CN114882281B - 煤矸的轻量级智能分选模型、方法、设备及存储介质 - Google Patents
煤矸的轻量级智能分选模型、方法、设备及存储介质 Download PDFInfo
- Publication number
- CN114882281B CN114882281B CN202210528065.8A CN202210528065A CN114882281B CN 114882281 B CN114882281 B CN 114882281B CN 202210528065 A CN202210528065 A CN 202210528065A CN 114882281 B CN114882281 B CN 114882281B
- Authority
- CN
- China
- Prior art keywords
- gangue
- module
- coal
- block
- residual error
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 60
- 239000003245 coal Substances 0.000 claims abstract description 81
- 238000011176 pooling Methods 0.000 claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000000926 separation method Methods 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 9
- 230000008901 benefit Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 36
- 230000004913 activation Effects 0.000 claims description 21
- 238000001994 activation Methods 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 241001270131 Agaricus moelleri Species 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种煤矸的轻量级智能分选模型、方法、设备及存储介质，智能分选模型依次由初级特征提取模块、残差模块和图像分类模块构成。初级特征提取模块中使用高效池化层Softpool，保留、凸显煤和矸石的特征信息并去除冗余参数，从而更好的保证输入特征的完整性；残差模块中引入GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势，使网络记忆、放大煤矸图像间的细微差异特征；图像分类模块接收残差模块提取的有效特征，并利用softmax分类层得到对煤和矸石的分类结果。本发明侧重于提取煤和矸石的灰度和纹理特征信息的差异，能实现高效率、高精度、低消耗、低人力的识别效果，对实现煤矸石精准分选工作具有重要意义。
Description
技术领域
本发明属于智能矿山及图像处理技术的交叉领域，涉及一种煤矸的轻量级智能分选模型、方法、设备及存储介质。
背景技术
煤炭是世界上最重要的化石能源之一，开采过程中夹杂的矸石，不仅影响标煤燃烧热值，还会污染环境，因此煤矸分选工作意义重大。然而常用的重介质法和跳汰法，工艺复杂设备成本高，水资源浪费严重；γ射线法等则污染环境且危害人体健康；而基于图像识别的煤矸分选方法，因具有效率高、成本低、无污染的特点而受到广大学者的关注。
卷积神经网络(Convolutional neural network,CNN)可以自动学习图像的特征信息，已被广泛应用于煤矸图像目标识别领域。如Puyuanyuan等通过引入著名的VGG16深度卷积神经网络模型和迁移学习技术识别出了煤与煤矸石，大大节省了人力成本，详见“PuY,Apel D B,Szmigiel A,et al.Image Recognition of Coal and Coal Gangue Using aConvolutional Neural Network andTransfer Learning[J].Energies,2019,12(9):1735.”；洪等使用AlexNet并结合SVM算法实现了煤和矸石的高准确率识别，详见“洪惠超.基于机器视觉的煤矸石分选算法的研究[D].泉州:华侨大学.2018.”；黄等在SqueezeNet网络基础上结合深度可分离卷积构建了SqueezeNet-DS轻量型网络模型，实现了煤与矸石快速的识别，详见“黄曼曼.基于卷积神经网络的煤矸石图像识别方法研究[D].淮南:安徽理工大学.2020.”。
