基于GA-BP神经网络的尾煤水灰分视觉检测方法研究

2023-11-18岳耀辉王昱晨曹英华鹿新建秦录芳

盐城工学院学报（自然科学版） 2023年3期

岳耀辉，孙涛，王昱晨，曹英华，鹿新建，秦录芳

1.盐城工学院机械工程学院，江苏盐城 224051；2.徐州工程学院机电工程学院，江苏徐州 221018；3.江苏仕能工业技术有限公司，江苏徐州 221000

浮选工艺是提升精煤产率，增加经济效益的有效手段。浮选过程中，煤泥灰分是反应浮选系统效果优劣的重要指标。目前，煤泥灰分检测手段主要包括人工快灰试验、光电式测灰法、射线检测法和机器视觉方法［1］。

由于机器视觉具有稳定、即时、高效等优点，可在工业检测和控制过程中普遍使用，因此采用机器视觉辅助检测尾煤水灰分已成为相关研究的热门方向。文献［2-4］以煤浆图像的灰度特征作为输入值建立了煤浆灰分的软测量模型，忽略了煤浆图像的彩色特征。包玉奇等［5-6］将灰度区间离散变量、光源光强和反射光作为输入变量构建BP 神经网络预测模型，但模型存在较大误差。阳春华等［7］将泡沫颜色、泡沫速度作为输入值，利用最小二乘支持向量机建立了浮选产率的预测模型。综上所述，煤泥浮选回归模型大多采用灰度图像，特征值少且预测模型缺少优化，使得模型精度难以进一步提高。

鉴于此，本文对尾煤图像的灰度特征和彩色特征等多特征值进行提取，基于GA-BP 神经网络算法对提取的特征值进行回归预测，以提高尾煤水灰分预测模型的精度。

1 图像的预处理与特征提取

1.1 图像预处理

由于拍摄过程中尾煤水图像会受到光源反射和气泡喷溅的污染，因此，为了使图像的灰度特征和颜色特征能够被更加准确地提取出来，需要对其进行分割处理［8］。原图像预处理后的图像为

式中：x、y分别表示像素点的横坐标与纵坐标；med{...}表示对括号内的像素值集合进行中值操作；h（x-5，y-5）表示坐标点（x，y）在水平方向和垂直方向上分别向左和向上平移了5 个单位；intercept（300，300）为截取的300×300图像。分割处理后的图像如图1所示。

图1 分割后的尾煤水图像Fig. 1 Image of tail coal water after segmentation

1.2 特征提取

对原始图像进行去噪和阈值分割操作确定目标区域后，需要对所得的目标区域进行特征提取［9］。本文主要提取图像的灰度统计特征和颜色特征。

彩色图像的灰度值计算公式为

式中：f为灰度值；R为红色分量值；G为绿色分量值；B为蓝色分量值。

灰度均值的计算公式为

式中：He为灰度均值；f（i，j）为图像第i行j列的灰度值。

浮选过程中尾煤水不仅含有灰度特征，还含有彩色特征。这种彩色特征含有丰富的信息，可以较好的模拟灰分的变化［10］。

当前的颜色空间包括RGB 空间特征、YUV 空间特征和HSI 空间特征［11］。RGB 颜色空间的R、G、B分量可以直接提取。YUV 颜色空间是一种用于视频信号传输的编码方案。根据亮度原理，每个像素分为3 个特征：明亮度Y、色度U和浓度V。YUV的转换公式为

式中：Y为明亮度值；U为色度值；V为浓度值。

HSI 颜色空间的色调H、饱和度S、亮度I分量可以根据RGB 或YUV 的特征值转换而来。像素特征变换公式为

式中：H为色调值；S为饱和度值；I为亮度值；θ为RGB颜色空间转换成的角度值。

提取特征后的部分输入输出样本数据如表1所示。

表1 部分输入输出样本数据Table 1 Partial input and output sample data

2 建立基于遗传算法的BP 神经网络灰分预测模型

2.1 BP神经网络算法

BP（back propagation）神经网络是一种广泛使用的人工神经网络，由输入层、隐藏层和输出层组成［12］。BP 神经网络的训练过程通常采用反向传播算法，通过调整神经元之间的权值，使预测值更接近真实值，从而逐步提高预测精度。

输入层、隐藏层、输出层的神经元数量分别为m、n、l。输入层输入记为（x1，x2，...，xm）；隐藏层输出记为（h1，h2，...，hn）；输出层记为（y1，y2，...，yl）。

