MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别

为解决煤泥浮选过程依靠工人肉眼识别泡沫特征来调节药剂用量,造成药剂浪费,产品质量不合格的问题,提出一种MRMR和SSGMM联合分类模型的药况图像识别方法.针对泡沫图像的形态、纹理、颜色特征与泡沫类别具有不同程度的相关性.将精煤灰分作为泡沫的类别信息,利用最大相关最小冗余(MRMR)算法筛选最优特征;针对传统的高斯混合模型(GMM)在聚类时,存在结果需人为判断实现分类的问题,通过引入少量已知加药状况下的泡沫图像特征样本对其改进,构建半监督高斯混合模型(SSGMM)泡沫图像聚类器.将优选的且具有少量先验标签信息的多维泡沫图像特征融合到SSGMM聚类模型中,利用少量的标记样本引导聚类,并将其标签信息映射给聚类结果实现自动分类.实验表明,这种联合分类模型提高了泡沫识别的准确性,为药剂用量的准确控制与精煤产品质量提供了关键技术支持.     

基于泡沫大小动态分布的浮选生产过程加药量健康状态分析

针对矿物浮选过程泡沫大小分布随着药剂量的改变而动态变化的特点,提出一种基于泡沫大小动态分布特征的具有自学习功能的浮选生产过程加药量健康状态统计模式识别方法.首先,通过泡沫图像分割、气泡尺寸分布核密度估计获得浮选气泡大小的概率密度分布函数,采用无监督的最远邻聚类方法获得典型药剂量添加状态下的气泡尺寸统计分布特征集;然后,采用简单的贝叶斯推理方法获得测试时间段对应的药剂添加健康状态分析识别结果,并根据浮选生产工况状态的动态变化对各典型药剂状态下的气泡大小统计分布特征集进行在线学习修正.实验结果表明,所提出方法能实时获取泡沫尺寸分布的动态变化,实现浮选药剂操作健康状态的自动识别与评价,为进一步实现浮选生产过程的加药量优化控制奠定了基础.     

一种基于组策略的过滤式特征选择算法

MRMR算法具有快速、高效等优势,在处理高维数据方面较为流行。基于此,提出一种基于组策略的MRMR改进算法（MRMRE）,该算法不仅考虑单个特征属性的相关性与冗余性,同时针对特征组间的相互关系进行研究。算法以MRMR算法为框架,以CCA作为度量基准,选择SVMs作为基分类器,使其特征选择效果提升。在UCI机器学习数据库中图像与基因序列数据集上的大量实验表明：与MRMR算法相比,所提出的算法其特征选择结果具有更高的结果稳定性与分类精度。     

WND-CHARM: Multi-purpose image classification using compound image transforms

We describe a multi-purpose image classifier that can be applied to a wide variety of image classification tasks without modifications or fine-tuning, and yet provide classification accuracy comparable to state-of-the-art task-specific image classifiers. The proposed image classifier first extracts a large set of 1025 image features including polynomial decompositions, high contrast features, pixel statistics, and textures. These features are computed on the raw image, transforms of the image, and transforms of transforms of the image. The feature values are then used to classify test images into a set of pre-defined image classes. This classifier was tested on several different problems including biological image classification and face recognition. Although we cannot make a claim of universality, our experimental results show that this classifier performs as well or better than classifiers developed specifically for these image classification tasks. Our classifier's high performance on a variety of classification problems is attributed to (i) a large set of features extracted from images; and (ii) an effective feature selection and weighting algorithm sensitive to specific image classification problems. The algorithms are available for free download from openmicroscopy.org.     

基于泡沫图像特征和物元可拓模型的锑浮选工况识别

针对锑浮选泡沫图像特征相互耦合、重要度差异显著引起工况难以识别的问题, 提出一种锑浮选工况识别方法. 首先, 在结合敏感性指数与主元分析法选取关键泡沫特征的基础上, 建立物元可拓模型, 通过关联函数计算关键泡沫特征与预设工况类别的关联度; 然后, 引入博弈论, 将层次分析法和熵权法确定的主、客观权重优化融合, 得到泡沫特征的综合权重; 最后, 计算综合关联度, 实现浮选工况的准确识别. 锑浮选工业现场的生产数据验证了所提出方法的有效性.