上述方法虽在煤矸石识别工作中取得了不错的效果，但存在以下问题：
模型结构复杂，识别效率低，鲁棒性差，在复杂的实际分选环境下，结果差强人意。恶劣的实际分选现场环境，高速的运输皮带，都对煤矸分选模型的网络体积、复杂度和运行效率提出了更高要求，而现有的大多模型因自身可观的计算量等问题无法满足煤矸分选的实时性需要，因此如何加快模型效率是目前煤矸分选领域亟待解决的问题之一。
为了提高煤矸石的分类识别精度和速度，实现高效率、高精度、低消耗、低人力的识别效果，本发明利用幽灵卷积、Softpool、GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势提出一种煤矸的轻量级智能分选模型、方法，它是侧重于提取煤矸灰度和纹理特征信息差异的轻量型神经网络。
发明内容
为了解决上述问题，本发明提供一种煤矸的轻量级智能分选模型，它能提取煤和矸石的灰度和纹理特征信息的差异，能实现高效率、高精度、低消耗、低人力的识别效果，对实现煤矸石精准分选工作具有重要意义。
本发明的第二目的是，提供一种煤矸的轻量级智能分选方法。
本发明的第三目的是，提供一种电子设备。
本发明的第四目的是，提供一种计算机存储介质。
本发明所采用的技术方案是，一种煤矸的轻量级智能分选模型，包括：初级特征提取模块、残差模块和图像分类模块；
所述初级特征提取模块中使用高效池化层Softpool，保留、凸显煤和矸石的特征信息并去除冗余参数，从而更好的保证输入特征的完整性；
所述残差模块中引入GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势，使网络记忆、放大煤矸图像间的细微差异特征；
所述图像分类模块接收残差模块提取的有效特征，并利用softmax分类层得到对煤和矸石的分类结果。
进一步地，所述初级特征提取模块包括前向和反向两个过程；
所述前向过程使用每个激活的指数softmax值作为权重，来计算感受野区域的加权和，梯度也使用相同的权重；
所述反向过程的梯度更新与前向过程计算的权重成比例，梯度值的计算过程为：求导前向过程的加权和以后，在感受野区域内与前向过程的权重相乘；
所述初级特征提取模块中使用的高效池化层Softpool，为感受野区域内的每个正激活分配一个最小的非零权值，其权重与相应的激活值一起参与非线性变换，其中较高的激活比较低的激活占更多的主导地位，因为大多数池化操作都是在高维特征空间中执行，突出较高的激活的影响比简单地选择最大值或平均值是一种更平衡的方法。
进一步地，所述残差模块由4个依次相连的GCR块组成，
所述GCR块的卷积层全部是幽灵卷积，且在每个残差连接中都***了GC block自注意模块；
所述幽灵卷积的内部线性运算能够强化输入数据的区分能力，利用煤和矸石相似性之间的冗余信息，线性地生成ghost映射，可以实现对同类图像特征的快速、全面的学习；在每个独立的残差模块中，利用不同大小的卷积核逐步提取特征信息，利用可变步长卷积实现图像通道信息的维数增减，前后层的信息流通过残差连接进行监督和加强。
进一步地，所述GCR块中的GC block负责记忆并放大煤和矸石之间的细微差异特征，并提醒网络在特征提取过程中重点学习这种差异特征；
所述GC block是一种全局上下文建模构件，内部包含上下文建模模块(ContextModeling)和信息转换模块(Transform)；
所述上下文建模模块(Context Modeling)用来捕获输入图像全局特征通道信息间的相关依赖性，进而实现通道注意力机制的效果；
所述信息转换模块(Transform)接收上下文建模模块的输出，使用两个1×1卷积层完成特征信息的瓶颈转换，其目的是模仿SEblock中瓶颈结构来有效减少参数量；
所述GC block在有效降低参数量的同时实现全局通道信息间的自我关注机制，通过在残差连接中引入GC自注意模块，实现煤矸的高精度、高效率分类识别。
进一步地，所述图像分类模块包括softpool池化层、全连接层FC和softmax分类器；
所述softpool池化层负责接收初级特征提取模块和残差模块中传入的特征信息，并进行池化操作；
所述全连接层FC能够保持较大的模型容量从而保证模型表示能力的迁移；
所述softmax分类器具有更好的解释性，让取阈值等操作更加顺理成章，输出为概率，最终概率的最大值即为识别目标。
一种煤矸的轻量级智能分选方法，按以下步骤进行智能分选：
步骤S1、将煤和矸石的图像输入到煤矸的轻量级智能分选模型中；
