[发明专利]一种基于深度学习技术的煤的破坏类型快速识别方法及装置

权利要求书

1.一种基于深度学习技术的煤的破坏类型的识别方法，包括以下步骤：

（1）采集煤的破坏类型图像：煤矿井下拍摄煤层图像，图像中要求无遮挡物，并手动标记其破坏类型，建立煤的破坏类型图像识别数据库，使用图片增强技术扩充数据库中图像数量；

（2）图像预处理：图像数据以红绿蓝色彩模式表示，将步骤（1）采集的煤的破坏类型图像尺寸归一化到224×224×3大小矩阵中，像素值归一化到均值为0、方差为1的标准正态分布上；

（3）构建煤的破坏类型图像识别模型：煤的破坏类型图像识别模型是基于深度学习的残差卷积神经网络图像识别模型，包括输入层、卷积层、池化层、全连接及输出层5种结构，由1个输入层、49层卷积层、2层池化层、1层全连接层和1个输出层构成；

（4）训练煤的破坏类型图像识别模型：使用步骤（2）中80%的数据作为训练集，训练步骤（3）构建的破坏类型图像识别模型，利用反向传播和优化器更新模型中每层的权重，直至模型的损失函数收敛，停止模型训练，此时使用步骤（2）中未参与模型训练的数据验证模型准确率，当模型准确率高于93%，召回率高于85%时输出煤的破坏类型图像识别模型，否则，重复步骤（1）-（4）；

（5）煤的破坏类型图像识别：对待识别的煤的破坏类型图像使用步骤（2）的方法进行图像预处理后，输入到步骤（4）训练好的煤的破坏类型图像识别模型中进行识别，获得煤的图像所属的破坏类型。

2.如权利要求1所述的一种基于深度学习技术的煤的破坏类型的识别方法，其中：步骤（1）中的图像增强技术，包括图像水平翻转、随机旋转变换、随机裁剪、添加高斯噪声及图像亮度调节，用于扩充数据库中图像数量时对每张图像至少使用2种以上的图像增强技术扩充煤的破坏类型图像识别数据库量。

3.如权利要求1或2所述的一种基于深度学习技术的煤的破坏类型的识别方法，其中：步骤（2）的图像预处理，将图像尺寸归一化为224×224×3的矩阵，可根据步骤（4）训练模型使用计算机的计算性能进一步优化尺寸，包括64×64×3、128×128×3。

4.如权利要求3所述的一种基于深度学习技术的煤的破坏类型的识别方法，其中：步骤（3）的煤的破坏类型图像识别模型为优化选择残差神经网络-100（ResNet-101）或残差神经网络-152（ResNet-152）改进设计煤的破坏类型图像识别模型结构。

5.一种基于深度学习技术的煤的破坏类型快速识别装置，包括中央处理器、识别模型程序、储存单元、音频单元、显示单元、输出\输出（I\O）单元、图像采集、电源、防爆装置以及总线系统；中央处理器与储存单元互相连接，储存单元包括硬盘和内存，硬盘用于存储拍摄检测煤层图像与识别模型程序，装置在运行时，识别模型程序被载入到内存被中央处理器运行；图像采集、I\O单元、显示单元分别与中央处理器互连，数据互相流通；中央处理器与音频单元单相连接，电源通过总线系统为装置提供电源，总线系统用于连接所有功能单元。

6.如权利要求5所述的一种基于深度学习技术的煤的破坏类型快速识别装置，其中：中央处理器用于运算与控制，调用图像采集获取待检测识别煤层图像，执行储存单元识别模型程序，即方法中步骤（2）图像预处理与步骤（4）训练输出煤的破坏类型图像识别模型，通过显示单元输出检测结果及类型信息。

7.如权利要求5或6所述的一种基于深度学习技术的煤的破坏类型快速识别装置，其中：识别模型程序储存在存储单元中，后续可通过I\O单元优化升级迭代煤的破坏类型图像识别模型，提高识别准确率。