一种基于相位一致性和轻量卷积神经网络的煤矸识别方法技术

本发明专利技术公开了一种基于相位一致性和轻量卷积神经网络的煤矸识别方法，包括如下步骤：使用摄像装置采集煤矸石的图片样本；对图片样本进行预处理，预处理操作包括：图像扩充优化、图像归一化和划分样本集；使用相位一致性的方法对样本集中的训练集进行特征提取；使用Keras构建用来识别煤矸的卷积神经网络；将提取的的特征图与原图像分别输入卷积神经网络进行模型训练，最后全连接进行分类识别；softmax分类层输出识别结果；将样本集中的测试集输入经过模型训练的卷积神经网络验证其性能，输出识别结果。本方案不受综采工作面温度的影响，且相位一致性的特征提取在矿下光照影响极大的环境下更优，维护成本更低，降低了安全隐患。

A coal gangue identification method based on phase consistency and lightweight convolution neural network

【技术实现步骤摘要】
一种基于相位一致性和轻量卷积神经网络的煤矸识别方法
本专利技术涉及煤矸识别
，尤其涉及一种基于相位一致性和轻量卷积神经网络的煤矸识别方法。
技术介绍
在煤炭的开采过程中，不可避免地混入了矸石，它与煤炭同时形成，而且相对煤炭而言，煤矸石颜色深，含碳量低且硬度大，一般作为煤炭的杂质进行处理。矸石若混入过多，会导致燃煤发电厂的巨大经济损失，甚至危害锅炉安全。故此，在采煤、选煤过程中须对煤和矸石进行分离，提高煤炭质量。一般的煤矸识别方法包括x射线法、红外探测法、声音识别以及图像识别法等。但是x射线法维护成本高、危害大，红外探测受综采工作面三机温度影响大，声音识别也容易受干扰，以及一般的图像识别技术受光照影响较大。最接近的现有技术中，一种煤和矸石的红外图像识别方法中，利用红外图像与CNN特征提取和SVM进行分类，上述方案容易受综采工作面的温度影响，并且无法在特征提取中保留更有用的信息；一种基于X射线图像的煤矸识别方法中，利用X射线获得图像并进行特征提取与识别，上述方案维护成本高，且存在安全隐患；一种简便高效的自动化煤矸识别方法中，通过多层卷积神经网络以及swish-relu激活函数，并且使用密集连接的方式提高特征提取，增强映射，大大提高识别精度，但是上述方案参数大量冗余，计算量多大，可能导致过拟合；一种煤炭中煤矸石和煤的分类识别方法中，用小波变换进行图像频域分解及特征提取，并用卷积神经网络训练提高了识别精度，但上述方案由于矿下光照影响极大，会降低相位一致性特征提取的精确度；一种多光谱图像信息和光谱信息异构融合的煤矸识别方法中将图像信息和光谱信息分别进行2D和1D卷积网络特征提取，通过随机森林构建分类器的方法，极大利用了煤矸的光谱信息和原图信息，对煤矸的识别增加了依据，但上述方案在通过的卷积神经网络特征提取上能力不足。
技术实现思路
针对以上问题，本专利技术提出一种基于相位一致性和轻量卷积神经网络的煤矸识别方法。为实现本专利技术的目的，提供一种基于相位一致性和轻量卷积神经网络的煤矸识别方法，包括如下步骤：使用摄像装置采集煤矸石的图片样本；对图片样本进行预处理，所述预处理包括：图像扩充优化、图像归一化和划分样本集，所述样本集包括：训练集和测试集，所述训练集包括图像数据组一和图像数据组二；使用相位一致性的方法对所述图像数据组一进行特征提取得到特征图组；使用Keras构建用来识别煤矸的卷积神经网络，所述卷积神经网络的输出口依次接入全连接层、Dropout层和softmax分类层；将所述特征图组与所述图像数据组二分别输入完全相同的卷积神经网络一和卷积神经网络二进行网络特征提取；所述全连接层将所述卷积神经网络一和所述卷积神经网络二各自提取的网络特征融合并进行分类识别，得到网络权重，完成所述卷积神经网络的模型训练；所述softmax分类层输出识别结果；将所述测试集输入经过所述模型训练的卷积神经网络验证其性能，输出识别结果。