基于深度学习的多产品煤料图像分类方法研究

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...

Full description

Saved in:
Bibliographic Details
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
LanguageChinese
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
Online AccessGet full text
ISSN0253-2336
DOI10.13199/j.cnki.cst.2021.09.017

Cover

Abstract 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.
AbstractList 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.
Author 张泽琳
章智伟
王黎
胡齐
AuthorAffiliation 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;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;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
AuthorAffiliation_xml – name: 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;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;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
Author_FL ZHANG Zelin
ZHANG Zhiwei
HU Qi
WANG Li
Author_FL_xml – sequence: 1
  fullname: ZHANG Zelin
– sequence: 2
  fullname: ZHANG Zhiwei
– sequence: 3
  fullname: HU Qi
– sequence: 4
  fullname: WANG Li
Author_xml – sequence: 1
  fullname: 张泽琳
– sequence: 2
  fullname: 章智伟
– sequence: 3
  fullname: 胡齐
– sequence: 4
  fullname: 王黎
BookMark eNotjz9Lw0AcQG-oYK39DI5OOe93l-Qu4CLFf1Bw0blckjtpqlcwFV3FPzjpoBasgx1KxcGhCEoj-GlyydewotPb3uMtoIrpGoXQEhAMDIJgJcGR6bRxlPYwJRQwCTABXkFVQj3mUMb8eVRP03ZIPGDcBeJX0ap9zvLspvic2Gxs38b5dFgOLuxokGcv9u6svBwV_Uf79G3Pb-31VTn5KvrT4v2hHN6Xrx-LaE7Lg1TV_1lDexvru40tp7mzud1YazopEModHgqhVMRJKEBpHnLgkshYuMqNfS6kZIJy7QmPaojBBUVFBNKnMdEg3cBnNbT85z2RRkuz30q6x0dmVmwd9jqnSfp7S4LZK_sBq5ZjfQ
ClassificationCodes TD67
ContentType Journal Article
Copyright Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
Copyright_xml – notice: Copyright © Wanfang Data Co. Ltd. All Rights Reserved.
DBID 2B.
4A8
92I
93N
PSX
TCJ
DOI 10.13199/j.cnki.cst.2021.09.017
DatabaseName Wanfang Data Journals - Hong Kong
WANFANG Data Centre
Wanfang Data Journals
万方数据期刊 - 香港版
China Online Journals (COJ)
China Online Journals (COJ)
DatabaseTitleList
DeliveryMethod fulltext_linktorsrc
Discipline Engineering
DocumentTitle_FL Study on multi-product coal image classification method based on deep learning
EndPage 123
ExternalDocumentID mtkxjs202109017
GrantInformation_xml – fundername: 国家自然科学基金青年科学基金资助项目
  funderid: (51604196)
GroupedDBID -02
2B.
4A8
5XA
5XC
92H
92I
93N
ABJNI
ACGFS
ALMA_UNASSIGNED_HOLDINGS
CCEZO
CDRFL
CW9
GROUPED_DOAJ
PSX
TCJ
TGT
U1G
U5L
ID FETCH-LOGICAL-s1027-7b88eec70b81ef7b717a0ad84e4d678aa3827f5852f1d141e28c1a62d0f1a4963
ISSN 0253-2336
IngestDate Thu May 29 04:07:33 EDT 2025
IsPeerReviewed false
IsScholarly true
Issue 9
Keywords 煤料图像;煤料多产品分类;煤粒密度;深度学习;迁移学习
Language Chinese
LinkModel OpenURL
MergedId FETCHMERGED-LOGICAL-s1027-7b88eec70b81ef7b717a0ad84e4d678aa3827f5852f1d141e28c1a62d0f1a4963
PageCount 7
ParticipantIDs wanfang_journals_mtkxjs202109017
PublicationCentury 2000
PublicationDate 2021-08-05
PublicationDateYYYYMMDD 2021-08-05
PublicationDate_xml – month: 08
  year: 2021
