[发明专利]一种基于Adaboost机器学习的矿石可见光图像分选方法

摘要

本发明公开了一种基于Adaboost机器学习的矿石可见光图像分选方法，属于自动化矿选技术领域，包括如下步骤(1)矿石初选分类；(2)图像预处理；(3)机器学习模型训练；(4)目标预测。本发明利用Adaboost的机器学习方法，对矿石可见光图像进行学习、训练、预测，可充分模拟经验较丰富的选矿技术人员进行矿石分选，使每台机器都具备同一的、准确的矿石分选经验，有效避免了人工分选矿石的主观性和个体差异性，可更好的替代人来工作或者完成人类不能完成的工作，减少劳动强度，提高产品生产质量和劳动生产效率。

主权项

一种基于Adaboost机器学习的矿石可见光图像分选方法，其特征在于，包括如下步骤：(1)矿石初选分类：将含量0.15％以下的矿归为废石，含量0.15％以上的矿归为矿石；(2)图像预处理：a.对采样的矿石可见光图像的灰度图像进行OTSU分割；b.找出分割后图像中轮廓最大区域，以及其对应的外接矩形；c.根据外接矩阵确定出彩色矿石可见光图像中的对应区域，即为所需的ROI区域；d.将ROI区域的RGB色彩空间的图像转换为HSI色彩空间的图像；e.计算ROI对应HSI色彩空间的图像H通道的0°、45°、90°、135°四个方向的灰度共生矩阵；f.取计算后的0°、45°、90°、135°四个方向上，熵最大的结果矩阵作为特征向量，存入特征向量库；(3)机器学习模型训练：机器学习模型采用基于决策树的AdaBoost模型，AdaBoost为自适应的Boosting版本，即将多个弱分类器组成一个强分类器，与此同时AdaBoost还能有效抑制过学习；a.将带有矿石与废石标签信息的特征向量库输入Adaboost模型，让其进行学习与训练；b.待Adaboost模型学习结束，将生成最终Adaboost模型；(4)目标预测：a.将待预测的矿石采样图片进行图像预处理；b.将计算出的特征向量输入至训练好的AdaBoost模型中进行预测；c.预测结果输出。