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(xué)習(xí)的GoogLenet煤矸石圖像識(shí)別

        2019-02-07 05:32:15曹現(xiàn)剛薛禎也
        軟件導(dǎo)刊 2019年12期
        關(guān)鍵詞:遷移學(xué)習(xí)

        曹現(xiàn)剛 薛禎也

        摘要:已有的煤矸石識(shí)別方法具有一定效果,但無(wú)法滿(mǎn)足實(shí)際需求。為了尋找新的煤矸石識(shí)別方法,提出了基于深度學(xué)習(xí)的煤矸石圖像識(shí)別方法。采用Inception模型,并通過(guò)遷移學(xué)習(xí)共享已訓(xùn)練模型卷積層權(quán)值和偏差。從煤矸石圖像庫(kù)中隨機(jī)抽取煤矸石圖像作為訓(xùn)練集和測(cè)試集,最后將該方法與傳統(tǒng)圖像識(shí)別方法進(jìn)行比對(duì)。實(shí)驗(yàn)結(jié)果表明,該模型可以有效識(shí)別煤矸石,準(zhǔn)確率為93.5%,有效提高了煤矸識(shí)石別準(zhǔn)確率。

        關(guān)鍵詞:GoogLenet;煤矸石識(shí)別;遷移學(xué)習(xí)

        DOI:10.11907/rjdk.191275

        中圖分類(lèi)號(hào):TP317.4 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2019)012-0183-04

        0引言

        煤炭是人類(lèi)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(huì)降低燃燒率,燃燒產(chǎn)物會(huì)致環(huán)境污染。一直以來(lái),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(chǎng)煤矸分揀主要依靠人工選矸和重介選煤兩種方式。在實(shí)際生產(chǎn)過(guò)程中,機(jī)械洗選方法普遍存在占地面積大、水資源浪費(fèi)多等問(wèn)題。人工選矸存在勞動(dòng)強(qiáng)度大、工作環(huán)境差、易發(fā)生事故等問(wèn)題,難以保障工人健康,選矸效率低。因此,實(shí)現(xiàn)煤矸石自動(dòng)分選具有十分重要的意義。煤矸分選主要分為射線(xiàn)選矸和機(jī)器視覺(jué)分選。射線(xiàn)法主要依靠煤矸石對(duì)電磁波吸收不同進(jìn)行分選,對(duì)環(huán)境和人的身體傷害大。特征表達(dá)是機(jī)器視覺(jué)進(jìn)行圖像處理的核心。傳統(tǒng)的機(jī)器視覺(jué)分選需要人工設(shè)計(jì)煤矸圖像特征,利用煤矸石的灰度、紋理特征設(shè)計(jì)出其統(tǒng)計(jì)特征進(jìn)行圖像識(shí)別,其識(shí)別結(jié)果依賴(lài)設(shè)計(jì)的算法以及經(jīng)驗(yàn)?,F(xiàn)有算法提取的特征值較多,計(jì)算量偏大。

        深度學(xué)習(xí)在圖像識(shí)別領(lǐng)域發(fā)展迅速,2012年Alexnet以明顯優(yōu)勢(shì)贏得ILSVRC(ImageNet Large Scale Visual Re-congnition Challenge)冠軍,top-5錯(cuò)誤率為17%,遠(yuǎn)高于第二名的26.2%,確立了深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域的統(tǒng)治地位。GoogLeNet、VGGNet、ResNet等深度卷積神經(jīng)網(wǎng)絡(luò)模型不斷涌現(xiàn),越來(lái)越多的學(xué)者將這些模型用于圖像識(shí)別任務(wù)中。張邯等提出在交通標(biāo)志中應(yīng)用基于Alexnet的識(shí)別模型;鄭一力等通過(guò)遷移學(xué)習(xí)設(shè)計(jì)了基于Alexnet和Inception V3的植物圖像識(shí)別模型;程國(guó)建將卷積神經(jīng)網(wǎng)絡(luò)引入巖石圖像處理,得出卷積神經(jīng)網(wǎng)絡(luò)能夠更好地表示特征的結(jié)論;白林等D5-161通過(guò)Inception V3卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)網(wǎng)絡(luò)模型,摒棄了傳統(tǒng)的圖像預(yù)處理、圖像分割、人工設(shè)計(jì)物體的圖像特征進(jìn)行識(shí)別的算法,采用神經(jīng)網(wǎng)絡(luò)和大數(shù)據(jù)實(shí)現(xiàn)自動(dòng)學(xué)習(xí)圖像特征從而進(jìn)行圖像識(shí)別,提高了圖像識(shí)別算法的泛化能力。因此,本文引入In-ceptinonV3網(wǎng)絡(luò)模型,通過(guò)對(duì)煤與矸石的特征進(jìn)行自主學(xué)習(xí)和訓(xùn)練,建立煤矸識(shí)別模型,實(shí)現(xiàn)煤和矸石的自動(dòng)分選。

        1相關(guān)理論

        1.1卷積神經(jīng)網(wǎng)絡(luò)

        卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層、池化層、全連接層、Softmax層組成。卷積層通過(guò)卷積核提取圖像局部特征,上層特征經(jīng)過(guò)卷積核,再通過(guò)激活函數(shù)得到新的特征圖。池化層通常在卷積層之后,對(duì)特征圖像進(jìn)行降維,保證局部特征不變并減少計(jì)算量。全連接層、Softmax分類(lèi)層是lo-gistic回歸模型在多分類(lèi)問(wèn)題上的推廣,利用多項(xiàng)logistic回歸實(shí)現(xiàn)多分類(lèi)問(wèn)題。

        1.2GoogLenet Inception模型

        隨著卷積神經(jīng)的快速發(fā)展,網(wǎng)絡(luò)層次更深或?qū)挾雀鼘挘菀壮霈F(xiàn)以下問(wèn)題:①參數(shù)過(guò)多,如果訓(xùn)練數(shù)據(jù)集有限,容易產(chǎn)生過(guò)擬合;②網(wǎng)絡(luò)越深,參數(shù)越多,計(jì)算量越大;③網(wǎng)絡(luò)過(guò)深,梯度可能會(huì)消失,難以?xún)?yōu)化模型。

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

        1.3基于遷移學(xué)習(xí)的Inception V3模型

        為了訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型,需要一個(gè)大的數(shù)據(jù)集。但是,如果數(shù)據(jù)集不夠大則無(wú)法培訓(xùn)完整的模型。因此,微調(diào)網(wǎng)絡(luò)成為優(yōu)化特征提取的首選方法。微調(diào)網(wǎng)絡(luò)是一個(gè)基于轉(zhuǎn)移學(xué)習(xí)概念的過(guò)程,具體而言是一個(gè)讓已經(jīng)學(xué)習(xí)的模型適用于新的分類(lèi)模型的過(guò)程?;贗nceptionV3卷積神經(jīng)網(wǎng)絡(luò)模型,結(jié)合煤矸石種類(lèi)及特點(diǎn),構(gòu)建煤矸石識(shí)別模型如圖1所示。

        通過(guò)卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的模型具有良好的遷移學(xué)習(xí)能力,建立基于InceptionV3網(wǎng)絡(luò)的煤矸石識(shí)別模型,通過(guò)ImageNet訓(xùn)練完成InceotionV3模型權(quán)值和參數(shù),對(duì)模型進(jìn)行初始化,并使用二標(biāo)簽分類(lèi)器代替原有的全連接層。煤矸石圖像特征提取過(guò)程如表1所示。

        2識(shí)別實(shí)驗(yàn)與結(jié)果分析

        本實(shí)驗(yàn)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(wù)器,操作系統(tǒng)為Ubuntul6,使用tensorflowl.10開(kāi)源深度學(xué)習(xí)框架作為實(shí)驗(yàn)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(jìn)行樣本采集,共采集樣本3000個(gè),其中煤樣本圖片1000張,矸石樣本圖片2000張。煤種類(lèi)包含煙煤、無(wú)煙煤,矸石包括頁(yè)巖和砂巖。將煤矸分類(lèi)作為二分類(lèi),各類(lèi)煤種統(tǒng)稱(chēng)為煤,各類(lèi)矸石統(tǒng)稱(chēng)為矸石。煤和矸石樣本如圖2所示。其中80%的圖片用于訓(xùn)練,10%用于校驗(yàn),10%用于測(cè)試模型的識(shí)別準(zhǔn)確度。

        2.2樣本集擴(kuò)增

        深度學(xué)習(xí)通常會(huì)要求擁有充足數(shù)量的訓(xùn)練樣本。一般來(lái)說(shuō),數(shù)據(jù)的總量越多,訓(xùn)練得到的模型效果會(huì)越好。為了減少過(guò)擬合現(xiàn)象,提升網(wǎng)絡(luò)泛化能力,在圖像處理任務(wù)中,對(duì)輸人圖像進(jìn)行簡(jiǎn)單的平移縮放、顏色變換,不影響圖像類(lèi)別。對(duì)煤矸石數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng),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(shè)置

        使用通過(guò)ImageNet上訓(xùn)練完成的Inception V3模型的權(quán)值和偏差對(duì)網(wǎng)絡(luò)模型進(jìn)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(shè)定節(jié)點(diǎn)保留比率為0.8,設(shè)定100次的迭代次數(shù),批尺寸為64。使用softmax分類(lèi)代替模型最后的全連接層,使用修改過(guò)的模型對(duì)煤矸石圖像進(jìn)行訓(xùn)練。分別設(shè)定0.1、0.05、0.01的初始學(xué)習(xí)率,分析比較模型對(duì)煤矸石的識(shí)別準(zhǔn)確率。本實(shí)驗(yàn)通過(guò)設(shè)定不同的學(xué)習(xí)率,尋找較高識(shí)別率與建模時(shí)間之間的平衡點(diǎn)。

