[发明专利]一种煤和矸石RGB图像识别方法及其系统

说明书

本发明公开一种煤和矸石RGB图像识别方法及其系统，属于煤矸识别技术领域；包括以下步骤，S1搭建煤矸分选实验平台，实时获取煤和矸石图像；S2扩展煤和矸石数据集，并进行有规律命名；S3划分识别模型的训练集和测试集；S4设计煤矸识别模型优化方法；S5优化经典卷积神经网络结构，构建煤矸识别模型；S6选择模型优化器类型以及学习率设置方式；S7综合对比分析每种网络模型性能表现，确定一种最佳煤矸识别方法。本发明提出的迁移权重简化神经元模型优化方法，节省了训练时间以及参数计算量，有效避免了模型过拟合问题，同时提高了识别模型的准确率和识别速率。

技术领域

本发明涉及煤矸识别技术领域，具体是一种煤和矸石RGB图像识别方法及其系统。

背景技术

目前机械化开采的普及使原煤中夹矸率不断增高，粒径大小、颜色不一的矸石不仅会降低煤炭的燃烧效率和能源利用率，而且会排放大量烟尘和有毒气体，危害人体健康，污染自然环境，这违背我国倡导的绿色发展理念。因此，分选出原煤中混杂的矸石块是发展洁净煤技术的前提。

在获取目标图像时，X射线透射成像方法成本高，具有辐射危险。与射线法相比，高帧率的CCD、CMOS工业相机不仅对人体没有危害、成本低，而且可以获取目标清晰的表面特征。

基于机器学习的煤矸识别算法如：改进SVM算法，需人工利用图像处理、模式识别技术手动提取煤和矸石图像表面纹理、灰度值等浅层特征，过程繁琐。且提取到的若干个浅层特征无法完全反映煤和矸石区别所在，模型识别准确率低。自卷积神经网络(Convolutional NeuralNetwork,CNN)赢得了图像分类竞赛2012(ILSVRC12)以来，深层卷积神经网络已被成功应用于农作物检测、无人驾驶等。对于煤矸识别领域，Alfarzaeai M S等(ALFARZAEAI M S,NIU Qiang,ZHAO Jiaqi,et al.Coal/Gangue Recognition UsingConvolutional NeuralNetworks and Thermal Images[J].IEEEAccess,2020,8:76780-76789)基于CNN开发了CGR-CNN煤矸识别模型，在两个实验硬件平台上并行训练。SULingling等(Research on Coal Gangue Identificationby Using ConvolutionalNeuralNetwork[C]//20182nd IEEEAdvanced Information Management,Communicates,Electronic andAutomation Control Conference(IMCEC).IEEE,2018:810-814.)依据LeNet5网络设计适合于煤矸的分类模型，依托煤和矸石各10000张的训练样本，在IBMPower8服务器上训练10000轮次。

以上研究方法均获得了较好的识别结果，但同时表明：若要重新设计并训练一个深度CNN分类模型，需要大量带注释的煤矸样本图像，且模型训练过程对实验硬件性能要求较高，这使得基于小样本数据设计识别率高的煤矸识别模型成为了一个噬待解决的问题。

发明内容

针对现有技术的不足，本公开的目的在于提供一种煤和矸石RGB图像识别方法及其系统，解决现有技术中小样本数据难以构建深度学习模型，以及实际工况下多尺度形态、颜色煤矸的识别率低的问题。

本公开的目的可以通过以下技术方案实现：

一种煤和矸石RGB图像识别方法，其特征在于：包括建立一种迁移权重简化神经元模型优化方法,通过迁移权重和简化模型网络结构，建立煤矸识别模型。

进一步地，所述方法包括以下步骤：

S1搭建煤矸分选实验平台，实时获取煤和矸石图像；

S2扩展煤和矸石数据集，并进行有规律命名；

S3划分识别模型的训练集和测试集；