《基于卷积神经网络的煤矸石图像识别》
本文是关于图像识别和卷积方面论文范本和神经网络有关参考文献格式范文.
摘 要：在分析煤矸石分拣环境特点及煤矸石视觉特点的基础上,提出改进的卷积神经网络煤矸石图像识别算法,并从损失函数、模型参数以及准确率3个方面进行分析研究.结果表明：改进后的卷积神经网络图像识别算法能有效地避免分选环境中的噪声影响;与传统的分选方法相比,具有更快的识别速度和更高的准确率,能更好地满足实际工程需要.
关键词：煤矸石;卷积神经网络;图像识别;损失函数
中图分类号：TP391.41;TD849.5 文献标识码：A文章编号：1003-5168（2020）04-0066-03
Abstract： Based on the analysis of the characteristics of gangue sorting environment and gangue vision, an improved convolution neural network algorithm for gangue image recognition was proposed, and the loss function, model parameters and accuracy were analyzed. The results show that the improved convolutional neural network image recognition algorithm can effectively oid the impact of noise in the sorting environment; compared with the traditional sorting method, it has faster recognition speed and higher accuracy, and can better meet the actual engineering needs.
Keywords： coal and gangue;convolutional neural network;image recognition;loss function
煤矿开采的无选择性随着其机械化程度的提升而增高,混入煤炭的矸石或其他杂物随之增加,从而导致原煤质量下降.在选煤过程中,将矸石从原煤中剔除十分必要.如何更有效准确地分选煤矸石成为当前研究的主要课题[1].
目前,煤矸石分选的方法有很多种,一般来说,以干法选煤与湿法选煤为主.在大部分地区,仍采用人工选煤的方法,选矸劳动强度大,且工作环境极其恶劣.近年来,煤矸石分选的方法越来越多,随着计算机视觉技术在实物分类方面的发展日趋成熟,基于视觉图像处理来分辨煤矸石的方法相继被提出.在图像处理过程中,深度学习神经网络是提取特征并分析特征,再以特征为基础进行学习,最后使用所得的特征给出所需的输出.既然视觉上很容易分辨煤和矸石,基于视觉特征的深度学习神经网络,自然可以较好地对煤矸石的图像进行分类识别,并输出所需的结果.另外,图像识别选矸和双能伽马选矸、X射线选矸[2]等已有分选系统设计基本一致,可移植性好,因此,本文将卷积神经网络[3]引入煤矸石识别中,并设计出一种新的自动分选方法.
1 煤矸石的视觉特征
矸石是煤层中或煤层周围伴有可燃物质的岩石,含碳量较低,比煤坚硬,外观上多为灰色、青色、灰黑及黑灰,甚至为浅灰色[4].肉眼可以直观分辨煤和矸石外觀上的差别,如图1所示：煤给人的感觉是“黑亮”,粗糙度较大,轮廓较圆;而矸石给人的感觉是“灰暗”,表面较光滑,轮廓较明显.可见,煤与矸石的特征明显,基于外观特征分选是完全可行的.基于此,本文创新性地将卷积神经网络算法应用到煤矸石识别分类中.
2 识别算法模型的构建
卷积神经网络图像识别算法的基本原理是利用图像训练数据对模型进行训练[5],将数据中蕴藏的大量信息通过学习算法不断收集到模型中,利用训练好的识别模型对现场采集的相似数据进行特定处理.基于区域的卷积神经网络R-CNN（Region-based Convolutional Neural Networks）算法相对于其他目标检测算法,提取特征维度更小.在特征相关性上,加强了对于纹理、灰度、材料、光线等相关特征的提取,并且优先合并这些相关类的特征.针对煤矸石识别,本文改进R-CNN结构,提出基于R-CNN的煤矸石识别算法,主要包括两个阶段：一是样本数据集的建立;二是算法模型结构的构建.
2.1 建立煤和矸石的样本数据集
本文采用高速摄像机（Cossim XHD-AF工业级摄像头）进行数据图像的采集,完全可以在快速传送的煤矸石中,经过数模转换提取每个石块的清晰图像,保证图片质量.在采集图像之后,对图像进行必要的调整和处理,裁剪成像素为1 000×1 000的图像子块,共计4 170张图像,并将其保存为数据集.然后,按照3∶1的比例,将数据集分为训练集图像3 180张,测试集图像990张,并对每张图像进行人工标注,每张原图对应一个文字标签,即标注煤块或矸石.
