CN111079845A - 一种煤炭中煤矸石和煤的分类识别方法 - Google Patents
一种煤炭中煤矸石和煤的分类识别方法 Download PDFInfo
- Publication number
- CN111079845A CN111079845A CN201911326322.4A CN201911326322A CN111079845A CN 111079845 A CN111079845 A CN 111079845A CN 201911326322 A CN201911326322 A CN 201911326322A CN 111079845 A CN111079845 A CN 111079845A
- Authority
- CN
- China
- Prior art keywords
- coal
- layer
- image
- sample
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种煤炭中煤矸石和煤的分类识别方法,包括以下步骤;采集煤矸石的图像作为训练样本集1,并做标签为煤矸石,采集煤的图像作为训练样本集2,并做标签为煤;通过分割算法提取训练样本集1中的煤矸石主体部分和训练样本集2中煤主体部分,实现煤矸石和煤主体与样本集图像背景分离;利用小波变换对步骤2得到的新的图像样本集进行图像分解并提取各频域子图的特征;将小波变换后的得到的分解图像作为卷积神经网络的输入,通过多次训练对网络权值参数进行优化更新,从而获取准确率最高的神经网络参数,得到最佳煤矸石和煤的识别分类模型。本发明可以较为容易的布置在煤炭生产的传送带上,操作较为简便,成本相对较低。
Description
技术领域
本发明涉及煤矸石和煤的分类识别技术领域,特别涉及一种煤炭中煤矸石和煤的分类识别方法。
背景技术
煤矸石是煤矿生产时产生的废渣,煤炭中煤矸石的含量过高会影响煤炭燃烧的效果,降低煤炭燃烧的效率,而且煤矸石燃烧时会产生大量的硫化物气体污染空气。为了提高煤炭燃烧的效果,减少煤矸石对环境的污染,需要在煤炭燃烧前对煤炭进行煤矸石分离。传统的煤炭中煤矸石的分离是通过水洗方法进行的,而且传统方法每洗一吨原煤需要消耗三吨清洁水,尽管水经过处理后可以循环使用,但是目前每洗一吨原煤需要消耗一吨水,水量消耗大、水处理技术和设备投资大、洗过的煤含有水分降低燃烧效率是洗煤工艺中存在的缺陷。目前干法选煤是煤矸石分离的新工艺,干法选煤就是在运送煤炭的传送带旁步骤可以扫描选煤的设备,当煤矸石被识别出来时,后续的分拣装置可以将煤矸石清理出传送带,扫描选煤目前有人工筛选、γ射线法、无线电探测、红外反射等方法,人工筛选需要大量的人力,工人的劳动强度很大,无线电探测、红外反射尽管这两种方法在原理上都很可靠,但是在实际应用中却是较难实现,需要较高的成本来实现。煤矸石和煤在颜色和光泽上都只有微小的差异,因此通过传统数字图像处理的方法难以做到很好的识别效果,因此本发明将小波变换和卷积神经网络应用到煤矸石识别方法中,可以很好的将煤炭中煤矸石和煤进行识别分类,实现煤矸石的分选。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种煤炭中煤矸石和煤的分类识别方法,可以有效降低工人的劳动强度以及煤矿中的用人成本。
为了实现上述目的,本发明采用的技术方案是:
一种煤炭中煤矸石和煤的分类识别方法,包括以下步骤;
步骤1:采集不同大小和颜色的煤矸石的图像作为训练样本集1,并做标签为煤矸石,采集不同大小和光泽的煤的图像作为训练样本集2,并做标签为煤;
步骤2:通过分割算法提取训练样本集1中的煤矸石主体部分和训练样本集2中煤主体部分得到新的图像样本集,实现煤矸石主体和煤主体与样本集图像背景分离,防止样本集图像背景对煤矸石和煤的识别与分离造成干扰;
步骤3:利用小波变换对步骤2得到的新的图像样本集进行图像分解并提取各频域子图的特征;
步骤4:将小波变换后得到的分解图像作为卷积神经网络的输入,通过多次训练对网络权值参数进行优化更新,从而获取准确率最高的神经网络参数,得到最佳煤矸石和煤的识别分类模型。
所述的步骤1具体为:
(1)选取20组大小不同的煤矸石和煤的样本,对每一个样本利用720P分辨率的相机进行拍照获取样本集图像,样本集每个图像的大小为1280×720,此外对煤矸石的图像做标签1,对煤的图像做标签2;
(2)利用数字图像处理的方法进行训练集数据增强,对原始样本图像利用翻转、旋转、缩放、插值等手段生成第一子代样本,第一子代样本的标签和父代的样本标签一致;
(3)对第一子代样本图像在图像的HSV颜色空间,改变饱和度S和亮度V分量,保持色调H不变,对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间),增加光照变化,产生第二子代样本,第二子代样本的标签和第一子代的样本标签一致。
