关键词:
废钢图像
特征提取
特征降维
集成学习
深度学习
摘要:
钢铁工业决定了整个国家的工业化基础,是所有工业中不可替代的重要产业之一。废钢作为钢铁厂生产过程中主要的原料之一,因此废钢的快速精确分类将会直接影响到钢铁厂的生产与管理效率。
本文以废钢图像为研究对象,通过机器学习、集成学习和深度学习方法,对废钢图像数据进行类型识别研究。并且,针对集成学习算法和深度学习算法进行改进研究,完成相关算法的程序设计。根据算法识别结果计算相关性能评价指标,并完成对比分析。主要研究安排如下:
(1)废钢图像特征计算和降维方法研究。根据废钢图像特性分别从纹理、颜色和形状三个方面进行特征提取。纹理特征方面,采用灰度共生矩阵、Gabor小波变换、灰度差分统计和灰度梯度共生矩阵四种方法提取了27维特征。颜色特征方面,采用R、G、B通道的颜色矩方法提取了9维特征。形状特征方面,采用Hu不变矩方法提取了7维特征。通过递归特征消除法计算最优特征集,保留10维特征作为一组实验数据。通过主成分分析方法计算变换后的特征主成分率,选择主成分率超过99.99%的4维特征作为一组实验数据。通过特征重要性挖掘方法,计算特征重要性评分并设定阈值,保留5维特征作为一组实验数据。
(2)基于机器学习的废钢类型智能识别研究。根据机器学习算法相关理论,构建了逻辑回归、支持向量机和决策树三种废钢图像类型识别算法,并介绍了多种算法识别结果性能指标参数。三种特征降维方法与三种识别算法进行组合实验,计算性能指标并完成对比分析,得到机器学习废钢类型识别算法最优实验方案。
(3)基于集成学习的废钢类型智能识别研究。根据集成学习算法相关理论,构建了基于Bagging、Boosting和Stacking的三种废钢图像类型识别算法,并提出了改进的Random-Boosting-Stacking算法。Random-Boosting-Stacking算法加入了训练样本随机和不同算法随机,并对每组训练样本的每个算法难以区分样本进行误差学习。特征降维方法与三种传统集成算法进行组合实验,计算性能指标并完成对比分析。其中,根据实验结果性能指标验证了改进的Random-BoostingStacking算法是可行且有效的,其结果性能指标优于传统集成学习算法。
(4)基于权重注意力多尺度残差网络废钢类型智能识别。根据卷积神经网络提出了权重注意力多尺度残差网络(WA-Inception-Res Net)对废钢图像类型识别。WA-Inception-Res Net网络采用Inception结构与残差思想,对多尺度卷积之后的特征加上权重注意力机制,以此增强重要特征信息。通过设置不同的batch_size以及设计了一种学习率调整策略进行参数对比试验。结果表明,WA-InceptionRes Net平均准确率为98.19%,最高准确率为100%,验证了WA-Inception-Res Net网络在废钢类型识别任务上的有效性。