基于深度学习的煤矸石识别技术与实现
TD94%TP391.4; 针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境.首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力.然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识...
Gespeichert in:
| Veröffentlicht in: | 煤炭科学技术 2021-12, Vol.49 (12), p.202-208 |
|---|---|
| Hauptverfasser: | , , |
| Format: | Artikel |
| Sprache: | chi |
| Online-Zugang: | Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| container_end_page | 208 |
|---|---|
| container_issue | 12 |
| container_start_page | 202 |
| container_title | 煤炭科学技术 |
| container_volume | 49 |
| creator | 郜亚松 张步勤 郎利影 |
| description | TD94%TP391.4; 针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境.首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力.然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识别复杂生产环境的泛化能力,降低网络的过拟合风险,另一方面完成对数据集的进一步扩增,通过以上方法最终获得改进的轻量级深度识别网络模型.最后将改进的模型应用于煤矸识别技术研究与实现.试验结果表明:基于改进型轻量级深度识别网络模型的煤和矸石识别方法模型结构简单、网络易训练、易嵌入使用且识别精度高.在对煤和矸石识别的测试中精度相对原模型提高了2.3％,达到了97.7％,召回率提高了2％,达到97.8％,对于提高采煤和选煤工作面的自动化程度和生产效率,实现煤炭智能化开采和选拣都具有重要的应用价值. |
| doi_str_mv | 10.13199/j.cnki.cst.2021.12.025 |
| format | Article |
| fullrecord | <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_mtkxjs202112025</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>mtkxjs202112025</wanfj_id><sourcerecordid>mtkxjs202112025</sourcerecordid><originalsourceid>FETCH-LOGICAL-s1025-a9e28c0550e0026f2a7e8b5d0887724c575549dc1544adf82033b7ec2d9a62bd3</originalsourceid><addsrcrecordid>eNotjz1Lw0Ach29QsNR-BkennP_7Xy6XjFJ8g4KLncvlkkhTjeBVdHRQEYd8ACnGoXQRreJgzefJix_DFF1-z_Z7eAjZYEAZZ563FVOdjIZUmzFFQEYZUkCxQlrNcgs5d9ZIx5ihD4JxaTNwWoSXWV7kafX1Ueaz8nVWfD_Xjzf17bTOFnX2-TO_K-9fqofrajIvFmn59lSn7-tkNVInJuz8s036uztH3X2rd7h30N3uWYY1Rkt5IboahIAQAJ0IlQxdXwTgulKirYUUwvYCzYRtqyByETj3Zagx8JSDfsDbZPPv91IlkUqOB_HZxXnSGAen49FVbJaRDJdxv_4uWtc</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于深度学习的煤矸石识别技术与实现</title><source>DOAJ Directory of Open Access Journals</source><creator>郜亚松 ; 张步勤 ; 郎利影</creator><creatorcontrib>郜亚松 ; 张步勤 ; 郎利影</creatorcontrib><description>TD94%TP391.4; 针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境.首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力.然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识别复杂生产环境的泛化能力,降低网络的过拟合风险,另一方面完成对数据集的进一步扩增,通过以上方法最终获得改进的轻量级深度识别网络模型.最后将改进的模型应用于煤矸识别技术研究与实现.试验结果表明:基于改进型轻量级深度识别网络模型的煤和矸石识别方法模型结构简单、网络易训练、易嵌入使用且识别精度高.在对煤和矸石识别的测试中精度相对原模型提高了2.3％,达到了97.7％,召回率提高了2％,达到97.8％,对于提高采煤和选煤工作面的自动化程度和生产效率,实现煤炭智能化开采和选拣都具有重要的应用价值.</description><identifier>ISSN: 0253-2336</identifier><identifier>DOI: 10.13199/j.cnki.cst.2021.12.025</identifier><language>chi</language><publisher>河北工程大学 信息与电气工程学院,河北 邯郸 075000%冀中能源峰峰集团有限公司,河北 邯郸 056200%河北工业大学 先进激光技术研究中心,天津 300401</publisher><ispartof>煤炭科学技术, 2021-12, Vol.49 (12), p.202-208</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/mtkxjs/mtkxjs.jpg</thumbnail><link.rule.ids>314,780,784,864,27924,27925</link.rule.ids></links><search><creatorcontrib>郜亚松</creatorcontrib><creatorcontrib>张步勤</creatorcontrib><creatorcontrib>郎利影</creatorcontrib><title>基于深度学习的煤矸石识别技术与实现</title><title>煤炭科学技术</title><description>TD94%TP391.4; 针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境.首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力.然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识别复杂生产环境的泛化能力,降低网络的过拟合风险,另一方面完成对数据集的进一步扩增,通过以上方法最终获得改进的轻量级深度识别网络模型.