用于煤矸识别的深度残差网络模型制造技术

本申请公开了一种用于煤矸识别的深度残差网络模型

【技术实现步骤摘要】
用于煤矸识别的深度残差网络模型、煤矸识别方法及系统


[0001]本公开涉及煤矸识别
，尤其涉及一种用于煤矸识别的深度残差网络模型
、
煤矸识别方法及系统
。

技术介绍

[0002]煤炭是我国传统能源之一，与国民经济发展和人民生活密切相关，在我国能源工业中占有重要的战略地位，随着社会现代化程度的提高，对能源的需求也越来越大
。
能源是社会发展的重要组成部分，煤炭主要由碳
、
氢
、
氧
、
氮和硫组成，约占能源生产和消费总量的
66
％和
60
％；未来一段时间，我国煤炭需求将保持稳定增长，在当前保护环境的社会政策前提下，煤炭也将朝着更加高效
、
清洁
、
安全的方向发展
。
[0003]近年来，国家煤炭开采和加工体系不断完善，在促进经济发展的同时，也注重高效清洁，煤矸石是煤炭开采和加工过程中产生的一种低碳固体废弃物，约占原煤总产量的
15
％；煤中混入煤矸石不仅会降低煤的燃烧效率，而且煤矸石在燃烧过程中会产生大量有害气体，严重污染环境，因此，煤矸石分离技术在煤炭开采中显得尤为重要
。
[0004]由于煤矸石的特征比较复杂，易受到光照
、
角度等因素的影响，现有技术中公开的采用卷积神经网络对煤和矸石图像进行识别分类，不能很好地处理长距离依赖关系，导致序列数据的处理效果不佳，对于处理高维数据或者非结构化数据的效果相对较差，导致处理结果可信度差，煤矸识别准确率低
。

技术实现思路

[0005]有鉴于此，本公开实施例提供了一种用于煤矸识别的深度残差网络模型
、
煤矸识别方法及系统，能够解决现有技术中存在的煤矸识别准确率低的问题
。
[0006]第一方面，本公开实施例提供了一种用于煤矸识别的深度残差网络模型，包括：
[0007]3×3卷积层，用于提取目标数据集的浅层特征信息；
[0008]第一混合注意力层，用于对所述浅层特征信息进行处理，得到第一混合权重特征图；
[0009]第一
Layer
层，用于对所述第一混合权重特征图进行卷积处理，获得第一光谱卷积特征；
[0010]第二
Layer
层，用于对所述第一光谱卷积特征进行卷积处理，获得第二光谱卷积特征；
[0011]第三
Layer
层，用于对所述第二光谱卷积特征进行卷积处理，获得第三光谱卷积特征；
[0012]第四
Layer
层，用于对所述第四光谱卷积特征进行卷积处理，获得第二混合权重特征图；
[0013]第二混合注意力层，用于对所述第二混合权重特征图进行处理，得到第三混合权重特征图；
[0014]处理层，用于对所述第三混合权重特征图进行
Dropout
处理，得到第四混合权重特征图；
[0015]全连接层，用于对所述第四混合权重特征图进行处理，得到煤矸信息；
[0016]Softmax
层，用于对所述煤矸信息进行处理，输出煤矸识别结果
。
[0017]可选的，所述第一混合注意力层包括第一通道注意力模块
、
第一融合模块
、
第一空间注意力模块和第二融合模块；
[0018]所述第一通道注意力模块用于提取所述浅层特征信息的第一通道特征信息；
[0019]所述第一融合模块用于将浅层特征信息与第一通道特征信息进行融合，得到第一特征信息；
[0020]所述第一空间注意力模块用于提取所述第一特征信息的第一空间特征信息；
[0021]所述第二融合模块用于将所述第一空间特征信息与所述第一特征信息进行融合，得到所述第一混合权重特征图
。
[0022]可选的，所述第一
Layer
层包括三个依次串联的第一残差模块；所述第一残差模块包括依次串联的第一卷积层
、
第二卷积层
、
第三卷积层；所述第一卷积层设置有
64
个卷积核，每个卷积核的尺寸均为1×1；所述第二卷积层设置有
64
个卷积核，每个卷积核的尺寸均为3×3；所述第三卷积层设置有
128
个卷积核，每个卷积核的尺寸均为1×
1。
[0023]所述第二
Layer
层包括四个依次串联的第二残差模块；所述第二残差模块包括依次串联的第四卷积层
、
第五卷积层
、
第六卷积层；所述第四卷积层设置有
128
个卷积核，每个卷积核的尺寸均为1×1；所述第五卷积层设置有
128
个卷积核，每个卷积核的尺寸均为3×3；所述第六卷积层设置有
256
个卷积核，每个卷积核的尺寸均为1×
1。
[0024]所述第三
Layer
层包括六个依次串联的第三残差模块；所述第三残差模块包括依次串联的第七卷积层
、
第八卷积层
、
第九卷积层；所述第七卷积层设置有
256
个卷积核，每个卷积核的尺寸均为1×1；所述第八卷积层设置有
256
个卷积核，每个卷积核的尺寸均为3×3；所述第九卷积层设置有
512
个卷积核，每个卷积核的尺寸均为1×
1。
[0025]所述第四
Layer
层包括三个依次串联的第四残差模块；所述第四残差模块包括依次串联的第十卷积层
、
第十一卷积层
、
第十二卷积层；所述第十卷积层设置有
512
个卷积核，每个卷积核的尺寸均为1×1；所述第十一卷积层设置有
512
个卷积核，每个卷积核的尺寸均为3×3；所述第十二卷积层设置有
1024
个卷积核，每个卷积核的尺寸均为1×
1。
[0026]可选的，所述第二混合注意力层包括第二通道注意力模块
、
第三融合模块
、
第二空间注意力模块和第四融合模块；
[0027]所述第二通道注意力模块用于提取所述第二混合权重特征图的第二通道特征信息；
[0028]所述第三融合模块用于将所述第二混合权重特征图与第二通道特征信息进行融合，得到第三特征信息；
[0029]所述第二空间注意力模块用于提取所述第三特征信息的第二空间特征信息；
[0030]所述第四融合模块用于将所述第二空间特征信息与所述第三特征信息进行融合，得到所述第三混合权重特征图
。
[0031]本申请的第二方面公开了一种煤矸识别方法，包括：
[0032]对采集的煤矸高光谱数据进行谱维变换处理，获得煤矸
RGB...

