基于主成分分析和支持向量机结合的物料分选方法及系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109635845A(43)申请公布日2019.04.16(21)申请号201811355682.2(22)申请日2018.11.14(71)申请人湖南金石分选智能科技有限公司地址410000湖南省长沙市高新开发区岳麓西大道588号芯城科技园8栋602(72)发明人黄国智钟龙黄嘉震(74)专利代理机构长沙朕扬知识产权代理事务所(普通合伙)43213代理人杨斌(51)Int.Cl.G06K9/62(2006.01)权利要求书2页说明书5页附图1页(54)发明名称基于主成分分析和支持向量机结合的物料分选方法及系统(57)摘要本发明公开了一种基于主成分分析和支持向量机结合的物料分选方法及系统，该方法包括：采集待分选的物料的彩色图像或灰度图像，并提取彩色图像或灰度图像中的物料的轮廓；指定不同的轮廓对应的感兴趣区域的样本标签；将感兴趣区域的样本标签分别输入分类器，根据分类器输出的分值判定物料的类别。本发明采用主成分分析降维，留下了影响因子最强的特征元，简化的特征值减少了后续的运算量，可以实现多特征分类。CN109635845ACN109635845A权利要求书1/2页1.一种基于主成分分析和支持向量机结合的物料分选方法，其特征在于，包括以下步骤：采集待分选的物料的彩色图像或灰度图像，并提取彩色图像或灰度图像中的物料的轮廓；指定不同的所述轮廓对应的感兴趣区域的样本标签；将所述感兴趣区域的样本标签分别输入分类器，根据分类器输出的分值判定所述物料的类别。2.根据权利要求1所述的基于主成分分析和支持向量机结合的物料分选方法，其特征在于，所述分类器通过如下步骤训练得到：采集待分选的物料的彩色图像或灰度图像，并提取彩色图像或灰度图像中的物料的轮廓；指定不同的所述轮廓对应的感兴趣区域的样本标签；将每一个样本标签作为一个样本，提取样本的模糊特征集，用主成分分析对所述模糊特征集降维；将降维特征集合成一个特征向量矩阵；将所述特征向量矩阵作为样本集，用支持向量机训练得到所述分类器。3.根据权利要求2的基于主成分分析和支持向量机结合的物料分选方法，其特征在于，将降维特征集合成一个特征向量矩阵之后，取特征向量矩阵中的部分样本作为训练样本集，用支持向量机训练得到分类器；使用特征向量矩阵中的除部分样本之外的其余样本作为验证样本集，对分类器进行验证。4.根据权利要求2所述的基于主成分分析和支持向量机结合的物料分选方法，其特征在于，所述模糊特征集包括不同颜色、不同空间或不同通道的颜色直方图和灰度共生矩阵。5.根据权利要求1至4中任一项所述的基于主成分分析和支持向量机结合的物料分选方法，其特征在于，所述提取彩色图像或灰度图像中的物料的轮廓采用双阈值二值化方法完成；所述提取样本的模糊特征集，用主成分分析对所述模糊特征集降维，包括以下步骤：提取该区域内图像的特征算子后将其归一化到一行中成为一个特征向量，将每个样本的特征提取出来可以得到一个N*M的训练样本矩阵，和一个N*1的标签集；通过主成分分析进行降维将N*M的训练样本矩阵降维成一个N*K的训练样本矩阵和一个M*K的特征向量矩阵，和一个N*1的标签集；其中，所述M>>K，N<M。6.根据权利要求5所述的基于主成分分析和支持向量机结合的物料分选方法，其特征在于，所述将降维特征集合成一个特征向量矩阵步骤之后，还包括将专家特征加入所述特征向量矩阵。7.根据权利要求6所述的基于主成分分析和支持向量机结合的物料分选方法，其特征在于，所述专家特征包括：样本颜色空间中心、灰度均值以及感兴趣区域的面积和凸集的面积的比值。8.根据权利要求7所述的基于主成分分析和支持向量机结合的物料分选方法，其特征在于，所述方法还包括，根据专家规则，得到一个N*P的一个专家规则样本集，与所述N*K的训练样本矩阵和一个M*K的特征向量矩阵和一个N*1的标签集整合，得到N*U的训练样本集和N*1的标签集，一个M*K的特征向量矩阵；其中，U＝M+P。2CN109635845A权利要求书2/2页9.一种计算机系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至7中任一所述方法的步骤。3CN109635845A说明书1/5页基于主成分分析和支持向量机结合的物料分选方法及系统技术领域[0001]本发明涉及物料分选以及图像分类领域，尤其涉及一种基于主成分分析和支持向量机结合的物料分选方法及系统。背景技术[0002]基于图像分类的物料分选是通过软件在线采集在传输皮带上的物料图片，图片内包含带状的，无堆叠有间隔的物料(在皮带机或者自由落体，物料不叠在一起，有间隔即可)，根据图片的特征进行分类。物料是破碎后颗粒较为均匀的