所述的步骤2具体为:
(1)将样本集图像进行灰度变换,记录图像的高度和宽度分别为H和W;
(2)计算分割算法滑动窗的高度HH和宽度WW,计算公式如下:
(3)设置样本集图像中每一个像素点的灰度值二值化的阈值为以当前像素点为中心,高度为HH宽度为WW的滑动窗中所有像素点灰度值的平均值α,设置参数β,当样本集灰度图像中的某个像素点灰度小于等于α×β时,保留该像素点的灰度值不变,如果某个像素点灰度大于α×β,将该像素点灰度值设为255,参数β为一个小于1大于0的数,可以根据背景分割效果来调整。
所述的步骤3具体为:
(1)对第二步得到的分离了背景的样本训练集灰度图像从水平方向进行Haar低通和Haar高通滤波,假设灰度图像的某一行向量为[a1,a2,a3,a4],Haar低通滤波器为[1,1],Haar低通滤波器为[1,-1],则经过Haar低通和Haar高通滤波后图像的行向量变为了
(2)再对训练集灰度图像从竖直方向进行如(1)所示的操作,实现对灰度图像每一列向量进行Haar低通和Haar高通滤波后图像;
(3)对图像在水平方向进行Haar小波变换后可以得到图像中的低频成分L和高频成分H,再对图像在竖直方向进行Haar小波变换后可以得到获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的的高频分量HH;
(4)将(3)中的LL、LH、HL、HH分别进行提取即可得到四张新的图像,分别是图像的近似,图像在水平、竖直和对角方向的轮廓细节,新的图像大小都是640×360。
所述的步骤4具体为:
(1)根据第三步,将每一个样本图像的四个分解的子图合并最终可以得到一个640×360×4的数据样本,每个数据样本的标签和父代样本的标签一致。首先将样本图像的每个通道的数据都除以255,对数据样本进行归一化。
(2)将归一化后的数据样本输入到卷积层,给定32个5×5×4的卷积核,在原数据样本的周围添加两圈0,使原数据样本变为644×364×4,利用卷积核在输入数据样本上以步长2滑动,和滑动窗口中的数据进行卷积运算,第一层卷积层的激活函数选择ReLU函数,经过卷积运算和激活函数激活后,第一层卷积层的输出为320×180×32的数据;
(3)将步骤(2)得到的输出再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,利用2×2的池化滤波器以步长2对输入数据采用最大池化法进行池化,即利用2×2的窗口在输入数据中进行滑动,取窗口中的最大数据作为新的数据并组成新的矩阵,因此第一层池化层输出为160×90×32的数据;
(4)将步骤(3)得到的输出在输入到第二层卷积层,给定64个5×5×32的卷积核,在输入数据的周围添加两圈0,使输入数据变为164×94×32,利用卷积核在输入数据样本上以步长2滑动,和滑动窗口中的数据进行卷积运算,第二层卷积层的激活函数选择ReLU函数,经过卷积运算和激活函数激活后,第二层卷积层的输出为80×45×64的数据;
(5)将步骤(4)得到的输出数据输入到第二层池化层中,池化层设置和第一层池化层相同,因此第二层池化层输出为40×23×64的数据;
(6)第三层的卷积层设置为128个3×3×64,在输入数据的周围添加一圈0,使输入数据变为42×25×64,滑动步长设置为2,第三层的卷积层激活函数选择ReLU函数,则第三层卷积层输出为20×12×128。第三层池化层设置和第一层池化层相同,因此第三层池化层输出为10×6×128;
(7)将经过前面三层卷积、激活与池化后到的维度为10×6×128的特征张量展开为包含7680个元素的一维数组,并作为全连接层的输入,全连接层类似于BP神经网络,全连接层的输出参考为样本图像的标签。
(8)对根据步骤(1)到(7)构建的卷积神经网络进行训练,训练过程如下:a.将网络的权值初始化为小于1的,符合高斯分布的随机数;b.输入样本图像经过卷积层、池化层、全连接层的向前传播得到输出值;c.求出网络的输出值与目标值之间的误差;d.当误差大于设置的期望误差值0.00001时,将误差传回网络中,依次求得全连接层,池化层,卷积层的误差,各层的误差可以理解为对于网络的总误差,网络应承担多少;e.根据求得的误差对网络的权值进行更新;f.然后再进行b步,开始新一次的训练;g.当误差等于或小于设置的期望值时,固定神经网络的权值,结束训练,最终可以得到对煤矸石和煤的图像进行分类的神经网络。
有益效果:
本发明易于操作且能保持识别精度,对于煤和煤矸石高相似度图像可以准确的识别分类。样本图像经过第一子代和第二子代的变换得到了更多的样本图像,扩大了神经网络训练的样本;而且利用本发明所采用的图像背景分割方法,可以很好地减小由于光照不均匀等对背景分割的影响;本发明采用的图像小波变换可以很好地提取出图像在水平、竖直和对角方向的轮廓细节的特征,这样可以将高相似度的图像进行区分,提高后续神经网络的识别精度。
