曹現剛 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計特征進行圖像識別，其識別結果依賴設計的算法以及經驗?，F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治地位。GoogLeNet、VGGNet、ResNet等深度卷積神經網絡模型不斷涌現，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;程國建將卷積神經網絡引入巖石圖像處理，得出卷積神經網絡能夠更好地表示特征的結論;白林等D5-161通過Inception V3卷積神經網絡設計網絡模型，摒棄了傳統的圖像預處理、圖像分割、人工設計物體的圖像特征進行識別的算法，采用神經網絡和大數據實現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，實現煤和矸石的自動分選。

1相關理論

1.1卷積神經網絡

卷積神經網絡一般由卷積層、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，上層特征經過卷積核，再通過激活函數得到新的特征圖。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回歸實現多分類問題。

1.2GoogLenet Inception模型

隨著卷積神經的快速發(fā)展，網絡層次更深或寬度更寬，但容易出現以下問題：①參數過多，如果訓練數據集有限，容易產生過擬合;②網絡越深，參數越多，計算量越大;③網絡過深，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網絡模型，需要一個大的數據集。但是，如果數據集不夠大則無法培訓完整的模型。因此，微調網絡成為優(yōu)化特征提取的首選方法。微調網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學習的模型適用于新的分類模型的過程?；贗nceptionV3卷積神經網絡模型，結合煤矸石種類及特點，構建煤矸石識別模型如圖1所示。

通過卷積神經網絡訓練得到的模型具有良好的遷移學習能力，建立基于InceptionV3網絡的煤矸石識別模型，通過ImageNet訓練完成InceotionV3模型權值和參數，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

采集煤和矸石數據。為確保圖片主體明確，模擬生產環(huán)境背景，統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，各類煤種統稱為煤，各類矸石統稱為矸石。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量的訓練樣本。一般來說，數據的總量越多，訓練得到的模型效果會越好。為了減少過擬合現象，提升網絡泛化能力，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。對煤矸石數據集進行數據增強，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絡模型進行初始化，其中參數衰減系數為0.9997，激活函數為ReLU，設定節(jié)點保留比率為0.8，設定100次的迭代次數，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，主要比對了傳統特征提取方法與卷積神經網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網絡煤矸石圖像識別方法。對數據集進行擴增后，利用預訓練Inceptionv3模型在煤矸石圖像數據集上進行識別訓練，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)于傳統識別方法，破解了傳統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。