首页|基于TW-RN优化CNN的煤矸识别方法研究

基于TW-RN优化CNN的煤矸识别方法研究

Research on coal and gangue recognition method based on TW-RN optimized CNN

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
针对小样本数据难以构建深度学习模型和实际工况下多尺度形态、颜色煤矸的识别率低的问题,提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法.模仿井下实际生产环境搭建机器视觉平台,采用CCD(Charge Couplect Device)工业相机实时获取煤和矸石图像,利用图像旋转、翻转以及增加噪声方式扩展煤和矸石数据集的多样性.从降低模型训练时间出发,提出一种迁移权重和简化神经元(Transfer Weight-Reduce Neurons,TW-RN)模型优化方法改进预训练卷积神经网络(Convolutional Neural Network,CNN)模型,构建了改进后的Im_AlexNet、Im_VGG16、Im_VGG19、Im_ResNet50四种煤矸识别模型.依托扩充后的煤和矸石数据集,仿真对比了4种模型在不同优化器类型、学习率设置方式下的训练结果,确定了每种模型的最佳优化器类型和学习率设置方式.以测试准确率、F1分数、模型内存大小、训练时间4种评估参数为基准,定量评价改进前后每种模型的性能,确定了基于TW-RN优化CNN的最佳煤矸识别网络模型.结果表明:基于TW-RN改进的4种煤矸识别模型的识别准确率均得到了有效提高,且模型训练时间、内存大小均显著降低.煤矸识别率与模型复杂度的关系呈非正相关,相比改进后的Im_VGG16、Im_VGG19和Im_ResNet50深度识别模型,TW-RN方法改进的浅层Im_AlexNet模型性能得到显著提升,其识别精度提高了2.149个百分点,达97.461％,占用内存降低了190 MB,单张图像的识别时间节省了0.788 ms.

郭永存、王希、何磊、刘普壮

展开 >

安徽理工大学 深部煤矿采动响应与灾害防控国家重点实验室,安徽 淮南 232001

矿山智能技术与装备省部共建协同创新中心,安徽 淮南232001

安徽理工大学 矿山智能装备与技术安徽省重点实验室,安徽 淮南 232001

安徽理工大学 电气与信息工程学院,安徽 淮南 232001

展开 >

煤矸识别 深度学习 迁移学习 结构优化 机器视觉 预训练模型 卷积神经网络

安徽理工大学研究生创新基因项目国家自然科学基金安徽省自然科学基金

2020CX2055519040071908085QE227

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)
  • 7
  • 9