CN114627109A - 基于图像增强和深度学习的煤矸分类识别方法与流程 - Google Patents

基于图像增强和深度学习的煤矸分类识别方法与流程 Download PDF

Info

Publication number
CN114627109A
CN114627109A CN202210443025.3A CN202210443025A CN114627109A CN 114627109 A CN114627109 A CN 114627109A CN 202210443025 A CN202210443025 A CN 202210443025A CN 114627109 A CN114627109 A CN 114627109A
Authority
CN
China
Prior art keywords
image
coal
gangue
image enhancement
height
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
Application number
CN202210443025.3A
Other languages
English (en)
Inventor
李玉丽
张雷
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202210443025.3A priority Critical patent/CN114627109A/zh
Publication of CN114627109A publication Critical patent/CN114627109A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06F18/24—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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像增强和深度学习的煤矸分类识别方法与流程，属于计算机视觉和图像处理领域，具体涉及一种煤矸石的分类识别方法。所述方法包括煤矸图像采集并进行图像增强处理，针对煤矸图像增强处理后的煤矸图像制作成数据集，搭建并对LeNet网络进行改进并针对得到的数据集进行训练，通过神经网络训练得到煤矸分类识别结果模型；本发明通过对采集的煤矸原图进行图像增强处理增大煤矸图像的差异性并结合深度学习中的卷积神经网络，大大的提高了煤矸分类识别准确率，解决了目前现有煤矸识别准确率低的问题。

