一种选煤厂浮选图像颜色特征提取方法技术

本发明专利技术提供一种选煤厂浮选图像颜色特征提取方法，包括以下步骤：建立图像WCGAN网络，WCGAN网络包括生成器G以及F，判别器D1以及D2；收集光照下的泡沫图像，建立训练集，所述训练集包括未知光照泡沫图像集X以及特定光照下的泡沫图像集Y；根据中建立的WCGAN网络，使得D1(y)＝1，D1(G(x))＝0，D2(F(y))＝0，D2(x)＝1；其中，x∈X，y∈Y；对生成器以及判别器进行n次迭代训练；通过训练完成的模型对泡沫图像的颜色特征进行提取。本发明专利技术通过设置共享两个生成器且具有独立的判别器的WCGAN网络，将各种未知光照条件下的泡沫图像转换到基准色域下颜色显示，进而获得不受光照影响的泡沫颜色特征。进而获得不受光照影响的泡沫颜色特征。进而获得不受光照影响的泡沫颜色特征。

【技术实现步骤摘要】
一种选煤厂浮选图像颜色特征提取方法


[0001]本专利技术涉及图像识别
，尤其涉及一种选煤厂浮选图像颜色特征提取方法。

技术介绍

[0002]随着采煤机械化程度的提高，选煤厂原料煤中的粉煤量越来越多，为了实现精煤的最大产率，最大化回收资源，浮选作业变的越来越重要。浮选是指在充气的煤浆中，依据矿物表面性质的差异，实现有用矿物和无用矿物分离的目的。在浮选的过程中，浮选泡沫的颜色代表着精矿的质量，因此，对浮选泡沫色泽特征的提取成为了近几年国内外的研究热点，所以，设计一种选煤厂浮选图像颜色特征提取方法成为了本领域技术人员亟待解决的技术问题。