【技术保护点】

【技术特征摘要】
1.
一种用于煤矸识别的深度残差网络模型，其特征在于，包括：3×3卷积层，用于提取目标数据集的浅层特征信息；第一混合注意力层，用于对所述浅层特征信息进行处理，得到第一混合权重特征图；第一
Layer
层，用于对所述第一混合权重特征图进行卷积处理，获得第一光谱卷积特征；第二
Layer
层，用于对所述第一光谱卷积特征进行卷积处理，获得第二光谱卷积特征；第三
Layer
层，用于对所述第二光谱卷积特征进行卷积处理，获得第三光谱卷积特征；第四
Layer
层，用于对所述第四光谱卷积特征进行卷积处理，获得第二混合权重特征图；第二混合注意力层，用于对所述第二混合权重特征图进行处理，得到第三混合权重特征图；处理层，用于对所述第三混合权重特征图进行
Dropout
处理，得到第四混合权重特征图；全连接层，用于对所述第四混合权重特征图进行处理，得到煤矸信息；
Softmax
层，用于对所述煤矸信息进行处理，输出煤矸识别结果
。2.
根据权利要求1所述的用于煤矸识别的深度残差网络模型，其特征在于，所述第一混合注意力层包括第一通道注意力模块
、
第一融合模块
、
第一空间注意力模块和第二融合模块；所述第一通道注意力模块用于提取所述浅层特征信息的第一通道特征信息；所述第一融合模块用于将浅层特征信息与第一通道特征信息进行融合，得到第一特征信息；所述第一空间注意力模块用于提取所述第一特征信息的第一空间特征信息；所述第二融合模块用于将所述第一空间特征信息与所述第一特征信息进行融合，得到所述第一混合权重特征图
。3.
根据权利要求2所述的用于煤矸识别的深度残差网络模型，其特征在于，所述第一
Layer
层包括三个依次串联的第一残差模块；所述第一残差模块包括依次串联的第一卷积层
、
第二卷积层
、
第三卷积层；所述第一卷积层设置有
64
个卷积核，每个卷积核的尺寸均为1×1；所述第二卷积层设置有
64
个卷积核，每个卷积核的尺寸均为3×3；所述第三卷积层设置有
128
个卷积核，每个卷积核的尺寸均为1×1；所述第二
Layer
层包括四个依次串联的第二残差模块；所述第二残差模块包括依次串联的第四卷积层
、
第五卷积层
、
第六卷积层；所述第四卷积层设置有
128
个卷积核，每个卷积核的尺寸均为1×1；所述第五卷积层设置有
128
个卷积核，每个卷积核的尺寸均为3×3；所述第六卷积层设置有
256
个卷积核，每个卷积核的尺寸均为1×1；所述第三
Layer
层包括六个依次串联的第三残差模块；所述第三残差模块包括依次串联的第七卷积层
、
第八卷积层
、
第九卷积层；所述第七卷积层设置有
256
个卷积核，每个卷积核的尺寸均为1×1；所述第八卷积层设置有
256
个卷积核，每个卷积核的尺寸均为3×3；所述第九卷积层设置有
512
个卷积核，每个卷积核的尺寸均为1×1；所述第四
Layer
层包括三个依次串联的第四残差模块；所述第四残差模块包括依次串
联的第十卷积层
、
第十一卷积层
、
第十二卷积层；所述第十卷积层设置有
512
个卷积核，每个卷积核的尺寸均为1×1；所述第十一卷积层设置有
512
个卷积核，每个卷积核的尺寸均为3×3；所述第十二卷积层设置有
1024
个卷积核，每个卷积核的尺寸均为1×
1。4.
根据权利要求3所述的用于煤矸识别的深度残差网络模型，其特征在于，所述第二混合注意力...

【专利技术属性】
技术研发人员：杨健健，张玉增，王国勇，佟艺博，刘晋腾，王凯帆，刘汝渝，王冲，
申请(专利权)人：矿业大学北京内蒙古研究院，
类型：发明
国别省市：