基于深度学习的煤矸石识别方法研究

发布时间：2023-01-08 15:45

　　随着我国经济发展方式的转变,煤炭行业由粗放型生产向精细化转型,智能化开采成为煤炭安全高效开采的发展趋势。国家安全生产监督管理总局提出的科技强安专项行动将煤炭智能化开采技术列为重点研究方向,以机械生产代替人工作业。煤矸分选作为煤矿开采的首要环节,实现煤和矸石自动分选需要攻克的技术难点之一就是准确完成煤和矸石的识别和定位。目前,已有学者在煤和矸石目标识别方面进行广泛的研究,但传统的煤和矸石识别方法存在特征提取困难、泛化能力弱、未实现定位等问题。针对以上问题,本文提出了一种基于深度学习的煤和矸石识别方法,希望提高煤和矸石识别的准确率。对煤和矸石图像进行分析,并合实际工况,确定煤和矸石图像样本集采集原则,对采集的煤和矸石图像进行筛选,确保煤和矸石图像样本集的有效性。采用尺寸图像训练,并对像随机裁剪,进行图像翻转、明亮度变化、添加噪声等方法对煤和矸石图像数据集进行扩充。采用留一交叉验证对煤和矸石图像数据集进行划分,为煤和矸石图像识别奠定数据基础。针对卷积神经网络在图像识别过程中,网络结构不同,对图像识别效果不同,对比分析AlexNet、VGGNet、GoogLenet三种卷积神经网络对煤和矸石识... 

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 本课题的研究背景及意义
    1.2 国内外研究现状
        1.2.1 煤和矸石分选国内外研究现状
        1.2.2 深度学习的国内外研究现状
        1.2.3 迁移学习研究现状
    1.3 本文的主要研究内容
        1.3.1 本文的研究内容
        1.3.2 本文的技术路线
2 深度学习特性分析及优化方法
    2.1 深度学习
        2.1.1 深度学习概述
        2.1.2 深度学习框架
    2.2 卷积神经网络
        2.2.1 卷积神经网络基本原理
        2.2.2 卷积神经网络特点
        2.2.3 损失函数
        2.2.4 正则化
    2.3 迁移学习理论
        2.3.1 迁移学习理论定义
        2.3.2 迁移学习方法
    2.4 本章小结
3 煤和矸石图像数据集处理
    3.1 引言
    3.2 煤和矸石图像获取
    3.3 样本集标注
    3.4 数据集扩充
    3.5 数据集划分
    3.6 本章小结
4 基于卷积神经网络的煤与矸石图像识别
    4.1 基于卷积神经网络的煤和矸石图像识别模型
    4.2 深度卷积神经网络模型研究
        4.2.1 Alexnet卷积神经网络
        4.2.2 VGGNet卷积神经网络
        4.2.3 GoogLenet卷积神经网络
    4.3 网络模型的选取
    4.4 模型优化参数设置
        4.4.1 AlexNet模型参数
        4.4.2 VGGNet模型参数
        4.4.3 GoogLenet模型参数
    4.5 实验环境配置
        4.5.1 实验环境
        4.5.2 实验数据集
    4.6 实验分析
        4.6.1 实验步骤
        4.6.2 结果分析
    4.7 本章小结
5 基于迁移学习的煤与矸石图像识别
    5.1 基于卷积神经网络的迁移学习算法
        5.1.1 卷积神经网络特征学习
        5.1.2 基于卷积神经网络的迁移学习
    5.2 模型改进与优化
        5.2.1 批归一化
        5.2.2 DisturbLabel算法
        5.2.3 模型参数设置
    5.3 设定评价指标
    5.4 实验分析
    5.6 本章小结
6 结论与展望
    6.1 结论
    6.2 展望
致谢
参考文献
附录


【参考文献】：
期刊论文
[1]基于深度学习的织物缺陷在线检测算法[J]. 王理顺,钟勇,李振东,贺宜龙.  计算机应用. 2019(07)
[2]改进深度学习块卷积神经网络的人脸表情识别[J]. 何永强,秦勤,王俊鹏.  计算机工程与设计. 2019(03)
[3]基于深度学习的快速植物图像识别[J]. 张雪芹,陈嘉豪,诸葛晶晶,余丽君.  华东理工大学学报(自然科学版). 2018(06)
[4]基于深度学习的国产高分遥感影像飞机目标自动检测[J]. 李淑敏,冯权泷,梁其椿,张学庆.  遥感技术与应用. 2018(06)
[5]深度学习在雷达通信目标识别中的应用框架[J]. 程嘉远.  现代雷达. 2018(08)
[6]AICon 2018开幕 百度PaddlePaddle引开发者热议[J].   智能机器人. 2018(01)
[7]AICon 2018开幕 百度PaddlePaddle引开发者热议[J].   智能机器人. 2018 (01)
[8]卷积网络深度学习算法与实例[J]. 陈旭,张军,陈文伟,李硕豪.  广东工业大学学报. 2017(06)
[9]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明.  计算机工程与应用. 2017(13)
[10]基于深度卷积神经网络的航空器检测与识别[J]. 俞汝劼,杨贞,熊惠霖.  计算机应用. 2017(06)

博士论文
[1]煤矸光电密度识别及自动分选系统的研究[D]. 张晨.中国矿业大学（北京） 2013

硕士论文
[1]基于卷积神经网络的视觉识别研究[D]. 薛昆南.华南农业大学 2016
[2]基于图像特征的煤与矸石识别算法研究[D]. 宋剑.河北工程大学 2016



本文编号：3728742