, 最新更新时间
摘要:
煤岩识别是实现煤矿智能化的重点研究方向之一。为进一步提升煤矿井下煤岩图像识别模型的精度、效率、鲁棒性和合理性,提出一种基于Bayes-AVGG模型融合煤系地层信息的煤岩图像识别方法。该方法首先使用改进的谱残差显著化检测(Improved Spectral Residual Saliency Detection, ISRSD)算法,增强样本图像特征,减弱复杂环境对样本特征的不明显性影响;其次使用加入注意力机制的卷积神经网络模型AVGG(Attentional Visual Geometry Group,AVGG)作为样本图像特征的提取网络,优化网络模型参数,提升模型效率;最后,基于贝叶斯理论,使图像特征和煤系地层信息解耦,在不显著增加模型推理时长的情况下,提升煤岩图像识别模型的精度和合理性。使用自制的低照度煤岩图像集,选用准确率、样本平均推理时长、参数量和模型体积等四个指标对模型进行评估,使用VGGNet、AVGG、SVGG(Simplified Visual Geometry Group,SVGG)、AlexNet和GoogLeNet模型作对比试验,并分别训练300轮的情形下, AVGG模型准确率与VGGNet模型相接近达到91.33%,高于其它模型,但样本平均推理时长约为VGGNet模型的15.61%,参数量约为VGGNet模型的33.44%,模型体积大小约为VGGNet模型的33.40%,AVGG模型在煤岩图像分类识别任务中具有明显的优势;使用AVGG模型分别处理经过ISRSD、LC、HC、FT和未经过显著性优化算法优化的煤岩图像样本进行200轮的迁移学习训练,其中经过ISRSD算法优化的样本比未经过显著性算法优化的训练集准确率高出1.85%,达到94.36%,相较LC、HC和FT显著性检测算法优化的样本同样具有优势,并且模型的欠拟合程度明显降低;在此基础之上,对AVGG模型接续训练200轮,并使用贝叶斯模型融合赵家坝煤矿1925工作面的煤系地层信息和AVGG提取的图像特征,在全量样本推理时长仅增加0.46s情形下,训练集总体准确率可达到99.03%,测试集准确率增量学习之前可达96.83%,而使用增量学习之后可达97.12%,验证了该方法的实用性。