基于改进MobileNetV3网络煤矸识别方法研究_陈伟.pdf

第 卷 第期佳 木 斯 大 学 学 报（自 然 科 学 版）年 月 （）文章编号：（）基于改进 网络煤矸识别方法研究陈伟，王爽，李鑫，骆启生，马鑫（安徽理工大学 机械工程学院，矿山智能技术与装备省部共建协同创新中心，安徽 淮南 ）摘要：为了解决煤矸识别中经典卷积神经网络有着计算量大、识别速度慢等问题，提出基于改进 网络对煤和矸石进行识别的方法。以 模型为基础模型，对激活函数、注意力机制进行改进并对网络层数进行缩减，最后通过测试准确率，分数，浮点运算次数（）作为模型评估的基准，结果表明：改进 后的测试准确率为，分数为 ，为 次，通过该模型与 ，模型对比，可知该模型的各项指标均高于其他模型，适合做煤矸识别模型。关键词：煤矸识别；图像增强；模型评估中图分类号：文献标识码：引言煤炭是我国基础能源，在我国的能源结构中处于主导地位，在挖掘煤炭的过程中，原煤中存在着大量的矸石，如果不对煤和矸石进行分选处理，这将严重影响煤的燃烧并造成空气污染，这与我国的绿色矿山发展理念相违背，因此需要对煤 和 矸 石 进 行 分 选 处 理。董 庆 伟通 过 算法和 算法在个 数据集上做对比，得知 的识别准确率均高于 识别准确率；等采用 模型并结合迁移学习的思想对煤和矸石进行识别，测试准确率为，该模型虽具有良好的性能，但识别准确率有待提高。目前机器学习和深度学习是煤矸识别的主流算法，机器学习需要人工提取煤和矸石的特征，耗时和识别准确率有待提升，深度学习则是通过卷积神经网络自动提取煤和矸石的特征，省时且识别准确率更高。笔者选用 相机采集煤和矸石的图像，以深度学习中 网络模型为基础进行改进，在降低模型复杂程度的同时提高了煤和矸石的识别准确率。模型 模型运用了 的深度可分离卷积和 的线性瓶颈的逆残差结构，保证计算量减少的同时能尽量避免一些有用信息的损失，新增了轻量级的 注意力模型，利用 代替 函数，提高了模型的精度和效率。基本单元如图所示。图 基本单元该基本单元先用卷积核对输入特征进行升维，增加图像特征信息，再用卷积核对特征进行深度可分离卷积，减少参数运算数量，降低运行成本，增加运行速度，随后进入 注意力机制模块，经过全局池化和两个全连接层，对特征图自动分配权重，针对有价值的特征通道对其权重加大，对无用的特征通道进行抑制，最后通过的卷积核对特征进行降维处理。模型的基本结构如表。表 网络结构输入步长操作输出通道数激活函数 ，收稿日期：基金项目：国家自然科学基金（）；安徽高校协同创新项目（，）。作者简介：陈伟（），男，江苏徐州人，硕士。研究方向：煤矸光电分选。佳 木 斯 大 学 学 报（自 然 科 学 版）年 ，改进 模型激活函数的改进 模 型 中 选 用 的 激 活 函 数 为 和 。激活函数虽有计算简单，收敛速度较快等优点，但当输入值小于时，导数恒为，导致有些数据永久不被激活，即出现神经元坏死现象，因此在使用 激活函数时，要选择合适的参数初始化和学习率，防止结果不收敛。针对 激活函数的不足，将选用 激活函数代替 中的 激活函数，图像 如图，其 数学 公式 和 导数公 式 如式（），（）。图 激活函数 （），（），（）（），（），（）式中：超参数的值通常取.，由式可知，当时，和 函数一致，能够缓解梯度消失问题，当时，函 数梯度仍保持小幅度的更新，以防一些权重和偏置的失效，避免神经元坏死现象的发生。注意力机制的改进近年来，注意力机制被广泛应用于图像识别领域，起到提取图像细节，减少背景对目标特征的影响。模型中使用 注意力机制模块，注重对特征信息的提取，通过学习的方式判别每个通道的重要程度，对重要的信息赋予更大的权重，但是该方法无法获取图片中煤和矸石的详细位置信息，采用 注意力机制模块代替 注意力模块，增强网络模型对图像中煤和矸石的感知能力，提高特征提取能力，结构图如图所示。