CN110135468B - 一种煤矸石的识别方法 - Google Patents

Abstract

本发明公开了一种煤矸石的识别方法，首先通过采集的煤矸石图片建立训练样本集；基于深度检测网络对训练样本集进行训练；利用深度卷积神经网络模型框架进行训练，得到识别网络模型；将待识别图片进行自适应滤波降噪处理，并使用双线性内插法进行归一化处理为统一尺寸；利用检测网络模型进行检测，得出目标的定位情况以及初次识别情况；利用识别网络模型进行二次识别，得出二次识别结果；通过反馈回路动态优化检测结果和识别结果；结合两次识别结果与所述反馈回路的辅助判断结果获得所述待识别图片的识别情况。该方法能在常规光照条件下，利用采集图像的方式对煤与矸石进行识别，能有效提高识别准确度，实现保煤排矸的策略。

Description

一种煤矸石的识别方法

技术领域

本发明涉及矿物加工技术领域，尤其涉及一种煤矸石的识别方法。

背景技术

随着经济的不断发展，工业化过程的不断加快，社会对能源的需求也越来越大，煤炭是我国储量最多、分布最广的重要的常规能源。开采出来未经过加工的原煤中含有一定比例的矸石，矸石的主要成分是岩石，密度大，灰分高，发热量小，属于煤炭中的杂质，对煤炭质量有不可忽视的影响，因此煤矸石的分选是煤矿生产过程中不可缺少的环节。

现有技术中，将矸石从煤炭中分选出来的方法主要是采用人工手选、机械分选和射线透射分选法，具体来说：

人工手选由工人手工将矸石从煤块中分拣出来，这种方式劳动强度大，工作环境恶劣，生产效率低，矸石拣选率也直接受人员素质、管理水平等人为因素影响，分选质量得不到保证；机械方法是利用煤矸石的物理特性的不同来分选，如浅槽、重介、跳汰等，其存在的问题是：设备结构复杂，能耗高，运行成本高；对环境污染比较大；难以在井下使用；射线透射分选法采用双能γ射线或X射线作为放射源，根据煤和矸石对射线吸收量的不同来识别煤和矸石。此种方法的缺点是需要使用具有放射性的射线，增加了管理困难，限制了它的推广范围。

发明内容

本发明的目的是提供一种煤矸石的识别方法，该方法能在常规光照条件下，利用采集图像的方式对煤与矸石进行识别，能有效提高识别准确度，实现保煤排矸的策略。

本发明的目的是通过以下技术方案实现的：

一种煤矸石的识别方法，所述方法包括：

步骤1、首先通过采集的煤矸石图片建立训练样本集，并对所述训练样本集进行定向扩充与优化；

步骤2、对扩充后的训练样本集中的图片进行滤波降噪与归一化处理；

步骤3、针对步骤2处理后的训练样本集基于深度检测网络进行训练，得到检测网络模型和训练样本集中目标的定位与识别情况；

步骤4、将检测网络模型训练出的目标裁剪并制作为新的训练样本，再利用深度卷积神经网络模型框架进行训练，得到识别网络模型；

步骤5、将待识别图片进行自适应滤波降噪处理，并使用双线性内插法进行归一化处理为统一尺寸；

步骤6、针对步骤5处理后的待识别图片，利用所述检测网络模型进行检测，得出目标的定位情况以及初次识别情况；

步骤7、针对步骤6检测出的目标，利用所述识别网络模型进行二次识别，得出二次识别结果；

步骤8、通过反馈回路对检测结果和识别结果分别进行辅助判断，动态优化检测结果和识别结果；

步骤9、结合两次识别结果与所述反馈回路的辅助判断结果获得所述待识别图片的识别情况。

在步骤1中，对所述训练样本集进行定向扩充与优化的过程具体为：

利用生成式对抗网络定向生成样本，结合裁剪、旋转、翻转、对比度拉伸的图像处理手段作为辅助，对样本空间中的分布不平衡进行自适应定向补充，实现所述训练样本集的定向扩充与优化。

所述步骤3的过程具体为：

将扩充后的训练样本集作为输入，利用YOLO、SSD、FasterR-CNN或MaskR-CNN深度检测网络模型框架进行训练，在训练完成后得到检测网络模型和训练样本集中目标的定位与识别情况。

在步骤8中，动态优化检测结果的过程具体为：

利用三维激光扫描、双目立体视觉、光电传感与检测手段，实现对检测结果的辅助判断；

将辅助判断出的漏检与错检情况输入所述检测网络模型，进行检测部分的动态优化。

在步骤8中，动态优化识别结果的过程具体为：

利用动态称重、目标识别损失值、密度检测的方式，实现对识别结果的辅助判断；

将判断结果输入所述识别网络模型，进行识别部分的动态优化。

在步骤9中，针对识别正确的目标，则将其加入所述训练样本集中进行补充；

针对识别错误的目标，则将其单独输入所述识别网络模型中，进行模型的实时更新，实现识别部分的动态优化。

在步骤9的实施过程中：若识别结果一致且反馈正确，则按照识别结果处理；

若识别结果不一致，则按照反馈结果进行处理。

所述识别网络模型拥有13层网络结构，具体包括输入层、四层卷积层、四层池化层、三层全连接层、Softmax输出层。

由上述本发明提供的技术方案可以看出，上述方法能在常规光照条件下，利用采集图像的方式对煤与矸石进行识别，能有效提高识别准确度，实现保煤排矸的策略，对提高效益具有重大意义。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例提供的煤矸石的识别方法流程示意图；