     

局部颜色特征与工艺参数融合的铜浮选入矿类型识别

针对铜浮选过程中矿源变化频繁而造成的浮选工况难以识别、生产过程不稳定等问题,在分析铜浮选流程特点的基础上,提出了一种局部颜色特征与关键工艺参数融合的铜浮选入矿类型识别方法.首先采用多元图像处理方法提取泡沫图像局部颜色特征,然后采用混合滤波、时间配准算法将其与关键工艺参数进行数据融合,最后用融合后的混合特征进行模糊聚类,得到隶属度矩阵和聚类中心.工业数据仿真结果验证了本文所提方法的有效性.     

浮选泡沫图像等效尺寸分布特征提取

利用图像分割方法提取浮选泡沫图像的尺寸分布特征易受光照影响, 鲁棒性不强, 而利用小波纹理分析方法提取泡沫图像纹理特征则具有多尺度统计特性, 对光照鲁棒性较强, 但没有形态学意义. 针对这一问题, 提出一种浮选泡沫图像等效尺寸分布特征提取方法, 提取一种新的浮选泡沫图像特征—–等效尺寸分布特征, 并将其应用于铜浮选泡沫图像分类识别. 实验结果表明, 所提取的等效尺寸分布特征可以有效区分3 种不同浮选工况所对应的泡沫图像.     

基于改进深度残差网络的矿井图像分类

精确煤矸分类及识别能力是煤矿智能煤矸分选机器人要解决的关键问题。在通过深度学习图像分类方法的检测煤矸石中,为克服当前残差网络计算量大、复杂度高以及信息丢失的问题,提出了基于改进深度残差网络的图像分类方法。并提出了一种新的损失函数soft-center loss,克服由于softmax分类器对特征的区分判别能力差以及易造成模型过度自信的问题。同时在图像预处理阶段利用CBDNet去噪网络,提高了井下图像的质量,进一步提升了煤矸分类的准确率。实验结果表明,基于改进深度残差网络分类模型相比于其他分类网络模型在井下图像分类准确率提高了4.12%,在公开数据集CIFAR-10准确率提高了1.5%。     

基于纹理粗细度测量的铝土矿浮选过程最佳精选泡沫状态分析

为实现铝土矿浮选生产工况的自动监测和智能评价,提出一种基于机器视觉的精选泡沫最佳生产状态量化分析与选择方法。首先,通过改进LBP算子实现精选泡沫图像表面纹理粗细度特征的提取;然后,进一步分析了精矿品位与精选泡沫纹理特征间的关系,以获得最佳生产工况下的精选泡沫表面纹理粗细度特征区间。该方法可以实时监测精选泡沫表面纹理的变化,并自动鉴别精选泡沫是否处于最佳生产状态,为实现铝土矿浮选过程优化控制奠定了基础。     

基于统计模式识别的岩石节理图像分割方法

岩石节理裂隙形状复杂,图像中含有很多噪声。而使用统计模式识别方法在分割图像时,可以首先使分类器学习图像中不同样本的特征,进而利用这些特征对图像中每个像素进行分类,实现分割。在设计统计模式识别的分类器时,我们提出使用基于核函数Fisher判别法构造分类器。使用该方法可以将图像高维的属性空间上的非线形判别转化为图像特征空间上的线形判别,而不需要知道从属性空间到特征空间的具体映射形式。通过对岩石节理裂隙图像分割实验表明,该方法能达到较其他方法更好的分割效果。     

Probability density function of bubble size based reagent dosage predictive control for copper roughing flotation

