CN112580659A - 一种基于机器视觉的矿石识别方法 - Google Patents

一种基于机器视觉的矿石识别方法 Download PDF

Info

Publication number
CN112580659A
CN112580659A CN202011245109.3A CN202011245109A CN112580659A CN 112580659 A CN112580659 A CN 112580659A CN 202011245109 A CN202011245109 A CN 202011245109A CN 112580659 A CN112580659 A CN 112580659A
Authority
CN
China
Prior art keywords
ore
image
features
machine vision
identification method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202011245109.3A
Other languages
English (en)
Inventor
吴佳
李明宸
唐文妍
莫海红
郭宇豪
孟江南
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202011245109.3A priority Critical patent/CN112580659A/zh
Publication of CN112580659A publication Critical patent/CN112580659A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉的矿石识别方法，包括以下步骤：获取矿石图像并制作成数据集，将数据集中的图像进行标注，分为合格与不合格两类(合格标注为1，不合格标注为0)；将数据集进行预处理，包括去噪、裁剪等操作；对预处理后的图像进行颜色特征与纹理特征的提取，将两种特征进行组合形成新的特征集；采用特征约简算法对组合后的特征集进行特征选择；最后使用机器学习分类算法进行分类识别。本发明形成了一套完整的、基于机器视觉的矿石识别方法，算法简单高效，识别精度高。

