基于图像检测的煤矸识别方法技术

本发明专利技术提供的一种基于图像检测的煤矸识别方法，包括：将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练；采集实时煤矸图像，将实时煤矸图像输入到经过训练的卷积神经网络进行识别，输出识别结果；将识别结果进行背景识别处理，识别出煤块，通过上述方法，能够对传输带裂纹进行准确鉴别，提出传输带裂纹对识别结果的影响，有效提高最终识别精度，另一方面，对图像识别算法进行改进，提升算法模型的泛化能力，进一步提升检测的精确度。度。度。

【技术实现步骤摘要】
基于图像检测的煤矸识别方法


[0001]本专利技术涉及一种识别方法，尤其涉及一种基于图像检测的煤矸识别方法。

技术介绍

[0002]在煤矿生产中需要对煤块进行分拣，即从采集的矿石中分拣出煤炭，去除石块、煤矸等，因此，在分拣之前，如何准确识别出煤块是一个极为重要的前提，现有技术中，对于煤块的识别往往基于图像检测的方式，但是现有的基于图像的煤块识别存在如下缺陷：现有的识别方法误识别严重，从而准确性低，这是由于在识别过程中往往受到外界的干扰，比如传输带的影响，即将传输带的裂纹等识别为煤块的边界，从而将煤块裂纹所包含的区域识别为煤块，另一方面，现有的识别方法自身缺陷导致识别准确性低。
[0003]因此，为了解决上述技术问题，亟需提出一种新的技术手段。