（1）隐藏层的输出计算公式

式中：hj表示隐藏层神经元j的输出值；wij表示连接神经元i到神经元j的权重；θj表示神经元j的偏置。

（2）输出层计算公式

式中：yk表示输出层神经元k的输出值；wjk表示连接神经元j到神经元k的权重；θk表示神经元k的偏置。

（3）反向误差计算公式

隐藏层和输出层之间的误差为

式中：δk表示隐藏层神经元k与输出层的神经元k误差；dk表示隐藏层神经元k的输出值。

输入层与隐藏层的误差为

式中：δj表示隐藏层神经元j的误差；f′表示激活函数的导数。

2.2 遗传算法

BP 神经网络在训练过程中，需要调整大量的权值参数来拟合数据［13］。因此，可采用遗传算法（genetic algorithm，GA）帮助BP 神经网络进行全局寻优。遗传算法是一类受自然进化过程启发的进化算法，可用于复杂的优化问题［14］。遗传算法模拟自然选择和进化的过程，使得有价值的特征被保留和改进，从而进化出更好的解决方案。

使用遗传算法优化BP 神经网络的基本过程如下：

（1）初始化种群：生成一组初始解，每一个解都是一组权重参数。

（2）对种群进行评价：利用BP 神经网络对每个解进行评价，得到每个解的适应度。

（3）选择最适合的个体：根据他们的适应度值选择最适合的解决方案的子集。

（4）再现所选个体：使用交叉和变异等遗传算子从所选个体生成一组新的解决方案。

重复步骤（2）～（4），直到找到满意的解决方案或达到一定的迭代次数。

使用遗传算法优化BP 神经网络可以在全局范围内搜索最优解，而不是像传统优化算法那样陷入局部最优［15］。此外，遗传算法能够处理大型复杂数据集，且易于并行化，可用于高维优化问题。

2.3 GA-BP神经网络尾煤水灰分预测模型

在BP神经网络中，至关重要的两个参数为连接权值和阈值，极其容易使模型陷入局部最小化，导致模型的预测精度不高［16］。因此本文基于遗传算法对BP 神经网络加以改进，使BP 神经网络模型获得最理想的权重和阈值，更加有效地实现网络训练与预测［17］。遗传算法优化BP 神经网络流程如图2所示。

图2 遗传算法优化BP神经网络流程Fig. 2 Optimization of BP neural network process by genetic algorithm

3 试验及结果分析

3.1 研究路线

首先对尾煤水图像原图进行分割，去除尾煤水图像中特有的光斑等噪声干扰；然后对输出图像进行特征提取，提取灰度特征和颜色特征的统计量；最后，将得到的统计特征作为输入训练BP神经网络，通过遗传算法优化得到训练好的神经网络模型。该模型用于预测尾煤水图像的灰分含量。

3.2 试验条件

选择0～0.25 mm 的浮选尾煤干粉、浮选精煤干粉和矸石作为试验样本，灰分分别为23.87%、41.35%和69.18%。

本文研究对象为是浮选尾煤水，除灰度特征外还有其他颜色特征，排放过程中存在泡沫飞溅、光线暗淡等情况，导致相机识别检测的尾煤水图片受到污染，从而降低取相质量。为解决上述问题，本文的图像采集装置包括：MV-EM510C彩色CCD 工业相机、LED 灯、泡沫过滤器、液位传感器和样本容器等，具体如图3所示。

图3 图像采集装置Fig.3 Image acquisition device

3.3 试验结果分析

测试过程在MATLAB R2021a 平台上进行。测试过程中，输入特征主要选取不同维数特征与本方案的浓度、灰度特征和彩色特征进行对比测试；预测模型主要选取支持向量回归、ELM 极限学习机与遗传算法优化的BP 神经网络进行对比测试。

BP 神经网络和GA-BP 神经网络在不同特征维数下的预测精度如表2、表3 所示。表中7 维特征包括煤浆浓度、灰度特征（灰度均值、熵、方差、平滑度、能量、偏度）的7个统计量，10维特征是在7 维特征的基础上增加了彩色特征（H分量、S分量、I分量），共计10 个统计量。由表2～3 可以看出，BP 神经网络、GA-BP 神经网络均在具有10 维特征和4 个神经元时预测精度最高，然后由于过拟合问题使其预测精度随着神经元数量的增加而下降；灰度特征加彩色特征的预测组合精度高于只采用灰度特征，即神经元数为4 时10 维特征的预测精度高于7 维特征的预测精度，说明加入反映局部色差的特征可以提高BP 神经网络的预测性能。

表2 不同特征维数下BP神经网络预测精度Table 2 Prediction accuracy of BP neural network under different feature dimensions

表3 不同特征维数下GA-BP神经网络预测精度Table 3 Prediction accuracy of GA-BP neural network under different feature dimensions

ELM 极限学习机算法、支持向量回归的预测精度如表4～5 所示。表中的7 维特征为煤浆浓度、灰度均值、方差、平滑度、偏度、能量、熵等7个统计量；10 维特征为煤浆浓度、灰度均值、能量、熵、Y分量、U分量、V分量、H分量、S分量、I分量等10 个统计量。由表4～5 可以看出，ELM 极限学习机在特征维数为10、隐藏层节点数为3 时预测精度最高；当支持向量机回归使用Sigmoid核函数时，7 个特征维度的预测精度最高。但总体预测精度低于GA-BP 神经网络和ELM 极限学习机算法。