  text: 2021-08-05
  day: 05
PublicationDecade 2020
PublicationTitle 煤炭科学技术
PublicationTitle_FL Coal Science and Technology
PublicationYear 2021
Publisher 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
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
Publisher_xml – name: 武汉科技大学资源与环境工程学院,湖北武汉 430081
– name: 武汉科技大学 机械自动化学院,湖北 武汉 430081
– name: 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
– name: 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
SSID ssib051374106
ssj0037581
ssib001105251
ssib012291398
ssib036204842
Score 2.277814
Snippet TD67;...
SourceID wanfang
SourceType Aggregation Database
StartPage 117
Title 基于深度学习的多产品煤料图像分类方法研究
URI https://d.wanfangdata.com.cn/periodical/mtkxjs202109017
Volume 49
hasFullText 1
inHoldings 1
isFullTextHit
isPrint
link http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnV1LaxRBEB5ivOhBfKLxQQ72SSZO9_RMd4OXmc0sQdBTArmFefoIruBuQHITH3jSgxowHswhRDx4CIKSFfw1md2_YVXNZDJqwAcsQ9H9dVVX1WxX9dAPy7os3MLNZKLt3HcSWxZ5YRsjlQ2Zs5Iyc5XIcXPyjZv-3IK8vugtTkxOtVYtrQySmXT1wH0l_-NVKAO_4i7Zf_BswxQKgAb_whM8DM-_8jGLPGa6LAxYJPGpIxb5LFQs5FgFJYGPRDBLBGAMCxwWKWYALKlKIl01DxQxdCG7RIymWmBo4GeoKmRhhIQGTJcIzbSPYJAYhjUYpGA3XGY8rAKJRhJhWOi3s-GWFCAE9hNh0D3e6rbPdIALMpB5hwXNUmRSsUMKkbSQWhsH6H0IsAtrCOhQW6oDVtuHaFQnAIkGWRin3RgsqkOqCYFufyIR9M3X8ZqXGkU0PQZzaNNSptGBtK0MXYM9tGDooxBdgRU5tdvyimahRw7zsQRUBDDoZTTpRW6onBGQUDB3oKm5pnfCoOiApBvQUBEfg67CVh0qUWhczetu6NnaJSE5PoiYIT5BgPiqBBQRnYNY_WqHK9LFnLAVc4Tn2sKtzqTZC5DVmbL1QGBa0Y5X227rxIlXG8d_i8kwyBsKymlv-c5M2scVzILT6cJ77X868PzeYPnh3T5iHEhW1SHrsIApoGh9LqFUn-MNjE1s4kLgAbdNLHHxngUtm9Td4y7kzriioMrSXJgn022aewrXaz-xs1cP7ipt6-sVce9WKwOdP24dq6eO00E1DpywJlZvn7SOtg4UPWVdK98Pd4cvRl-3y-FW-Wlrd2djvP6k3FzfHX4oXz0aP90crb0t330vH78snz8bb38bre2MPr8Zb7wef_xy2lroRvOdObu-H8Xuw7RA2SrROs9T5SSa54VKFFexE2da5jKDHDSOXS1U4WlPFDzjkudCpzz2ReYUPJYQec9Yk737vfysNe2lWeo7Rvpu7kjIj3SmndjzcunHmUlUcc6arnVfqse__tIvfpr6M-S8dWT_73nBmhw8WMkvQk4_SC6Rc38Axn-ykA
linkProvider Directory of Open Access Journals
openUrl ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E7%9A%84%E5%A4%9A%E4%BA%A7%E5%93%81%E7%85%A4%E6%96%99%E5%9B%BE%E5%83%8F%E5%88%86%E7%B1%BB%E6%96%B9%E6%B3%95%E7%A0%94%E7%A9%B6&rft.jtitle=%E7%85%A4%E7%82%AD%E7%A7%91%E5%AD%A6%E6%8A%80%E6%9C%AF&rft.au=%E5%BC%A0%E6%B3%BD%E7%90%B3&rft.au=%E7%AB%A0%E6%99%BA%E4%BC%9F&rft.au=%E8%83%A1%E9%BD%90&rft.au=%E7%8E%8B%E9%BB%8E&rft.date=2021-08-05&rft.pub=%E6%AD%A6%E6%B1%89%E7%A7%91%E6%8A%80%E5%A4%A7%E5%AD%A6%E5%86%B6%E9%87%91%E7%9F%BF%E4%BA%A7%E8%B5%84%E6%BA%90%E9%AB%98%E6%95%88%E5%88%A9%E7%94%A8%E4%B8%8E%E9%80%A0%E5%9D%97%E6%B9%96%E5%8C%97%E7%9C%81%E9%87%8D%E7%82%B9%E5%AE%9E%E9%AA%8C%E5%AE%A4%2C%E6%B9%96%E5%8C%97%E6%AD%A6%E6%B1%89+430081&rft.issn=0253-2336&rft.volume=49&rft.issue=9&rft.spage=117&rft.epage=123&rft_id=info:doi/10.13199%2Fj.cnki.cst.2021.09.017&rft.externalDocID=mtkxjs202109017
thumbnail_s http://utb.summon.serialssolutions.com/2.0.0/image/custom?url=http%3A%2F%2Fwww.wanfangdata.com.cn%2Fimages%2FPeriodicalImages%2Fmtkxjs%2Fmtkxjs.jpg