步骤S2、利用softpool保留并凸显煤和矸石的灰度、纹理特征信息；
步骤S3、通过幽灵卷积层和GC block得到煤和矸石图像的轮廓、灰度、纹理等相关特征图，通过池化层对特征图进行降维处理；
步骤S4、通过图像分类模块中的全连接层整合卷积层和池化层中学习到的特征信息，得到煤和矸石特征向量；
步骤S5、通过该模块的softmax分类层得到煤和矸石的种类。
进一步地，所述步骤S2中softpool实现过程为：
前向过程中，内核使用每个激活的指数softmax值作为权重来计算区域R的加权和，梯度也使用相同的权重，激活梯度与计算得到的softmax权重成正比，wi和计算方式为：
反向过程中，梯度更新与前向传递期间计算的权重成比例，先对进行求导得到再由前向过程中得到的wi计算得出/>计算方式为：
式中，表示a加权和，/>表示a的梯度值，/>表示/>的梯度值，R表示激活区域内的最大近似值(i，j∈R)，wi表示区域R的权重。
进一步地，所述步骤S3中GC block模块实现过程为：
式中，Wk表示下文建模模块(Context Modeling)内卷积层对应的线性变换矩阵，Softmax表示执行相应函数映射，Wv1、Wv2分别表示Transform模块内部不同位置的线性变换矩阵，LN表示对层归一化，ReLU表示执行相应激活函数操作，X2为输入特征Y经过整个GCblock后得到的结果，同时也是GCR块1最终的输出；
所述公式(1)是以GCR块1为例介绍的其中包含的GC block模块的实现过程，同理可以得到GCR块2、3、4的最终输出。
一种电子设备，采用上述的方法实现对煤和矸石的智能分选。
一种计算机存储介质，所述存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现上述的煤矸的轻量级智能分选方法。
本发明实施例的有益效果是，利用幽灵卷积线性生成ghost映射的特性，剔除煤和矸石相似性特征的冗余信息。借助Softpool的下采样激活映射，保留、凸显煤和矸石的特征信息并去除冗余参数，防止过拟合现象。引入GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势，使网络记忆、放大煤矸图像间的细微差异特征，提升煤矸图像识别准确率。本发明侧重于提取煤矸灰度和纹理特征信息差异的轻量型神经网络，对实现煤矸石精准分选工作具有重要意义。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的一种煤矸的轻量级智能分选模型的结构示意图。
图2是本发明实施例的一种煤矸的轻量级智能分选模型的Softpool操作过程的结构示意图。
图3是本发明实施例的一种煤矸的轻量级智能分选模型的GCR块实现过程的结构示意图。
图4是本发明实施例的一种煤矸的轻量级智能分选模型的GC block的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1，
一种煤矸的轻量级智能分选模型，其结构如图1所示，包括：初级特征提取模块、残差模块和图像分类模块；
其中初级特征提取模块中使用高效池化层Softpool，保留、凸显煤和矸石的特征信息并去除冗余参数，从而更好的保证输入特征的完整性；
如图2所示，
初级特征提取模块中Softpool包括前向和反向两个过程；
前向过程使用每个激活的指数softmax值作为权重，来计算感受野区域的加权和，梯度也使用相同的权重；
反向过程的梯度更新与前向过程计算的权重成比例，梯度值的计算过程为：求导前向过程的加权和以后，在感受野区域内与前向过程的权重相乘；
初级特征提取模块中使用的高效池化层Softpool，为感受野区域内的每个正激活分配一个最小的非零权值，其权重与相应的激活值一起参与非线性变换，其中较高的激活比较低的激活占更多的主导地位，因为大多数池化操作都是在高维特征空间中执行，突出较高的激活的影响比简单地选择最大值或平均值是一种更平衡的方法。
残差模块中引入GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势，使网络记忆、放大煤矸图像间的细微差异特征；残差模块由4个依次相连的GCR块组成，
如图3所示，
GCR块的卷积层全部是幽灵卷积，且在每个残差连接中都***了GC block自注意模块；
幽灵卷积的内部线性运算能够强化输入数据的区分能力，利用煤和矸石相似性之间的冗余信息，线性地生成ghost映射，可以实现对同类图像特征的快速、全面的学习；在每个独立的残差模块中，利用不同大小的卷积核逐步提取特征信息，利用可变步长卷积实现图像通道信息的维数增减，前后层的信息流通过残差连接进行监督和加强。
