亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于遷移學習的GoogLenet煤矸石圖像識別

        2019-02-07 05:32:15曹現(xiàn)剛薛禎也
        軟件導刊 2019年12期
        關(guān)鍵詞:遷移學習

        曹現(xiàn)剛 薛禎也

        摘要:已有的煤矸石識別方法具有一定效果,但無法滿足實際需求。為了尋找新的煤矸石識別方法,提出了基于深度學習的煤矸石圖像識別方法。采用Inception模型,并通過遷移學習共享已訓練模型卷積層權(quán)值和偏差。從煤矸石圖像庫中隨機抽取煤矸石圖像作為訓練集和測試集,最后將該方法與傳統(tǒng)圖像識別方法進行比對。實驗結(jié)果表明,該模型可以有效識別煤矸石,準確率為93.5%,有效提高了煤矸識石別準確率。

        關(guān)鍵詞:GoogLenet;煤矸石識別;遷移學習

        DOI:10.11907/rjdk.191275

        中圖分類號:TP317.4 文獻標識碼:A 文章編號:1672-7800(2019)012-0183-04

        0引言

        煤炭是人類生產(chǎn)生活不可缺少的能源之一。原煤中含有大量的矸石,一般占原煤產(chǎn)量的15%-20%?;祀s在煤中的矸石會降低燃燒率,燃燒產(chǎn)物會致環(huán)境污染。一直以來,與煤炭外形相似的煤矸石分選是煤炭生產(chǎn)的一大難題。

        目前,洗煤廠煤矸分揀主要依靠人工選矸和重介選煤兩種方式。在實際生產(chǎn)過程中,機械洗選方法普遍存在占地面積大、水資源浪費多等問題。人工選矸存在勞動強度大、工作環(huán)境差、易發(fā)生事故等問題,難以保障工人健康,選矸效率低。因此,實現(xiàn)煤矸石自動分選具有十分重要的意義。煤矸分選主要分為射線選矸和機器視覺分選。射線法主要依靠煤矸石對電磁波吸收不同進行分選,對環(huán)境和人的身體傷害大。特征表達是機器視覺進行圖像處理的核心。傳統(tǒng)的機器視覺分選需要人工設計煤矸圖像特征,利用煤矸石的灰度、紋理特征設計出其統(tǒng)計特征進行圖像識別,其識別結(jié)果依賴設計的算法以及經(jīng)驗。現(xiàn)有算法提取的特征值較多,計算量偏大。

        深度學習在圖像識別領(lǐng)域發(fā)展迅速,2012年Alexnet以明顯優(yōu)勢贏得ILSVRC(ImageNet Large Scale Visual Re-congnition Challenge)冠軍,top-5錯誤率為17%,遠高于第二名的26.2%,確立了深度學習在計算機視覺領(lǐng)域的統(tǒng)治地位。GoogLeNet、VGGNet、ResNet等深度卷積神經(jīng)網(wǎng)絡模型不斷涌現(xiàn),越來越多的學者將這些模型用于圖像識別任務中。張邯等提出在交通標志中應用基于Alexnet的識別模型;鄭一力等通過遷移學習設計了基于Alexnet和Inception V3的植物圖像識別模型;程國建將卷積神經(jīng)網(wǎng)絡引入巖石圖像處理,得出卷積神經(jīng)網(wǎng)絡能夠更好地表示特征的結(jié)論;白林等D5-161通過Inception V3卷積神經(jīng)網(wǎng)絡設計網(wǎng)絡模型,摒棄了傳統(tǒng)的圖像預處理、圖像分割、人工設計物體的圖像特征進行識別的算法,采用神經(jīng)網(wǎng)絡和大數(shù)據(jù)實現(xiàn)自動學習圖像特征從而進行圖像識別,提高了圖像識別算法的泛化能力。因此,本文引入In-ceptinonV3網(wǎng)絡模型,通過對煤與矸石的特征進行自主學習和訓練,建立煤矸識別模型,實現(xiàn)煤和矸石的自動分選。

        1相關(guān)理論

        1.1卷積神經(jīng)網(wǎng)絡

        卷積神經(jīng)網(wǎng)絡一般由卷積層、池化層、全連接層、Softmax層組成。卷積層通過卷積核提取圖像局部特征,上層特征經(jīng)過卷積核,再通過激活函數(shù)得到新的特征圖。池化層通常在卷積層之后,對特征圖像進行降維,保證局部特征不變并減少計算量。全連接層、Softmax分類層是lo-gistic回歸模型在多分類問題上的推廣,利用多項logistic回歸實現(xiàn)多分類問題。

