摘要
针对现有煤矸分选方法存在模型复杂、实时性差、特征易丢失等问题,构建了一种轻量化煤矸分选网络 GC-ResNet18.GC-ResNet18 利用幽灵卷积(ghost convolution,GC)线性生成 ghost 映射的特性,剔除煤和矸石相似性特征的冗余信息.借助Softpool的下采样激活映射,保留、凸显煤和矸石的特征信息并去除冗余参数,防止过拟合现象.引入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升煤矸图像的识别准确率.实验结果表明,GC降低了 46.6％的参数量,GC自注意力机制在CI-FAR10、CIFAR100上分别提升1.44％、2.32％的准确率,而Softpool池化在上述两个数据集中分别提升了 0.22％、0.17％.通过对比实验,全面改进后的GC-ResNet18网络在训练效率和分类精度上优于VGG19-S-GDCNN、SBP-VGG-16等模型,在CIFAR10和CIFAR100数据集中的分类精度与同规模的网络相比均达到最优的94.07％和74.95％,并最终在自建煤矸数据集上达到了 97.2％的分类准确率.
基金项目
国家自然科学基金面上项目(52174141)
安徽省自然科学基金面上项目(2108085ME158)
安徽省重点研究与开放计划(202104a07020005)
安徽高校协同创新项目(GXXT-2020-54)
NETL
NSTL
维普
万方数据