一种基于机器视觉的球团生球粒度分类方法技术

本发明专利技术涉及一种基于机器视觉的球团生球粒度分类方法，包括S1、球团生球粒度图像特征提取和数据处理；S2、根据训练集和图像标签集，计算每个特征权重；S3、根据特征权重和平均单一依赖估计器构造出贝叶斯分类器，并将这些贝叶斯分类器集成起来，构造出贝叶斯分类算法；S4、构造出贝叶斯分类器对待分类样本进行分类。本发明专利技术的优点是：提供的平均的单一依赖估计器与属性加权相结合的贝叶斯分类改进算法,改进现有的贝叶斯算法，提高分类准确率及计算效率；采用互信息方法计算每个特征与标签集的信息量，作为每个特征对标签的权重，再将特征权重引入达到贝叶斯分类器中，解决平均单一依赖估计器算法将多有特征对结果贡献看成相等的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于机器视觉的球团生球粒度分类方法


[0001]本专利技术涉及视频图像识别领域，尤其涉及一种基于机器视觉的球团生球粒度分类方法。

技术介绍

[0002]造球工艺是钢铁冶炼行业中作为提炼铁矿石的一种常用工艺，就是把细磨铁精矿粉或其他含铁粉料添加少量添加剂混合后，在加水润湿的条件下，通过造球机滚动成球，再经过干燥焙烧，固结成为具有一定强度和冶金性能的球型含铁原料。形状规则的直径为10～25mm的球团粒度均匀，微气孔多，还原性好，强度高，且易于贮存，有利于强化炼铁高炉生产。故而在造球工序中必须剔除去直径小于10mm大于25mm的球团生球。若剔除采用振动筛筛分方式，必然会对生球产生伤害，所以正常生产时不易对生球连续全面筛分，而实时根据生球直径情况采用按需筛分。目前，以人眼判断生球的直径情况为主，由人来决定是否对生球进行筛分，这样带来了现场人员工作强度大，主观判断准确度低，生球筛碎概率高等缺点。
[0003]贝叶斯网络具有对概率预测和事件相关性有较好的表达能力，分类效率稳定，是一种处理不确定性因素时知识为的技术。基于合理的概率知识，变量关系以图形展示，提供结果与变量之间关系的解释性为，被广泛应用在图像分类中。朴素贝叶斯定理假设一个属性值对给定类的影响独立于其它属性的值，但是此假设在实际情况中通常是不成立的，进而影响分类准确率。平均单一依赖估计器(Aggregating One
‑
Dependence Estimators,AODE)算法是一种放松朴素贝叶斯网络假设条件得到的一种贝叶斯方法，AODE将每个属性作为其他特征的父属性，并且将这些弱分类器集成起来。但AODE将所有的特征属性对分类的贡献程度看成是相等的，在处理一些实际问题时会限制它分类的正确率。