技术实现思路

[0004]有鉴于此，本专利技术的目的是提供一种基于图像检测的煤矸识别方法，能够对传输带裂纹进行准确鉴别，提出传输带裂纹对识别结果的影响，有效提高最终识别精度，另一方面，对图像识别算法进行改进，提升算法模型的泛化能力，进一步提升检测的精确度。
[0005]本专利技术提供的一种基于图像检测的煤矸识别方法，包括：
[0006]将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练；
[0007]采集实时煤矸图像，将实时煤矸图像输入到经过训练的卷积神经网络进行识别，输出识别结果；
[0008]将识别结果进行背景识别处理，识别出煤块。
[0009]进一步，在煤矸图像的训练样本输入到卷积神经网络之前对训练样本进行预处理，包括：
[0010]对训练样本图像进行处理，提取出煤矸边界框；
[0011]对煤矸边界框进行分类标记，其中边界框分类包括：特征明显煤块、特征不明显煤块、特征明显石块、特征不明显石块以及煤矸石。
[0012]进一步，对卷积神经网络进行训练前对卷积神经网络进行预处理，包括：
[0013]构建卷积神经网络的激活函数：
[0014]Mish＝x*tanh(ln(1+e
x
))；其中，Mish为函数输出值，x为卷积神经网络的神经元输入参数；
[0015]设置卷积神经网络的YOLOv5网络结构：
[0016]将卷积神经网络中的CSPDarknet53结构设定为两个预测分支，其中一个预测分支特征为38*38*N，另一预测分支为19*19*N，其中，N为设定值；
[0017]扩大卷积神经网络的卷积核数量为初始卷积核数量的1.2
‑
1.8倍。
[0018]进一步，卷积神经网络在训练过程中还包括：
[0019]对训练样本图像进行水平翻转、裁剪、几何变换以及马赛克操作。
[0020]进一步，在采集煤矸图像时，对相邻两帧图像采集时间间隔满足：0＜t＜h1/v，其中，t为相邻两帧图像采集时间间隔，h1为图像检测区域的高度，v为输送煤块的传输带的速度。
[0021]进一步，将识别结果进行背景识别处理具体包括：
[0022]获取训练样本图像中煤块边界框的深度信息；
[0023]基于煤块边界框的深度信息进行统计处理，得到深度阈值范围(K1，K2)；
[0024]对识别结果的煤块边界框进行二值化处理：
[0025]其中，M(x,y)为边界框图像对应的分割结果，f(x,y)为煤块边界框内像素(x，y)的深度值；
[0026]将煤块边界框经过二值化处理后的图像进行边界轮廓提取，判断边界轮廓最小外接矩形面积是否大于设定阈值，如是，则表明当前煤炭边界框的图像为对应的实物为煤炭。
[0027]本专利技术的有益效果：通过本专利技术，能够对传输带裂纹进行准确鉴别，提出传输带裂纹对识别结果的影响，有效提高最终识别精度，另一方面，对图像识别算法进行改进，提升算法模型的泛化能力，进一步提升检测的精确度。
附图说明
[0028]下面结合附图和实施例对本专利技术作进一步描述：
[0029]图1为本专利技术的流程图。
[0030]图2为本专利技术的背景识别示意图。
[0031]图3为边界框的示意图。
具体实施方式
[0032]以下对本专利技术做出进一步向详细说明：
[0033]本专利技术提供的一种基于图像检测的煤矸识别方法，包括：
[0034]将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练；
[0035]采集实时煤矸图像，将实时煤矸图像输入到经过训练的卷积神经网络进行识别，输出识别结果；其中，在采集实时煤矸图像时，采用现有的深度相机采集；
[0036]将识别结果进行背景识别处理，识别出煤块，通过上述方法，能够对传输带裂纹进行准确鉴别，提出传输带裂纹对识别结果的影响，有效提高最终识别精度，另一方面，对图像识别算法进行改进，提升算法模型的泛化能力，进一步提升检测的精确度。
[0037]本实施例中，在煤矸图像的训练样本输入到卷积神经网络之前对训练样本进行预处理，包括：
[0038]对训练样本图像进行处理，提取出煤矸边界框；其中，煤矸边界框是基于煤流图像进行提取，煤矸边界框为图像中包含煤块或者煤矸石或者石块的图像的最小矩形框，如图3所示，图3中为一帧图像，不规则形状表示煤块、煤矸石或者石块等，虚线矩形框为煤矸边界框，从图3中可以看出：煤矸边界框为包含煤块、石块等图像边界的最小矩形框；
[0039]对煤矸边界框进行分类标记，其中边界框分类包括：特征明显煤块、特征不明显煤
块、特征明显石块、特征不明显石块以及煤矸石，通过上述方法，用于对卷积神经网络进行训练，使卷积神经网络学习各个类别的特征，便于后续识别。
[0040]本实施例中，对卷积神经网络进行训练前对卷积神经网络进行预处理，包括：
[0041]构建卷积神经网络的激活函数：
[0042]Mish＝x*tanh(ln(1+e
x
))；其中，Mish为函数输出值，x为卷积神经网络的神经元输入参数；其中，卷积神经网络的损失函数：
[0043]Loss＝objLoss+classLoss+bboxLoss，其中，objLoss为煤矸边界框图像的损失，classLoss为煤矸边界框图像的类别损失，bboxLoss为煤矸边界框图像的边框损失，其中，bboxLoss采用CIoU算法进行计算；通过上述的激活函数和损失函数，有效解决了煤矸边界框图像的边界饱和问题，而且具有良好的梯度流向负区间，函数图像更加平滑，并且使得整个卷积神经网络具有更强的泛化能力和更精确检测结果；
[0044]设置卷积神经网络的YOLOv5网络结构：
[0045]将卷积神经网络中的CSPDarknet53结构设定为两个预测分支，其中一个预测分支特征为38*38*N，另一预测分支为19*19*N，其中，N为设定值，根据实际需要设定，在该步骤中，能够提升卷积神经网络对于不同尺寸规格的煤矸目标的识别能力；
[0046]扩大卷积神经网络的卷积核数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像检测的煤矸识别方法，其特征在于：包括：将煤矸图像的训练样本输入到卷积神经网络中对卷积神经网络进行训练；采集实时煤矸图像，将实时煤矸图像输入到经过训练的卷积神经网络进行识别，输出识别结果；将识别结果进行背景识别处理，识别出煤块。2.根据权利要求1所述基于图像检测的煤矸识别方法，其特征在于：在煤矸图像的训练样本输入到卷积神经网络之前对训练样本进行预处理，包括：对训练样本图像进行处理，提取出煤矸边界框；对煤矸边界框进行分类标记，其中边界框分类包括：特征明显煤块、特征不明显煤块、特征明显石块、特征不明显石块以及煤矸石。3.根据权利要求1所述基于图像检测的煤矸识别方法，其特征在于：对卷积神经网络进行训练前对卷积神经网络进行预处理，包括：构建卷积神经网络的激活函数：Mish＝x*tanh(ln(1+e
x
))；其中，Mish为函数输出值，x为卷积神经网络的神经元输入参数；设置卷积神经网络的YOLOv5网络结构：将卷积神经网络中的CSPDarknet53结构设定为两个预测分支，其中一个预测分支特征为38*38*N，另一预测分支为19*19*N，...

【专利技术属性】
技术研发人员：段勃，杨东鑫，李浩澜，何杰，陈鹏，张杨，
申请(专利权)人：中科院计算所西部高等技术研究院，
类型：发明
国别省市：