[發明專利]一種基于CNN和VLAD的煤巖識別方法

在審

• 申請號: 201810748171.0
• 申請日: 2018-07-10
• 公開（公告）號: CN108596163A
• 公開（公告）日: 2018-09-28
• 發明（設計）人: 劉曉陽;呂紅杰
• 申請（專利權）人: 中國礦業大學（北京）
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于CNN和VLAD的煤巖識別方法，其特征在于，包括以下步驟：

A.在樣本的訓練階段，分別采集煤樣本圖像和巖樣本圖像若干張，其中煤樣本圖像和巖樣本圖像各占一半，分別取2/3煤樣本圖像和2/3巖樣本圖像作為訓練樣本集，剩下的圖像作為測試樣本集；

B.對樣本訓練集中的煤樣本圖像和巖樣本圖像進行特征提取，步驟如下：

(1)將訓練集中的樣本圖像輸入到經過預訓練的AlexNet深度卷積神經網絡中，對每幅樣本圖像提取網絡第5層256個大小為13×13的特征圖；

(2)對256個特征圖，每幅樣本圖像中相同位置的特征值順序排列為一個256維的特征向量，構成13×13個特征向量；

(3)以C種不同的初始化方法對所述256維的特征向量進行聚類運算，所述聚類運算中，給定簇的數量為k，其中C＝1,2,3…；

(4)把每個特征向量分配給距離它最近的簇中心，得到C組不同的聚類形式，每組包含k個簇；

(5)計算每個簇中所有特征向量與簇中心的殘差和，以各所述殘差和為元素，C種初始化方法分別得到一個VLAD特征向量表示；

(6)對所述的VLAD特征向量表示進行符號方根和歸一化處理，進一步將C組不同的VLAD特征平整化為一個特征向量；

(7)對步驟(6)中得到的特征向量進行降維和白化處理，得到降維后的特征向量；

C.將降維后的特征向量輸入支持向量機，進行分類器的訓練；

D.將測試集樣本中的煤樣本圖像和巖樣本圖像按照步驟A和步驟B的方法進行特征向量的提取，然后輸入由步驟C得到的訓練好的分類器，測試煤巖圖像的識別精度；

E.對于待識別煤巖圖像，經過圖像預處理，提取根據步驟B得到的圖像特征向量輸入根據步驟C得到的訓練好的分類器中，根據分類器輸出結果判別煤巖類型。

2.根據權利要求1所述的基于CNN和VLAD的煤巖識別方法，其特征在于，所述的經過預訓練的AlexNet深度卷積神經網絡是在ILSVR2012數據集上訓練好的深度網絡模型，包含5個卷積層和3個全連接層，在本發明中，舍棄了AlexNet網絡后三層全連接層，剩下的5個卷積層直接作為特征提取器進行煤巖圖像的特征提取。

3.根據權利要求1所述的基于CNN和VLAD的煤巖識別方法，其特征在于，步驟(3)中，C種不同的初始化方法為隨機初始化，同時采用K-means聚類運算。

4.根據權利要求1所述的基于CNN和VLAD的煤巖識別方法，其特征在于，步驟(4)中，簇的集合表示為S_c，m，即

S_c，m＝{f_i，j|m＝argmin_p‖f_i，j-μ_c，p‖}

表示把每個特征向量分配到距離它最近的簇中心的集合，其中，f_i,j表示特征圖中第i行第j列的特征點對應的256維特征向量，1≤i≤13,1≤j≤13，m表示簇中心，m＝{1,2，…k}，μ_c,p表示第c種初始化聚類方法中，第p簇的簇中心對應的特征向量，c＝{1，2，…C}，‖·‖為L₂范數，用于計算特征向量f_i,j與簇中心μ_c,p之間的距離。

5.根據權利要求1所述的基于CNN和VLAD的煤巖識別方法，其特征在于，步驟(5)中，殘差和的計算方法為：

其中，v_c，m表示殘差和；f_i,j表示特征圖中第i行第j列的特征點對應的256維特征向量；S_c,m表示第c種初始化聚類方法中，第m簇的集合；μ_c,m表示第c種初始化聚類方法中，第m簇的簇中心對應的特征向量。