图2为本发明实施例所述数据定向增强的过程示意图；

图3为本发明实施例所提供图像预处理的过程示意图；

图4为本发明实施例提供的识别网络模型的结构设置示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

下面将结合附图对本发明实施例作进一步地详细描述，如图1所示为本发明实施例提供的煤矸石的识别方法流程示意图，所述方法包括：

步骤1、首先通过采集的煤矸石图片建立训练样本集，并对所述训练样本集进行定向扩充与优化；

这里，对所述训练样本集进行定向扩充与优化的过程具体为：

利用生成式对抗网络定向生成样本，结合裁剪、旋转、翻转、对比度拉伸的图像处理手段作为辅助，对样本空间中的分布不平衡进行自适应定向补充，实现所述训练样本集的定向扩充与优化。

举例来说，如图2所述为本发明实施例所述数据定向增强的过程示意图，参考图2：利用数据定向增强模块扩充训练样本集，在保证图片特征不变的情况下调整对比度值，并对图像进行显著目标检测，对显著性高的区域进行旋转、翻转、裁剪等操作，同时利用生成式对抗网络，结合标注过的不同采集条件下的数据，通过分析样本空间的缺失情况，有方向性的引导网络生成过程，定向生成新的数据集图片，以解决训练样本集样本数少且不丰富的问题，进一步提升煤与矸石图像的特征提取、检测与识别的可靠性。

步骤2、对扩充后的训练样本集中的图片进行滤波降噪与归一化处理；

这里，如图3所示为本发明实施例所提供图像预处理的过程示意图，由于传统环境下，煤与矸石分选车间环境差，粉尘较多，所以需要对图像进行滤波降噪处理，针对复杂的环境干扰，这里选择自适应滤波；同时为了后续检测网络能更加高效的运行，对图像进行归一化处理，采用双线性内插法可以有效保证处理后图像特征不丢失。

步骤3、针对步骤2处理后的训练样本集基于深度检测网络进行训练，得到检测网络模型和训练样本集中目标的定位与识别情况；

在该步骤中，具体是将扩充后的训练样本集作为输入，利用YOLO、SSD、FasterR-CNN或MaskR-CNN深度检测网络模型框架进行训练，在训练完成后得到检测网络模型和训练样本集中目标的定位与识别情况。

步骤4、将检测网络模型训练出的目标裁剪并制作为新的训练样本，再利用深度卷积神经网络模型框架进行训练，得到识别网络模型；

该步骤中，所述识别网络模型可以拥有13层网络结构，具体包括输入层、四层卷积层、四层池化层、三层全连接层、Softmax输出层。

举例来说，如图4所示为本发明实施例提供的识别网络模型的结构设置示意图，参考图4，根据深层卷积神经网络框架搭建13层网络结构，包括输入层、四层卷积层、四层池化层、三层全连接层、Softmax输出层。

首先将输入图像，归一化处理为100*100的RGB彩色图像，输入到卷积层。卷积层作为卷积神经网络的核心部分，通过卷积核(kernel)进行卷积运算，完成特征提取，然后利用激活函数构建特征映射关系。一层卷积层内包含多个不同的卷积核，每个卷积核均采用滑动窗口的方式遍历输入图片，最终得到多通道特征图。在这里，第一层卷积层的设置为：卷积核尺度为5*5，深度为32，使用全0填充，卷积步长为1，激活函数选择ReLU函数。经过卷积运算与激活函数激活后，输入到第一层池化层。池化层用于在保证信息有效性的基础上，通过减少数据量以提升网络的训练速度。本网络中，池化层采用最大值池化，池化窗口为2*2，步长为2。经过池化操作后，得到第一层特征张量，维度为50*50*32。后续池化层设置与第一层池化层相同。第二层卷积层，卷积核为5*5，深度为64，使用全0填充，卷积步长为1，激活函数选择ReLU函数。将第一层特征张量作为输入，经过卷积，激活与池化后，得到第二层特征张量，维度为25*25*64。第三层与第四层卷积层均设置为卷积核为3*3，深度为128，使用全0填充，卷积步长为1，具体过程与前两层相同。全连接层结构和一般神经网络的隐藏层相同，即每一层的神经元节点都与前一层的神经元节点相连接，主要用于完成对卷积和池化过程后输出特征张量的分类。但由于全连接层最后输出的分类结果并非概率分布，所以需要进行Softmax回归处理，以便网络训练时损失函数的运算。将经过四层卷积、激活与池化后所得到的维度为6*6*128的特征张量展开为包含4608个元素的一维数组，并作为全连接层的输入，通过三层全连接层与Softmax层的分类处理，最终得到输入图像的分类结果。

