首页|基于迁移学习的煤岩壳质组显微组分识别模型

基于迁移学习的煤岩壳质组显微组分识别模型

Transfer learning based identification model for macerals of exinite in coal

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
为了提高煤岩壳质组显微组分的识别准确率,避免分类器构建中特征提取阶段的人工干预,采用深度学习的方法实现煤岩壳质组显微组分类别的自动识别.由于煤岩壳质组样本数有限,采用传统的卷积神经网络构建分类器对其识别容易产生过拟合,泛化能力较差.为解决该问题,提出了一种基于迁移学习的煤岩壳质组显微组分识别模型(分类器).该模型在传统的卷积神经网络模型基础上,通过迁移学习共享预训练网络模型中卷积层和池化层的权值系数,并结合煤岩壳质组显微图像样本,优化网络模型结构和全连接层参数,进而构建适合于煤岩壳质组显微组分识别的深度学习网络模型.试验结果表明:与由传统神经网络直接构成的深度学习模型相比,本文构建的基于迁移学习的煤岩壳质组识别模型性能和效果均明显提高,尤其是以VGG16作为预训练模型构建的分类器在本文数据集上性能表现最优,其对测试样本识别准确率可达98.10％;由于模型的训练参数减少,模型的训练时间明显缩短,且在较短的训练周期内达到收敛且训练集的识别准确率保持稳定,表明了以VGG16作为预训练模型的分类器在煤岩壳质组识别中具备较好的性能.

王培珍、余晨、薛子邯、张代林

展开 >

安徽工业大学 电气与信息工程学院,安徽 马鞍山 243032

安徽工业大学 工程实践与创新教育中心,安徽 马鞍山 243032

安徽工业大学 煤的洁净转化与综合利用安徽省重点实验室,安徽 马鞍山 243032

安徽工业大学 冶金减排与资源综合利用教育部重点实验室,安徽 马鞍山 243032

展开 >

煤 显微组分 壳质组 迁移学习 卷积神经网络

国家自然科学基金安徽省教育厅自然科学研究重点项目安徽省高校学科拔尖人才学术重点项目

51574004KJ2019A0085gxbjZD2016041

2022

煤炭科学技术
煤炭科学研究总院

煤炭科学技术

CSTPCDCSCD北大核心
影响因子：2.095
ISSN：0253-2336
年,卷(期)：2022.50(1)
  • 6
  • 10