GCR块中的GC block负责记忆并放大煤和矸石之间的细微差异特征，并提醒网络在特征提取过程中重点学习这种差异特征；
如图4所示，
GC block是一种全局上下文建模构件，内部包含上下文建模模块(ContextModeling)和信息转换模块(Transform)；
上下文建模模块(Context Modeling)用来捕获输入图像全局特征通道信息间的相关依赖性，进而实现通道注意力机制的效果；
信息转换模块(Transform)接收上下文建模模块的输出，使用两个1×1卷积层完成特征信息的瓶颈转换，其目的是模仿SEblock中瓶颈结构来有效减少参数量；
GC block在有效降低参数量的同时实现全局通道信息间的自我关注机制，通过在残差连接中引入GC自注意模块，实现煤矸的高精度、高效率分类识别。
图像分类模块接收残差模块提取的有效特征，并利用softmax分类层得到对煤和矸石的分类结果；图像分类模块包括softpool池化层、全连接层FC和softmax分类器；
softpool池化层负责接收初级特征提取模块和残差模块中传入的特征信息，并进行池化操作；
全连接层FC能够保持较大的模型容量从而保证模型表示能力的迁移；
softmax分类器具有更好的解释性，让取阈值等操作更加顺理成章，输出为概率，最终概率的最大值即为识别目标。
实施例2，
一种煤矸的轻量级智能分选方法，按以下步骤进行智能分选：
步骤S1、将煤和矸石的图像输入到煤矸的轻量级智能分选模型中；
步骤S2、利用softpool保留并凸显煤和矸石的灰度、纹理特征信息；
softpool实现过程为：
前向过程中，内核使用每个激活的指数softmax值作为权重来计算区域R的加权和，梯度也使用相同的权重，激活梯度与计算得到的softmax权重成正比，wi和计算方式为：
反向过程中，梯度更新与前向传递期间计算的权重成比例，先对进行求导得到再由前向过程中得到的wi计算得出/>计算方式为：
式中，表示a加权和，/>表示a的梯度值，/>表示/>的梯度值，R表示激活区域内的最大近似值(i，j∈R)，wi表示区域R的权重。
步骤S3、通过幽灵卷积层和GC block得到煤和矸石图像的轮廓、灰度、纹理等相关特征图，通过池化层对特征图进行降维处理；
GC block模块实现过程为：
式中，Wk表示下文建模模块(Context Modeling)内卷积层对应的线性变换矩阵，Softmax表示执行相应函数映射，Wv1、Wv2分别表示Transform模块内部不同位置的线性变换矩阵，LN表示对层归一化，ReLU表示执行相应激活函数操作，X2为输入特征Y经过整个GCblock后得到的结果，同时也是GCR块1最终的输出；
所述公式(1)是以GCR块1为例介绍的其中包含的GC block模块的实现过程，同理可以得到GCR块2、3、4的最终输出。
步骤S4、通过图像分类模块中的全连接层整合卷积层和池化层中学习到的特征信息，得到煤和矸石特征向量；
步骤S5、通过该模块的softmax分类层得到煤和矸石的种类。
为了验证本发明实施例的煤矸的轻量级智能分选方法的有效性，在CIFAR10、及自制的煤矸数据集上开展实验。数据集CIFAR100中包含10个类别的32×32的彩色图像，在此数据集上开展对比实验是为了证明本发明的先进性和泛化能力。在自制的煤矸数据集上开展实验是为了证明本发明进行煤矸分选的有效性。
使用参数量(Params)、浮点计算量(FLOPs)和测试集上的准确率(Acc)作为模型的评价指标，前两个指标的值越低越好，最后一个指标的值越高越好。
表1与其他模型在CIFAR-100上的性能比较
在CIFAR100上测试，并和文献ShuffleNet[[21]X.Zhang,X.Zhou,M.Lin andJ.Sun.ShuffleNet:An Extremely Efficient Convolutional Neural Network forMobile Devices.2018 IEEE/CVF Conference on Computer Vision and PatternRecognition,Salt Lake City,UT.2018:6848-6856.]，MobileNetV2[[22]M.Sandler,A.Howard,M.Zhu,A.Zhmoginov and L.Chen.MobileNetV2:Inverted Residuals andLinear Bottlenecks.2018IEEE/CVF Conference on Computer Vision and PatternRecognition,Salt Lake City,UT.2018:4510-4520.]