相比于传统的人工筛选法,本发明可以有效降低工人的劳动强度以及煤矿中的用人成本;相比于γ射线、无线电探测、红外反射等方法,本发明所采用的图像采集设备仅仅是普通的高清摄像头,可以较为容易的布置在煤炭生产的传送带上,操作较为简便,成本相对较低。
附图说明
图1是煤炭中煤矸石和煤分类识别方法总体框图。
图2是自适应二值化算法流程图。
图3是样本图像进行小波变换分解子图示意图。
图4是数据在三层卷积层和三层池化层中流动过程示意图。
图5是对煤矸石和煤的图像分类的神经网络的训练过程。
具体实施方式
下面结合附图对本发明作进一步详细说明。
参见图1,本发明构建了煤炭中煤矸石和煤的识别分类模型,实现输入原始煤炭图像,输出煤矸石和煤的识别分类结果。首先对煤矸石和煤的图像进行采集,对煤矸石的图像做煤矸石标签,对煤的图像做煤标签;然后利用二维拓展法进行图像中煤矸石或煤主体的提取,将背景以白色像素标记;其次是利用小波变换对滤掉背景后的图像进行子图分解,提取各子图能量特征并进行归一化处理;最后将归一化处理后的结果输入到卷积神经网络中并进行神经网络的训练,最终得到煤炭中煤矸石和煤的识别分类模型。具体实施方案如下:
第一步:采集不同大小和颜色的的煤矸石的图像作为训练样本集1,并做标签为煤矸石,采集不同大小和光泽的煤的图像作为训练样本集2,并做标签为煤,具体方法如下:
(1)选取20组大小不同的煤矸石和煤的样本,对每一个样本利用720P分辨率的相机进行拍照获取样本集图像,样本集每个图像的大小为1280×720,此外对煤矸石的图像做标签1,对煤的图像做标签2。
(2)利用数字图像处理的方法进行训练集数据增强。对原始样本图像利用翻转、旋转、缩放、插值等手段生成第一子代样本,第一子代样本的标签和父代的样本标签一致。
(3)对第一子代样本图像在图像的HSV颜色空间,改变饱和度S和亮度V分量,保持色调H不变,对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间),增加光照变化,产生第二子代样本,第二子代样本的标签和第一子代的样本标签一致。
第二步:通过分割算法提取训练样本集1中的煤矸石主体部分和训练样本集2中煤主体部分,实现煤矸石主体和煤主体与样本集图像背景分离,防止样本集图像背景对煤矸石和煤的识别与分离造成干扰,具体方法如下:
(1)将样本集图像进行灰度变换,记录图像的高度和宽度分别为H和W。
(2)计算分割算法滑动窗的高度HH和宽度HW,计算公式如下:
(3)设置样本集图像中每一个像素点的灰度值二值化的阈值为以当前像素点为中心,高度为HH宽度为WW的滑动窗中所有像素点灰度值的平均值α,设置参数β,当样本集灰度图像中的某个像素点灰度小于等于α×β时,保留该像素点的灰度值不变,如果某个像素点灰度大于α×β,将该像素点灰度值设为255,参数β为一个小于1大于0的数,可以根据背景分割效果来调整,样本集图像的背景分割流程参见图2。
第三步:利用小波变换对步骤2得到的新的图像样本集进行图像分解并提取各频域子图的特征,具体方法如下:
(1)对第二步得到的分离了背景的样本训练集灰度图像从水平方向进行Haar低通和Haar高通滤波,假设灰度图像的某一行向量为[a1,a2,a3,a4],Haar低通滤波器为[1,1],Haar低通滤波器为[1,-1],则经过Haar低通和Haar高通滤波后图像的行向量变为了
(2)再对训练集灰度图像从竖直方向进行如(1)所示的操作,实现对灰度图像每一列向量进行Haar低通和Haar高通滤波后图像。
(3)参见图3,对图像在水平方向进行Haar小波变换后可以得到图像中的低频成分L和高频成分H,再对图像在竖直方向进行Haar小波变换后可以得到获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的的高频分量HH。
(4)将(3)中的LL、LH、HL、HH分别进行提取即可得到四张新的图像,分别是图像的近似,图像在水平、竖直和对角方向的轮廓细节,新的图像大小都是640×360。
第四步:将小波变换后的得到的分解图像作为卷积神经网络的输入,通过多次训练对网络权值参数进行优化更新,从而获取准确率最高的神经网络参数,得到最佳煤矸石和煤的识别分类模型,具体方法如下:
(1)根据第三步,将每一个样本图像的四个分解的子图合并最终可以得到一个640×360×4的数据样本,每个数据样本的标签和父代样本的标签一致。首先将样本图像的每个通道的数据都除以255,对数据样本进行归一化。
(2)将归一化后的数据样本输入到卷积层,给定32个5×5×4的卷积核,在原数据样本的周围添加两圈0,使原数据样本变为644×364×4,利用卷积核在输入数据样本上以步长2滑动,和滑动窗口中的数据进行卷积运算,第一层卷积层的激活函数选择ReLU函数,经过卷积运算和激活函数激活后,第一层卷积层的输出为320×180×32的数据。
