[发明专利]基于图像增强和深度学习的煤矸分类识别方法与流程

权利要求书

1.一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：包括以下步骤:

S1:煤矸图像采集并进行图像增强处理；

S2:针对S1煤矸图像增强处理后的煤矸图像制作成数据集；

S3:搭建并对LeNet网络进行改进并针对S2得到的数据集进行训练；

S4:通过神经网络训练得到煤矸分类识别结果模型。

2.根据权利要求1所述的一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：所述步骤S1中的图像增强处理具体为：

(1)获取采集到的图像高和宽，若图像的高大于宽，则扩充图像的宽度，扩充宽度为高与宽的差值取平均并取整，扩充值为0；若图像的宽大于高，则扩充图像的高度，扩充高度为高与宽的差值取平均并取整，扩充值为0，并改变图像的分辨率为227×227；

(2)将上述处理后的煤矸彩色图像转为灰度图像并进行高斯滤波，采用(5,5)的高斯核，标准差取0；

(3)使用Otsu方法对图像进行二值化，并对二值化后的图像进行边缘搜寻，记录边缘像素的坐标；

(4)找到上述煤矸水平和垂直方向坐标的最大最小值，以坐标(水平方向最小值，水平方向最大值，垂直方向最小值，垂直方向最大值)来设定裁剪的矩形范围，对原图进行裁剪；

(5)用Canny边缘算法检测裁剪后图像边缘，改变检测到的边缘像素灰度值为255，提高煤矸边缘的亮度。

3.根据权利要求1所述的一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：所述步骤S2中的将图像增强处理后的煤矸图像制作成数据集，包括将煤矸图像按0.6:0.4的比例随机分配为训练集和测试集，并将煤的图像设置标签为煤，矸的图像设置标签为矸。

4.根据权利要求1所述的一种基于图像增强和深度学习的煤矸分类识别方法与流程，其特征在于：所述步骤S3中的搭建并对LeNet网络进行改进，包括第一个卷积层采用16个卷积核，第二个卷积层采用32个卷积核，池化层采用最大池化方式，激活函数采用ReLu函数，并在全连接层后加了Dropout层,输出层神经元个数为2。