[发明专利]一种基于相位一致性和轻量卷积神经网络的煤矸识别方法

权利要求书

1.一种基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，包括如下步骤：

使用摄像装置采集煤矸石的图片样本；

对图片样本进行预处理，所述预处理包括：图像扩充优化、图像归一化和划分样本集，所述样本集包括：训练集和测试集，所述训练集包括图像数据组一和图像数据组二；

使用相位一致性的方法对所述图像数据组一进行特征提取得到特征图组；

使用Keras构建用来识别煤矸的卷积神经网络，所述卷积神经网络的输出口依次接入全连接层、Dropout层和softmax分类层；

将所述特征图组与所述图像数据组二分别输入完全相同的卷积神经网络一和卷积神经网络二进行网络特征提取；

所述全连接层将所述卷积神经网络一和所述卷积神经网络二提取的网络特征融合并进行分类识别，得到网络权重，完成所述卷积神经网络的模型训练；

所述softmax分类层输出识别结果；

将所述测试集输入经过所述模型训练的卷积神经网络验证其性能，输出识别结果。

2.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，所述摄像装置采用海康威视的摄像装置。

3.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，所述预处理步骤之前，人工去除模糊不清的无效图像。

4.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，所述预处理步骤具体为：

在图像上通过增加椒盐噪声和高斯噪声扩充数据集；

使用背景差分法分离图像和背景，将经过背景差分法分离后的图像裁剪成统一尺寸，将裁剪后的煤的图像并作标签0，裁剪后的矸石的图像并作标签1；

对所述标签0和标签1的图像采用Keras中数据增强ImageDataGenerator模块进行数据补充，其中，所述数据补充的方式包括：翻转、平移、缩放和尺度变换；

将经过所述数据补充的图像的数据除以255归一化图像；

将经过所述归一化的图像按3：1划分为训练集和测试集。

5.根据权利要求4所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，在图像上通过增加椒盐噪声和高斯噪声扩充数据集的操作具体为：

使用C++的随机产生器，给所述图像增加白点和黑点的椒盐噪声，通过均值不变且改变图像方差的方法随机增加高斯噪声。

6.根据权利要求1所述的基于相位一致性和轻量卷积神经网络的煤矸识别方法，其特征在于，使用相位一致性的方法对所述图像数据组一进行特征提取得到特征图组的步骤具体为：

首先使用相位一致性边缘检测法提取图像的边缘特征，然后再利用Log Gabor小波对图像进行滤波，滤波的传递函数如公式(1)，再通过二维图像的计算公式(2)，得出相位一致性PC值；

其中o为滤波方向，k为固定常数，w为自变量频率，w_o为滤波器中心频率，n为尺度的个数，A_no(x)和Φ_no(x)分别为幅值和相位，W_o(x)和T为频率扩展和噪声补偿，x为图像的像素点在频域的位置坐标，ε为极小常数，符号表示当A_no(x)△Φ_no(x)-T的值大于0时取原值，小于0时取0。