，VGG16-half[[23]Shen C,Wang X,and Yin Y.Progressive Network Grafting for Few-Shot KnowledgeDistillation.arXiv preprint arXiv.2020:2012.04915.]，DWConvXSepConv[Chen J,LuZ,and Xue J H.XSepConv:Extremely Separated Convolution.arXiv preprintarXiv.2020:2002.12046.]和VGG19-S-GD[[25]Liu Y,WentzlaffD,and Kung SY.Rethinking Class-Discrimination Based CNN Channel Pruning.arXiv preprintarXiv.2020:2004.]的方法对比，结果见表1，由表1可见：DWConvXSepConv获得了最好的FLOPs指标，本发明获得了最好的Params和最高的Acc，准确率达到了74.95％，比DWConvXSepConv提高了0.95％。
综上，本发明在训练效率和分类识别精度相较于其它CNN模型具有明显的竞争力。
本发明是针对煤矸分选应用搭建的卷积神经网络模型，它在模型复杂程度和识别准确率方面的优越性，与其它主流网络相比，本发明的性能处于上等水平，将其应用到煤矸数据集反复训练，实验结果取平均值，如表2。
由表2可知，本发明在煤矸分选数据集上表现出色，模型大小仅为6.23M，准确率高达97.2％，其体积小、精度高的特点对于实际应用场景的嵌入安装及精准实现煤矸分离作业具有十分重要的意义。
表2 GC-ResNet18在煤矸数据集上的表现
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (6)
1.一种煤矸的轻量级智能分选模型构建方法，其特征在于，依次包括：初级特征提取模块、残差模块和图像分类模块；
所述初级特征提取模块中使用高效池化层Softpool，保留、凸显煤和矸石的特征信息并去除冗余参数，从而更好的保证输入特征的完整性；
所述残差模块中引入GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势，使网络记忆、放大煤矸图像间的细微差异特征；
所述残差模块由4个依次相连的GCR块组成，GCR块的卷积层全部是幽灵卷积，且在每个残差连接中都***了GC block自注意模块；
所述幽灵卷积的内部线性运算能够强化输入数据的区分能力，利用煤和矸石相似性之间的冗余信息，线性地生成ghost映射，可以实现对同类图像特征的快速、全面的学习；在每个独立的残差模块中，利用不同大小的卷积核逐步提取特征信息，利用可变步长卷积实现图像通道信息的维数增减，前后层的信息流通过残差连接进行监督和加强；
所述GCR块中的GC block负责记忆并放大煤和矸石之间的细微差异特征，并提醒网络在特征提取过程中重点学习这种差异特征；
所述GC block是一种全局上下文建模构件，内部包含上下文建模模块(ContextModeling)和信息转换模块(Transform)；
所述上下文建模模块(Context Modeling)用来捕获输入图像全局特征通道信息间的相关依赖性，进而实现通道注意力机制的效果；
所述信息转换模块(Transform)接收上下文建模模块的输出，使用两个1×1卷积层完成特征信息的瓶颈转换，其目的是模仿SE block中瓶颈结构来有效减少参数量；
所述GC block在有效降低参数量的同时实现全局通道信息间的自我关注机制，通过在残差连接中引入GC自注意模块，实现煤矸的高精度、高效率分类识别；
所述图像分类模块接收残差模块提取的有效特征，并利用softmax分类层得到对煤和矸石的分类结果。
2.根据权利要求1所述的一种煤矸的轻量级智能分选模型构建方法，其特征在于，所述初级特征提取模块包括前向和反向两个过程；
所述前向过程使用每个激活的指数softmax值作为权重，来计算感受野区域的加权和，梯度也使用相同的权重；
所述反向过程的梯度更新与前向过程计算的权重成比例，梯度值的计算过程为：求导前向过程的加权和以后，在感受野区域内与前向过程的权重相乘；
所述初级特征提取模块中使用的高效池化层Softpool，为感受野区域内的每个正激活分配一个最小的非零权值，其权重与相应的激活值一起参与非线性变换，其中较高的激活比较低的激活占更多的主导地位，因为大多数池化操作都是在高维特征空间中执行，突出较高的激活的影响比简单地选择最大值或平均值是一种更平衡的方法。
3.根据权利要求1所述的一种煤矸的轻量级智能分选模型构建方法，其特征在于，所述图像分类模块包括softpool池化层、全连接层FC和softmax分类器；
