买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及浮选过程工况识别技术领域，且公开了一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，由手工特征提取模型、深度卷积表示学习模型及一维卷积融合模型组成，该方法将手工特征提取模型和深度卷积表示学习模型提取得到的混合特征向量输入到一维卷积融合模型中进行处理和分类，在分类交叉熵损失的基础上进一步引入一致性损失辅助训练模型，增强模型特征提取的准确性和可区分性。该方法兼顾了手工特征对领域知识的表征能力以及深度学习全面高效捕捉信息的能力，既能在一定程度上减轻深度学习特征受到噪声效应和训练数据限制的影响，又能有效提取泡沫图像中的丰富信息，提高网络的分类性能，更好地适应浮选过程不同工况的变化。

主权项：1.一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法，其特征在于：包括以下步骤：S1、数据的获取及预处理：获取浮选槽上方工业摄像机拍摄的视频，并对视频图像进行归一化处理；S2、特征提取和融合：包括对浮选泡沫图像样本进行手工特征Fh和深度学习特征Fd的提取，并将手工特征Fh和深度学习特征Fd进行融合生成混合特征向量F，所述手工特征Fh包括泡沫颜色、气泡尺寸、气泡承载率、气泡速度和气泡破碎率，所述深度学习特征Fd通过深度卷积表示学习模型进行提取；所述步骤S2中的手工特征Fh和深度学习特征Fd提取的具体步骤如下：S2.1、泡沫颜色特征提取：泡沫图像RGB空间红色分量、绿色分量、蓝色分量的均值和标准差共6个特征作为泡沫图像的颜色特征；S2.2、气泡尺寸特征提取：用基于光照建模的高亮点提取方法，将高亮点作为前景，其周围区域作为背景，以气泡顶端的高亮区域作为标记点，通过分水岭算法计算气泡的区域生成；S2.3、气泡承载率特征提取：通过公式计算泡沫图像中气泡的亮点面积与泡沫图像总面积的百分比；S2.4、气泡速度特征提取：在第一帧泡沫图像的顶部选取Nrow行组成的泡沫图像块为参考Breference；再在下一帧泡沫图像中提取一系列连续Nrow行大小的块，最后通过寻找与Breference中最大关键点匹配块来实现泡沫速度特征的计算，对多个泡沫图像对进行速度特征提取得到泡沫平均速度特征，其中表示从i行起始的图像块；S2.5、气泡破碎率特征提取：通过步骤S2.4获得泡沫图像速度信息后，将图像对中的后一帧图像转换到与前一帧图像相同的位置得到二者的差异图像；计算差异图像中超过给定阈值的像素数与泡沫图像总像素的比值确定气泡的破碎率；S2.6、深度卷积表示学习模型对深度学习特征Fd的提取：深度学习特征提取模型采用inception-V3网络对深度学习特征Fd进行提取；S2.7、对手工特征Fh和深度学习特征Fd进行融合得到混合特征向量F＝[Fh,Fd]；S3、将融合后的混合特征向量作为1-DCFN模型的输入，进行处理和分类；S4、对1-DCFN模型进行训练：首先定义1-DCFN模型输出值Pi与样本实际对应标签yi间的交叉熵损失lF，其次，在深度卷积表示学习模型特征输出的基础上串接一个两层的全连接分类模块，并定义深度卷积表示学习模型分类输出与样本实际对应标签yi间的交叉熵损失lD，用于引导表示模型的训练，最后将1-DCFN模型的预测输出作为深度卷积表示学习模型的软目标，并定义1-DCFN模型输出值Pi与深度卷积表示学习模型分类输出之间的一致性损失函数lConsistency，之后通过Adam算法对lF、lD和lConsistency进行优化。

全文数据：

权利要求：

百度查询： 云南大学 一种基于手工特征和深度学习特征混合学习的浮选过程工况识别方法