(3)将步骤(2)得到的输出再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。利用2×2的池化滤波器以步长2对输入数据采用最大池化法进行池化,即利用2×2的窗口在输入数据中进行滑动,取窗口中的最大数据作为新的数据并组成新的矩阵,因此第一层池化层输出为160×90×32的数据。
(4)将步骤(3)得到的输出在输入到第二层卷积层,给定64个5×5×32的卷积核,在输入数据的周围添加两圈0,使输入数据变为164×94×32,利用卷积核在输入数据样本上以步长2滑动,和滑动窗口中的数据进行卷积运算,第二层卷积层的激活函数选择ReLU函数,经过卷积运算和激活函数激活后,第二层卷积层的输出为80×45×64的数据。
(5)将步骤(4)得到的输出数据输入到第二层池化层中,池化层设置和第一层池化层相同,因此第二层池化层输出为40×23×64的数据。
(6)第三层的卷积层设置为128个3×3×64,在输入数据的周围添加一圈0,使输入数据变为42×25×64,滑动步长设置为2,第三层的卷积层激活函数选择ReLU函数,则第三层卷积层输出为20×12×128。第三层池化层设置和第一层池化层相同,因此第三层池化层输出为10×6×128,样本数据在三层卷积层和池化层中的流动参见图4。
(7)将经过前面三层卷积、激活与池化后到的维度为10×6×128的特征张量展开为包含7680个元素的一维数组,并作为全连接层的输入,全连接层类似于BP神经网络,全连接层的输出参考为样本图像的标签。
(8)对根据步骤(1)到(7)构建的卷积神经网络进行训练,参见图5,训练过程如下:a.将网络的权值初始化为小于1的,符合高斯分布的随机数;b.输入样本图像经过卷积层、池化层、全连接层的向前传播得到输出值;c.求出网络的输出值与目标值之间的误差;d.当误差大于设置的期望误差值0.00001时,将误差传回网络中,依次求得全连接层,池化层,卷积层的误差,各层的误差可以理解为对于网络的总误差,网络应承担多少;e.根据求得的误差对网络的权值进行更新;f.然后再进行b步,开始新一次的训练;g.当误差等于或小于设置的期望值时,固定神经网络的权值,结束训练。最终可以得到对煤矸石和煤的图像进行分类的神经网络。
Claims (5)
1.一种煤炭中煤矸石和煤的分类识别方法,其特征在于,包括以下步骤;
步骤1:采集不同大小和颜色的的煤矸石的图像作为训练样本集1,并做标签为煤矸石,采集不同大小和光泽的煤的图像作为训练样本集2,并做标签为煤;
步骤2:通过分割算法提取训练样本集1中的煤矸石主体部分和训练样本集2中煤主体部分,实现煤矸石主体和煤主体与样本集图像背景分离,防止样本集图像背景对煤矸石和煤的识别与分离造成干扰;
步骤3:利用小波变换对步骤2得到的新的图像样本集进行图像分解并提取各频域子图的特征;
步骤4:将小波变换后的得到的分解图像作为卷积神经网络的输入,通过多次训练对网络权值参数进行优化更新,从而获取准确率最高的神经网络参数,得到最佳煤矸石和煤的识别分类模型。
2.根据权利要求1所述的一种煤炭中煤矸石和煤的分类识别方法,其特征在于,所述的步骤1具体为:
(1)选取20组大小不同的煤矸石和煤的样本,对每一个样本利用720P分辨率的相机进行拍照获取样本集图像,样本集每个图像的大小为1280×720,此外对煤矸石的图像做标签1,对煤的图像做标签2;
(2)利用数字图像处理的方法进行训练集数据增强,对原始样本图像利用翻转、旋转、缩放、插值等手段生成第一子代样本,第一子代样本的标签和父代的样本标签一致;
(3)对第一子代样本图像在图像的HSV颜色空间,改变饱和度S和亮度V分量,保持色调H不变,对每个像素的S和V分量进行指数运算(指数因子在0.25到4之间),增加光照变化,产生第二子代样本,第二子代样本的标签和第一子代的样本标签一致。
4.根据权利要求1所述的一种煤炭中煤矸石和煤的分类识别方法,其特征在于,所述的步骤3具体为:
(1)对第二步得到的分离了背景的样本训练集灰度图像从水平方向进行Haar低通和Haar高通滤波,假设灰度图像的某一行向量为[a1,a2,a3,a4],Haar低通滤波器为[1,1],Haar低通滤波器为[1,-1],则经过Haar低通和Haar高通滤波后图像的行向量变为了
(2)再对训练集灰度图像从竖直方向进行如(1)所示的操作,实现对灰度图像每一列向量进行Haar低通和Haar高通滤波后图像;
(3)对图像在水平方向进行Haar小波变换后可以得到图像中的低频成分L和高频成分H,再对图像在竖直方向进行Haar小波变换后可以得到获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的的高频分量HH;