所述softpool池化层负责接收初级特征提取模块和残差模块中传入的特征信息，并进行池化操作；
所述全连接层FC能够保持较大的模型容量，从而保证模型表示能力的迁移；
所述softmax分类器具有更好的解释性，输出为概率，最终概率的最大值即为识别目标。
4.一种煤矸的轻量级智能分选方法，其特征在于，按以下步骤进行智能分选：
步骤S1、将煤和矸石的图像输入到煤矸的轻量级智能分选模型中；
步骤S2、利用softpool保留并凸显煤和矸石的灰度、纹理特征信息；
步骤S3、通过幽灵卷积层和GC block得到煤和矸石图像的轮廓、灰度、纹理相关特征图，通过池化层对特征图进行降维处理；
GC block模块实现过程为：
式中，Wk表示下文建模模块(Context Modeling)内卷积层对应的线性变换矩阵，Softmax表示执行相应函数映射，Wv1、Wv2分别表示Transform模块内部不同位置的线性变换矩阵，LN表示对层归一化，ReLU表示执行相应激活函数操作，X2为输入特征Y经过整个GCblock后得到的结果，同时也是GCR块1最终的输出；
残差模块由4个GC block级联而成，即GCR块1、2、3、4依次相连；
所述公式(1)是以GCR块1为例介绍的其中包含的GC block模块的实现过程，同理可以得到GCR块2、3、4的最终输出
步骤S4、通过图像分类模块中的全连接层整合卷积层和池化层中学习到的特征信息，得到煤和矸石特征向量；
步骤S5、通过该模块的softmax分类层得到煤和矸石的种类。
5.一种电子设备，其特征在于，采用权利要求4所述的方法实现对煤和矸石的智能分选。
6.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一条程序指令，所述至少一条程序指令被处理器加载并执行以实现权利要求4所述的煤矸的轻量级智能分选方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210528065.8A CN114882281B (zh) | 2022-05-16 | 2022-05-16 | 煤矸的轻量级智能分选模型、方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210528065.8A CN114882281B (zh) | 2022-05-16 | 2022-05-16 | 煤矸的轻量级智能分选模型、方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114882281A CN114882281A (zh) | 2022-08-09 |
| CN114882281B true CN114882281B (zh) | 2024-06-21 |
Family
ID=82676472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210528065.8A Active CN114882281B (zh) | 2022-05-16 | 2022-05-16 | 煤矸的轻量级智能分选模型、方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882281B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115553787A (zh) * | 2022-09-30 | 2023-01-03 | 哈尔滨理工大学 | 一种基于多尺度残差收缩U-Net的胎儿心电信号提取方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597941A (zh) * | 2020-12-29 | 2021-04-02 | 北京邮电大学 | 一种人脸识别方法、装置及电子设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111739075B (zh) * | 2020-06-15 | 2024-02-06 | 大连理工大学 | 一种结合多尺度注意力的深层网络肺部纹理识别方法 |
| CN113052254B (zh) * | 2021-04-06 | 2022-10-04 | 安徽理工大学 | 多重注意力幽灵残差融合分类模型及其分类方法 |
| CN113591689A (zh) * | 2021-07-29 | 2021-11-02 | 安徽理工大学 | 一种煤和矸石rgb图像识别方法及其*** |
