[發(fā)明專(zhuān)利]一種煤和矸石的紅外圖像識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910538123.3
• 申請(qǐng)日: 2019-06-20
• 公開(kāi)（公告）號(hào): CN110245635B
• 公開(kāi)（公告）日: 2023-08-04
• 發(fā)明（設(shè)計(jì)）人: 胡鋒;周孟然;閆鵬程;卞凱;戴榮英;宋紅萍;孫磊
• 申請(qǐng)（專(zhuān)利權(quán)）人: 安徽理工大學(xué)
• 主分類(lèi)號(hào): G06V10/764
• 分類(lèi)號(hào): G06V10/764;G06V10/774;G06V10/82;G06N3/0464
• 代理公司: 北京慕達(dá)星云知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 11465
• 代理人: 崔自京

1.一種煤和矸石的紅外圖像識(shí)別方法，其特征在于：包括以下步驟：

(1)煤和矸石原始紅外圖像獲取；

(2)煤和矸石紅外圖像的預(yù)處理；

(3)煤和矸石紅外圖像樣本劃分；

(4)卷積神經(jīng)網(wǎng)絡(luò)圖像特征提取；

(5)支持向量機(jī)煤矸識(shí)別模型構(gòu)建；

所述步驟(4)中，用于提取紅外圖像特征的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional?neuralnetwork,CNN)是一種包含兩層Inception-ResNet單元的網(wǎng)絡(luò)結(jié)構(gòu)，主要包含標(biāo)準(zhǔn)化層、卷積層、池化層、扁平層和融合層；

卷積層使用Keras中的2D卷積層Conv2D，卷積核尺寸為3×3，卷積核數(shù)量為16；

標(biāo)準(zhǔn)層使用Keras中的批量標(biāo)準(zhǔn)化層BatchNormalization，其輸出尺寸與輸入層一致；

池化層使用Keras中的2D最大池化MaxPooling2D，池化尺寸為2×2；

Inception單元使用Keras中的卷積層和池化層構(gòu)成，其結(jié)構(gòu)具體如下：

卷積層A使用Keras中的2D卷積層Conv2D，卷積核尺寸為1×1，卷積核數(shù)量為16；

卷積層B使用Keras中的2D卷積層Conv2D，卷積核尺寸為3×3，卷積核數(shù)量為16；

卷積層C使用Keras中的2D卷積層Conv2D，卷積核尺寸為5×5，卷積核數(shù)量為16；

池化層使用Keras中的2D最大池化MaxPooling2D，池化尺寸為3×3；

特別地，在Inception單元中，所有卷積層的padding方式設(shè)置為same；

融合層使用Keras中的Add計(jì)算輸入張量列表的和；

扁平層使用Keras中的Flatten將輸入展平。

2.根據(jù)權(quán)利要求1所述的一種煤和矸石的紅外圖像識(shí)別方法，其特征在于：所述步驟(1)中，利用紅外成像技術(shù)獲取煤和矸石的紅外圖像，得到煤和矸石的原始紅外圖像數(shù)據(jù)集。

3.根據(jù)權(quán)利要求1所述的一種煤和矸石的紅外圖像識(shí)別方法，其特征在于：所述步驟(2)中，對(duì)煤和矸石的原始紅外圖像進(jìn)行縮放、裁剪處理，得到統(tǒng)一大小的煤和矸石的紅外圖像。

4.根據(jù)權(quán)利要求1所述的一種煤和矸石的紅外圖像識(shí)別方法，其特征在于：所述步驟(3)中，采用隨機(jī)抽樣法將預(yù)處理后的煤和矸石紅外圖像數(shù)據(jù)按照一定的比例劃分為獨(dú)立的訓(xùn)練集和測(cè)試集。

5.根據(jù)權(quán)利要求1所述的一種煤和矸石的紅外圖像識(shí)別方法，其特征在于：所述步驟(5)中，利用CNN提取的圖像特征在訓(xùn)練集上構(gòu)建支持向量機(jī)(Supportvectormachine,SVM)煤矸識(shí)別模型，確定SVM煤矸識(shí)別模型的參數(shù)，然后利用測(cè)試集來(lái)測(cè)試識(shí)別的效果，驗(yàn)證模型性能。