2.2 算法模型的建立
本文的卷积识别模型是依托Google公司开发的深度学习框架Tensorflow构建的.实验证明,各类卷积图像识别算法可以很好地在Tensorflow框架上进行构建.
3 实验及结果
3.1 识别方案
采用分割手段,将图像分割成小区域.然后查看现有小区域,按照合并规则合并可能性最高的相邻两个区域,并不断重复,直到所有图像合并成一个区域位置.输出所有曾经存在过的区域,所谓候选区域.优先合并以下四种区域：颜色（颜色直方图）相近的;纹理（梯度直方图）相近的;合并后总面积小的,保证合并操作的尺度较为均匀,避免一个大区域陆续“吃掉”其他小区域;合并后,总面积在其矩形框中所占比例大的,保证合并后形状规则.重复多次,输出所有被保留下来的矩形框.
提取特征主要存在于卷積和池化[6]两个步骤中.卷积层结构的前向传播过程可以简单地描述为：将过滤器（见图3）从神经网络当前层的左上角持续移动到右下角,并且在每一个步距的移动中计算每一个对应的单位矩阵.
卷积层中过滤器所处理的节点矩阵的长和宽都是经过多次调整后得到的,单位矩阵中的第[i]个节点的取值[gi]为：
对于卷积处理的过程,本文采用全零填充的方法,以保证输出的节点矩阵大小不变,过滤器长和宽的步长均为2.使用全零填充时输出的矩阵大小为：
由式（2）和式（3）可以看出,[outlength]等于输入层矩阵除以长度方向上的步长的向上取整值;[outwigth]等于输入层矩阵宽度除以宽度方向上的步长的向上取整值.通过卷积层局部感知的特点,可以较好地提取图片中的特征,去除冗余信息.
3.2 实验及结论
模型学习过程最直接的目的是降低损失函数的值,损失函数代表用来衡量模型预测值和真实值之间的不一致程度.从图4可以看出,经过1 000次左右的训练之后,损失函数值降低到0.02以下,参数趋于稳定,最终得到一个稳定的识别算法模型.
同时,在CPU和GPU模式下进行对比实验,在两种模式下图像的识别时间及平均识别时间[ter]如表2所示.
从表2可知,GPU并行计算的加速效果明显,识别速度是CPU检测识别速度的3倍.
4 结论
在分析煤矸石识别成像及环境特点的基础上,基于改进的卷积神经网络识别算法进行了煤矸石分类识别研究,并从损失函数、模型参数及准确率三方面进行了验证.同时,构建了具有适配性的R-CNN卷积神经网络识别模型,可以有效提取煤矸石图像的视觉特征,并且可以有效避免分选环境带来的噪声影响.模型在经过训练学习后,使用现场采集的测试图像集进行识别,最终识别准确率在0.96以上,达到了预期效果;在算法运行时间方面,花费时间较短.此外,验证了GPU环境下识别速度的优越性.
参考文献：
[1]谢和平,王金华,王国法,等.煤炭革命新理念与煤炭科技发展构想[J].煤炭学报,2018（5）：1187-1197.
[2]袁华昕.基于X射线图像的煤矸石智能分选控制系统研究[D].沈阳：东北大学,2014.
[3]张曰花,王红,马广明.基于深度学习的图像识别研究[J].现代信息科技,2019,3（11）：111-112,114.
[4]沈宁,窦东阳,杨程,张勇.基于机器视觉的煤矸石多工况识别研究[J].煤炭工程,2019（1）：120-125.
[5]曹现刚,薛祯也.基于迁移学习的GoogLenet煤矸石图像识别[J].软件导刊,2019（12）：183-186.
[6]Hou Wei. Identification of Coal and Gangue by Feed-forward Neural Network Based on Data Analysis[J]. International Journal of Coal Preparation and Utilization,2017（3）：33-43.
简而言之，该文是关于经典图像识别和卷积专业范文可作为神经网络方面的大学硕士与本科毕业论文图像识别和卷积论文开题报告范文和职称论文论文写作参考文献.
图像识别和卷积引用文献:
[1] 图像识别和卷积论文范文资料 关于图像识别和卷积论文参考文献范文2500字
[2] 卷积和数字图像开题报告范文 卷积和数字图像相关毕业论文怎么写3000字
[3] 图像识别和岩石论文如何怎么撰写 关于图像识别和岩石相关论文范文资料10000字