进一步地，所述摄像装置采用海康威视的摄像装置。进一步地，所述预处理步骤之前，人工去除模糊不清的无效图像。进一步地，所述预处理步骤具体为：在图像上通过增加椒盐噪声和高斯噪声扩充数据集；使用背景差分法分离图像和背景，将经过背景差分法分离后的图像裁剪成统一尺寸，将裁剪后的煤的图像并作标签0，裁剪后的矸石的图像并作标签1；对所述标签0和标签1的图像采用Keras中数据增强ImageDataGenerator模块进行数据补充，其中，所述数据补充的方式包括：翻转、平移、缩放和尺度变换；将经过所述数据补充的图像的数据除以255归一化图像；将经过所述归一化的图像按3：1划分为训练集和测试集。进一步地，在图像上通过增加椒盐噪声和高斯噪声扩充数据集的操作具体为：使用C++的随机产生器，给所述图像增加白点和黑点的椒盐噪声，通过均值不变且改变图像方差的方法随机增加高斯噪声。进一步地，使用相位一致性的方法对所述图像数据组一进行特征提取得到特征图组的步骤具体为：首先使用相位一致性边缘检测法提取图像的边缘特征，然后再利用LogGabor小波对图像进行滤波，滤波的传递函数如公式(1)，再通过二维图像的计算公式(2)，得出相位一致性PC值；其中o为滤波方向，k为固定常数，w为自变量频率，wo为滤波器中心频率，n为尺度的个数，Ano(x)和Φno(x)分别为幅值和相位，Wo(x)和T为频率扩展和噪声补偿，x为图像的像素点在频域的位置坐标，ε为极小常数，符号表示当Ano(x)△Φno(x)-T的值大于0时取原值，小于0时取0。进一步地，所述卷积神经网络使用激活函数relu6增加输入数据和输出数据的非线性关系，所述激活函数relu6为：F(z)＝min(max(0,z),6)；其中，z指经过卷积层后输出的特征图数据；所述卷积神经网络包括：普通卷积块、深度可分离卷积块一、深度可分离卷积块二、深度可分离卷积块三、深度可分离卷积块四、深度可分离卷积块五、深度可分离卷积块六、深度可分离卷积块七、深度可分离卷积块八和全局平均池化层，其中，网络特征提取的顺序依次为：普通卷积块、深度可分离卷积块一、深度可分离卷积块二、深度可分离卷积块三、深度可分离卷积块四、深度可分离卷积块五、深度可分离卷积块六、深度可分离卷积块七、深度可分离卷积块八、全局平均池化层；所述普通卷积块包括：32个步长为2、尺寸为3×3的卷积核，所述普通卷积块进行特征提取的过程包括：对经过所述普通卷积块输出的特征图数据使用relu6激活函数；所述深度可分离卷积块一包括：1个步长为1、尺寸为3×3且遍历所有通道的卷积核和64个步长为1、尺寸为1×1且遍历所有通道的卷积核，所述深度可分离卷积块一进行特征提取的过程包括：所述步长为1、尺寸为3×3的卷积核对特征图数据进行补零操作；对补零操作后的特征图数据依次使用BatchNormalization和relu6激活；所述64个步长为1，尺寸为1×1的卷积核将上述步骤得到的图像增维至64，并线性输出；所述深度可分离卷积块二包括：1个步长为2、尺寸为3×3且遍历所有通道的卷积核和128个步长为1、尺寸为1×1且遍历所有通道的卷积核，所述深度可分离卷积块二进行特征提取的过程包括：对特征图数据依次使用BatchNormalization和relu6激活；所述128个步长为1、尺寸为1×1的卷积核将上述步骤得到的图像增维至128，并线性输出；所述深度可分离卷积块三包括：1个步长为1、尺寸为3×3且遍历所有通道的卷积核和128个步长为1、尺寸为1×1且遍历所有通道的卷积核，所述深度可分离卷积块三进行特征提取的过程包括：所述步长为1、尺寸为3×3的卷积核对特征图数据进行补零操作；对补零操作后的特征图数据依次使用BatchNormalization和relu6激活；所述128个步长为1、尺寸为1×1的卷积核将上述步骤得到的图像增维至128，并线性本文档来自技高网...

