本发明专利技术公开了一种面向煤矸识别的人在回路主动感知方法，该方法包括：对煤矸石图像进行人工标定处理，得到初步的煤矸石标签图像；将初步的煤矸石标签图像输入至半监督主动学习模型进行迭代训练，得到训练后的半监督主动学习模型；根据所述训练后的半监督主动学习模型进行煤矸石图像识别处理，得到煤矸石分割图像。通过使用本发明专利技术，能够减轻人工对煤矸石图像进行标注的压力且提高了煤矸石图像的最终识别精度。本发明专利技术作为一种面向煤矸识别的人在回路主动感知方法，可广泛应用于计算机视觉技术领域。术领域。术领域。
【技术实现步骤摘要】
一种面向煤矸识别的人在回路主动感知方法
[0001]本专利技术涉及计算机视觉
，尤其涉及一种面向煤矸识别的人在回路主动感知方法。
技术介绍
[0002]随着科学技术的发展，越来越多的工厂实现了现代化生产和制造，研究者们发现使用深度学习机器视觉技术相较于传统方法来进行煤矸石的分选可以有效的提高分选效率，减少人力成本，这对于推动煤炭行业的发展改革，具有重要的意义和市场价值，深度学习推动了应用的爆炸式增长，然而训练深度神经网络通常需要昂贵的人工注释，在煤矿生产现场每天会产生成千上万张图像，而采集后的数据标定问题也牵扯大量的人工成本，全部由人为进行标注会造成不必要的劳动力和资源的浪费，而且网络模型由于固定标定的少量数据训练往往不具备自我调整网络结构的能力，必须牵扯大量人为调整修改，另外图像标注需要经验丰富的工人进行操作，标注也会存在主观上的错误判断导致图像标注失误，上述问题均使得在复杂环境下，深度学习煤矸石智能分选涉及大量的人工成本花销在数据标注与模型调整中，无疑对智能分选技术应用与推广带来重大挑战，且传统机器视觉方法实现煤矸石识别的场景而得到的深度学习网络模型，往往需要使用大量的数据训练模型，且训练模型所使用的的数据固定且没有更新，从而增加了额外的开发周期。
技术实现思路
[0003]为了解决上述技术问题，本专利技术的目的是提供一种面向煤矸识别的人在回路主动感知方法，能够减轻人工对煤矸石图像进行标注的压力且提高了煤矸石图像的最终识别精度。
[0004]本专利技术所采用的第一技术方案是：一种面向煤矸识别的人在回路主动感知方法，包括以下步骤：
[0005]对煤矸石图像进行人工标定处理，得到初步的煤矸石标签图像；
[0006]将初步的煤矸石标签图像输入至半监督主动学习模型进行迭代训练，得到训练后的半监督主动学习模型；
[0007]根据所述训练后的半监督主动学习模型进行煤矸石图像识别处理，得到煤矸石分割图像。
[0008]进一步，所述对煤矸石图像进行人工标定处理，得到初步的煤矸石标签图像这一步骤，其具体包括：
[0009]通过相机对现场煤矸石进行拍摄处理，得到煤矸石图像；
[0010]通过人工方法，对煤矸石图像中的煤块和煤矸石进行区别标定处理，得到初步的煤矸石标签图像。
[0011]进一步，所述将初步的煤矸石标签图像输入至半监督主动学习模型进行迭代训练，得到训练后的半监督主动学习模型这一步骤，其具体包括：
[0012]将初步的煤矸石标签图像输入至半监督主动学习模型；
[0013]基于半监督主动学习模型的主干网络，对初步的煤矸石标签图像进行特征提取处理，得到特征煤矸石标签图像；
[0014]基于半监督主动学习模型的还原网络，对特征煤矸石标签图像进行特征融合处理，得到融合后的特征煤矸石标签图像；
[0015]基于半监督主动学习模型的卷积层，对融合后的特征煤矸石标签图像进行卷积操作处理，得到训练结果；
[0016]根据训练结果判断，判断到所述训练结果满足预设条件，得到训练后的半监督主动学习模型。
[0017]进一步，所述基于半监督主动学习模型的主干网络，对初步的煤矸石标签图像进行特征提取处理，得到特征煤矸石标签图像这一步骤，其具体包括：
[0018]将初步的煤矸石标签图像输入至半监督主动学习模型的主干网络，所述半监督主动学习模型的主干网络包括五个特征提取层；
[0019]基于第一特征提取层，对初步的煤矸石标签图像进行二次卷积操作处理与最大池化处理，得到第一特征煤矸石标签图像；
[0020]基于第二特征提取层，对初步的煤矸石标签图像进行二次卷积操作处理与最大池化处理，得到第二特征煤矸石标签图像；
[0021]基于第三特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理与最大池化处理，得到第三特征煤矸石标签图像；
[0022]基于第四特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理与最大池化处理，得到第四特征煤矸石标签图像；
[0023]基于第五特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理，得到第五特征煤矸石标签图像；
[0024]整合上述第一至第五特征煤矸石标签图像，得到特征煤矸石标签图像。
[0025]进一步，所述基于半监督主动学习模型的还原网络，对特征煤矸石标签图像进行特征融合处理，得到融合后的特征煤矸石标签图像这一步骤，其具体包括：