最后将改进的模型应用于煤矸识别技术研究与实现.试验结果表明:基于改进型轻量级深度识别网络模型的煤和矸石识别方法模型结构简单、网络易训练、易嵌入使用且识别精度高.在对煤和矸石识别的测试中精度相对原模型提高了2.3％,达到了97.7％,召回率提高了2％,达到97.8％,对于提高采煤和选煤工作面的自动化程度和生产效率,实现煤炭智能化开采和选拣都具有重要的应用价值.</description><issn>0253-2336</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2021</creationdate><recordtype>article</recordtype><recordid>eNotjz1Lw0Ach29QsNR-BkennP_7Xy6XjFJ8g4KLncvlkkhTjeBVdHRQEYd8ACnGoXQRreJgzefJix_DFF1-z_Z7eAjZYEAZZ563FVOdjIZUmzFFQEYZUkCxQlrNcgs5d9ZIx5ihD4JxaTNwWoSXWV7kafX1Ueaz8nVWfD_Xjzf17bTOFnX2-TO_K-9fqofrajIvFmn59lSn7-tkNVInJuz8s036uztH3X2rd7h30N3uWYY1Rkt5IboahIAQAJ0IlQxdXwTgulKirYUUwvYCzYRtqyByETj3Zagx8JSDfsDbZPPv91IlkUqOB_HZxXnSGAen49FVbJaRDJdxv_4uWtc</recordid><startdate>20211231</startdate><enddate>20211231</enddate><creator>郜亚松</creator><creator>张步勤</creator><creator>郎利影</creator><general>河北工程大学 信息与电气工程学院,河北 邯郸 075000%冀中能源峰峰集团有限公司,河北 邯郸 056200%河北工业大学 先进激光技术研究中心,天津 300401</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>20211231</creationdate><title>基于深度学习的煤矸石识别技术与实现</title><author>郜亚松 ; 张步勤 ; 郎利影</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-s1025-a9e28c0550e0026f2a7e8b5d0887724c575549dc1544adf82033b7ec2d9a62bd3</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2021</creationdate><toplevel>online_resources</toplevel><creatorcontrib>郜亚松</creatorcontrib><creatorcontrib>张步勤</creatorcontrib><creatorcontrib>郎利影</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>煤炭科学技术</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>郜亚松</au><au>张步勤</au><au>郎利影</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于深度学习的煤矸石识别技术与实现</atitle><jtitle>煤炭科学技术</jtitle><date>2021-12-31</date><risdate>2021</risdate><volume>49</volume><issue>12</issue><spage>202</spage><epage>208</epage><pages>202-208</pages><issn>0253-2336</issn><abstract>TD94%TP391.4; 针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境.首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力.然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识别复杂生产环境的泛化能力,降低网络的过拟合风险,另一方面完成对数据集的进一步扩增,通过以上方法最终获得改进的轻量级深度识别网络模型.最后将改进的模型应用于煤矸识别技术研究与实现.试验结果表明:基于改进型轻量级深度识别网络模型的煤和矸石识别方法模型结构简单、网络易训练、易嵌入使用且识别精度高.在对煤和矸石识别的测试中精度相对原模型提高了2.3％,达到了97.7％,召回率提高了2％,达到97.8％,对于提高采煤和选煤工作面的自动化程度和生产效率,实现煤炭智能化开采和选拣都具有重要的应用价值.</abstract><pub>河北工程大学 信息与电气工程学院,河北 邯郸 075000%冀中能源峰峰集团有限公司,河北 邯郸 056200%河北工业大学 先进激光技术研究中心,天津 300401</pub><doi>10.13199/j.cnki.cst.2021.12.025</doi><tpages>7</tpages></addata></record> |
| fulltext | fulltext |
| identifier | ISSN: 0253-2336 |
| ispartof | 煤炭科学技术, 2021-12, Vol.49 (12), p.202-208 |
| issn | 0253-2336 |
| language | chi |
| recordid | cdi_wanfang_journals_mtkxjs202112025 |
| source | DOAJ Directory of Open Access Journals |
| title | 基于深度学习的煤矸石识别技术与实现 |
| url | https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-22T06%3A31%3A41IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E7%85%A4%E7%9F%B8%E7%9F%B3%E8%AF%86%E5%88%AB%E6%8A%80%E6%9C%AF%E4%B8%8E%E5%AE%9E%E7%8E%B0&rft.jtitle=%E7%85%A4%E7%82%AD%E7%A7%91%E5%AD%A6%E6%8A%80%E6%9C%AF&rft.au=%E9%83%9C%E4%BA%9A%E6%9D%BE&rft.date=2021-12-31&rft.volume=49&rft.issue=12&rft.spage=202&rft.epage=208&rft.pages=202-208&rft.issn=0253-2336&rft_id=info:doi/10.13199/j.cnki.cst.2021.12.025&rft_dat=%3Cwanfang_jour%3Emtkxjs202112025%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=mtkxjs202112025&rfr_iscdi=true |