[发明专利]一种基于色选机的物料分类方法

摘要

本发明公开了一种基于色选机的物料分类方法，首先，向色选机中分别投入有价值的一类物料样本和无价值的二类物料样本，利用阈值法和中值滤波的方法，对色选机采集的图像进行预处理，即消除背景和噪声，有利于提高后续分类筛选的正确率；利用C4.5决策树和代价敏感学习相结合的优化算法，构建决策树模型，能够高效、实时地实现物料的分类，并且能够在保证分类正确率不受到较大影响的前提下，尽可能的提高有价值的一类物料的纯度，即其精确度，也可以在人工模式下根据个人需求进行不同纯度品级的产品筛选。

主权项

1.一种基于色选机的物料分类方法，其特征在于，包括如下步骤：步骤一：向色选机中分别投入有价值的一类物料和无价值的二类物料，采集物料样本图像，并对图像进行预处理，得到图像特征以及特征值，将形成的样本数据添加样本类别标签，构建训练集；步骤二：选择工作模式，根据上一步处理得到物料训练集，利用C4.5决策树和代价敏感学习相结合的优化算法，构建决策树模型，具体步骤包括：第1步、选择工作模式：当选择自动模式时，执行第2步至第12步；当选择人工模式时，手动输入代价值cost后，执行第13步到第14步；第2步、假设将样本类别u2误判为样本类别u1是误判代价较大的错误，设定代价值c(i)表示将其他样本类别误判为样本类别ui的代价，i＝1，2；设定样本类别u1的误判代价初始值为C(1)＝1；样本类别u2的误判代价初始值为C(2)＝1；第3步、将训练集中的样本数据作为决策树当前节点的数据集D；第4步、计算第j个类别的类别权值w(j)，j＝1，2，公式如下：其中，Ni为训练集中样本类别ui的个数；第5步、计算数据集D的熵Info(D)，公式如下：Info(D)＝‑∑ip(j)log2(p(j))其中，p(j)的计算公式如下：第6步、假设样本数量为total，针对于样本对应的每个特征，将当前节点上的对应于该特征的数据样本的特征值，按从小到大进行排序，得到特征的取值序列{A1，A2，...，Atotal}，分别以A1，A2，...，A(total‑1)为分割点对数据集D进行分割，每一次分割均得到两个数据子集D1和D2，计算每个分割点的熵，则第k个分割点Ak的熵InfoAk(D)表示为：其中，k＝1，2，...，total‑1，|D|为数据集D中的样本个数，|Dj|为样本子集Dj中的样本个数，j＝1，2；第7步、计算分割点Ak的信息增益率GainRatio(Ak)，公式如下：其中，第8步、针对所有特征对应的所有分割点，找到信息增益率最大的分割点，作为当前层节点的分裂特征和分裂数值，将训练集按照该分裂特征并基于该分裂数值分为两个子集；第9步、对第8步产生的所述两个子集分别进行判断：当两个子集的样本个数过少或只有一类样本时，当前两个子集即作为决策树的最终分类结果，执行第10步；当其中一个子集的样本个数过少或只有一类样本，但另一个子集的样本个数较多，判定该另一个子集需要继续进行分裂，并将该另一个子集为新的训练集，形成决策树当前层节点的下一层节点，决策树当前节点的一个分支，重复第3步到第9步，直至所有分支均已得到分类结果，得到决策树模型，执行第10步；当两个子集的样本个数均较多时，则两个子集均需要继续分裂，两个子集分别形成新训练集，并形成决策树当前层节点的下一层的两个节点，即当前节点的两个分支，该两个节点分别重复第3步到第9步，直至所有分支均已得到分类结果，得到决策树模型，执行第10步；第10步、利用生成的决策树模型对训练集进行测试，计算分类正确率Accuracy和准确率Precision，综合考虑两个评估指标，并认为准确率Precision的重要性为正确率Accuracy的两倍，计算该模型得分Score：第11步、令误判代价C(1)增大0.1，C(2)保持不变，使用步骤一得到的训练集，执行第3步到第10步，建立新的决策树模型并获得其得分Score；第12步、重复第3步到第11步，直到得分Score较C(1)＝1的得分Score有明显下降，取目前获得的所有得分Score中最大值对应的决策树模型为最终结果，执行步骤三；第13步、假设样本数量为total，假设将样本类别u2误判为样本类别u1是误判代价较大的错误，设定代价值C(i)表示将其他样本类别误判为样本类别ui的代价，i＝1，2；设定样本类别u1的误判代价值为C(1)＝cost；样本类别u2的误判代价初始值为C(2)＝1；第14步、执行步骤3至步骤9，得到决策树模型，执行步骤三；步骤三：根据上一步得到的决策树模型，对后续的混合物料进行分类，分类筛选出有价值的一类物料和无价值的二类物料。