(4)将(3)中的LL、LH、HL、HH分别进行提取即可得到四张新的图像,分别是图像的近似,图像在水平、竖直和对角方向的轮廓细节,新的图像大小都是640×360。
5.根据权利要求1所述的一种煤炭中煤矸石和煤的分类识别方法,其特征在于,所述的步骤4具体为:
(1)根据第三步,将每一个样本图像的四个分解的子图合并最终可以得到一个640×360×4的数据样本,每个数据样本的标签和父代样本的标签一致,首先将样本图像的每个通道的数据都除以255,对数据样本进行归一化;
(2)将归一化后的数据样本输入到卷积层,给定32个5×5×4的卷积核,在原数据样本的周围添加两圈0,使原数据样本变为644×364×4,利用卷积核在输入数据样本上以步长2滑动,和滑动窗口中的数据进行卷积运算,第一层卷积层的激活函数选择ReLU函数,经过卷积运算和激活函数激活后,第一层卷积层的输出为320×180×32的数据;
(3)将步骤(2)得到的输出再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,利用2×2的池化滤波器以步长2对输入数据采用最大池化法进行池化,即利用2×2的窗口在输入数据中进行滑动,取窗口中的最大数据作为新的数据并组成新的矩阵,因此第一层池化层输出为160×90×32的数据;
(4)将步骤(3)得到的输出在输入到第二层卷积层,给定64个5×5×32的卷积核,在输入数据的周围添加两圈0,使输入数据变为164×94×32,利用卷积核在输入数据样本上以步长2滑动,和滑动窗口中的数据进行卷积运算,第二层卷积层的激活函数选择ReLU函数,经过卷积运算和激活函数激活后,第二层卷积层的输出为80×45×64的数据;
(5)将步骤(4)得到的输出数据输入到第二层池化层中,池化层设置和第一层池化层相同,因此第二层池化层输出为40×23×64的数据;
(6)第三层的卷积层设置为128个3×3×64,在输入数据的周围添加一圈0,使输入数据变为42×25×64,滑动步长设置为2,第三层的卷积层激活函数选择ReLU函数,则第三层卷积层输出为20×12×128,第三层池化层设置和第一层池化层相同,因此第三层池化层输出为10×6×128;
(7)将经过前面三层卷积、激活与池化后到的维度为10×6×128的特征张量展开为包含7680个元素的一维数组,并作为全连接层的输入,全连接层类似于BP神经网络,全连接层的输出参考为样本图像的标签;
(8)对根据步骤(1)到(7)构建的卷积神经网络进行训练,训练过程如下:a.将网络的权值初始化为小于1的,符合高斯分布的随机数;b.输入样本图像经过卷积层、池化层、全连接层的向前传播得到输出值;c.求出网络的输出值与目标值之间的误差;d.当误差大于设置的期望误差值0.00001时,将误差传回网络中,依次求得全连接层,池化层,卷积层的误差,各层的误差可以理解为对于网络的总误差,网络应承担多少;e.根据求得的误差对网络的权值进行更新;f.然后再进行b步,开始新一次的训练;g.当误差等于或小于设置的期望值时,固定神经网络的权值,结束训练,最终可以得到对煤矸石和煤的图像进行分类的神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326322.4A CN111079845A (zh) | 2019-12-20 | 2019-12-20 | 一种煤炭中煤矸石和煤的分类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911326322.4A CN111079845A (zh) | 2019-12-20 | 2019-12-20 | 一种煤炭中煤矸石和煤的分类识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111079845A true CN111079845A (zh) | 2020-04-28 |
Family
ID=70316340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911326322.4A Pending CN111079845A (zh) | 2019-12-20 | 2019-12-20 | 一种煤炭中煤矸石和煤的分类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111079845A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860689A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
CN112001253A (zh) * | 2020-07-23 | 2020-11-27 | 西安科技大学 | 基于改进Fast R-CNN的煤尘颗粒图像识别方法 |
