基于深度学习的多产品煤料图像分类方法研究

• Published in: 煤炭科学技术 Vol. 49; no. 9; pp. 117 - 123
• Main Authors: 张泽琳, 章智伟, 胡齐, 王黎
• Format: Journal Article
• Language: Chinese
• Published: 武汉科技大学冶金矿产资源高效利用与造块湖北省重点实验室,湖北武汉 430081 05.08.2021; 武汉科技大学资源与环境工程学院,湖北武汉 430081; 武汉科技大学 机械自动化学院,湖北 武汉 430081; 武汉科技大学 冶金装备及其控制教育部重点实验室,湖北 武汉 430081%武汉科技大学资源与环境工程学院,湖北武汉 430081
• Subjects: 煤料图像;煤料多产品分类;煤粒密度;深度学习;迁移学习
• ISSN: 0253-2336
• DOI: 10.13199/j.cnki.cst.2021.09.017

TD67; 基于传感器的智能矿石干选技术在煤炭领域备受关注,其节能、无水、智能、高精度和易使用等优点在井下排矸、选厂预富集和矸石再选等环节有着广泛的市场前景,具有降低成本、节能降耗的优势.为探索深度学习在基于机器视觉的煤料智能干选过程中的分类精度和应用潜力,基于深度学习提出了一种多产品煤料图像分类方法.在获取低灰煤、中低灰煤、高灰煤和矸石4类产品无烟煤图像的基础上,采用位置变换操作对煤粒图像集进行数据增强,为深度学习模型提供大量训练数据,进而采用基于Tensorflow、Keras框架的Inception_v3神经网络模型进行迁移学习.通过使用ImgNet大量数据集在Inception_v3神经网络模型上训练出初始网络参数和权重,将其迁移至煤料多产品分类模型中,采用Dropout对模型进行处理以防止过拟合,最终建立了针对无烟煤多产品的深度学习分类模型,并通过训练过程的损失值和准确率的趋势图判断训练过程是否收敛.通过多分类器对比分析,结果表明深度学习分类模型的测试精度和验证精度均达到90％以上,且随产品数量增加而略有降低,多产品验证精度分别为93.5％、91.3％和90.1％,均优于KNN、RF和SVM常规分类模型的准确率,其中SVM分类模型准确率较高,RF分类模型次之,KNN分类模型准确率最低.分析结果表明深度学习能高效区分产品间特征差异性,并在煤料多产品图像分类应用上具有较大潜力.