As an effective measurement indicator of bubble stability, bubble size structure is believed to be closely related to flotation performance in copper roughing flotation. Moreover, reagent dosage has a very important influence on bubble size structure. In this paper, a novel reagent dosage predictive control method based on probability density function (PDF) of bubble size is proposed to implement the indices of roughing circuit. Firstly, the froth images captured in the copper roughing are segmented by using a two-pass watershed algorithm. In order to characterize bubble size structure with non-Gaussian feature, an entropy based B-spline estimator is hence investigated to depict the PDF of the bubble size. Since the weights of B-spline are interrelated and related to the reagent dosage, a multi-output least square support vector machine (MLS-SVM) is applied to depict a dynamic relationship between the weights and the reagent dosage. Finally, an entropy based optimization algorithm is proposed to determine reagent dosage in order to implement tracking control for the PDF of the output bubble size. Experimental results can show the effectiveness of the proposed method.     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

一种纸币识别方法研究

快速准确的纸币清分在银行业中具有非常重要的意义。清分系统包括纸币图像采集、图像预处理、特征提取及分类器设计等几个步骤,其中分类器设计是核心技术基础。论文提出了一种用于高速纸币清分的人民币识别方法,该方法基于整张纸币的特征提取,采用了基于结构风险最小化的高斯混合模型(GMM)设计识别分类器。实验结果表明,提出的方法取得了较高的识别率。     

户外天气状况分类识别

针对户外监控系统需要利用图像画面进行天气状态识别的问题,提出了一种新的词袋模型,以及SVM和随机森林相结合的分类方法,对晴天与阴天两类天气状态进行识别.词袋模型利用SIFT特征,通过聚类构建词典,并用最小二乘法求解最佳图像的词典结构参数,最终根据金字塔匹配得到多尺度图像词袋模型特征.分类器的构造采用支持向量机（SVM）作为一级分类器,对小置信样本进行粗分类,之后,再利用随机森林构造作为二级分类器进行判别.通过对两类天气图像集的10 000张图像进行测试,其识别准确率验证了方法的有效性.     

数据驱动的锑粗选泡沫图像特征优化设定

针对锑浮选过程中精、尾矿品位难以在线检测, 浮选性能不稳定的问题, 提出一种数据驱动的泡沫图像特征优化设定方法. 该方法根据入矿品位类型对泡沫图像特征进行优化设定, 并针对不同入矿品位类型的样本分布特点,先尝试采用案例推理的方法从历史数据中寻找浮选性能优良的泡沫状态. 若经验知识不足, 则采用基于多中心模糊C均值聚类与概率支持向量回归的区间II 型模糊系统建模方法建立精、尾矿品位指标模型, 并在此基础上利用智能优化方法寻优泡沫图像特征值. 某锑浮选工业实验结果表明了所提出方法的有效性.

     

多尺度卷积递归神经网络的RGB-D物体识别

摘 要: 为充分利用RGB-D图像提供的潜在特征信息,提出了多尺度卷积递归神经网络算法（Multi-scale Convolutional-Recursive Neural Networks,Ms-CRNN）。该算法对RGB-D图像的RGB图、灰度图、深度图及3D曲面法线图进行不同尺度分块形成多个通道,每个通道与相应尺寸的滤波器卷积,提取的特征图经局部对比度标准化和下采样后作为递归神经网络（Recursive Neural Networks ,RNN）层的输入以得到更加抽象的高层特征。融合后的多尺度特征,由SVM分类器进行分类。基于RGB-D数据集的仿真实验结果表明,综合利用RGB-D图像的多尺度特征,提出的Ms-CRNN算法在物体识别率上达到88.2%,和先前方法相比有了较大的提高。     

3D密集全卷积的高光谱地物分类算法研究

针对高光谱遥感图像训练样本较少、光谱维度较高、空间特征与频谱特征存在差异性而导致高光谱地物分类的特征提取不合理、分类精度不稳定和训练时间长等问题,提出了基于3D密集全卷积（3D-DSFCN）的高光谱图像（HSI）分类算法。算法通过密集模块中的3D卷积核分别提取光谱特征和空间特征,采用特征映射模块替换传统网络中的池化层和全连接层,最后通过softmax分类器进行分类。实验结果表明,基于3D-DSFCN的HSI分类方法提高了地物分类的准确率、增强了低频标签的分类稳定性。     