CN112200813A (zh) * | 2020-09-30 | 2021-01-08 | 中国矿业大学(北京) | 一种考虑照度因素的煤矸识别方法和系统 |
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
CN112712055A (zh) * | 2021-01-14 | 2021-04-27 | 陕西陕煤曹家滩矿业有限公司 | 一种双路可变形cnn煤矿顺槽皮带运输异物监测方法 |
CN112784904A (zh) * | 2021-01-26 | 2021-05-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于MobileNet的煤矸石自动识别方法 |
CN112893159A (zh) * | 2021-01-14 | 2021-06-04 | 陕西陕煤曹家滩矿业有限公司 | 一种基于图像识别的煤矸石分拣方法 |
CN113420811A (zh) * | 2021-06-23 | 2021-09-21 | 中国矿业大学(北京) | 一种使用深度学习的煤岩识别方法 |
CN113533220A (zh) * | 2021-07-25 | 2021-10-22 | 吉林大学 | 一种基于高光谱成像技术的煤炭种类识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
CN108062575A (zh) * | 2018-01-03 | 2018-05-22 | 广东电子工业研究院有限公司 | 一种高相似度图像识别与分类方法 |
-
2019
- 2019-12-20 CN CN201911326322.4A patent/CN111079845A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106203444A (zh) * | 2016-07-01 | 2016-12-07 | 西安电子科技大学 | 基于条带波与卷积神经网络的极化sar图像分类方法 |
CN107123114A (zh) * | 2017-04-21 | 2017-09-01 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于机器学习的布匹缺陷检测方法及装置 |
CN108062575A (zh) * | 2018-01-03 | 2018-05-22 | 广东电子工业研究院有限公司 | 一种高相似度图像识别与分类方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001253A (zh) * | 2020-07-23 | 2020-11-27 | 西安科技大学 | 基于改进Fast R-CNN的煤尘颗粒图像识别方法 |
CN111860689A (zh) * | 2020-07-31 | 2020-10-30 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
CN111860689B (zh) * | 2020-07-31 | 2023-11-03 | 中国矿业大学 | 一种基于相位一致性和轻量卷积神经网络的煤矸识别方法 |
CN112354874A (zh) * | 2020-09-03 | 2021-02-12 | 江苏旷博智能技术有限公司 | 煤和矸石的识别方法以及矸石自动分离系统 |
CN112200813A (zh) * | 2020-09-30 | 2021-01-08 | 中国矿业大学(北京) | 一种考虑照度因素的煤矸识别方法和系统 |
CN112200813B (zh) * | 2020-09-30 | 2024-02-06 | 中国矿业大学(北京) | 一种考虑照度因素的煤矸识别方法和系统 |
CN112893159A (zh) * | 2021-01-14 | 2021-06-04 | 陕西陕煤曹家滩矿业有限公司 | 一种基于图像识别的煤矸石分拣方法 |
CN112893159B (zh) * | 2021-01-14 | 2023-01-06 | 陕西陕煤曹家滩矿业有限公司 | 一种基于图像识别的煤矸石分拣方法 |
CN112712055B (zh) * | 2021-01-14 | 2023-07-25 | 陕西陕煤曹家滩矿业有限公司 | 一种双路可变形cnn煤矿顺槽皮带运输异物监测方法 |
CN112712055A (zh) * | 2021-01-14 | 2021-04-27 | 陕西陕煤曹家滩矿业有限公司 | 一种双路可变形cnn煤矿顺槽皮带运输异物监测方法 |
