[发明专利]基于泡沫图像多特征的分层工况感知判别方法

摘要

本发明公开了一种基于泡沫图像多特征的分层工况感知判别方法，其特征在于本发明针对其工况识别的小概率事件即落点在交界上，考虑到交界左右的区间的工况模糊性，采用分层工况识别，对于区间内部的工况确定地带进行一个基于模糊数学评判方法的快速的粗分类，而对于模糊地带采用分类更为细致且准确的卷积神经网络的特征提取，可以学习到不大容易被注意到的深度特征，从而对工况进行一个精确的工况识别分类。基于此，使用分层控制，通过模糊数学算法针对区间内部地点，无争议地带。通过使用深度学习，针对概率分析可得到工况交界点的模糊地带最小距离，进行细分类的标准使结果更为准确。

主权项

1.一种基于泡沫图像多特征的分层工况感知方法，其特征在于包括以下步骤：A.对锌浮选粗选槽的泡沫图像的物理特征进行提取，物理特征包括泡沫尺寸、对比度、熵值、相关系数和泡沫流速，用来表征浮选工况；通过对k个锌浮选泡沫图像P₁，P₂...P_k进行特征提取，泡沫尺寸特征通过图像分割得到具体数据集C₁＝(C₁₁...C_1k)，对比度、熵值、相关系数通过对泡沫图像的灰度共生矩阵进行计算得到具体数据集分别为C₂＝(C₂₁...C_2k)、C₃＝(C₃₁...C_3k)、C₄＝(C₄₁...C_4k)，泡沫流速通过对相邻两帧的图像进行特征点标记，进行相对应速度计算得到最后的数据集C₅＝(C₅₁...C_5k)；B.通过对泡沫尺寸、对比度、熵值、相关系数、泡沫流速进行可信任度分配，通过改进的多种群自适应遗传算法，考虑到各个特征的重要度不同，各个特征所对应的权值分别为d₁、d₂、d₃、d₄、d₅，采用的以下适应度函数，即目标函数：其中(C₁₀...C₅₀)为目标函数的解，计算得到整体最优解u′＝(C′₁，C′₂，C′₃，C′₄，C′₅)，通过实时输入的泡沫图像提取特征值u＝(C₁₁，C₁₂，C₁₃，C₁₄，C₁₅，)；与最优解u′进行差量计算，求和，得到模糊指数α，根据模糊指数α用来判别四个工况类别，分别用y₁，y₂，y₃，y₄表示；C.判断是否需要进行第二层细分类：a.定义一个最小工况模糊距离γ，即工况区界相接点坐标轴左右的一个最小距离偏移量，在中间相接点边界b处，存在有不确定段[b‑γ，b]和[b，b+γ]，两个区间的值有可能属于前一区间[a，b]，也有可能属于后一区间[b，c]，这两个不确定区间定义为工况模糊地带，落在此区间带需进一步确定其具体工况；判断第一层的工况结果，是否属于模糊区域，若属于，则判定此时工况为不确定，再采用进一步的第二层工况细分类，即实施D步骤；若不属于，直接判定此时的工况类别为第一层工况分类的类别结果，直接输出最终工况类别；D.基于卷积神经网络及随机森林的浮选工况第二层细分类：a.采用卷积神经网络对n个泡沫图像进行特征提取，获取深度特征，进行训练，将RGB泡沫图像直接作为输入，为了防止过拟合，采用ReLU层，采用的具体函数如下：其中x表示的是前一层的特征输出；b.当前状态落于模糊地带时，进行第二层细分类，实时输入泡沫RGB图像，通过卷积神经网络的识别，通过两个全连接层降维，得到最后的唯一输出y，之后采用随机森林进行工况的准确判别，此时输出的工况类别即为最终工况类别。