Description

基于图像增强和深度学习的煤矸分类识别方法与流程
技术领域
本发明属于计算机视觉和图像处理领域，特别是涉及一种煤矸石的分类识别方法。
背景技术
煤炭资源作为我国的主体能源，对于我国工业的发展有着重要的支撑作用，矸石是煤炭开采和加工过程中产生的一种低碳固体废物，会降低煤炭的发热量、加重污染物的排放。因此煤矸分离是煤矿生产过程中的必要工序，以减少排放、提高煤质。
传统的煤矸分选技术缺点明显，问题突出，人工分选法不仅劳动强度大、煤炭生产效率低，而且分选环境也很恶劣。跳汰选煤方法以水和空气为介质，不仅对环境会造成污染，且设备体型较大，成本高，对煤矸分离的精度也低，γ和x射线检测法虽然提高了煤矸的分选效率，但射线法易受煤矸含水量的影响，同时还存在有辐射，设备笨重容易故障等缺点。
随着计算机技术迅速发展，深度学习被广泛应用到各个领域，基于深度学习的煤与矸石自动分选系统，是一种非接触性、实时的分选系统，而在图像识别分类领域，卷积神经网络具有不可替代的地位。但煤矸图像差异性较小，现有的神经网络直接对煤矸原图进行识别虽能够达到对煤矸石图像的识别与分类效果，但准确率低。
发明内容
因此，针对上述问题，本发明提供一种基于图像增强和深度学习的煤矸分类识别方法与流程，从神经网络输入的煤矸原始图像出发，增大煤矸图像的差异性，大大的提高了煤矸分类识别准确率。
为实现上述目的，本发明提供一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：包括以下步骤：
S1:煤矸图像采集并进行图像增强处理；
S2:针对S1煤矸图像增强处理后的煤矸图像制作成数据集；
S3:搭建并对LeNet网络进行改进并针对S2得到的数据集进行训练；
S4:通过神经网络训练得到煤矸分类识别结果模型。
进一步地，所述步骤S1中的图像增强处理具体为：
(1)获取采集到的图像高和宽，若图像的高大于宽，则扩充图像的宽度，扩充宽度为高与宽的差值取平均并取整，扩充值为0；若图像的宽大于高，则扩充图像的高度，扩充高度为高与宽的差值取平均并取整，扩充值为0，并改变图像的分辨率为227×227；
(2)将上述处理后的煤矸彩色图像转为灰度图像并进行高斯滤波，采用(5,5)的高斯核，标准差取0；
(3)使用Otsu方法对图像进行二值化，并对二值化后的图像进行边缘搜寻，记录边缘像素的坐标；
(4)找到上述煤矸水平和垂直方向坐标的最大最小值，以坐标(水平方向最小值，水平方向最大值，垂直方向最小值，垂直方向最大值)来设定裁剪的矩形范围，对原图进行裁剪；
(5)用Canny边缘算法检测裁剪后图像边缘，改变检测到的边缘像素灰度值为255，提高煤矸边缘的亮度。
进一步地，所述步骤S2中的将图像增强处理后的煤矸图像制作成数据集，包括将煤矸图像按0.6:0.4的比例随机分配为训练集和测试集，并将煤的图像设置标签为煤，矸的图像设置标签为矸。
进一步地，所述步骤S3中的搭建并对LeNet网络进行改进，包括第一个卷积层采用16个卷积核，第二个卷积层采用32个卷积核，池化层采用最大池化方式，激活函数采用ReLu函数，并在全连接层后加了Dropout层,输出层神经元个数为2。
与现有技术相比，本发明的有益效果是：
1.本发明图像增强部分先将煤矸原图进行裁剪，只留下有用的部分，减少网络的计算量，提高其识别率，且本发明所采取的图像增强方法可以将煤矸石的边缘更突出，经过增强处理后，矸的边缘要明显比煤的边缘更多更亮，相比于原图，两者的边缘特征更加明显，肉眼可见，增大煤和矸的边缘特征差异性，克服煤矸在原图上难以分辨的问题，大大提高了神经网络对它们的识别精度；
2.本发明改进的神经网络采用ReLu函数会使一部分神经元输出为0，稀疏网络，减少网络相互依存，缓解了过拟合问题，使用最大池化方式，减少了网络要学习的参数数量，保持了特征的某种不变性，Dropout层在学习的过程中，随机删除神经元，抑制了网络的过拟合。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面结合实施例对本发明作进一步说明：
如图1所示，一种基于图像增强和深度学习的煤矸分类识别方法与流程，包括以下步骤：
S1:煤矸图像采集并进行图像增强处理；
S2:针对S1煤矸图像增强处理后的煤矸图像制作成数据集；
S3:搭建并对LeNet网络进行改进并针对S2得到的数据集进行训练；
S4:通过神经网络训练得到煤矸分类识别结果模型。
本实施例中，所述步骤S1中的图像增强处理具体为：
(1)获取采集到的图像高和宽，若图像的高大于宽，则扩充图像的宽度，扩充宽度为高与宽的差值取平均并取整，扩充值为0；若图像的宽大于高，则扩充图像的高度，扩充高度为高与宽的差值取平均并取整，扩充值为0，并改变图像的分辨率为227×227；
(2)将上述处理后的煤矸彩色图像转为灰度图像并进行高斯滤波，采用(5,5)的高斯核，标准差取0；
(3)使用Otsu方法对图像进行二值化，并对二值化后的图像进行边缘搜寻，记录边缘像素的坐标；
(4)找到上述煤矸水平和垂直方向坐标的最大最小值，以坐标(水平方向最小值，水平方向最大值，垂直方向最小值，垂直方向最大值)来设定裁剪的矩形范围，对原图进行裁剪；
(5)用Canny边缘算法检测裁剪后图像边缘，改变检测到的边缘像素灰度值为255，提高煤矸边缘的亮度。
本实施例中，所述步骤S2中的将图像增强处理后的煤矸图像制作成数据集，包括将煤矸图像按0.6:0.4的比例随机分配为训练集和测试集，并将煤的图像设置标签为煤，矸的图像设置标签为矸。
本实施例中，所述步骤S3中的搭建并对LeNet网络进行改进，包括第一个卷积层采用16个卷积核，第二个卷积层采用32个卷积核，池化层采用最大池化方式，激活函数采用ReLu函数，并在全连接层后加了Dropout层,输出层神经元个数为2。
以上详细描述了本发明的较佳具体实施例，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (4)

1.一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：包括以下步骤:
S1:煤矸图像采集并进行图像增强处理；
S2:针对S1煤矸图像增强处理后的煤矸图像制作成数据集；
S3:搭建并对LeNet网络进行改进并针对S2得到的数据集进行训练；
S4:通过神经网络训练得到煤矸分类识别结果模型。
2.根据权利要求1所述的一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：所述步骤S1中的图像增强处理具体为：
(1)获取采集到的图像高和宽，若图像的高大于宽，则扩充图像的宽度，扩充宽度为高与宽的差值取平均并取整，扩充值为0；若图像的宽大于高，则扩充图像的高度，扩充高度为高与宽的差值取平均并取整，扩充值为0，并改变图像的分辨率为227×227；
(2)将上述处理后的煤矸彩色图像转为灰度图像并进行高斯滤波，采用(5,5)的高斯核，标准差取0；
(3)使用Otsu方法对图像进行二值化，并对二值化后的图像进行边缘搜寻，记录边缘像素的坐标；
(4)找到上述煤矸水平和垂直方向坐标的最大最小值，以坐标(水平方向最小值，水平方向最大值，垂直方向最小值，垂直方向最大值)来设定裁剪的矩形范围，对原图进行裁剪；
(5)用Canny边缘算法检测裁剪后图像边缘，改变检测到的边缘像素灰度值为255，提高煤矸边缘的亮度。
3.根据权利要求1所述的一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：所述步骤S2中的将图像增强处理后的煤矸图像制作成数据集，包括将煤矸图像按0.6:0.4的比例随机分配为训练集和测试集，并将煤的图像设置标签为煤，矸的图像设置标签为矸。
4.根据权利要求1所述的一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：所述步骤S3中的搭建并对LeNet网络进行改进，包括第一个卷积层采用16个卷积核，第二个卷积层采用32个卷积核，池化层采用最大池化方式，激活函数采用ReLu函数，并在全连接层后加了Dropout层,输出层神经元个数为2。
CN202210443025.3A 2022-04-26 2022-04-26 基于图像增强和深度学习的煤矸分类识别方法与流程 Pending CN114627109A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210443025.3A CN114627109A (zh) 2022-04-26 2022-04-26 基于图像增强和深度学习的煤矸分类识别方法与流程

