基于多特征层融合的煤矸石的检测方法及装置制造方法及图纸

本公开提出一种基于多特征层融合的煤矸石的检测方法及装置，涉及煤炭技术领域，其中，所述方法包括：获取待检测的第一图像，其中，所述第一图像为采集的煤炭图像数据；将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值，其中，所述图像识别模型中包含多个深度可分离卷积层DSC及多个网络层，所述网络层用于将多个DSC提取的特征进行融合；根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石。由此，在获取到待识别的煤炭图像之后，可以利用已训练完成的图像识别模型，对其进行处理，以确定出该图像中每个像素点对应的概率值，之后根据概率值可以确定出该图像中是否包含煤矸石，无需人工进行，即可实现煤矸石的检测，提高了效率，节省了时间。节省了时间。节省了时间。

【技术实现步骤摘要】
基于多特征层融合的煤矸石的检测方法及装置


[0001]本公开涉及煤炭
，尤其涉及一种基于多特征层融合的煤矸石的检测方法及装置。

技术介绍

[0002]煤炭作为我国的主要一次能源，是经济发展的重要支柱。在煤炭开采过程中，开采出的煤炭中可能会伴随着煤矸石，煤矸石是一种固体排放废物，含碳量较低，比煤的硬度更高，燃烧利用率较低。若将煤矸石从煤炭中分离，不仅能提高煤炭的燃烧效率，而且也可以减少其燃烧时污染物的排放，因此，煤矸石的快速识别和检测，对煤矸石的分离具有重要意义。
[0003]相关技术中，通常采用人工方式对煤矸石进行检测方，而人工检测时，工作环境较为恶劣、劳动强度大，耗费大量时间、效率也不高。由此，如何提高煤矸石检测效率，显得至关重要。