        1.2GoogLenet Inception模型

        隨著卷積神經(jīng)的快速發(fā)展,網(wǎng)絡層次更深或?qū)挾雀鼘?,但容易出現(xiàn)以下問題:①參數(shù)過多,如果訓練數(shù)據(jù)集有限,容易產(chǎn)生過擬合;②網(wǎng)絡越深,參數(shù)越多,計算量越大;③網(wǎng)絡過深,梯度可能會消失,難以優(yōu)化模型。

        GoogLenet Inception V3很好地解決了以上缺陷。它是一個46層的網(wǎng)絡,為了避免梯度消失,在不同深度增加了兩個輔助的softmax,并按一個較小的權(quán)重加到最終分類結(jié)果中。這相當于模型融合,同時給網(wǎng)絡添加了反向傳播的梯度信號,避免梯度消失,也提供了額外的正則化,對整個網(wǎng)絡訓練很有幫助。

        1.3基于遷移學習的Inception V3模型

        為了訓練一個卷積神經(jīng)網(wǎng)絡模型,需要一個大的數(shù)據(jù)集。但是,如果數(shù)據(jù)集不夠大則無法培訓完整的模型。因此,微調(diào)網(wǎng)絡成為優(yōu)化特征提取的首選方法。微調(diào)網(wǎng)絡是一個基于轉(zhuǎn)移學習概念的過程,具體而言是一個讓已經(jīng)學習的模型適用于新的分類模型的過程?;贗nceptionV3卷積神經(jīng)網(wǎng)絡模型,結(jié)合煤矸石種類及特點,構(gòu)建煤矸石識別模型如圖1所示。

        通過卷積神經(jīng)網(wǎng)絡訓練得到的模型具有良好的遷移學習能力,建立基于InceptionV3網(wǎng)絡的煤矸石識別模型,通過ImageNet訓練完成InceotionV3模型權(quán)值和參數(shù),對模型進行初始化,并使用二標簽分類器代替原有的全連接層。煤矸石圖像特征提取過程如表1所示。

        2識別實驗與結(jié)果分析

        本實驗配置:16核心power8處理器,主頻3.3Gz,一塊NVIDIA Tesla K8024GB GPU Accelerator卡的IBM服務器,操作系統(tǒng)為Ubuntul6,使用tensorflowl.10開源深度學習框架作為實驗環(huán)境。

        2.1煤和矸石樣本采集

        采集煤和矸石數(shù)據(jù)。為確保圖片主體明確,模擬生產(chǎn)環(huán)境背景,統(tǒng)一在皮帶上進行樣本采集,共采集樣本3000個,其中煤樣本圖片1000張,矸石樣本圖片2000張。煤種類包含煙煤、無煙煤,矸石包括頁巖和砂巖。將煤矸分類作為二分類,各類煤種統(tǒng)稱為煤,各類矸石統(tǒng)稱為矸石。煤和矸石樣本如圖2所示。其中80%的圖片用于訓練,10%用于校驗,10%用于測試模型的識別準確度。

        2.2樣本集擴增

        深度學習通常會要求擁有充足數(shù)量的訓練樣本。一般來說,數(shù)據(jù)的總量越多,訓練得到的模型效果會越好。為了減少過擬合現(xiàn)象,提升網(wǎng)絡泛化能力,在圖像處理任務中,對輸人圖像進行簡單的平移縮放、顏色變換,不影響圖像類別。對煤矸石數(shù)據(jù)集進行數(shù)據(jù)增強,包含圖像翻轉(zhuǎn)、明亮度變換以及添加噪聲等方法,效果如圖3所示。

        2.3模型參數(shù)設置

        使用通過ImageNet上訓練完成的Inception V3模型的權(quán)值和偏差對網(wǎng)絡模型進行初始化,其中參數(shù)衰減系數(shù)為0.9997,激活函數(shù)為ReLU,設定節(jié)點保留比率為0.8,設定100次的迭代次數(shù),批尺寸為64。使用softmax分類代替模型最后的全連接層,使用修改過的模型對煤矸石圖像進行訓練。分別設定0.1、0.05、0.01的初始學習率,分析比較模型對煤矸石的識別準確率。本實驗通過設定不同的學習率,尋找較高識別率與建模時間之間的平衡點。

