[发明专利]一种基于深度神经网络的煤矿井下图像处理方法

权利要求书

1.一种基于深度神经网络的煤矿井下图像处理方法，其特征在于，该方法包括以下步骤：

步骤一：构建AlexNet网络；

步骤二：使用ImageNet图像样本集训练神经网络；

步骤三：测试是否满足准确率要求；如果不满足则返回上一步骤，如果满足则进行下一步骤；

步骤四：对未知类型井下样本进行分类；

步骤五：对分类后的图像样本进行相应的处理，从而得到增强图像。

2.根据权利要求1所述的一种基于深度神经网络的煤矿井下图像处理方法，其特征在于：在步骤四中，井下样本分类是用训练样本通过深度神经网络来学习，然后再对需要分类的图像添加标签；

衡量分类是否符合要求用下面两个参数：

损失函数，在进行机器学习任务时，使用的每一个算法都有一个目标函数，算法便是对这个目标函数进行优化，在分类或者回归任务中，便是使用损失函数作为其目标函数；

分类准确率，即为对用训练样本训练好的神经网络进行测试时，分类正确的测试样本占所有测试样本的比重。

3.根据权利要求2所述的一种基于深度神经网络的煤矿井下图像处理方法，其特征在于：所述损失函数采用Tensorflow中所提供的“categorical_crossentropy”函数。

4.根据权利要求1所述的一种基于深度神经网络的煤矿井下图像处理方法，其特征在于：

在步骤四中，对井下样本进行五种分类，分别为亮度过低的图像样本、亮度过高的图像样本、图像高噪的图像样本、对比度过低的图像样本以及分辨率过低的图像样本；

对于亮度过低的图像样本和亮度过高的图像样本采用直方图均衡化的方法进行处理；

对于图像高噪的图像样本采用中值滤波的方法进行处理；

对于对比度过低的图像样本采用灰度对数变换的方法进行处理；

对于分辨率过低的图像样本采用图像超分辨率重构方法进行处理。

5.根据权利要求1所述的一种基于深度神经网络的煤矿井下图像处理方法，其特征在于：

所述步骤一中实现AlexNet网络的具体过程如下：

1)首先导入tensorflow，TFlearn，numpy相关Python库；

2)准备训练数据设置占位符；

3)使用神经网络运算搭建卷积神经网络模型；

4)设置训练参数和开启会话并开始训练；

5)使用保存加载器保存训练好的网络模型。

6.根据权利要求5所述的一种基于深度神经网络的煤矿井下图像处理方法，其特征在于：

所述AlexNet网络共有8层，其中前5层卷积层，后边3层全连接层，最后的一个全连接层的output是softmax的多分类器，最后的优化目标是最大化平均的多元逻辑回归。