糖尿病性视网膜图像的深度学习分类方法

目的 糖尿病性视网膜病变（DR）是目前比较严重的一种致盲眼病,因此,对糖尿病性视网膜病理图像的自动分类具有重要的临床应用价值。基于人工分类视网膜图像的方法存在判别性特征提取困难、分类性能差、耗时费力且很难得到客观统一的医疗诊断等问题,为此,提出一种基于卷积神经网络和分类器的视网膜病理图像自动分类系统。方法 首先,结合现有的视网膜图像的特点,对图像进行去噪、数据扩增、归一化等预处理操作;其次,在AlexNet网络的基础上,在网络的每一个卷积层和全连接层前引入一个批归一化层,得到一个网络层次更复杂的深度卷积神经网络BNnet。BNnet网络用于视网膜图像的特征提取网络,对其训练时采用迁移学习的策略利用ILSVRC2012数据集对BNnet网络进行预训练,再将训练得到的模型迁移到视网膜图像上再学习,提取用于视网膜分类的深度特征;最后,将提取的特征输入一个由全连接层组成的深度分类器将视网膜图像分为正常的视网膜图像、轻微病变的视网膜图像、中度病变的视网膜图像等5类。结果 实验结果表明,本文方法的分类准确率可达0.93,优于传统的直接训练方法,且具有较好的鲁棒性和泛化性。结论 本文提出的视网膜病理图像分类框架有效地避免了人工特征提取和图像分类的局限性,同时也解决了样本数据不足而导致的过拟合问题。     

基于粗糙集的火灾图像特征选择与识别

针对图像型火灾探测方法检测准确度和实时性间的矛盾,提出了基于粗糙集的火灾图像特征选择和识别算法。首先通过对火焰图像特征的深入研究发现,在燃烧能量的驱动下火焰的上边缘极不规则,出现明显的震动现象,而下边缘却恰恰相反; 基于此特点,可利用上下边缘抖动投影个数比作为火焰区别于边缘形状较规则的干扰。然后,选择火焰的6个显著特征构造训练样本,在火灾分类能力不受影响的前提下,使用实验所得的特征量归类表对训练样本进行属性约简,并将约简后的信息系统属性训练支持向量机模型,实现火灾探测。最后与传统支持向量机火灾探测算法做了比较。实验结果表明:将粗糙集作为支持向量机分类器的前置系统,把粗糙集理论的属性约简引入到支持向量机中,可以大大消除样本集冗余属性,降低了火灾图像特征空间的维数,减少了分类器训练和检测数据,在保证识别精度的同时,提高了算法的速度和泛化能力。     

基于WCGAN的矿物浮选泡沫图像光照不变颜色提取

浮选泡沫表面颜色是选矿生产指标(精矿品位)最为快速便捷的直接指示器. 然而, 泡沫图像信号因受多种可变光照的交叉干扰而不可避免存在严重色偏, 导致浮选指标难以准确评估. 本文将传统的基于光照估计的图像颜色恒常问题转换为一种结构保持的图到图颜色(风格)转移问题, 提出一种基于Wasserstein距离的循环生成对抗网络(Wasserstein distance-based cycle generative adversarial network, WCGAN)用于泡沫图像光照不变颜色特征在线监测. 在标准颜色恒常数据集和实际的工业铝土矿浮选过程进行实验验证, 结果表明, WCGAN能有效实现各种未知光照条件下(色偏)图像到基准光照条件下的颜色转换, 转换速度快且具有模型在线更新功能. 与传统的基于生成对抗学习的颜色转换模型相比, WCGAN能更好地保持泡沫图像的轮廓和表面纹理等结构信息, 为基于机器视觉的矿物浮选过程生产指标的在线监测提供了有效的客观评价信息.