CN112784904A (zh) * | 2021-01-26 | 2021-05-11 | 山西三友和智慧信息技术股份有限公司 | 一种基于MobileNet的煤矸石自动识别方法 |
CN113420811A (zh) * | 2021-06-23 | 2021-09-21 | 中国矿业大学(北京) | 一种使用深度学习的煤岩识别方法 |
CN113533220A (zh) * | 2021-07-25 | 2021-10-22 | 吉林大学 | 一种基于高光谱成像技术的煤炭种类识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079845A (zh) | 一种煤炭中煤矸石和煤的分类识别方法 | |
CN109840521B (zh) | 一种基于深度学习的一体化车牌识别方法 | |
Huang et al. | Context-aware single image rain removal | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及系统 | |
CN104715239B (zh) | 一种基于去雾处理和权重分块的车辆颜色识别方法 | |
CN105046196B (zh) | 基于级联卷积神经网络的前车车辆信息结构化输出方法 | |
CN105426829B (zh) | 基于人脸图像的视频分类方法和装置 | |
CN108364281B (zh) | 一种基于卷积神经网络的织带边缘毛疵缺陷检测方法 | |
CN110866879B (zh) | 一种基于多密度雨纹感知的图像去雨方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN109215053B (zh) | 一种无人机航拍视频中含暂停状态的运动车辆检测方法 | |
Mishra et al. | The quality identification of fruits in image processing using Matlab | |
CN110659649A (zh) | 一种基于近红外光成像的图像处理与字符识别算法 | |
Milyaev et al. | Towards reliable object detection in noisy images | |
Shakeel et al. | Automated multimodal background detection and shadow removal process using robust principal fuzzy gradient partial equation methods in intelligent transportation systems | |
Zhou et al. | Gradient-based feature extraction from raw bayer pattern images | |
Muhammad | Automatic date fruit classification by using local texture descriptors and shape-size features | |
Shen et al. | Development of a new machine vision algorithm to estimate potato's shape and size based on support vector machine | |
Kartika et al. | Butterfly image classification using color quantization method on hsv color space and local binary pattern | |
CN110516666A (zh) | 基于mser和isodata相结合的车牌定位方法 | |
CN101436299A (zh) | 自然场景图像文字检测方法 | |
Zhao et al. | An effective binarization method for disturbed camera-captured document images | |
CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测系统的图像处理算法 | |
CN112465753B (zh) | 花粉颗粒检测方法、装置及电子设备 | |
CN113781333A (zh) | 一种基于引导滤波的gan网络对水下图像进行处理的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |