楊建輝，黃子洋，汪 梅，符立梅，劉安強(qiáng)，李遠(yuǎn)成，于振華，王 征，董立紅

（1.陜西陜煤曹家灘礦業(yè)有限公司, 陜西 榆林 719000；2. 西安科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，陜西 西安 710054）

0 引 言

我國擁有著種類繁多的能源資源，煤炭能源在整個(gè)能源結(jié)構(gòu)中居于頂端位置。伴隨著各種新能源的快速發(fā)展，煤炭的相對(duì)比重較之前有所降低,但其首要能源位置從未改變[1]。能源生產(chǎn)過程中的一個(gè)重要環(huán)節(jié)是煤流的帶式輸送，煤流中異物識(shí)別是不可或缺的重要任務(wù)[2]。

隨著智能化礦井建設(shè)的推進(jìn)，煤流帶式輸送技術(shù)得到快速發(fā)展。煤流中的矸石、礦工帽或錨桿等異物需要被及時(shí)發(fā)現(xiàn)和清除，無人化的煤流異物識(shí)別具有重要的意義[3]。煤礦生產(chǎn)過程的各個(gè)環(huán)節(jié)安裝著各類高清監(jiān)控?cái)z像頭，這為利用機(jī)器視覺完成煤流中的異物識(shí)別提供了可行的基礎(chǔ)，相關(guān)研究內(nèi)容主要包括煤流監(jiān)視的圖像分割、特征提取及識(shí)別模型的建立3個(gè)方面。在圖像分割方面,圖像的二值化是常用的分割方法,但是存在目標(biāo)當(dāng)作背景過濾、附著在矸石等異物的煤顆粒圖像無法分離等缺點(diǎn)。在特征提取方面,由于煤與各類異物的灰度直方圖峰值以及分布是不盡相同, 現(xiàn)已研究提出多種方法。在已有的相關(guān)研究成果中,支持向量機(jī)、各種改進(jìn)的神經(jīng)網(wǎng)絡(luò)是目前最常見的分類器[4-5]。基于機(jī)器視覺的煤矸石識(shí)別方面，研究人員利用煤與矸石的圖像數(shù)據(jù)提取特征，采用多種分類器進(jìn)行煤矸石的識(shí)別[6]。針對(duì)模型的識(shí)別準(zhǔn)確率，研究人員提出基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)，采用批歸一算法對(duì)網(wǎng)絡(luò)內(nèi)部進(jìn)行歸一化處理，再利用DisturbLable算法對(duì)神經(jīng)網(wǎng)絡(luò)添加噪聲，將訓(xùn)練的網(wǎng)絡(luò)應(yīng)用與煤礦的異物識(shí)別，識(shí)別效果明顯提升[7]。此外，研究人員提出了基于視覺技術(shù)的煤巖界面特征分析與識(shí)別系統(tǒng)，論述了系統(tǒng)的總體設(shè)計(jì)方案，對(duì)系統(tǒng)的可行性進(jìn)行了驗(yàn)證，并取得了較好的識(shí)別效果[8]。

在現(xiàn)有相關(guān)研究基礎(chǔ)上，提出一種基于機(jī)器視覺灰度化的雙路金字塔卷積模型用于煤流異物識(shí)別。在基于機(jī)器視覺權(quán)值訓(xùn)練灰度化異物識(shí)別的煤流監(jiān)測(cè)方案中，煤流及轉(zhuǎn)載點(diǎn)的實(shí)時(shí)圖像為系統(tǒng)的輸入，經(jīng)過左右2個(gè)通路分別實(shí)現(xiàn)對(duì)標(biāo)準(zhǔn)圖像和差分圖像的特征提取融合，最后經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)的全連接層和激活層實(shí)現(xiàn)煤流異物的識(shí)別。

1 機(jī)器視覺權(quán)值訓(xùn)練灰度化方法

煤流監(jiān)測(cè)系統(tǒng)的彩色圖像的每個(gè)像素點(diǎn)具有紅（R）、綠（G）、藍(lán)（L）三個(gè)通道的數(shù)據(jù)，若一個(gè)像素點(diǎn)RGB三個(gè)通道的像素信息僅用單一通道數(shù)據(jù)表征，則這種像素點(diǎn)組成的圖像為灰度圖像，將彩色圖像轉(zhuǎn)換成灰度圖像的過程稱為灰度化處理[9]。目前，圖片灰度化處理的方法有許多，比較常用的方法是平均值法，最大值法和權(quán)值平均法等方法也是經(jīng)常用于灰度化處理的方法。權(quán)值平均法是根據(jù)人眼對(duì)顏色的不同的敏感度不同而得到的，其灰度公式如式（1）所示：

Gray = 0.114B+ 0.587G+ 0.299R

（1）

式中，R、G、B平均灰度化的權(quán)值分別為0.299、0.587和0.114。

權(quán)值平均法能夠獲得人視覺上相對(duì)合理的灰度化處理結(jié)果。但是在計(jì)算機(jī)視覺中，并不一定能夠保證對(duì)圖像的識(shí)別和人眼對(duì)色彩的敏感度一樣。如果在不同的任務(wù)，不同的圖像數(shù)據(jù)的情況下，能夠調(diào)整權(quán)值平均法的三通道權(quán)值達(dá)到本次任務(wù)的最佳權(quán)值，自然效果也能達(dá)到更好的效果。使用權(quán)值平均法所需要的各通道權(quán)值需要根據(jù)實(shí)際任務(wù)重新確定。

為解決上述問題，提出了一種計(jì)算機(jī)視覺理解下的權(quán)值修正灰度化方法。圖1是煤流監(jiān)測(cè)中的機(jī)器視覺權(quán)值訓(xùn)練灰度化異物識(shí)別方案。主要思路為：設(shè)置R、G、B3個(gè)通道的權(quán)重為可修正權(quán)重，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，根據(jù)計(jì)算機(jī)視覺理解差異，使用梯度下降法隨著訓(xùn)練過程不斷修正，最終獲取較優(yōu)的權(quán)重值作為權(quán)值平均灰度化方法中的權(quán)重值。提出的計(jì)算機(jī)視覺權(quán)值訓(xùn)練灰度化公式如下：

Gray=W（B）×B+W（G）×G+W（R）×R

（2）

其中，W為通道權(quán)重值；圖像灰度化的像素值為其對(duì)應(yīng)的R、G、B三個(gè)通道的像素值與對(duì)應(yīng)的權(quán)值訓(xùn)練過程中的權(quán)值的乘積之和，通過這種計(jì)算公式得到圖像的灰度值。

經(jīng)陜西陜煤曹家灘礦的煤流監(jiān)測(cè)圖像樣本訓(xùn)練，結(jié)果表明在雙路金字塔卷積神經(jīng)網(wǎng)絡(luò)的煤流異物識(shí)別問題中，計(jì)算機(jī)視覺理解下的權(quán)值灰度化的R、G、B三個(gè)通道的權(quán)重值分別為：

圖1 煤流監(jiān)測(cè)中的機(jī)器視覺權(quán)值訓(xùn)練灰度化異物識(shí)別方案 Fig.1 Unwanted object recognition scheme based on the machine vision weight training for coal flow monitoring

W（R） = 0.300 4

W（G） = 0.428 5

W（B） = 0.271 1

特別指出：提出的權(quán)值訓(xùn)練灰度化權(quán)重值，由于實(shí)際目標(biāo)的差異并不具有通用性，但提出的灰度化權(quán)值獲取方法，具有普遍適用意義。

2 光照補(bǔ)償

由于礦井環(huán)境光照變化、物體遮擋等因素的影響，煤流監(jiān)測(cè)的圖像的光照往往會(huì)出現(xiàn)分布不均的現(xiàn)象。在獲取差分圖像的過程中，只依靠圖像差分技術(shù)難以去除這些光照差異，若不進(jìn)行光照補(bǔ)償處理，光照差異會(huì)作為干擾而輸入差分圖像通路[10]。

為排除光照差異對(duì)模型識(shí)別精度的影響，借助Opencv工具[11]，采用一種基于二維伽馬函數(shù)的自適應(yīng)亮度校正方法，該方法利用圖像的光照分量的分布特性，實(shí)現(xiàn)對(duì)輸入差分圖像數(shù)據(jù)通路的灰度圖像進(jìn)行光照補(bǔ)償處理。算法表達(dá)式如下[12]：

（3）

（4）

其中，O（x,y）為校正后的結(jié)果；F（x,y）為輸入圖像數(shù)據(jù)；I（x,y）為光照分量；γ為指數(shù)。具體實(shí)現(xiàn)亮度增強(qiáng)的效果；m為光照分量的亮度均值。對(duì)原作者提出這種方法進(jìn)行復(fù)現(xiàn)測(cè)試發(fā)現(xiàn)原文公式中γ的指數(shù)應(yīng)該是m-I（x,y），而非原文中的I（x,y）-m，這里只作為一種方法使用，具體不進(jìn)行闡述。

3 無關(guān)前景像素的識(shí)別與剔除

在煤流帶式輸送監(jiān)測(cè)系統(tǒng)中，被采集視頻的圖像中難免存在其他無關(guān)前景的物體，如移動(dòng)的工作人員或其他設(shè)備等。這些無關(guān)前景而又被我們采集到的目標(biāo)就成為了噪聲干擾數(shù)據(jù)。如果不對(duì)這些噪聲進(jìn)行剔除，最終就會(huì)影響模型識(shí)別的準(zhǔn)確性。

光流算法在計(jì)算機(jī)視覺領(lǐng)域，是用于運(yùn)動(dòng)目標(biāo)檢測(cè)的重要方法。采用Lucas-Kanade光流算法，以井下實(shí)時(shí)監(jiān)測(cè)視頻圖像為對(duì)象，實(shí)現(xiàn)動(dòng)態(tài)無關(guān)運(yùn)動(dòng)像素的監(jiān)測(cè)，為無關(guān)像素點(diǎn)剔除提供依據(jù)[13]。Lucas-Kanade光流算法的實(shí)現(xiàn)是基于如下假設(shè)：

1）環(huán)境亮度一定：連續(xù)兩幀圖像之間，目標(biāo)物體的像素亮度相同。

2）空間一致性：相鄰的像素之間有相似的運(yùn)動(dòng)。

3）小運(yùn)動(dòng):就是時(shí)間的變化不會(huì)引起位置的劇烈變化，這樣灰度才能對(duì)位置求偏導(dǎo)。這也是光流法不可或缺的假定。

由假設(shè)1與泰勒公式可知光流方程如下所示：

fxu+fyv+ft=0

（5）

（6）

（7）

式中，x、y為像素點(diǎn)所在的坐標(biāo)位置；u、v為像素點(diǎn)在x與y方向上的速率；fx和fy為圖像的梯度；t為時(shí)間；ft為圖像沿著時(shí)間的梯度。

在使用光流法實(shí)現(xiàn)對(duì)無關(guān)運(yùn)動(dòng)物體的去除過程中，需要跟蹤相關(guān)像素點(diǎn)；以設(shè)置3×3的檢測(cè)窗為例，如圖2所示，檢測(cè)窗共獲取9個(gè)像素點(diǎn)[14]。

圖2 光流算法檢測(cè)窗示意Fig.2 Detection window schematic of the optical flow algorithm

根據(jù)假設(shè)2，近似認(rèn)為檢測(cè)窗中的9個(gè)像素點(diǎn)具有相同的運(yùn)動(dòng)，則代入光流方程得到如下[15]：

（8）

式中，x、y為像素點(diǎn)所在的坐標(biāo)位置；n為像素點(diǎn)數(shù)。

方程（8）為超定方程，通常利用最小二乘法解決超定問題，最小二乘擬合后獲得方程（9）[16]：

（9）

其中，i為像素點(diǎn)編號(hào)。Lucas-Kanade光流算法使用金字塔結(jié)構(gòu)，將圖像由金字塔底層映射至高層，高層視圖中忽略較小的運(yùn)動(dòng)，而將較大的運(yùn)動(dòng)減小為較小的運(yùn)動(dòng)，以此實(shí)現(xiàn)對(duì)較大運(yùn)動(dòng)光流的計(jì)算[17-18]。

在井下環(huán)境中，無關(guān)的運(yùn)動(dòng)前景如行走的井下工作人員、移動(dòng)的礦車等，具有運(yùn)動(dòng)速度快、運(yùn)動(dòng)方向明顯、運(yùn)動(dòng)像素在畫面中的持續(xù)時(shí)間較短、運(yùn)動(dòng)像素點(diǎn)呈現(xiàn)區(qū)域性分布的特點(diǎn)，其光流圖相較于異物光流具有明顯的差別。因此，使用獲取視頻，進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，確定運(yùn)動(dòng)性無關(guān)目標(biāo)的像素區(qū)域，實(shí)現(xiàn)對(duì)應(yīng)圖像數(shù)據(jù)中運(yùn)動(dòng)性無關(guān)干擾的定向性去除這種方法是可行的。

4 雙路金字塔卷積網(wǎng)絡(luò)模型的構(gòu)建

構(gòu)建的雙路金字塔卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)由標(biāo)準(zhǔn)圖像通路和差分圖像通路組成。標(biāo)準(zhǔn)圖像通路的輸入數(shù)據(jù)為煤流輸送帶監(jiān)測(cè)系統(tǒng)的原始圖像。差分圖像通路的輸入數(shù)據(jù)為原始圖像經(jīng)過灰度化、光照補(bǔ)償和無關(guān)前景提出后的圖像[19-20]。

4.1 圖像差分

差分圖像數(shù)據(jù)通路的輸入數(shù)據(jù)在經(jīng)過圖像數(shù)據(jù)增強(qiáng)的原始圖像數(shù)據(jù)基礎(chǔ)上，對(duì)圖像做差分處理、光照補(bǔ)償處理和無關(guān)前景剔除處理，獲取的處理結(jié)果作為差分圖像數(shù)據(jù)通路的輸入。

差分圖像是指在連續(xù)的時(shí)間上，下一個(gè)時(shí)刻的一幀圖像去減去上一個(gè)時(shí)刻的一幀圖像所得到的圖像，主要發(fā)現(xiàn)連續(xù)時(shí)間段的空間變化。通過差分圖像獲取煤流帶式輸送環(huán)境隨時(shí)間的變化。差分圖像的獲取如下所示。

Δxk=xk-xs

（10）

式中，xk為當(dāng)前圖像數(shù)據(jù)；xs為基準(zhǔn)場(chǎng)景圖像數(shù)據(jù)；Δxk為獲取的廣義的差分圖像。

差分圖像是當(dāng)前圖像與基準(zhǔn)場(chǎng)景圖像的差分?；鶞?zhǔn)場(chǎng)景圖像的選取直接影響差分圖像數(shù)據(jù)的通路，因此基準(zhǔn)場(chǎng)景圖像的選取需要盡可能合理。本文面向煤流帶式輸送監(jiān)測(cè)系統(tǒng)中異物識(shí)別問題，適用的基準(zhǔn)場(chǎng)景選取標(biāo)準(zhǔn)為：①選取正常無異物圖像為基準(zhǔn)場(chǎng)景圖像；②基準(zhǔn)場(chǎng)景畫面無重影；③基準(zhǔn)場(chǎng)景光照均勻，無明顯光斑，無明顯明暗差別；④基準(zhǔn)場(chǎng)景中無干擾的無關(guān)物體。

