声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：44-1240/TP
国际刊号：1000-8152
发布日期:
作者：保江,谢永芳,刘金平,唐朝晖,艾明曦
单位：中南大学,中南大学,湖南师范大学,中南大学,中南大学
关键词：泡沫浮选; 工况识别; 模糊核零范数; 灰度平均梯度差; 迁移学习; InceptionResNetV1; XGBoost
基金：国家杰出青年科学基金项目(61725306), 国家自然科学基金广东联合基金重点项目(U1701261)资助.
本文针对锑粗选异常工况下泡沫层高度改变, 导致位置固定的工业相机采集到的泡沫图像存在离焦模糊的问题, 提出了一种基于泡沫复原图像特征和深度视觉特征融合的锑粗选异常工况识别方法. 该方法首先通过分析不同工况下模糊泡沫图像的特点, 采用基于L0和L2正则项的模糊核估计方法提取了模糊核零范数特征, 再利用L–R算法提取了灰度平均梯度差特征. 其次, 为了往更深层次挖掘异常工况下模糊泡沫图像的特征信息, 本文采用迁移学习方法, 基于InceptionResNetV1深度神经网络, 利用大量泡沫图像数据对深度神经网络进行微调, 进而提取泡沫图像的深度视觉特征. 最后, 基于XGBoost机器学习算法, 先对高维视觉特征进行降维, 再融合复原图像特征与深度视觉特征, 对不同工况下的泡沫图像进行分类识别. 锑粗选实验结果表明, 该方法能够有效降低样本错分率, 提高锑粗选异常工况识别率.
来源：2020年第6期
《控制理论与应用》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。