基于复原图像特征与深度视觉特征融合的锑粗选异常工况识别

本文针对锑粗选异常工况下泡沫层高度改变,导致位置固定的工业相机采集到的泡沫图像存在离焦模糊的问题,提出了一种基于泡沫复原图像特征和深度视觉特征融合的锑粗选异常工况识别方法.该方法首先通过分析不同工况下模糊泡沫图像的特点,采用基于L0和L2正则项的模糊核估计方法提取了模糊核零范数特征,再利用L-R算法提取了灰度平均梯度差特征.其次,为了往更深层次挖掘异常工况下模糊泡沫图像的特征信息,本文采用迁移学习方法,基于InceptionResNetV1深度神经网络,利用大量泡沫图像数据对深度神经网络进行微调,进而提取泡沫图像的深度视觉特征.最后,基于XGBoost机器学习算法,先对高维视觉特征进行降维,再...

Full description

Saved in:
Bibliographic Details
Published in控制理论与应用 Vol. 37; no. 6; pp. 1207 - 1217
Main Authors 保江, 谢永芳, 刘金平, 唐朝晖, 艾明曦
Format Journal Article
LanguageChinese
Published 中南大学自动化学院,湖南长沙,410083%湖南师范大学信息科学与工程学院,湖南长沙,410081 01.06.2020
Subjects
泡沫浮选
灰度平均梯度差
InceptionResNetV1
XGBoost
工况识别
迁移学习
模糊核零范数
Online AccessGet full text
ISSN1000-8152
DOI10.7641/CTA.2019.90392

Cover

More Information
Summary:本文针对锑粗选异常工况下泡沫层高度改变,导致位置固定的工业相机采集到的泡沫图像存在离焦模糊的问题,提出了一种基于泡沫复原图像特征和深度视觉特征融合的锑粗选异常工况识别方法.该方法首先通过分析不同工况下模糊泡沫图像的特点,采用基于L0和L2正则项的模糊核估计方法提取了模糊核零范数特征,再利用L-R算法提取了灰度平均梯度差特征.其次,为了往更深层次挖掘异常工况下模糊泡沫图像的特征信息,本文采用迁移学习方法,基于InceptionResNetV1深度神经网络,利用大量泡沫图像数据对深度神经网络进行微调,进而提取泡沫图像的深度视觉特征.最后,基于XGBoost机器学习算法,先对高维视觉特征进行降维,再融合复原图像特征与深度视觉特征,对不同工况下的泡沫图像进行分类识别.锑粗选实验结果表明,该方法能够有效降低样本错分率,提高锑粗选异常工况识别率.
ISSN:1000-8152
DOI:10.7641/CTA.2019.90392