jù)權(quán)利要求1所述的基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，所述將所述視頻數(shù)據(jù)進(jìn)行預(yù)處理獲得圖像樣本集步驟具體包括：

將所述視頻數(shù)據(jù)的所有幀隨機(jī)打亂，并隨機(jī)選取多個(gè)視頻幀組成圖像樣本集，獲得多個(gè)圖像樣本集。

3.根據(jù)權(quán)利要求1所述的基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，所述將所述圖像樣本集采用預(yù)設(shè)的密度聚類方法進(jìn)行去噪優(yōu)化獲得多個(gè)工況類別的訓(xùn)練樣本和測(cè)試樣本步驟具體包括：

獲取圖像樣本集、鄰域距離閾值和鄰域樣本數(shù)量閾值；

計(jì)算所述圖像樣本集中第一樣本與其他樣本之間的歐氏距離，并獲得第一樣本鄰域數(shù)，當(dāng)所述第一樣本鄰域數(shù)大于等于鄰域樣本數(shù)量閾值，則將所述第一樣本置于核心對(duì)象集合中；并處理所述圖像樣本集中的其他圖像樣本，獲得核心對(duì)象集合；

隨機(jī)選取核心對(duì)象集合中的一個(gè)核心對(duì)象為第一核心對(duì)象，并計(jì)算第一核心對(duì)象鄰域數(shù)，當(dāng)所述第一核心對(duì)象鄰域數(shù)大于等于鄰域樣本數(shù)量閾值，取第一核心對(duì)象鄰域樣本和核心樣本對(duì)象的交集獲取交集樣本，將第一核心對(duì)象和交集樣本組成隊(duì)列；根據(jù)所述隊(duì)列更新未訪問核心樣本集合，根據(jù)當(dāng)前未訪問過的核心樣本集合和所述未訪問核心樣本集合生成聚類簇；

根據(jù)所述聚類簇獲得樣本集中的無噪聲樣本和噪聲樣本，即為多個(gè)工況類別的訓(xùn)練樣本和測(cè)試樣本。

4.根據(jù)權(quán)利要求3所述的基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，所述圖像間歐氏距離的計(jì)算公式為：

式中，(x_i1，x_i2)表示兩個(gè)對(duì)象，N是像素總數(shù)。

5.根據(jù)權(quán)利要求1所述的基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，所述膠囊神經(jīng)網(wǎng)絡(luò)包括編碼器和解碼器；所述編碼器包括輸入層、卷積層、主膠囊層和數(shù)字膠囊層。

6.根據(jù)權(quán)利要求5所述的基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，所述卷積層包括CONV1 ReLU層，CONV2 ReLU層，CONV3 ReLU層，在卷積過程采用ReLU激活函數(shù)進(jìn)行激活。

7.根據(jù)權(quán)利要求5所述的基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，所述解碼器將所述數(shù)字膠囊層處理后的圖片采用三個(gè)全連接層進(jìn)行重構(gòu)，并以重構(gòu)圖片和原始圖片的像素平方差的和作為重構(gòu)損失函數(shù)。

8.根據(jù)權(quán)利要求5所述的基于密度聚類和膠囊神經(jīng)網(wǎng)絡(luò)的浮選工況識(shí)別方法，其特征在于，所述動(dòng)態(tài)路由算法具體包括：

初始化所有l(wèi)層的膠囊i至所有(l+1)層的膠囊j的先驗(yàn)概率b_ij＝0；并采用softmax函數(shù)計(jì)算膠囊i連接至膠囊j的連接概率c_ij；

根據(jù)公式計(jì)算(l+1)層的膠囊j的總輸入，其中W_ij表示轉(zhuǎn)化矩陣；n_i表示輸人向量；并根據(jù)公式獲得膠囊輸出；

根據(jù)對(duì)先驗(yàn)概率b_ij進(jìn)行更新，經(jīng)多次迭代后輸出v_j。