[发明专利]一种基于Adaboost机器学习的矿石可见光图像分选方法

说明书

技术领域

本发明属于自动化矿选技术领域，尤其涉及一种基于Adaboost机器学习的矿石可见光图像分选方法。

背景技术

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。

机器学习中的监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。

决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。决策树是一种十分常用的分类方法，他是一种监督学习，经典代表boosting模型。

近几年来，随着我国随着配套基础建设的完善，技术、资金的积累，各行各业中利用人工智能解决实际生产问题的需求开始广泛出现，国内有关高等院校、研究所和企业近两年在人工智能技术领域进行了积极思索和大胆的尝试，逐步开始了工业现场的应用。

然而，目前我国矿业开采，在矿石分选时依然采用具有丰富甄别经验的技术人员进行矿选，其存在的弊端是显而易见，毕竟经验丰富的技术人员是少数的。利用机器学习技术的强大优越性：模拟人类神经元的学习机理，信息量大、功能多、效率高。如果将机器学习技术应用于矿石初选检测，将具有人工检测所无法比拟的优势。有效矿元素在矿石中的纹理分布和颜色虽具有独特的重要特征，但特征细腻、不连续，为分选造成了很大的难度，经验欠佳的技术人员分选矿石时难以把握，利用机器学习进行预测可充分模拟经验丰富人员的学习与判别能力，而且还能够对有效特征进行定量描述，避免了因人而异的分选结果，减小矿石初选误差，提高生产效率和分选精度。机器学习建立在客观分析和推理的基础之上，有效避免了人工甄别的主观性和个体差异性，提高了检测精度。机器学些技术研究的目的就是根据人类的学习推理特性使机器更好的替代人来工作或者完成人类不能完成的工作，减少劳动强度，不断提高产品生产质量和劳动生产效率。与传统选矿方式相比，机器学习技术具有显著优势与巨大的经济价值，且检测效率高，检测具有连续性和可重复性。

然而，机器学习技术用于工业矿石初选，训练样本集库以人工带标签的方式组建，由于研究人员的对矿石认知的差异，将不同程度的引进人为误差，这种人为误差将一定程度上影响机器学习模型的精度；其次机器学习模型的层数越多，预测精度将得到一定的提高，但是预测速度越慢，模型层数与精度的平衡点不好把控；再次，机器学习模型的参数设置不当，将产生过拟合或者欠拟合的问题。综上所述，机器学习技术模拟人类学习推理，其模型还需不断优化。

发明内容

针对上述现有技术的不足，本发明提供了一种基于Adaboost机器学习的矿石可见光图像分选方法，该方法对矿石可见光图像进行学习、训练、预测，可充分模拟经验较丰富的选矿技术人员进行矿石分选，使每台机器都具备同一的、准确的矿石分选经验，能有效避免人工分选矿石的主观性和个体差异性，可更好的替代人来工作或者完成人类不能完成的工作，减少劳动强度，提高产品生产质量和劳动生产效率。

为了实现上述目的，本发明通过以下技术方案实现：

一种基于Adaboost机器学习的矿石可见光图像分选方法，包括如下步骤：

(1)矿石初选分类：将含量0.15％以下的矿归为废石，含量0.15％以上的矿归为矿石；

(2)图像预处理：

a.对采样的矿石可见光图像的灰度图像进行OTSU分割：

b.找出分割后图像中轮廓最大区域，以及其对应的外接矩形：

c.根据外接矩阵确定出彩色矿石可见光图像中的对应区域，即为所需的ROI区域；