        2.4實(shí)驗(yàn)結(jié)果分析

        通過(guò)表2可以看到,固定迭代次數(shù)為100時(shí),隨著學(xué)習(xí)率的降低,模型對(duì)煤矸石識(shí)別的準(zhǔn)確率逐步提升。最后確定學(xué)習(xí)率為0.01時(shí)網(wǎng)絡(luò)模型能獲得更高的識(shí)別準(zhǔn)確率,并且建模實(shí)時(shí)性也很好。

        將傳統(tǒng)煤矸石識(shí)別方法與本實(shí)驗(yàn)進(jìn)行對(duì)比,結(jié)果如表3所示,主要比對(duì)了傳統(tǒng)特征提取方法與卷積神經(jīng)網(wǎng)絡(luò)模型識(shí)別方法的準(zhǔn)確率。

        從表3可以看出,通過(guò)灰度特征或者紋理特征單獨(dú)對(duì)煤矸石進(jìn)行識(shí)別,準(zhǔn)確率偏低,將灰度、紋理特征結(jié)合起來(lái)進(jìn)行識(shí)別,準(zhǔn)確度有了一定提高,其中單一采用Inception模型時(shí)準(zhǔn)確率最低。本文提出將遷移學(xué)習(xí)與Inception模型相結(jié)合,通過(guò)遷移學(xué)習(xí)共享已訓(xùn)練模型卷積層權(quán)值和偏差,提高網(wǎng)絡(luò)識(shí)別精度。實(shí)驗(yàn)證明,采用本文提出的深度學(xué)習(xí)Fune-tune Inception準(zhǔn)確率優(yōu)于Inception,說(shuō)明在將訓(xùn)練好的網(wǎng)絡(luò)模型遷移至特定領(lǐng)域后,能夠獲取更好的識(shí)別率。

        3結(jié)語(yǔ)

        針對(duì)煤矸石識(shí)別問(wèn)題,本文提出了一種基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)煤矸石圖像識(shí)別方法。對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)增后,利用預(yù)訓(xùn)練Inceptionv3模型在煤矸石圖像數(shù)據(jù)集上進(jìn)行識(shí)別訓(xùn)練,取得了較好的分類(lèi)準(zhǔn)確率。實(shí)驗(yàn)結(jié)果顯示模型在測(cè)試集上的準(zhǔn)確率為93.5%,優(yōu)于傳統(tǒng)識(shí)別方法,破解了傳統(tǒng)算法人工提取特征困難、識(shí)別結(jié)果差的難題。

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

        猜你喜歡
        遷移學(xué)習(xí)
        《宋史·曾公亮傳》傳主形象論析
        基于深度神經(jīng)網(wǎng)絡(luò)的人體動(dòng)作識(shí)別研究
        威斯頓相互作用法在社會(huì)保險(xiǎn)學(xué)課程教學(xué)中的實(shí)踐
        基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)技術(shù)
        科技視界(2017年32期)2018-01-24 17:54:40
        遷移學(xué)習(xí)在專(zhuān)業(yè)課程教學(xué)中的實(shí)踐研究
        遷移學(xué)習(xí)研究綜述
        從認(rèn)知角度探討大學(xué)英語(yǔ)網(wǎng)絡(luò)教學(xué)模式
        基于多特征融合的跨域情感分類(lèi)模型研究
        奇異值分解與移移學(xué)習(xí)在電機(jī)故障診斷中的應(yīng)用
        一種基于遷移極速學(xué)習(xí)機(jī)的人體行為識(shí)別模型
        久久久久久中文字幕有精品| 亚洲国产精品无码中文字 | 亚洲一区二区三区中文字幂| 欧美视频在线观看一区二区| 久久精品日本美女视频| 精品一区二区av在线| 少妇中文字幕乱码亚洲影视| 亚洲国产av一区二区三区四区| 99久久精品国产亚洲av天| 精品久久中文字幕系列| 成人毛片av免费| 欧美午夜刺激影院| 日本免费一区精品推荐| 日本免费大片一区二区| 羞羞视频在线观看| 91国在线啪精品一区| 日本人妻高清免费v片| 深夜福利啪啪片| 亚洲综合一区无码精品| 男人的天堂av一二三区| 男女主共患难日久生情的古言 | 亚洲一线二线三线写真| 亚洲一区区| 日本一区二区三区爱爱视频| 国99久9在线 | 免费| 久热这里只有精品99国产| 亚洲第一女人天堂av| 久久久久成人精品免费播放动漫 | 国产av无码专区亚洲版综合| 国产乱人伦av在线无码| 无码中文字幕久久久久久| 国产亚洲成人精品久久久| 人妻久久久一区二区三区| 亚洲春色AV无码专区在线播放| 中文字幕精品一区二区三区av| 国产精品扒开腿做爽爽爽视频 | 吃下面吃胸在线看无码| 国产自拍在线观看视频| 亚洲男人av天堂午夜在| 中文字幕人成人乱码亚洲 | 女同性恋亚洲一区二区|