[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

说明书

本发明公开了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，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，预处理操作包括：图像扩充优化、图像归一化和划分样本集；使用相位一致性的方法对样本集中的训练集进行特征提取；使用Keras构建用来识别煤矸的卷积神经网络；将提取的的特征图与原图像分别输入卷积神经网络进行模型训练，最后全连接进行分类识别；softmax分类层输出识别结果；将样本集中的测试集输入经过模型训练的卷积神经网络验证其性能，输出识别结果。本方案不受综采工作面温度的影响，且相位一致性的特征提取在矿下光照影响极大的环境下更优，维护成本更低，降低了安全隐患。

技术领域

本发明涉及煤矸识别技术领域，尤其涉及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。

背景技术

在煤炭的开采过程中，不可避免地混入了矸石，它与煤炭同时形成，而且相对煤炭而言，煤矸石颜色深，含碳量低且硬度大，一般作为煤炭的杂质进行处理。矸石若混入过多，会导致燃煤发电厂的巨大经济损失，甚至危害锅炉安全。故此，在采煤、选煤过程中须对煤和矸石进行分离，提高煤炭质量。一般的煤矸识别方法包括x射线法、红外探测法、声音识别以及图像识别法等。但是x射线法维护成本高、危害大，红外探测受综采工作面三机温度影响大，声音识别也容易受干扰，以及一般的图像识别技术受光照影响较大。

最接近的现有技术中，一种煤和矸石的红外图像识别方法中，利用红外图像与CNN特征提取和SVM进行分类，上述方案容易受综采工作面的温度影响，并且无法在特征提取中保留更有用的信息；一种基于X射线图像的煤矸识别方法中，利用X射线获得图像并进行特征提取与识别，上述方案维护成本高，且存在安全隐患；一种简便高效的自动化煤矸识别方法中，通过多层卷积神经网络以及swish-relu激活函数，并且使用密集连接的方式提高特征提取，增强映射，大大提高识别精度，但是上述方案参数大量冗余，计算量多大，可能导致过拟合；一种煤炭中煤矸石和煤的分类识别方法中，用小波变换进行图像频域分解及特征提取，并用卷积神经网络训练提高了识别精度，但上述方案由于矿下光照影响极大，会降低相位一致性特征提取的精确度；一种多光谱图像信息和光谱信息异构融合的煤矸识别方法中将图像信息和光谱信息分别进行2D和1D卷积网络特征提取，通过随机森林构建分类器的方法，极大利用了煤矸的光谱信息和原图信息，对煤矸的识别增加了依据，但上述方案在通过的卷积神经网络特征提取上能力不足。

发明内容

针对以上问题，本发明提出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。

为实现本发明的目的，提供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，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各自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。

进一步地，所述摄像装置采用海康威视的摄像装置。