基于优化K-Means算法的图像细分与改进的混合灰狼优化:矿石颗粒大小检测中的应用
Xinyi Chai1, Zijun Wu2, Wei Li2
1School of Automation, Jiangsu University of Science and Technology, No. 666 Changxiang Road, Zhenjiang 212100, China.
Sensors (Basel, Switzerland)
|May 14, 2025
概括
这项研究引入了一种改进的K-means算法 (IGK-means),用于更快,更准确的矿石颗粒图像细分. 这种新方法提高了检测准确度,这对于矿物加工和粉碎效率至关重要.
科学领域:
- 矿物加工 矿物加工
- 图像分析 图像分析
- 计算智能是一种计算智能.
背景情况:
- 精确的矿石颗粒大小检测对于矿产加工效率至关重要.
- 目前用于矿石颗粒的图像细分方法的质量和效率都很低.
- 有效的细分会影响矿石密度计算,优化和粉碎评估.
研究的目的:
- 开发一种用于矿石颗粒的新,快速和准确的图像细分算法.
- 为了解决矿石颗粒图像分析中的传统K介质的局限性.
- 提高矿物加工中颗粒大小检测的可靠性.
主要方法:
- 提出了一个混合的K-平均算法 (IGK-平均).
- 改进的灰狼优化器-模算法 (IGWO_SOA) 优化了最初的集群中心.
- IGWO_SOA包含非线性收因子和迁移/螺旋搜索机制.
主要成果:
- 与传统方法相比,IGK-means算法显示出优越的图像细分质量.
- 拟议的方法对照明的变化不敏感.
- 达到了高峰信号噪声比 (PSNR) 高达24.24dB和特征相似度指数 (FSIM) 高达0.2733.
结论:
- 新的IGK-means算法为矿石颗粒图像细分提供了实用和有效的解决方案.
- 这一进步可以显著提高矿石颗粒大小检测的准确性.
- 该算法的对照明的稳定性提高了其在工业环境中的适用性.
