一种基于轻量化卷积神经网络的煤矸石图像分类方法技术

本发明专利技术公开了一种基于轻量化卷积神经网络的煤矸石图像分类方法，包括采集煤矸石图像数据集，对数据集图像进行预处理并进行数据划分；将划分后的数据集进行数据增强操作；在原始Ghost模块的基础上提出更高效的轻量级卷积模块，并搭建一种煤矸石图像识别轻量化卷积神经网络；将增强后的训练数据集输入至设计好的识别模型中进行训练，得到训练好的轻量化卷积神经网络并保存模型权重参数；加载保存的模型参数文件，对测试数据集进行识别，得到预测结果。有效提高了轻量化卷积神经网络模型的识别准确率，能够很好地应用在井下工业场景来识别煤和矸石，解决了传统卷积神经网络因模型复杂度高难以部署在计算资源受限的嵌入式设备上的问题。的问题。的问题。

【技术实现步骤摘要】
一种基于轻量化卷积神经网络的煤矸石图像分类方法


[0001]本专利技术涉及煤矸石分类领域，特别涉及一种基于轻量化卷积神经网络的煤矸石图像分类方法。

技术介绍

[0002]直到2025年，煤炭能源在中国一次能源中占比将持续超过50％。然而，在煤炭生产过程中，开采出来的矸石却占原煤产量的15％
‑
20％。矸石不仅具有密度大、热值低的特点，其内部还含有大量的重金属元素。在煤炭开采过程中会对运输皮带造成损伤甚至撕裂，进而提高产业成本。此外，矸石同煤混合燃烧后会降低煤的燃烧效率并加剧生态环境的污染。因此，煤和矸石的准确分拣对煤炭能源的高效利用尤为重要。
[0003]传统的分拣煤和矸石的方法主要有人工选矸、重介选矸、动筛跳汰选矸、双能伽马射线检测、X射线检测和激光检测。然而，这些方法具有成本高、精度低、环保性低以及危害人体健康等缺点，不利于煤炭开采的长期发展。目前，计算机技术和机器视觉的发展有效地解决了这些问题。传统的图像分类技术依赖于手动设计的特征,如基于颜色特征、基于纹理特征、基于形状特征。由于手动设计的特征依赖于工程经验并且本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化卷积神经网络的煤矸石图像分类方法，所属算法包括以下步骤：(1)：采集煤和矸石的可见光图像数据集，都所述数据集进行预处理并进行数据划分；(2)：考虑到所训练数据集的数量少，对划分后的数据集进行数据增强；(3)：在原始Ghost模块的基础上提出一种更高效的轻量化卷积模块，并搭建了一种煤矸石图像分类的轻量化卷积神经网络；(4)：将增强后的训练数据集输入至设计好的轻量化卷积神经网络模型中进行训练，得到训练好的轻量化卷积神经网络模型，并保存模型权重文件；(5)：加载保存的模型参数文件，将增强后的测试数据集输入模型进行预测分类，并输出每张煤矸石图片对应的类别和准确率。2.根据权利要求1所述的一种基于轻量化卷积神经网络的煤矸石图像分类方法,其中所述步骤(1)中：使用采集装置采集煤和矸石的图像，所采集的图像分别来自200块煤和200块矸石，并采用非接触式采集方法采集图像，将摄像头安装在固定位置进行拍摄，共拍摄400张图片，将所拍摄的煤矸石图片进行预处理，包括有效区域的截取，并将分辨率及逆行统一，更适用于实际井下工业场景的应用，将需要进行分类的煤矸石图像数据集按照4：1的比例划分为训练集和测试集。3.根据权利要求1所述的一种基于轻量化卷积神经网络的煤矸石图像分类方法,其中所述步骤(2)中，为了降低数据集的数量对网络模型分类率的影响，采用多种数据增强的方法对划分后的数据集进行数据扩充，其中包括多角度旋转(90度、180度和270度)、镜像、随即亮度、运动模糊、椒盐和高斯噪声，将一张照片扩充为10张，扩张后的数据集共4000张。4.根据权利要求1所述的一种基于轻量化卷积神经网络的煤矸石图像分类方法,其中所述步骤(3)中，所提煤矸石图像分类的轻量化卷积神经网络包括依次连接的第一个卷积模块、多个GSAG瓶颈结构、高效通道注意力模块、第二个卷积模块、平均池化模块、第三个卷积模块和全连接层，所述第一个卷积模块用于接收预处理后的煤矸石图片，使用卷积核大小为3、步长为2的卷积操作提取图片中的特征，同时缩小特征图的尺寸；所述多个GSAG瓶颈结构用于利用更少的参数提取进行卷积操作后图片的深层次特征；所述高效通道注意...

【专利技术属性】
技术研发人员：方燎，曹珍贯，李锐，杨逊，李卓钦，李金标，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：