技术实现思路

[0004]本公开提出了一种基于多特征层融合的煤矸石的检测方法及装置，旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]本公开第一方面实施例提出了一种基于多特征层融合的煤矸石的检测方法，包括：
[0006]获取待检测的第一图像，其中，所述第一图像为采集的煤炭图像数据；
[0007]将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值，其中，所述图像识别模型中包含多个深度可分离卷积层DSC及多个网络层，所述网络层用于将多个DSC提取的特征进行融合；
[0008]根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石。
[0009]可选的，在所述将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值之前，还包括；
[0010]获取训练数据集，其中，所述训练数据集中包含多张第二图像及每张所述第二图像对应的第一标签；
[0011]将每张所述第二图像输入至初始模型中，以确定每张所述第二图像对应的预测概率值，其中，所述初始模型中包含编码器及解码器；
[0012]根据每张所述第二图像的预测概率值，确定每张所述第二图像对应的预测标签；
[0013]根据每张所述第二图像的预测标签及第一标签间的差异，确定每张所述第二图像对应的损失值；
[0014]基于每个所述损失值，对所述初始模型进行修正，以生成训练完成的图像识别模型。
[0015]可选的，所述将每张所述第二图像输入至初始模型中，以确定每张所述第二图像
对应的预测概率值，包括：
[0016]将所述第二图像输入至编码器中，以经过所述编码器中第一卷积层的处理，确定对应的第一编码特征，其中所述编码器中包含N个卷积层；
[0017]将所述第一编码特征输入至所述编码器中的第二卷积层，以确定对应的第二编码特征；
[0018]将每一编码特征输入至下一个卷积层，以确定下一个卷积层所对应的编码特征；
[0019]直至将第N
‑
1个卷积层对应的第N
‑
1编码特征，输入至第N个卷积层，以确定对应的第N编码特征；
[0020]将所述第N编码特征及所述第N
‑
1编码特征输入至解码器中的第一网络层，以确定对应的第一解码特征；
[0021]将所述第一解码特征及所述第N
‑
2编码特征，输入至所述解码器中的第二网络层，以确定对应的第二解码特征；
[0022]将所述解码器中任一网络层对应的解码特征及与所述解码特征规格对应的编码特征，输入至所述解码器中的下一网络层，以确定下一网络层对应的解码特征；
[0023]直至将第N
‑
1解码特征及所述第一编码特征，输入至解码器中的第N网络层，以确定所述第二图像对应的预测概率值。
[0024]可选的，所述基于每个所述损失值，对所述初始模型进行修正，以生成图像识别模型，包括：
[0025]基于每个所述损失值，对所述初始模型进行修正；
[0026]基于矩阵低秩分解，将所述修正后的模型进行压缩，以生成图像识别模型。
[0027]可选的，所述根据每个所述像素点的概率值，确定所述第一图像中是否包含煤矸石，包括：
[0028]在任一像素点对应的第一概率值大于第二概率值的情况下，确定所述任一像素点对应的图像信息为煤矸石，其中，所述第一概率值为像素点为煤矸石的概率、所述第二概率值为像素点不是煤矸石的概率。
[0029]本公开第二方面实施例提出了一种基于多特征层融合的煤矸石的检测装置，包括：
[0030]获取模块，用于获取待检测的第一图像，其中，所述第一图像为采集的煤炭图像数据；
[0031]第一确定模块，用于将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值，其中，所述图像识别模型中包含多个深度可分离卷积层DSC及多个网络层，所述网络层用于将多个DSC提取的特征进行融合；
[0032]第二确定模块，用于根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石。
[0033]可选的，所述第一确定模块，包括：
[0034]获取单元，用于获取训练数据集，其中，所述训练数据集中包含多张第二图像及每张所述第二图像对应的第一标签；
[0035]第一确定单元，用于将每张所述第二图像输入至初始模型中，以确定每张所述第二图像对应的预测概率值，其中，所述初始模型中包含编码器及解码器；
[0036]第二确定单元，用于根据每张所述第二图像的预测概率值，确定每张所述第二图像对应的预测标签；
[0037]第三确定单元，用于根据每张所述第二图像的预测标签及第一标签间的差异，确定每张所述第二图像对应的损失值；
[0038]生成单元，用于基于每个所述损失值，对所述初始模型进行修正，以生成训练完成的图像识别模型。
[0039]可选的，所述第一确定单元，具体用于：
[0040]将所述第二图像输入至编码器中，以经过所述编码器中第一卷积层的处理，确定对应的第一编码特征，其中所述编码器中包含N个卷积层；
[0041]将所述第一编码特征输入至所述编码器中的第二卷积层，以确定对应的第二编码特征；
[0042]将每一编码特征输入至下一个卷积层，以确定下一个卷积层所对应的编码特征；
[0043]直至将第N
‑
1个卷积层对应的第N
‑
1编码特征，输入至第N个卷积层，以确定对应的第N编码特征；
[0044]将所述第N编码特征及所述第N
‑
1编码特征输入至解码器中的第一网络层，以确定对应的第一解码特征；
[0045]将所述第一解码特征及所述第N
‑
2编码特征，输入至所述解码器中的第二网络层，以确定对应的第二解码特征；
[0046]将所述解码器中任一网络层对应的解码特征及与所述解码特征规格对应的编码特征，输入至所述解码器中的下一网络层，以确定下一网络层对应的解码特征；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多特征层融合的煤矸石的检测方法，其特征在于，包括：获取待检测的第一图像，其中，所述第一图像为采集的煤炭图像数据；将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值，其中，所述图像识别模型中包含多个深度可分离卷积层DSC及多个网络层，所述网络层用于将多个DSC提取的特征进行融合；根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石。2.如权利要求1所述的方法，其特征在于，在所述将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值之前，还包括；获取训练数据集，其中，所述训练数据集中包含多张第二图像及每张所述第二图像对应的第一标签；将每张所述第二图像输入至初始模型中，以确定每张所述第二图像对应的预测概率值，其中，所述初始模型中包含编码器及解码器；根据每张所述第二图像的预测概率值，确定每张所述第二图像对应的预测标签；根据每张所述第二图像的预测标签及第一标签间的差异，确定每张所述第二图像对应的损失值；基于每个所述损失值，对所述初始模型进行修正，以生成训练完成的图像识别模型。3.如权利要求2所述的方法，其特征在于，所述将每张所述第二图像输入至初始模型中，以确定每张所述第二图像对应的预测概率值，包括：将所述第二图像输入至编码器中，以经过所述编码器中第一卷积层的处理，确定对应的第一编码特征，其中所述编码器中包含N个卷积层；将所述第一编码特征输入至所述编码器中的第二卷积层，以确定对应的第二编码特征；将每一编码特征输入至下一个卷积层，以确定下一个卷积层所对应的编码特征；直至将第N
‑
1个卷积层对应的第N
‑
1编码特征，输入至第N个卷积层，以确定对应的第N编码特征；将所述第N编码特征及所述第N
‑
1编码特征输入至解码器中的第一网络层，以确定对应的第一解码特征；将所述第一解码特征及所述第N
‑
2编码特征，输入至所述解码器中的第二网络层，以确定对应的第二解码特征；将所述解码器中任一网络层对应的解码特征及与所述解码特征规格对应的编码特征，输入至所述解码器中的下一网络层，以确定下一网络层对应的解码特征；直至将第N
‑
1解码特征及所述第一编码特征，输入至解码器中的第N网络层，以确定所述第二图像对应的预测概率值。4.如权利要求2所述的方法，其特征在于，所述基于每个所述损失值，对所述初始模型进行修正，以生成训练完成的图像识别模型，包括：基于每个所述损失值，对所述初始模型进行修正；基于矩阵低秩分解，将所述修正后的模型进行压缩，以生成图像识别模型。5.如权利要求1
‑
4中任一所述的方法，其特征在于，所述根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石，包括：
在任一像素点对应的第一概率值大于第二概率值的情况下，确定所述任一像素点对应的图像信息为煤矸石，其中，所述第一概率值为像素点为煤...

【专利技术属性】
技术研发人员：杨国奇，程健，李和平，孙大智，李昊，许鹏远，马永壮，闫鹏鹏，
申请(专利权)人：煤炭科学研究总院有限公司，
类型：发明
国别省市：