| CN113989287A (zh) * | 2021-09-10 | 2022-01-28 | 国网吉林省电力有限公司 | 城市道路遥感图像分割方法、装置、电子设备和存储介质 |
-
2022
- 2022-05-16 CN CN202210528065.8A patent/CN114882281B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597941A (zh) * | 2020-12-29 | 2021-04-02 | 北京邮电大学 | 一种人脸识别方法、装置及电子设备 |
Non-Patent Citations (1)
| Title |
|---|
| 基于卷积神经网络的煤矸石图像识别;孙立新;;电脑知识与技术;20200725(第21期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114882281A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112308158A (zh) | 一种基于部分特征对齐的多源领域自适应模型及方法 | |
| CN110135460B (zh) | 基于vlad卷积模块的图像信息强化方法 | |
| CN108229588B (zh) | 一种基于深度学习的机器学习识别方法 | |
| CN109766873B (zh) | 一种混合可变形卷积的行人再识别方法 | |
| CN111046917B (zh) | 基于深度神经网络的对象性增强目标检测方法 | |
| CN111125403B (zh) | 一种基于人工智能的辅助设计绘图方法及*** | |
| Wang et al. | Pruning blocks for CNN compression and acceleration via online ensemble distillation | |
| CN105243154A (zh) | 基于显著点特征和稀疏自编码的遥感图像检索方法及*** | |
| CN114882281B (zh) | 煤矸的轻量级智能分选模型、方法、设备及存储介质 | |
| CN112785526A (zh) | 一种用于图形处理的三维点云修复方法 | |
| CN112733590A (zh) | 一种基于二阶混合注意力的行人重识别方法 | |
| CN116030537B (zh) | 基于多分支注意力图卷积的三维人体姿态估计方法 | |
| Sun et al. | A new recognition method of vehicle license plate based on genetic neural network | |
| Wan et al. | AnswerNet: Learning to answer questions | |
| CN110598746A (zh) | 一种基于ode求解器自适应的场景分类方法 | |
| CN114283325A (zh) | 一种基于知识蒸馏的水下目标识别方法 | |
| Huang et al. | Mobile phone component object detection algorithm based on improved SSD | |
| Tripathi et al. | Real time object detection using CNN | |
| Tian et al. | Real-time semantic segmentation network based on lite reduced atrous spatial pyramid pooling module group | |
| CN113988164B (zh) | 一种面向代表点自注意力机制的轻量级点云目标检测方法 | |
| CN114037666B (zh) | 一种数据集扩充和阴影图像分类辅助的阴影检测方法 | |
| Niu et al. | Underwater Waste Recognition and Localization Based on Improved YOLOv5. | |
| CN113449601B (zh) | 基于渐进性平滑损失的行人重识别模型训练和识别方法与装置 | |
| CN115100694A (zh) | 一种基于自监督神经网络的指纹快速检索方法 | |
| CN114863232A (zh) | 一种基于双向多级特征金字塔的阴影检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |