一种基于卷积神经网络的岩渣分类算法制造技术

本发明专利技术涉及一种基于卷积神经网络的岩渣分类算法，岩渣作为掘进过程中主要的产物，包含丰富的信息，研究及工程实践表明可通过对岩渣的类别进行观测，实时推测刀盘的工作状况。通过图像识别岩渣种类以达到间接检测刀盘的目的，从而指导现场施工人员及时检查和更换刀具。相机在传送带上方采集图像，避开了恶劣的生产环境，同时还具有设备简单、损耗低、成本低、长时间监测等优点，以此为动机，该发明专利技术提出一种基于卷积神经网络的岩渣分类算法。为提取岩渣图像特征，该文首先根据预训练模型迁移学习参数，同时配合数据扩增方法，将扩增后的岩渣数据集作为卷积神经网络的输入，训练岩渣分类网络。为实现盾构机边缘端的算法部署，本发明专利技术还提出一种结合量化与剪枝的网络压缩方法，对网络进行了近乎无损的压缩，减小了参数量和计算量。计算量。计算量。

【技术实现步骤摘要】
一种基于卷积神经网络的岩渣分类算法


[0001]本专利技术属于图像识别领域，具体为基于卷积神经网络的岩渣分类算法。

技术介绍

[0002]全断面岩石掘进机(tunnel boring machine,TBM)具有施工速度快，安全性高，经济性好等优点，在高速公路、铁路运输、城市地铁等重大工程中得到了广泛的应用。由于工作环境恶劣，刀盘滚刀极易受到异常磨损和损坏，如果施工过程当中无法及时发现并处理刀具出现的损坏，不仅会降低掘进效率，还会致使刀盘出现异常磨损，影响工程进度与施工质量。因而研究盾构刀具的磨耗原因并对刀具磨损情况进行实时监控，对刀具的合理选择、使用、维护和更换尤为必要。
[0003]目前国内外有多种不同的刀盘监测方法，主要有液压监测法、电涡流监测法、超声波检测法等，上述方式取得了一定的成功，但同时都存在一定的局限性，比如需要在刀盘处安装传感器，线路布置复杂，同时刀盘工作时会产生较大震动，会影响传感器寿命。根据TBM刀盘滚刀的破岩机制，当刀盘磨损或者损坏时，掘进产生的岩渣碎片尺寸会增大。因此，可以通过监测传送带上的岩渣碎片情况间接监测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的岩渣分类算法，其特征在于，包括：步骤1：选择3类带标签的岩渣图像作为卷积神经网络的输入，使用迁移学习的方法对岩渣分类网络进行微调设计及重训练。步骤2：通过数据扩增方法对岩渣数据集进行扩增，提高网络的分类性能。步骤3：采用量化加剪枝的方法对岩渣分类网络进行压缩，以得到规模和计算量更小的轻量化网络，使其更易于在施工环境边缘端部署。2.根据权利要求1所述的基于迁移学习的岩渣分类网络微调及重训练方法，其特征在于：由于岩渣数据集训练数据过少，直接训练无法充分学习特征，网络容易过拟合，研究表明，卷积神经网络在相似的任务中具有一定的泛化性能，采用迁移学习训练网络具有更好的性能提升速度和收敛性能。在卷积神经网络中，前几层特征图输出与图像数据集关系不大，而网络最后一层则与选定的数据及其任务目标密切相关，因此，根据分类目标，重新设计全连接层，得到的新的岩渣分类网络结构，以预训练网络的权重作为初始值对模型进行重训练，把使用ImageNet训练的VGG16的预训练模型的参数迁移到岩渣分类网络中，实践证明预训练模型的权重具有很强的泛化性能，在训练1000次后，网络准确率达到96％，在岩渣数据集上能够达到很好的分类效果。3.根据权利要求2所述的数据集扩增方法，其特征在于：采集自实际工程场景的岩渣图像类别数量分布不均，数据量较少的类别无法充分提取到特征信息，实际的生产过程中，岩渣可能存在方向上的随机分布，并且摄像头可能受环境影响采集到包含噪声的图像，因此针对上述特点，采用随机旋转和添加高斯噪声的方式对数据集进行扩增，并对网络进行重训练，以获取三类岩渣图像更丰富的特征信息。4.根据权利要求3所述的基于量化和剪枝的网络压缩方法，其特征在于：使用量化和剪枝结合的网络压缩方法减小岩渣分类网络的规模，以便于在盾构机边缘端设备实际部署应用。由于线性量化后的数据和原始数据是线性变换关系，过程只需要计算线性变...

【专利技术属性】
技术研发人员：陈昌川，王新立，乔飞，刘凯，代少升，张天骐，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：