[发明专利]煤矸图像识别方法、装置、设备

说明书

本发明提供一种煤矸图像识别方法、装置、设备。该方法包括：构建图像识别模型YOLOv5s_GC；基于所述图像识别模型YOLOv5s_GC对待检测图像进行煤矸识别；所述图像识别模型YOLOv5s_GC的构建包括：利用GhostConv模块代替原YOLOv5s网络模型中的CBS模块、利用GhostC3模块代替原YOLOv5s网络模型中的C3模块、在原YOLOv5s网络模型Focus结构后引入卷积注意力机制。本发明通过构建的YOLOv5s_GC模型实现了在保证识别精度基本不变的同时，大大提高了煤矸图像的识别效率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种煤矸图像识别方法、装置、设备。

背景技术

煤炭在开采和运输的过程中常伴有较多矸石和杂质。矸石燃烧时会产生大量有害气体，加重大气环境污染，因此需要有效地将矸石从煤中识别出来。传统的煤矸识别方法有人工法、机械湿选、破碎法和射线法，然而这些方法都存在着明显的缺点和局限性。

为了实现少人或无人化的绿色煤炭开采，同时提高煤矸识别的准确性，研究人员尝试将计算机视觉方法应用到煤矸识别中。YOLO(You Only Look Once)是Redmon等人在2016年提出的一种端到端的目标检测方法。YOLO是一个单阶段的目标检测算法，它将对象检测重新定义为一个回归问题，因而不需要复杂的管道，算法速度非常快，能够处理实时视频流。

YOLO系列算法已经更新到YOLOv5s。虽然YOLOv5s方法性能较好，但检测模型较大，计算复杂，实时性仍有待提高。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，提供一种检测精度基本无损，但速度更快，模型权重更小的煤矸图像识别方法、装置、设备。

一种煤矸图像识别方法，包括：

构建图像识别模型YOLOv5s_GC；

基于所述图像识别模型YOLOv5s_GC对待检测图像进行煤矸识别；

所述图像识别模型YOLOv5s_GC的构建包括：

利用GhostC3模块代替原YOLOv5s网络模型中的C3模块；所述GhostC3模块通过分阶段卷积减少模块的参数量和计算量。

进一步地，如上所述的煤矸图像识别方法，所述图像识别模型YOLOv5s_GC的构建还包括：

利用GhostConv模块代替原YOLOv5s网络模型中的CBS模块；所述GhostConv模块用于消除卷积过程中冗余的特征图。

进一步地，如上所述的煤矸图像识别方法，所述图像识别模型YOLOv5s_GC的构建还包括：

利用CBS_CBAM模块代替原YOLOv5s网络模型中处于Focus结构之后的CBS模块；所述CBS_CBAM模块用于弥补模型损失的部分精度。

进一步地，如上所述的煤矸图像识别方法，所述GhostConv模块包括：

1×1卷积单元，用于对特征图进行降维，得到第一特征图；

逐通道卷积单元，用于对所述第一特征图进行逐通道卷积，得到第二特征图；

拼接单元，用于将所述第一特征图和第二特征图进行通道拼接，以得到最终的输出特征图。

进一步地，如上所述的煤矸图像识别方法，所述GhostC3模块包括：第一CBS模块、第二CBS模块、第三CBS模块以及由若干GhostNet基本单元相连构成的GhostBottleneck模块；所述GhostNet基本单元包括所述GhostConv模块；