文献类型：期刊文章

作　　者：廖一鹏[1] 杨洁洁[1] 王志刚[2] 王卫星[1]

LIAO Yi-peng;YANG Jie-jie;WANG Zhi-gang;WANG Wei-xing(College of Physics and Information Engineering,Fuzhou University,Fuzhou 350108,China;Fujian Jindong Mining Co.Ltd.,Sanming,Fujian 365101,China)

机构地区：[1]福州大学物理与信息工程学院,福州350108 [2]福建金东矿业股份有限公司,福建三明365101

出　　处：《光子学报》

基　　金：国家自然科学基金(Nos.61471124,61601126);福建省自然科学基金(No.2019J01224);福建省中青年教师教育科研项目(No.JT180056)。

年　　份：2020

卷　　号：49

期　　号：10

起止页码：167-178

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：为提高小规模训练集下CNN特征驱动的浮选工况识别效果,提出一种基于泡沫红外与可见光图像CNN特征提取及自适应迁移学习的工况识别方法.首先构建基于AlexNet的双模态CNN特征提取及识别模型,并通过RGB-D大规模数据集对模型的结构参数进行预训练;其次,用多个串联的双隐层自编码极限学习机代替预训练模型的全连接层,实现对双模态CNN特征的融合及逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策;最后构建浮选小规模数据集对迁移后的模型进行训练,并改进量子狼群算法用于模型参数优化.实验结果表明:自适应迁移学习能够明显提高小样本数据集下的识别准确度,采用双模态CNN迁移学习较单模态CNN迁移学习的工况识别精度提高了3.06%,各工况的平均识别准确率达到96.83%,识别精度和稳定性较现有方法有较大提升.

关 键 词：机器视觉  浮选工况识别  红外与可见光图像 卷积神经网络 迁移学习  双隐层自编码极限学习机  量子狼群算法  

分 类 号：TP391]