Description

一种基于机器视觉的矿石识别方法
技术领域
本发明涉及一种图像识别方法，特别涉及一种基于机器视觉的矿石识别方法。
背景技术
矿石筛选是矿石工艺生产中的重要环节，杂质含量较高的矿石会影响整体矿石的质量，并且不适用于生产建筑用料。传统的矿石分拣方法为人工分选，而人工分选方法存在着操作环境差、生产效率低等缺点。近些年随着计算机视觉技术的发展，基于图像处理的识别技术得到了广泛应用，在图像识别中最关键的一环是图像特征的提取，图像特征主要包括颜色、纹理和形状三种，特征的选用对识别结果有重要的影响。由于矿石具有一些特殊的表面特征，如表面粗糙斑驳，粉尘与矿石颗粒之间的粘连、堆叠等，单个纹理、颜色特征不足以对复杂图像进行有效的识别。
在应用机器学习方法对矿石进行分类时，图像特征的选择对分类识别性能产生至关重要的影响，冗余的特征不仅导致识别速度变慢，而且会使得分类准确度降低，现有的特征提取方法只是针对某一方面进行特征的提取，并没有对特征进行选择，而是将所有特征应用于分类器的识别中，这个将无法很好地满足对于矿石图像的分类。
发明内容
为了解决上述技术问题，本发明提供一种算法简单高效、识别精度高的基于机器视觉的矿石识别方法。
本发明解决上述问题的技术方案是：一种基于机器视觉的矿石识别方法，包括以下步骤：
步骤一：获取矿石图像，将采集的图像进行标注，合格标注为1、不合格标注为0；
步骤二：对数据集中的图像进行预处理，主要包括去噪等操作；
步骤三：提取图像的颜色(RGB)特征与灰度共生矩阵(GLCM)特征，将两种进行特征组合，形成一组新的特征集；
步骤四：将组合后的特征集使用特征约简算法，精简特征集中的特征数；
步骤五：将关键特征集与对应的类型标签一起输入到分类器进行训练。
上述基于机器视觉的矿石识别方法，所述步骤一中，在矿石加工厂现场收集多种矿石图像样本集；对样本集中的矿石图像进行分割并标注，合格标为1，不合格标为0。
上述基于机器视觉的矿石识别方法，所述步骤二中，对样本集中的图像进行预处理，去除成像过程中造成的图像质量损坏，预处理方法包括中值滤波、裁剪等操作。
上述基于机器视觉的矿石识别方法，所述步骤三中，矿石图像的识别包括以下步骤：
Ⅰ)提取样本集中每块矿石图像的颜色(RGB)特征，得到每块矿石图像的R、G、B三个颜色分量的均值；
Ⅱ)提取样本集中每块矿石图像的灰度共生矩阵(GLCM)特征，得到每块矿石图像的对比度、相关性、能量和逆差矩4种纹理特征，通过计算在0°、45°、90°、135°四个方向上对应的值，得到一个16维特征集；
Figure BDA0002769733650000021
Figure BDA0002769733650000022
Figure BDA0002769733650000023
Figure BDA0002769733650000024
式中，f1、f2、f3、f4分别为对比度、相关性、能量和逆差矩；L为灰度级数；i，j分别表示一幅图像中不同位置的灰度值；d为距离，通常取值为1；θ为方向，取值为0°、45°、90°、135°；u1为变量i的均值，
Figure BDA0002769733650000025
u2为变量j的均值，
Figure BDA0002769733650000026
σ1为变量i的方差，
Figure BDA0002769733650000027
σ2为变量j的方差，
Figure BDA0002769733650000028
Ⅲ)将提取的颜色特征与灰度共生矩阵特征进行组合，组成一个具有19维的特征集。
上述基于机器视觉的矿石识别方法，所述步骤四中，使用基于邻域粒化及不一致性度量的属性约简算法对组合后的特征进行约简，选择合适的评价函数约简得到能识别矿石图像的关键特征集。
上述基于机器视觉的矿石识别方法，所述步骤五中，将关键特征集与对应的类型标签作为分类器中的训练样本，通过训练获得基于机器视觉的矿石分类模型，并进行实验验证。
本发明的有益效果在于：本发明首先通过在矿石加工厂现场采集矿石图像，将收集到的矿石图像制作成样本集，对样本集中的矿石图像分割后进行标注，分为合格与不合格两类；然后对图像进行预处理，消除获取图片时受到的来自外部环境和成像设备等一定程度上噪音的影响，以获取高质量清晰的图像样本；再对预处理后的图像进行特征提取，提取每块矿石图像的颜色(RGB)特征和纹理特征中的灰度共生矩阵(GLCM)特征，并且将两种特征进行组合，形成一个新的特征集；采用基于邻域粒化及不一致度量的快速属性约简算法对于组合后的特征进行约简，去除冗余的特征，保留对识别最重要的特征，形成新的特征集；最后将关键特征集与对应的类型标签作为分类器的训练样本，通过训练得到分类模型。整个方法描述了使用基于机器视觉的矿石识别方法，通过提取不同特征后进行组合，再使用特征选择算法对特征进行选择得到关键特征集，实现了矿石识别过程中的特征数的简化，提高分类器的识别率，算法简单，识别精度高。
附图说明
图1为本发明的流程图。
图2为本发明的特征选择流程图。
图3为本发明的属性约简与分类精度结果图。
具体实施方式
下面结合附图对本发明作进一步的说明。
如图1所示，一种基于机器视觉的矿石识别方法，包括以下步骤：
步骤一：根据在矿石加工厂现场中得到的矿石，采集矿石图像并创建数据集，并对数据集中的图像先进行分割再标记。具体分为两类，合格矿石图像标注为1，不合格矿石图像标注为0。
步骤二：对数据集中的图像进行预处理。
图像在获取过程中，通常会受到外部环境和成像设备的影响，一定程度上带来了噪声干扰，使得图像的质量下降。在对矿石图像进行特征提取前有必要进行图像的预处理，以此来获得高质量清晰的图像，根据矿石开采和成像的实际场景带来的噪声，可以采用中值滤波进行降噪，在过滤噪声的同时还可以保证图像边缘信息不丢失。
步骤三：提取每块矿石图像的颜色特征与纹理特征，将两种特征进行组合。包括以下步骤：
Ⅰ)提取样本集中每块矿石图像的颜色(RGB)特征，得到每块矿石图像的R、G、B三分量的均值，作为一个3维特征集；
Ⅱ)提取每块矿石图像的对比度、相关性、能量和逆差矩4种纹理特征，通过计算在0°、45°、90°、135°四个方向上对应的值，得到一个16维特征集；
Figure BDA0002769733650000041
Figure BDA0002769733650000042
Figure BDA0002769733650000043
Figure BDA0002769733650000044
式中，f1、f2、f3、f4分别为对比度、相关性、能量和逆差矩；L为灰度级数；i，j分别表示一幅图像中不同位置的灰度值；d为距离，通常取值为1；θ为方向，取值为0°、45°、90°、135°；u1为变量i的均值，
Figure BDA0002769733650000045
u2为变量j的均值，
Figure BDA0002769733650000046
σ1为变量i的方差，
Figure BDA0002769733650000047
σ2为变量j的方差，
Figure BDA0002769733650000048
Ⅲ)将提取的颜色特征与灰度共生矩阵特征进行组合，组成一个具有19维的特征集。
步骤四：如图2所示，对于步骤三所得到的特征，使用基于邻域粒化及不一致度量的快速属性约简算法进行特征约简，如表1所示，通过约简算法后得到了能识别矿石图像的关键特征集，进一步降低特征维数，并保留原有的大量特征信息。
表1关键特征集及分类精度结果
Figure BDA0002769733650000049
步骤五：对于步骤四得到的关键特征集，将其与对应的类型标签一起作为分类器中的训练样本。图3为属性约简与分类精度结果图，其中在邻域半径σ＝0.28，约简属性数目为11时，达到最高分类精度90.78％。表2为邻域半径对约简特征数的影响、分类精度随约简后特征数变化的部分数据。
表2部分特征集数目与分类精度结果对比
Figure BDA0002769733650000051

