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，一般占原煤產量的15%-20%?；祀s在煤中的矸石會降低燃燒率，燃燒產物會致環(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，其識別結果依賴設計的算法以及經(jīng)驗?，F(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)絡層次更深或寬度更寬，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，并按一個較小的權重加到最終分類結果中。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，微調網(wǎng)絡成為優(yōu)化特征提取的首選方法。微調網(wǎng)絡是一個基于轉移學習概念的過程，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，結合煤矸石種類及特點，構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、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模型相結合，通過遷移學習共享已訓練模型卷積層權值和偏差，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域后，能夠獲取更好的識別率。

3結語

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果，為煤矸分揀機器人進行煤矸石分揀奠定理論基礎。