技术实现思路

[0003]本专利技术所要解决的技术问题是克服现有技术中存在的不足，提供一种选煤厂浮选图像颜色特征提取方法。
[0004]本专利技术是通过以下技术方案予以实现：一种选煤厂浮选图像颜色特征提取方法，包括以下步骤：
[0005]S1：建立图像WCGAN网络，WCGAN网络包括生成器G以及F,判别器D1以及D2；
[0006]S2：收集光照下的泡沫图像，建立训练集，训练集包括未知光照泡沫图像集X以及特定光照下的泡沫图像集Y；
[0007]S3：根据S1中建立的WCGAN网络，使得D1(y)＝1，D1(G(x))＝0，D2(F(y))＝0，D2(x)＝1；
[0008]其中，x∈X，y∈Y；
[0009]S4：对生成器以及判别器进行n次迭代训练；
[0010]S5：通过S4中训练完成的模型对泡沫图像的颜色特征进行提取。
[0011]根据上述技术方案，优选地，S3具体包括：
[0012]对于判别器D1：
[0013][0014]w1←
w1+αRMSProp(w1，gw1)；
[0015]其中，α为学习率，w1为判别器D1的网络参数集，gw1为w1在目标函数上的偏导数；
[0016]对于判别器D2：
[0017][0018]w2←
w2+αRMSProp(w2，qw2)；
[0019]其中，w2为判别器D2的网络参数集，gw2为w2在目标函数上的偏导数。
[0020]根据上述技术方案，优选地，S4具体包括：
[0021]S41：输入图像{x|x∈X}，通过生成器G转换为图像G(x)；
[0022]S42：通过判别器D1进行判别，根据判别结果对生成器G或判别器D1进行反向修改；
[0023]S43：将转换后的图片输入至生成器F，生成图像F(G(x))，根据计算循环一致性损失函数,并对生成器G进行反向修改；
[0024]S44：输入图像{y|y∈Y}，通过生成器F转换为图像F(x)；
[0025]S45：利用判别器D2进行判别，对生成器F或者判别器D2进行反向修改；
[0026]S46：将转换后的图片输入生成器F，生成图像G(F(y))，根据计算循环一致性损失函数，并对生成器G进行反向修改；
[0027]S47：将步骤S41
‑
S46重复循环n次，结束训练。
[0028]根据上述技术方案，优选地，S42、S43以及S46均通过式
[0029]对生成器进行反向修改，
[0030]其中，w为求解参数，L为求解的目标函数，θ为常数，L
dw
为w历史梯度的加权平方值。
[0031]根据上述技术方案，优选地，S2中在对图像进行收集后，进行图像预处理，具体包括：图像增强、图像去噪以及图像锐化。
[0032]根据上述技术方案，优选地，图像增强具体包括：将泡沫图像分割成矩形小块，调整矩形小块的数量和对比度增强限制，从而找到最适合图像增强的参数。
[0033]根据上述技术方案，优选地，图像去噪具体包括：在泡沫图像中按照一定的距离提取相似块并将相似块堆叠在一起，组成3维数组进行线性3D变换；随后进行联合硬阈值分割，将计算的结果回归原位，再对每个相应位置的像素点隐形加权平均运算，得到估计图像，使用子图像块匹配法，找到原噪声图像和估计图像中的相似块，从而形成两个三维数组；将这两个三维数组进行3D变换和维纳滤波处理，然后通过3D反变换得到所有分组的图像块估计；最终通过加权计算得到去噪图像。
[0034]根据上述技术方案，优选地，使用Laplacian算子进行锐化。
[0035]本专利技术的有益效果是：
[0036](1)本专利技术通过设置共享两个生成器且具有独立的判别器的WCGAN网络，将各种未知光照条件下的泡沫图像转换到基准色域下颜色显示,进而获得不受光照影响的泡沫颜色特征；
[0037](2)通过对采集的图像进行图形增强、图像去噪以及图像锐化处理，使得图像的色彩质量得到了大幅度的提升，便于后续的特征处理与分析。
附图说明
[0038]图1是本专利技术的方法流程图。
具体实施方式
[0039]为了使本
的技术人员更好地理解本专利技术的技术方案，下面结合附图和最佳实施例对本专利技术作进一步的详细说明。基于专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于专利技术保护的范围。
[0040]如图1所示，本专利技术提供了一种选煤厂浮选图像颜色特征提取方法，包括以下步骤：
[0041]S1：建立图像WCGAN网络，WCGAN网络包括生成器G以及F,判别器D1以及D2；
[0042]传统的GAN网络可能会出现模型崩塌以及难以收敛的情况发生，而本专利技术的WCGAN网络共享两个生成器且具有独立的判别器的方式，这样就形成了新的GAN网络，其中一个生成器用于实现未知光照图像到参考光照下图像的颜色转换，另一个生成器通过引入一致性约束，保证颜色转换后的图像能够再次转换为其原始的色域空间。
[0043]S2：收集光照下的泡沫图像，建立训练集，训练集包括未知光照泡沫图像集X以及特定光照下的泡沫图像集Y；
[0044]在药剂加入到加料室中后，与加料室内的煤泥矿浆反应，随后打开搅拌机对其进行搅拌，从而使矿浆缓慢上升，与此同时，打开充气装置，浮选泡沫出现，使用视觉相机采集图像。
[0045]为了减小自然光对图像的干扰，因此，本专利技术采用工业相机对泡沫图像进行采集并且在工业相机的周围设置遮光罩也减少自然光的干扰。
[0046]S3：生成器G的对抗损失函数为：
[0047][0048]生成器F的对抗损失函数为：
[0049][0050]再根据S1中建立的WCGAN网络，使用RMSProp优化算法求解，使得D1(y)＝1，D1(G(x))＝0，D2(F(y))＝0，D2(x)＝1；
[0051]其中，x∈X，y∈Y，以生成器G以及判别器D1作为WCGAN网络的GAN1，以生成器F以及判别器D2作为GAN2；
[0052]S4：对生成器以及判别器进行n次迭代训练；
[0053]S5：通过S4中训练完成的模型对泡沫图像的颜色特征进行提本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种选煤厂浮选图像颜色特征提取方法，其特征在于，包括以下步骤：S1：建立图像WCGAN网络，所述WCGAN网络包括生成器G以及F，判别器D1以及D2；S2：收集光照下的泡沫图像，建立训练集，所述训练集包括未知光照泡沫图像集X以及特定光照下的泡沫图像集Y；S3：根据S1中建立的WCGAN网络，使得D1(y)＝1，D1(G(x))＝0，D2(F(y))＝0，D2(x)＝1，其中，x∈X，y∈Y；S4：对生成器以及判别器进行n次迭代训练；S5：通过S4中训练完成的模型对泡沫图像的颜色特征进行提取。2.根据权利要求1所述的一种选煤厂浮选图像颜色特征提取方法，其特征在于，所述S3具体包括：对于判别器D1：ω1←
ω1+αRMSProp(ω1，gω1)；其中，α为学习率，ω1为判别器D1的网络参数集，gω1为ω1在目标函数上的偏导数；对于判别器D2：ω2←
ω2+αRMSProp(ω2，gω2)；其中，ω2为判别器D2的网络参数集，gω2为ω2在目标函数上的偏导数。3.根据权利要求1所述的一种选煤厂浮选图像颜色特征提取方法，其特征在于，所述S4具体包括：S41：输入图像{x|x∈X}，通过生成器G转换为图像G(x)；S42：通过判别器D1进行判别，根据判别结果对生成器G或判别器D1进行反向修改；S43：将转换后的图片输入至生成器F，生成图像F(G(x))，根据计算循环一致性损失函数，并对生成器G进行反向修改；S44：输入图像{y|y∈Y}，通过生成器F转换为图像F(x)；S45：利用判别器D2进行判别，对生成器F或者判别器D2进行反向修改；S46：将转换后的图...

【专利技术属性】
技术研发人员：郑珊珊，刘瀚文，王德伟，孙丙科，官向楠，
申请(专利权)人：中煤科工集团武汉设计研究院有限公司，
类型：发明
国别省市：