【技术保护点】
1.一种基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，包括如下步骤：/n使用摄像装置采集煤矸石的图片样本；/n对图片样本进行预处理，所述预处理包括：图像扩充优化、图像归一化和划分样本集，所述样本集包括：训练集和测试集，所述训练集包括图像数据组一和图像数据组二；/n使用相位一致性的方法对所述图像数据组一进行特征提取得到特征图组；/n使用Keras构建用来识别煤矸的卷积神经网络，所述卷积神经网络的输出口依次接入全连接层、Dropout层和softmax分类层；/n将所述特征图组与所述图像数据组二分别输入完全相同的卷积神经网络一和卷积神经网络二进行网络特征提取；/n所述全连接层将所述卷积神经网络一和所述卷积神经网络二提取的网络特征融合并进行分类识别，得到网络权重，完成所述卷积神经网络的模型训练；/n所述softmax分类层输出识别结果；/n将所述测试集输入经过所述模型训练的卷积神经网络验证其性能，输出识别结果。/n

【技术特征摘要】
1.一种基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，包括如下步骤：
使用摄像装置采集煤矸石的图片样本；
对图片样本进行预处理，所述预处理包括：图像扩充优化、图像归一化和划分样本集，所述样本集包括：训练集和测试集，所述训练集包括图像数据组一和图像数据组二；
使用相位一致性的方法对所述图像数据组一进行特征提取得到特征图组；
使用Keras构建用来识别煤矸的卷积神经网络，所述卷积神经网络的输出口依次接入全连接层、Dropout层和softmax分类层；
将所述特征图组与所述图像数据组二分别输入完全相同的卷积神经网络一和卷积神经网络二进行网络特征提取；
所述全连接层将所述卷积神经网络一和所述卷积神经网络二提取的网络特征融合并进行分类识别，得到网络权重，完成所述卷积神经网络的模型训练；
所述softmax分类层输出识别结果；
将所述测试集输入经过所述模型训练的卷积神经网络验证其性能，输出识别结果。


2.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，所述摄像装置采用海康威视的摄像装置。


3.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，所述预处理步骤之前，人工去除模糊不清的无效图像。


4.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，所述预处理步骤具体为：
在图像上通过增加椒盐噪声和高斯噪声扩充数据集；
使用背景差分法分离图像和背景，将经过背景差分法分离后的图像裁剪成统一尺寸，将裁剪后的煤的图像并作标签0，裁剪后的矸石的图像并作标签1；
对所述标签0和标签1的图像采用Keras中数据增强ImageDataGenerator模块进行数据补充，其中，所述数据补充的方式包括：翻转、平移、缩放和尺度变换；
将经过所述数据补充的图像的数据除以255归一化图像；
将经过所述归一化的图像按3：1划分为训练集和测试集。


5.根据权利要求4所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，在图像上通过增加椒盐噪声和高斯噪声扩充数据集的操作具体为：
使用C++的随机产生器，给所述图像增加白点和黑点的椒盐噪声，通过均值不变且改变图像方差的方法随机增加高斯噪声。


6.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，使用相位一致性的方法对所述图像数据组一进行特征提取得到特征图组的步骤具体为：
首先使用相位一致性边缘检测法提取图像的边缘特征，然后再利用LogGabor小波对图像进行滤波，滤波的传递函数如公式(1)，再通过二维图像的计算公式(2)，得出相位一致性PC值；






其中o为滤波方向，k为固定常数，w为自变量频率，wo为滤波器中心频率，n为尺度的个数，Ano(x)和Φno(x)分别为幅值和相位，Wo(x)和T为频率扩展和噪声补偿，x为图像的像素点在频域的位置坐标，ε为极小常数，符号表示当Ano(x)△Φno(x)-T的值大于0时取原值，小于0时取0。


7.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，
所述卷积神经网络使用激活函数relu6增加输入数据和输出数据的非线性关系，所述激活函数relu6为：F(z)＝min(max(0,z),6)；
其中，z指经过卷积层后输出的特征图数据；
所述卷积神经网络包括：普通卷积块、深度可分离卷积块一、深度可分离卷积块二、深度可分离卷积块三、深度可分离卷积块四、深度可分离卷积块五、深度可分离卷积块六、深度可分离卷积块七、深度可分离卷积块八和全局平均池化层，其中，网络特征提取的顺序依次为：普通卷积块、深度可分离卷积块一、深度可分离卷积块二、深度可分离卷积块三、深度可分离卷积块四、深度可分离卷积块五、深度可分离卷积块六、深度可分离卷积块七、深度可分离卷积块八、全局平均池化层；
所述普...

【专利技术属性】
技术研发人员：谭超，朱嘉皓，王忠宾，司垒，牛延博，李祖旭，王浩，赵世豪，简圣鸿，刑峰，张哲豪，张海波，岳鹏杰，曹瑞，陈红明，王燕，刘银奎，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏;32