《表5 测试分类结果:基于机器视觉的煤矸识别系统设计及试验研究》
分别以灰度特征、纹理特征及组合特征作为输入进行训练,每次训练均采用经PSO优化后的参数。使用训练后的分类器对剩余的煤和矸石各120组数据进行分类,分类结果见表5。从表中可以看出,以灰度特征或组合特征作为输入所训练产生的分类器具有较好的识别效果,分别能达到95.83%和93.75%,而以纹理特征作为输入的分类准确率只有72.92%。可以看出,分类器输入为灰度特征时比纹理特征具有更高的识别率;而当以灰度特征和纹理特征组合成新向量输入时,分类器识别率反而降低,可能是纹理特征中无效信息的干扰导致识别率降低。
图表编号 | XD00205489300 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.20 |
作者 | 庞尚钟、李博、王学文、王璐瑶、高新宇、宋旸、丁恩发 |
绘制单位 | 太原理工大学机械与运载工程学院、煤矿综采装备山西省重点实验室、太原理工大学机械与运载工程学院、煤矿综采装备山西省重点实验室、太原理工大学机械与运载工程学院、煤矿综采装备山西省重点实验室、太原理工大学机械与运载工程学院、煤矿综采装备山西省重点实验室、太原理工大学机械与运载工程学院、煤矿综采装备山西省重点实验室、山西焦煤汾西矿业正文煤业、大同煤矿集团机电装备约翰芬雷洗选技术设备有限公司 |
更多格式 | 高清、无水印(增值服务) |