        2.4實驗結(jié)果分析

        通過表2可以看到,固定迭代次數(shù)為100時,隨著學習率的降低,模型對煤矸石識別的準確率逐步提升。最后確定學習率為0.01時網(wǎng)絡模型能獲得更高的識別準確率,并且建模實時性也很好。

        將傳統(tǒng)煤矸石識別方法與本實驗進行對比,結(jié)果如表3所示,主要比對了傳統(tǒng)特征提取方法與卷積神經(jīng)網(wǎng)絡模型識別方法的準確率。

        從表3可以看出,通過灰度特征或者紋理特征單獨對煤矸石進行識別,準確率偏低,將灰度、紋理特征結(jié)合起來進行識別,準確度有了一定提高,其中單一采用Inception模型時準確率最低。本文提出將遷移學習與Inception模型相結(jié)合,通過遷移學習共享已訓練模型卷積層權(quán)值和偏差,提高網(wǎng)絡識別精度。實驗證明,采用本文提出的深度學習Fune-tune Inception準確率優(yōu)于Inception,說明在將訓練好的網(wǎng)絡模型遷移至特定領(lǐng)域后,能夠獲取更好的識別率。

        3結(jié)語

        針對煤矸石識別問題,本文提出了一種基于遷移學習的卷積神經(jīng)網(wǎng)絡煤矸石圖像識別方法。對數(shù)據(jù)集進行擴增后,利用預訓練Inceptionv3模型在煤矸石圖像數(shù)據(jù)集上進行識別訓練,取得了較好的分類準確率。實驗結(jié)果顯示模型在測試集上的準確率為93.5%,優(yōu)于傳統(tǒng)識別方法,破解了傳統(tǒng)算法人工提取特征困難、識別結(jié)果差的難題。

        下一步工作將對Inceptionv3模型進行改動、優(yōu)化,以便獲得更精準的識別結(jié)果,為煤矸分揀機器人進行煤矸石分揀奠定理論基礎(chǔ)。

        猜你喜歡
        遷移學習
        《宋史·曾公亮傳》傳主形象論析
        文學教育(2018年7期)2018-07-17 18:50:52
        基于深度神經(jīng)網(wǎng)絡的人體動作識別研究
        威斯頓相互作用法在社會保險學課程教學中的實踐
        基于卷積神經(jīng)網(wǎng)絡的圖像分類技術(shù)
        科技視界(2017年32期)2018-01-24 17:54:40
        遷移學習在專業(yè)課程教學中的實踐研究
        遷移學習研究綜述
        從認知角度探討大學英語網(wǎng)絡教學模式
        基于多特征融合的跨域情感分類模型研究
        奇異值分解與移移學習在電機故障診斷中的應用
        一種基于遷移極速學習機的人體行為識別模型
        亚洲人成18禁网站| 一夲道无码人妻精品一区二区 | av素人中文字幕在线观看| 中文字幕肉感巨大的乳专区| 亚洲成人中文| 中文字幕精品一区二区日本| a在线免费| 国产av一区二区三区国产福利 | 国产高清一级毛片在线看| 亚洲一区二区av天堂| 麻豆亚洲av熟女国产一区二| 成人做爰视频www| 91青青草久久| 男女动态91白浆视频| 国产放荡对白视频在线观看| 狠狠躁夜夜躁无码中文字幕| 国产精品女同学| 国产免费一区二区三区在线观看| 国产精品一区二区性色| 国产女人高潮视频在线观看| 免费无码又爽又刺激高潮的视频网站| 亚洲精品在线观看自拍| 欧美激情视频一区二区三区免费| 日本va欧美va精品发布| 亚洲中文字幕无码永久在线| 亚洲αv在线精品糸列| 国产饥渴的富婆一凶二区| 精品国产拍国产天天人| 亚洲精品国产字幕久久vr| 亚洲欧美国产日韩字幕| 日本av在线精品视频| 美女主播福利一区二区| 超清精品丝袜国产自在线拍| 国产AV无码专区亚洲AV桃花庵| 久久婷婷国产色一区二区三区| 日韩欧美亚洲国产精品字幕久久久 | 狠狠躁夜夜躁人人躁婷婷视频| 欧美专区在线| 午夜亚洲精品一区二区| 狠狠色噜噜狠狠狠777米奇| 国产精品久久无码一区二区三区网|