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210443025.3A CN114627109A (zh) 2022-04-26 2022-04-26 基于图像增强和深度学习的煤矸分类识别方法与流程

Publications (1)

Publication Number Publication Date
CN114627109A true CN114627109A (zh) 2022-06-14

Family

ID=81906165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210443025.3A Pending CN114627109A (zh) 2022-04-26 2022-04-26 基于图像增强和深度学习的煤矸分类识别方法与流程

Country Status (1)

Country Link
CN (1) CN114627109A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205637A (zh) * 2022-09-19 2022-10-18 山东世纪矿山机电有限公司 一种矿车物料的智能识别方法
CN117011302A (zh) * 2023-10-08 2023-11-07 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统
US12036581B1 (en) 2023-02-28 2024-07-16 Anhui University of Science and Technology Tandem methods and devices for separating coal and gangue based on visible light and x-rays

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115205637A (zh) * 2022-09-19 2022-10-18 山东世纪矿山机电有限公司 一种矿车物料的智能识别方法
US12036581B1 (en) 2023-02-28 2024-07-16 Anhui University of Science and Technology Tandem methods and devices for separating coal and gangue based on visible light and x-rays
CN117011302A (zh) * 2023-10-08 2023-11-07 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统
CN117011302B (zh) * 2023-10-08 2024-01-09 山东济宁运河煤矿有限责任公司 一种基于煤矸识别的智能干选系统

Similar Documents

Publication Publication Date Title
CN114627109A (zh) 基于图像增强和深度学习的煤矸分类识别方法与流程
CN115082683B (zh) 一种基于图像处理的注塑缺陷检测方法
CN112037219B (zh) 一种基于两阶段卷积神经网络的金属表面缺陷检测方法
CN102305798A (zh) 基于机器视觉的玻璃缺陷的检测与分类方法
CN104794491A (zh) 基于预分类的模糊聚类钢板表面缺陷检测方法
CN104732211B (zh) 一种基于自适应阈值的交通标志检测方法
CN110189297B (zh) 一种基于灰度共生矩阵的磁性材料外观缺陷检测方法
CN112508857B (zh) 基于改进型Cascade R-CNN的铝材表面缺陷检测方法
CN115018827B (zh) 一种建材焊缝质量自动检测方法
CN114219773B (zh) 一种桥梁裂缝检测数据集预筛选与标定方法
CN113256624A (zh) 连铸圆坯缺陷检测方法、装置、电子设备及可读存储介质
CN113888485A (zh) 一种基于深度学习的磁芯表面缺陷的检测方法
CN106780464A (zh) 一种基于改进阈值分割的织物疵点检测方法
CN110866561A (zh) 一种基于图像识别的塑料瓶颜色分选方法
CN115272204A (zh) 一种基于机器视觉的轴承表面划痕检测方法
CN109120230B (zh) 一种太阳能电池片el图像检测和缺陷识别方法
Shi et al. An improved faster R-CNN for steel surface defect detection
CN117351001B (zh) 一种再生铝合金模板表面缺陷识别方法
CN114820625A (zh) 一种汽车顶块缺陷检测方法
CN113971681A (zh) 一种复杂环境下带式输送机边缘检测方法
CN115423741A (zh) 一种基于深度学习的结构缺陷检测方法
CN115035118B (zh) 一种基于识别模型的pcb生产线残缺检测方法及系统
CN115330768B (zh) 一种太阳能电池板质量分级方法
CN115995023A (zh) 瑕疵检测方法、装置、电子设备、计算机可读存储介质及产品检测方法
Pham et al. Image segmentation using fuzzy min-max neural networks for wood defect detection

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