图 结构图 注意力机制由通道注意力模块和空间注意力模块组成，通道注意力模块能够减少通道信息的丢失，对高层的特征提取更加全面，能够更好提取煤和矸石特征信息，空间注意力模块则能够提取图片中煤和矸石的位置信息，使得模型更具鲁棒性。减少网络层数在深度学习中，网络层数过多可能会导致梯度不稳定，网络退化等问题的出现，因此要选择合适的网络层数，由于煤和矸石的特征区分度较为明显，选择对 网络模型进行轻量化处理，减少网络层数，提高运行速度，降低运算成本。改进 网络结构如表。表改进 网络结构输入步长操作输出通道数激活函数 ，第期陈伟，等：基于改进 网络煤矸识别方法研究 ，实验过程实验环境本次实验平台使用的电脑参数为：操作系统为 专业版 位，处理器为锐龙 ，显卡为 ；模型训练的环境是基于 框架搭建煤矸识别模型，并进行训练，验证和测试。数据集采集本次数据采集在实验室状态下进行采集，装置如图，为了模仿实际分选状态下的场景，采用灰色传送带，并在传送带上附带煤粉，来确保数据的可靠性。图实验室装置利用搭建好的装置对煤和矸石进行图像采集，实验的煤和矸石粒径范围为 ，共采集 张图片，其中煤和矸石各 张，煤样本如图（），矸石样本如图（），本次采集的数据按照：的比例进行划分训练集，验证集和测试集。实验设置本次模型输入图像的尺寸为 ，训练周期为 轮，选用 优化器进行优化，学习率为 。本次实验数据集属于小批量数据集，为了增强模型的泛化能力，防止模型过拟合，选择对实验数据集进行增强处理，数据增强的方式为旋转，水平翻转，亮度，对比度，饱和度，色调。图（）煤 图（）矸石实验结果对比与分析 和改进 训练准确率和验证准确率曲线如图（），图（）横坐标为训练轮次，纵坐标为识别准确率。图（）确率曲线图（）改进 准确率曲线由图可知，两个网络的训练轮次为，从整体的变化趋势来看，在 轮之后两种模型的训练准确率均在 以上且波动较小，总体来看改进 网络的训练准确率更为稳定，准确率略高于 ，收敛效果更好，在验证准确率上，前期均属于动荡期，这是因为模型的没有使用预训练权重且学习率过高所导致的，在 轮之后，网络仍有波动，表明该网络拟合效果差，对比之下，改进 网络稳定性更好，不存在较大的跳动，验证准确率更高。此外，实验采用测试准确率、分数和浮点运算次数（）作为模型的评估标准。分佳 木 斯 大 学 学 报（自 然 科 学 版）年数，是一个二分类的性能指标，被定义为精准率和召回率的调和平均数，综合了精准率和召回率的结果，取值范围为，分数越接近，表明的模型效果越好；表明网络模型的复杂程度，即 越小网络越轻量。按照评估标准分析改进 ，和 四种网络模型，评估结果如表示。表网络模型对比网络模型测试准确率 分数 改进 对比四种网络模型，改进 模型的各项指标均高于其他三种模型，测试准确率为，比 模型测试准确率提高了；分数为 ，表明此煤矸识别网络模型性能好于其他三种模型；最少，模型最轻量。综上所述，改进 网络模型在浮点运算次数最少的情况下能够测出最高测试准确率和 分数，是最为适合做煤矸识别的网络模型。结论（）基于改进 网络煤矸识别模型，并搭建实验装置，采集数据集，并通过训练、验证和测试可知，改进 网络模型在训练 轮之后的训练和验证准确率均在 以上，收敛速度较快，能够保证在应用场景下煤和矸石识别准确；（）利用测试准确率、分数和浮点运算次数（）作为评估标准，改进 网络的测试准确率高达，均高于其他模型；分数为 ，模型训练效果较好；次数为 次，模型复杂度最低。参考文献：宋刚刚 碳中和背景下中国煤炭能源产业的转型升级战略研究内蒙古煤炭经济，（）：赵旭会 探究选煤在洁净煤技术中的作用 当代化工研究，（）：何世荣，杨建康践行绿色发展理念 打造生态绿色矿山中国水泥，（）：张红，李晨阳基于光学图像的煤矸石识别方法综述煤炭工程，（）：董庆伟基于 深度学习算法在结构化数据分类中的应用研究 佳木斯大学学报（自然科学版），（）：，（），（，；，）：，（），：；