基于支持向量机的浮选泡沫图像识别

《基于支持向量机的浮选泡沫图像识别》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于支持向量机的浮选泡沫图像识别关键词：一，浮选的背景　　目前，浮选过程的工况判别采取主要办法是，有经验的操作工人通过观察浮选槽表面泡沫调整操作。因为泡沫图像能够反应出浮选过程的工况，所以研究基于机器视觉的泡沫图像识别，并给浮选工业过程操作提供指导，对提高矿产资源的利用效率、实现企业的可持续发展，具有很现实的意义[1，2]。工业现场浮选槽如图1所示：　　　　　　　　　　本文以浮选过程监控软件自动存储的历史数据为基础，挑选出典型泡沫图像对应的数据来训练和验证支持向量机，以此来判别浮选过程图像类型。其研究的框架如图

2、2所示：　　　　二，支持向量机的简介　　支持向量机（SupportVectorMachine）是Vapnik等人依据统计学理论提出的一种新的机器学习方法，它是基于VC维理论和结构风险最小原理建立起来的，能够比较好的解决小样本、非线性、高维数和局部极小点等实际问题，已经成为机器学习领域最为活跃的研究热点之一，并且在模式识别、回归估计、密度估计和时间序列预测等方面取得了比较大的进展。三，泡沫图像类别的识别　　研究的主要对象为三种典型的泡沫，正常、水化和粘性，其图像如下图3所示：　　　　　图像预处理：采取图像的增强、

3、重构滤波来处理图像，为特征提取提供更清晰准确的图像。特征提取：从泡沫图像中提取出14个图像特征数据。　　特征选择：使用类间类内距离评价函数分别衡量单特征分类效果，选择分类效果比较好的特征向量。从14个图像变量中挑选出红色分量、泡沫大小、速度、承载量作为输入的变量。红色分量能够反映矿物整体的矿物附着量水平，粘性泡沫附着的矿物多，水化的较少。泡沫大小是能比较明显的区分出泡沫的类型。速度是浮选过程重要指标之一，粘性泡沫流动速度慢，水化泡沫流速快。　　支持向量机的训练：本文选用的是由台湾大学林智仁(LinChih-Je

4、n)副教授等开发设计的一个简单、易于使用和快速有效的应用工具软件LIBSVM进行仿真[3]。SVM设置类型选用默认的设置。四，实验仿真　　首先把数据分为训练数据和验证数据[4]。训练样本选用三种类型泡沫的四个特征数据各12组，并且进行标签。正常记为1，水化记为2，粘性记为3。训练后再用三种泡沫的四个特征验证数据进行验证。其结果如下所示：经分析得，本分类具有很好分类的效果。五，结论分析　　本文方法能够成功的分别出典型的泡沫图像，给现场工人提供了特定工况下的可靠参考。但是在推广到工程运用方面值得深入研究。泡沫的种类

5、可以细分为多种，在辨识多种类型的泡沫方面值得细致深入研究。