Claims (6)

1.一种基于机器视觉的矿石识别方法，包括以下步骤：
步骤一：获取矿石图像，对采集的图像进行标注，合格标注为1、不合格标注为0；
步骤二：对数据集中的图像进行预处理，主要包括去噪、裁剪等操作；
步骤三：提取图像中矿石的颜色(RGB)特征与灰度共生矩阵(GLCM)特征，将两种特征进行组合，形成新的特征集；
步骤四：将组合后的特征集使用特征约简算法，精简特征集中的特征数；
步骤五：将精简后的特征与其标签一起输入到分类器进行训练。
2.根据权利要求1所述的基于机器视觉的矿石识别方法，其特征在于，所述步骤一中具体步骤为：
1-1)在矿石加工厂现场收集矿石图像样本集；
1-2)对矿石图像进行分割并标注，合格标为1，不合格标为0。
3.根据权利要求2所述的基于机器视觉的矿石识别方法，其特征在于，所述步骤二中，对样本集中的图像进行预处理，通过使用去噪等操作去除成像时受到的来自外部环境和成像设备等一定程度上噪音造成的影响。
4.根据权利要求3所述的基于机器视觉的矿石识别方法，其特征在于，所述步骤三中具体包括以下步骤：
Ⅰ)提取每块矿石图像的颜色(RGB)特征，得到每块矿石图像的R、G、B三颜色分量的均值；
Ⅱ)提取每块矿石图像的灰度共生(GLCM)特征，得到每块矿石图像的对比度f1、相关性f2、能量f3和逆差矩f44种纹理特征，通过计算在0°、45°、90°、135°四个方向上对应的值，得到一个16维特征集；
Figure FDA0002769733640000011
Figure FDA0002769733640000012
Figure FDA0002769733640000013
Figure FDA0002769733640000014
式中，f1、f2、f3、f4分别为对比度、相关性、能量和逆差矩；L为灰度级数；i，j分别表示一幅图像中不同位置的灰度值；d为距离，通常取值为1；θ为方向，取值为0°、45°、90°、135°；u1为变量i的均值，
Figure FDA0002769733640000021
u2为变量j的均值，
Figure FDA0002769733640000022
σ1为变量i的方差，
Figure FDA0002769733640000023
σ2为变量j的方差，
Figure FDA0002769733640000024
Ⅲ)将提取的颜色特征与灰度共生矩阵特征进行组合，形成一个具有19维的特征集。
5.根据权利要求4所述的基于机器视觉的矿石识别方法，其特征在于，所述步骤四中，使用基于邻域粒化及不一致性度量的属性约简算法对组合后的特征集进行约简，选择合适的评价函数约简，得到能识别矿石图像的关键特征集。
6.根据权利要求5所述的基于机器视觉的矿石识别方法，其特征在于，所述步骤五中，将关键特征集与其类型标签作为分类器中的训练样本，通过训练获得基于机器视觉的矿石分类模型，并进行实验验证。
CN202011245109.3A 2020-11-10 2020-11-10 一种基于机器视觉的矿石识别方法 Pending CN112580659A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011245109.3A CN112580659A (zh) 2020-11-10 2020-11-10 一种基于机器视觉的矿石识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011245109.3A CN112580659A (zh) 2020-11-10 2020-11-10 一种基于机器视觉的矿石识别方法

Publications (1)

Publication Number Publication Date
CN112580659A true CN112580659A (zh) 2021-03-30

Family

ID=75122572

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011245109.3A Pending CN112580659A (zh) 2020-11-10 2020-11-10 一种基于机器视觉的矿石识别方法