上述采用深度卷积神经网络对前一网络得到的结果再进行训练可以有效提高煤与矸石识别准确度。

步骤5、将待识别图片进行自适应滤波降噪处理，并使用双线性内插法进行归一化处理为统一尺寸；

步骤6、针对步骤5处理后的待识别图片，利用所述检测网络模型进行检测，得出目标的定位情况以及初次识别情况；

步骤7、针对步骤6检测出的目标，利用所述识别网络模型进行二次识别，得出二次识别结果；

步骤8、通过反馈回路对检测结果和识别结果分别进行辅助判断，动态优化检测结果和识别结果；

该步骤中，动态优化检测结果的过程具体为：

利用三维激光扫描、双目立体视觉、光电传感与检测手段，实现对检测结果的辅助判断；

将辅助判断出的漏检与错检情况输入所述检测网络模型，进行检测部分的动态优化。

动态优化识别结果的过程具体为：

利用动态称重、目标识别损失值、密度检测的方式，实现对识别结果的辅助判断；

将判断结果输入所述识别网络模型，进行识别部分的动态优化。

步骤9、结合两次识别结果与所述反馈回路的辅助判断结果获得所述待识别图片的识别情况。

该步骤中，针对识别正确的目标，则将其加入所述训练样本集中进行补充；

针对识别错误的目标，则将其单独输入所述识别网络模型中，进行模型的实时更新，实现识别部分的动态优化。

另外，在步骤9的实施过程中：

若识别结果一致且反馈正确，则按照识别结果处理；

若识别结果不一致，则按照反馈结果进行处理。

值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种煤矸石的识别方法，其特征在于，所述方法包括：

步骤1、首先通过采集的煤矸石图片建立训练样本集，并对所述训练样本集进行定向扩充与优化；

步骤2、对扩充后的训练样本集中的图片进行滤波降噪与归一化处理；

步骤3、针对步骤2处理后的训练样本集基于深度检测网络进行训练，得到检测网络模型和训练样本集中目标的定位与识别情况；

步骤4、将检测网络模型训练出的目标裁剪并制作为新的训练样本，再利用深度卷积神经网络模型框架进行训练，得到识别网络模型；

步骤5、将待识别图片进行自适应滤波降噪处理，并使用双线性内插法进行归一化处理为统一尺寸；

步骤6、针对步骤5处理后的待识别图片，利用所述检测网络模型进行检测，得出目标的定位情况以及初次识别情况；

步骤7、针对步骤6检测出的目标，利用所述识别网络模型进行二次识别，得出二次识别结果；

步骤8、通过反馈回路对检测结果和识别结果分别进行辅助判断，动态优化检测结果和识别结果；

其中，在步骤8中，动态优化检测结果的过程具体为：

利用三维激光扫描、双目立体视觉、光电传感与检测手段，实现对检测结果的辅助判断；

将辅助判断出的漏检与错检情况输入所述检测网络模型，进行检测部分的动态优化；

在步骤8中，动态优化识别结果的过程具体为：

利用动态称重、目标识别损失值、密度检测的方式，实现对识别结果的辅助判断；

将判断结果输入所述识别网络模型，进行识别部分的动态优化；

步骤9、结合两次识别结果与所述反馈回路的辅助判断结果获得所述待识别图片的识别情况。

2.根据权利要求1所述煤矸石的识别方法，其特征在于，在步骤1中，对所述训练样本集进行定向扩充与优化的过程具体为：

利用生成式对抗网络定向生成样本，结合裁剪、旋转、翻转、对比度拉伸的图像处理手段作为辅助，对样本空间中的分布不平衡进行自适应定向补充，实现所述训练样本集的定向扩充与优化。

3.根据权利要求1所述煤矸石的识别方法，其特征在于，所述步骤3的过程具体为：

将扩充后的训练样本集作为输入，利用YOLO、SSD、FasterR-CNN或MaskR-CNN深度检测网络模型框架进行训练，在训练完成后得到检测网络模型和训练样本集中目标的定位与识别情况。

4.根据权利要求1所述煤矸石的识别方法，其特征在于，在步骤9中，

针对识别正确的目标，则将其加入所述训练样本集中进行补充；

针对识别错误的目标，则将其单独输入所述识别网络模型中，进行模型的实时更新，实现识别部分的动态优化。

5.根据权利要求1所述煤矸石的识别方法，其特征在于，在步骤9的实施过程中：

若识别结果一致且反馈正确，则按照识别结果处理；

若识别结果不一致，则按照反馈结果进行处理。

6.根据权利要求1所述煤矸石的识别方法，其特征在于，

所述识别网络模型拥有13层网络结构，具体包括输入层、四层卷积层、四层池化层、三层全连接层、Softmax输出层。

Images