技术实现思路

[0004]为克服现有技术的不足，本专利技术的目的是提供一种基于机器视觉的球团生球粒度分类方法，采用互信息方法计算每个特征与标签集的信息量，作为每个特征对标签的权重，再将特征权重引入达到贝叶斯分类器中，解决平均单一依赖估计器算法将多有特征对结果贡献看成相等的问题。
[0005]为实现上述目的，本专利技术通过以下技术方案实现：
[0006]一种基于机器视觉的球团生球粒度分类方法，在贝叶斯网络基础上，公开了一种平均单一依赖估计器与特征加权相结合的贝叶斯分类改进算法，改进现有的平均单一依赖估计器算法，包括步骤如下：
[0007]S1、球团生球粒度图像特征提取和数据处理，包括步骤如下：
[0008]S11、对球团生球粒度图像进行特征提取，组成特征数据集X和对应的图像标签集C，特征数据集X的样本数量为m，特征个数为n，为训练集中任意图像样本为第i个样本的第j个特征；图像标签集C的大小为m
×
1，被分为v
个类别{C1,C2,
…
,C
v
}，v为类别；
[0009]S12、对步骤S11中提取的特征数据集X进行离散化处理，确定每个特征数据所要离散化的宽度，根据离散化的宽度重新计算特征值；
[0010]S13、对离散化处理后的特征数据集X进行划分，分成训练集X
train
和待分类样本集X
test
；
[0011]S2、根据训练集X
trian
和图像标签集C，计算每个特征权重；
[0012]S3、根据特征权重w
j
和平均单一依赖估计器构造出贝叶斯分类器，并将这些贝叶斯分类器集成起来，构造出贝叶斯分类算法，贝叶斯分类算法公式如下：
[0013][0014]公式
①
中，C(X)为待分类样本集X
test
中的一个待分类样本X根据分类器得出分类标签，x
n
为特征值，x
j
为第j个特征的样本，P(x
n
,C
v
)为在训练集X
train
中标签C
v
和待分类样本X第n个特征值出现的概率，P(x
j
|x
n
,C
v
)为在训练集X
train
中标签C
v
和待分类样本X第n个特征值出现的前提下，第j个特征出现的概率；
[0015]S4、根据步骤S3中构造出贝叶斯分类器对待分类样本进行分类，将待分类样本作为输入参数，利用贝叶斯分类器进行计算，计算出这样一个类别，使得贝叶斯分类器得出的值最大，那么该特征组就属于这个类别。
[0016]步骤S1中，球团生球粒度图像包括图像的粒度直径、粒度周长、圆形度、不变矩、灰度平均值、灰度方差、熵、能量、差异性、均质性、对比度。
[0017]步骤S12中，每个特征数据所要离散化的宽度，公式如下：
[0018][0019]公式
②
中，和为特征X
j
中的最大值和最小值，k为该特征所要离散的份数，width为离散化的宽度；
[0020]步骤S12中，根据离散化的宽度重新计算特征值，公式如下：
[0021][0022]公式
③
中，x为特征值，k为该特征所要离散的份数，
[0023]x∈(k
‑
1*width,k*width]为离散化处理后的特征数据集合。
[0024]步骤S13中，训练集X
train
为大量能表达缺陷图像特征的数据，待分类样本集X
test
为需要进行分类判断的当前数据，训练集X
train
中每个训练样本都具有类别。
[0025]步骤S2中，计算每个特征权重，包括步骤如下：
[0026]S21、初始化训练集X
train
中每个特征权重w
j
为0，其中j＝0,1,2,
…
,n；
[0027]S22、计算每个特征x
j
与图像标签集C的权重，更新特征权重，公式如下：
[0028][0029]公式
④
中，x
j
为第j个特征的样本，X
j
为特征j所包含的取值，x
j
∈X
j
为在训练集X
train
中第j个特征取值为该特征所有可能取得的值，p(x
j
,C)为x
j
和C分别取某一值时的概率，p(x
j
)为x
j
取某一值时的概率，p(C)为C为某一类时的概率，C∈v为图像标签集C可以取值的类别种类；
[0030]S23、归一化每个特征所计算的权重，计算归一化后的特征权重w
j
，公式如下：
[0031][0032]公式
⑤
中，max(w
j
)为特征权重中最大值，min(w
j
)为特征权重中最小值。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的球团生球粒度分类方法，其特征在于，在贝叶斯网络基础上，公开了一种平均单一依赖估计器与特征加权相结合的贝叶斯分类改进算法，改进现有的平均单一依赖估计器算法，包括步骤如下：S1、球团生球粒度图像特征提取和数据处理，包括步骤如下：S11、对球团生球粒度图像进行特征提取，组成特征数据集X和对应的图像标签集C，特征数据集X的样本数量为m，特征个数为n，为训练集中任意图像样本X
i
(i∈m)，为第i个样本的第j个特征；图像标签集C的大小为m
×
1，被分为v个类别{C1，C2，
…
，C
v
}，v为类别；S12、对步骤S11中提取的所述的特征数据集X进行离散化处理，确定每个特征数据所要离散化的宽度，根据离散化的宽度重新计算特征值；S13、对离散化处理后的特征数据集X进行划分，分成训练集X
train
和待分类样本集X
test
；S2、根据训练集X
trian
和图像标签集C，计算每个特征权重；S3、根据特征权重w
j
和平均单一依赖估计器构造出贝叶斯分类器，并将这些贝叶斯分类器集成起来，构造出贝叶斯分类算法，贝叶斯分类算法公式如下：公式
①
中，C(X)为待分类样本集X
test
中的一个待分类样本X根据分类器得出分类标签，x
n
为特征值，x
j
为第j个特征的样本，P(x
n
，C
v
)为在训练集X
train
中标签C
v
和待分类样本X第n个特征值出现的概率，P(x
j
|x
n
，C
v
)为在训练集X
train
中标签C
v
和待分类样本X第n个特征值出现的前提下，第j个特征出现的概率；S4、根据步骤S3中构造出贝叶斯分类器对待分类样本进行分类，将待分类样本作为输入参数，利用贝叶斯分类器进行计算，计算出这样一个类别，使得贝叶斯分类器得出的值最大，那么该特征组就属于这个类别。2.根据权利要求1所述的一种基于机器视觉的球团生球粒度分类方法，其特征在于，步骤S1中，球团生球粒度图像包括图像的粒度直径、粒度周长、圆形度、不变矩、灰度平均值、灰度方差、熵、能量、差异性、均质性、对比度。3.根据权利要求1所述的一种基于机器视觉的球团生球粒度分类方法，其特征在于，步骤S12中，所述的每个特征数据所要...

【专利技术属性】
技术研发人员：金业鹏，王行，巴青春，孙荻，
申请(专利权)人：辽宁中新自动控制集团股份有限公司，
类型：发明
国别省市：