摘要
在当前社会背景下，煤矸的高效分选对于环保和资源利用效率至关重要。然而，传统基于图像的煤矸识别方法面临着计算资源过大、模型复杂导致训练和推理效率低等问题。为了解决这些挑战，本研究聚焦于轻量化卷积神经网络，旨在更有效地利用计算资源，并满足在资源受限环境中的实际需求，进而在保证模型性能的前提下提升模型效率。本文针对深度学习中的图像分类和目标检测技术，深入研究轻量化神经网络的性能优化，并且通过利用软硬件设计构建了一套完整的煤矸识别系统，为煤矸自动分选的全面流程提供了可靠的保障。具体而言，本文的主要工作包括以下几个方面: 针对基于传统卷积神经网络的煤矸石图像分类方法面临着难以平衡识别性能和计算效率的问题，在GhostNet的基础网络上进行创新。采用分组卷积和通道混洗操作提高原始Ghost模块的稳定性，从而设计出一种分组卷积和通道混洗增强Ghost(Group convolution and Channel shuffle Augment Ghost,GSAG)模块来更好地提取煤和煤矸石的图像特征。同时结合高效的注意力机制模块搭建出一种新的轻量化卷积神经网络用于煤矸图像分类。在自制的煤和煤矸石图像数据集上的大量实验表明,GSAG模块具有一定的可行性和优越性。将GSAG模块应用在AlexNet、VGG13以及ResNet50等模型上，相较于Ghost模块，模型的准确率分别提高了0.27％、1.24％和1.25％。在此基础上，所提出的GSAGNet模型的分类准确率和F1分数分别达到了 97.50％和97.50％,相较于原算法分别提高了 1.01％和1.04％。 针对当前煤矸石目标检测算法存在小目标检测精度低、模型复杂度高以及占用计算内存大等问题，本文提出了一种基于You Only Look Once version 5s(YOLOV5s)的轻量级煤矸石检测算法。同时借鉴前文验证过的卷积操作和注意力机制模块等有效成果，重新设计了原始模型架构。实验结果表明，所提模型的平均精度均值(mean Average Precision，mAP)以及模型大小分别达到0.985和4.9M。与原始YOLOV5s网络相比，mAP提高了 0.6％,参数量降低了 72.76％。总结得出所提算法具有更高的定位和识别精度，同时大大降低了模型的复杂度和计算量，进而弱化了对硬件的依赖。 结合上述研究成果，本文基于高性能的Jetson Nano嵌入式平台设计了一种煤矸识别系统。此外利用PyQt5制作上位机交互界面来实现煤矸检测结果可视化。该系统为煤矸自动识别提供了重要的应用价值，并有望在工业化任务中具有广阔的应用前景和巨大的发展潜力。
NETL