[0026]将特征煤矸石标签图像输入至半监督主动学习模型的还原网络，所述半监督主动学习模型的还原网络包括五个特征融合层；
[0027]基于第一特征融合层，对第五特征煤矸石标签图像进行上采样操作处理，得到上采样后的第五特征煤矸石标签图像；
[0028]基于第二特征融合层，将上采样后的第五特征煤矸石标签图像与第四特征煤矸石标签图像依次进行融合处理、二次卷积操作处理和长采样操作处理，得到上采样后的第四特征煤矸石标签图像；
[0029]基于第三特征融合层与第四特征融合层循环上述第二特征融合层的处理步骤，得到上采样后的第二特征煤矸石标签图像；
[0030]基于第五特征融合层，将上采样后的第二特征煤矸石标签图像与第一特征煤矸石标签图像依次进行融合处理和二次卷积操作处理，得到融合后的特征煤矸石标签图像。
[0031]进一步，所述根据训练结果判断，判断到所述训练结果满足预设条件，得到训练后的半监督主动学习模型这一步骤，其具体包括：
[0032]对所述训练结果进行像素点分类概率值计算，得到对应的像素点分类概率值；
[0033]将对应的像素点分类概率值与预设阈值进行判断处理，并统计处于在所述预设阈值范围内的图像像素点个数；
[0034]根据预设阈值范围内的图像像素点个数计算所述图像像素点个数所占图像的比例，得到比例系数；
[0035]对所述比例系数与预设系数阈值进行判断；
[0036]判断到大于预设系数阈值，输出图像进行重新人工标定处理并输入至半监督主动学习模型进行训练，直至所述比例系数小于预设系数阈值；
[0037]判断到小于预设系数阈值，得到训练后的半监督主动学习模型。
[0038]进一步，所述像素点分类概率值的计算公式如下所示：
[0039][0040]上式中，Z
i
表示第i个节点的输出值，C表示输出节点的个数即分类的类别个数，Softmax(
·
)表示归一化指数函数。
[0041]本专利技术方法的有益效果是：本专利技术先通过人工对煤矸石图像进行标定处理，将机器训练和人工标注结合起来，使得人在标注的经验增加而且网络得以训练的样本数据得到填充，进一步构建半监督主动学习框架，利用像素点分类概率值对输出标签进行判别并将错误标签输出从而进行人工纠正，进一步减轻人工标注的压力，能够有效提升工业分选效率，将重新标定的数据标签作为数据集的扩充并进行网络的迭代优化更新，不断地使用新获得的数据进行网络训练达到一种循环效果本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种面向煤矸识别的人在回路主动感知方法，其特征在于，包括以下步骤：对煤矸石图像进行人工标定处理，得到初步的煤矸石标签图像；将初步的煤矸石标签图像输入至半监督主动学习模型进行迭代训练，得到训练后的半监督主动学习模型；根据所述训练后的半监督主动学习模型进行煤矸石图像识别处理，得到煤矸石分割图像。2.根据权利要求1所述一种面向煤矸识别的人在回路主动感知方法，其特征在于，所述对煤矸石图像进行人工标定处理，得到初步的煤矸石标签图像这一步骤，其具体包括：通过相机对现场煤矸石进行拍摄处理，得到煤矸石图像；通过人工方法，对煤矸石图像中的煤块和煤矸石进行区别标定处理，得到初步的煤矸石标签图像。3.根据权利要求2所述一种面向煤矸识别的人在回路主动感知方法，其特征在于，所述将初步的煤矸石标签图像输入至半监督主动学习模型进行迭代训练，得到训练后的半监督主动学习模型这一步骤，其具体包括：将初步的煤矸石标签图像输入至半监督主动学习模型；基于半监督主动学习模型的主干网络，对初步的煤矸石标签图像进行特征提取处理，得到特征煤矸石标签图像；基于半监督主动学习模型的还原网络，对特征煤矸石标签图像进行特征融合处理，得到融合后的特征煤矸石标签图像；基于半监督主动学习模型的卷积层，对融合后的特征煤矸石标签图像进行卷积操作处理，得到训练结果；根据训练结果判断，判断到所述训练结果满足预设条件，得到训练后的半监督主动学习模型。4.根据权利要求3所述一种面向煤矸识别的人在回路主动感知方法，其特征在于，所述基于半监督主动学习模型的主干网络，对初步的煤矸石标签图像进行特征提取处理，得到特征煤矸石标签图像这一步骤，其具体包括：将初步的煤矸石标签图像输入至半监督主动学习模型的主干网络，所述半监督主动学习模型的主干网络包括五个特征提取层；基于第一特征提取层，对初步的煤矸石标签图像进行二次卷积操作处理与最大池化处理，得到第一特征煤矸石标签图像；基于第二特征提取层，对初步的煤矸石标签图像进行二次卷积操作处理与最大池化处理，得到第二特征煤矸石标签图像；基于第三特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理与最大池化处理，得到第三特征煤矸石标签图像；基于第四特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理与最大池化处理，得到第四特征煤矸石标签图像；基于第...
【专利技术属性】
技术研发人员：刘修华，朱文博，李艾园，陈建文，王修才，李鸿禧，
申请(专利权)人：佛山科学技术学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。