Country Status (1)

Country Link
CN (1) CN112580659A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113554071A (zh) * 2021-07-08 2021-10-26 广东石油化工学院 一种岩石样品中伴生矿物识别方法及***
CN113591583A (zh) * 2021-06-30 2021-11-02 沈阳科来沃电气技术有限公司 一种智能硼矿选矿***及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766856A (zh) * 2016-08-20 2018-03-06 湖南军芃科技股份有限公司 一种基于Adaboost机器学习的矿石可见光图像分选方法
CN107808161A (zh) * 2017-10-26 2018-03-16 江苏科技大学 一种基于光视觉的水下目标识别方法
CN108564111A (zh) * 2018-03-26 2018-09-21 太原理工大学 一种基于邻域粗糙集特征选择的图像分类方法
CN109214415A (zh) * 2018-07-19 2019-01-15 西安建筑科技大学 一种矿石破碎研磨效果评判方法
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法
CN111091134A (zh) * 2019-11-14 2020-05-01 武汉纺织大学 一种基于多特征融合的色纺织物组织结构识别的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766856A (zh) * 2016-08-20 2018-03-06 湖南军芃科技股份有限公司 一种基于Adaboost机器学习的矿石可见光图像分选方法
CN107808161A (zh) * 2017-10-26 2018-03-16 江苏科技大学 一种基于光视觉的水下目标识别方法
CN108564111A (zh) * 2018-03-26 2018-09-21 太原理工大学 一种基于邻域粗糙集特征选择的图像分类方法
CN109214415A (zh) * 2018-07-19 2019-01-15 西安建筑科技大学 一种矿石破碎研磨效果评判方法
CN109308697A (zh) * 2018-09-18 2019-02-05 安徽工业大学 一种基于机器学习算法的树叶病害识别方法
CN111091134A (zh) * 2019-11-14 2020-05-01 武汉纺织大学 一种基于多特征融合的色纺织物组织结构识别的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591583A (zh) * 2021-06-30 2021-11-02 沈阳科来沃电气技术有限公司 一种智能硼矿选矿***及方法
CN113554071A (zh) * 2021-07-08 2021-10-26 广东石油化工学院 一种岩石样品中伴生矿物识别方法及***

Similar Documents

Publication Publication Date Title
CN108982508B (zh) 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法
CN108562589B (zh) 一种对磁路材料表面缺陷进行检测的方法
CN110443128B (zh) 一种基于surf特征点精确匹配的指静脉识别方法
CN113239954B (zh) 基于注意力机制的图像语义分割特征融合方法
CN111582294A (zh) 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用
CN112037219A (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN112580659A (zh) 一种基于机器视觉的矿石识别方法
CN109916913A (zh) 一种基于机器视觉的智能制造产品识别与检测方法
CN115661072A (zh) 一种基于改进Faster RCNN算法的圆盘耙片表面缺陷检测方法
CN111738367A (zh) 一种基于图像识别的零件分类方法
CN113870202A (zh) 一种基于深度学习技术的远端芯片缺陷检测***
CN110503051B (zh) 一种基于图像识别技术的珍贵木材识别***及方法
CN116205876A (zh) 基于多尺度标准化流的无监督笔记本外观缺陷检测方法
CN112132798B (zh) 基于Mini ARU-Net网络的复杂背景PCB标记点图像检测方法
CN111932639B (zh) 一种基于卷积神经网络的不均衡缺陷样本的检测方法
CN113723314A (zh) 一种基于YOLOv3算法的甘蔗茎节识别方法
CN110349129B (zh) 一种高密度柔性ic基板外观缺陷检测方法
CN109615626B (zh) 一种芯片表面印刷符号结构缺陷的质量评估方法
CN111768456A (zh) 一种基于木材颜色空间的特征提取方法
CN107818579B (zh) 基于四元数Gabor滤波的彩色纹理特征提取方法
CN114627463A (zh) 一种基于机器识别的非接触式配电数据识别方法
CN114723953A (zh) 一种面向图像来源检测的深度神经网络
CN113570542A (zh) 一种基于机器视觉的遮挡情况下煤矸石检测方法
CN112241954A (zh) 基于肿块差异化分类的全视野自适应分割网络配置方法
CN111563536A (zh) 一种基于机器学习的竹条颜色自适应分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210330