基準(zhǔn)圖像在符合選取標(biāo)準(zhǔn)的前提下定期刷新。這里基準(zhǔn)場(chǎng)景的選取標(biāo)準(zhǔn)相對(duì)較為苛刻，但是由于應(yīng)用場(chǎng)景的基準(zhǔn)變換是不會(huì)過于頻繁，同時(shí)短時(shí)間的場(chǎng)景變化是不會(huì)很大的。所以基準(zhǔn)的場(chǎng)景選取標(biāo)準(zhǔn)是可以接受的。

4.2 雙路金字塔網(wǎng)絡(luò)的特征提取

金字塔網(wǎng)絡(luò)能夠在小目標(biāo)的實(shí)時(shí)識(shí)別過程中兼顧目標(biāo)的運(yùn)行速度問題。它先進(jìn)行傳統(tǒng)的自上而下的特征卷積，然后融合相鄰的特征圖。一方面是自上而下的特征卷積，另一方面是自下而上的特征卷積，兩方面平行連接。因此，它能夠很好地提取目標(biāo)的本質(zhì)物理特征及其位置特征。特征金字塔網(wǎng)絡(luò)的卷積過程中，低層有著較為豐富的位置信息而高層則恰恰相反。高層有著底層缺少的本質(zhì)物理特征而相對(duì)缺少位置特征等。這種頂層特征和底層特征的融合，能夠?qū)崿F(xiàn)目標(biāo)的多尺度特征提取[21]。在經(jīng)典金字塔網(wǎng)絡(luò)的基礎(chǔ)上，構(gòu)建雙路金字塔網(wǎng)絡(luò)，如圖3所示，分別對(duì)原始標(biāo)準(zhǔn)RGB圖像和差分圖像進(jìn)行特征提取。

圖3 雙路金字塔網(wǎng)絡(luò)的特征提取Fig.3 Feature extraction using the double-channel pyramid network

4.3 利用金字塔特征的卷積網(wǎng)絡(luò)異物識(shí)別

為提高煤流輸送帶異物識(shí)別，以金字塔網(wǎng)絡(luò)提取的被識(shí)別目標(biāo)的特征為輸入信號(hào)，利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)金字塔網(wǎng)絡(luò)所提取的被識(shí)別目標(biāo)特征的識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)對(duì)淺層的特征分辨度高，可以識(shí)別出圖像特征的細(xì)節(jié)，但是對(duì)圖像特征的趨勢(shì)特征的分辨度有待提高。如果加大模型的深度，能夠提升圖像的趨勢(shì)特征，但是增加網(wǎng)絡(luò)的深度又很難捕捉到圖像的細(xì)節(jié)特征，這將造成目標(biāo)細(xì)節(jié)把握不到位，導(dǎo)致模型的識(shí)別準(zhǔn)確率降低[22]。

構(gòu)造圖4所示的雙路卷積識(shí)別模型，分別對(duì)原始標(biāo)準(zhǔn)RGB圖像和差分圖像的特征進(jìn)行分類。模型訓(xùn)練總參數(shù)為67 703個(gè)。模型的輸入層輸入批處理后的48×48的圖像。輸入的圖像數(shù)據(jù)分為2個(gè)通道，第一個(gè)通道為采集的原始圖像，經(jīng)過正常的卷積池化等操作進(jìn)行提取特征。第二通道使用進(jìn)行了光照補(bǔ)償?shù)忍幚聿僮鞯膱D像數(shù)據(jù)集批次送入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。網(wǎng)絡(luò)模型中插入了2個(gè)改進(jìn)的金字塔特征提取網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)的特征提取。網(wǎng)絡(luò)中使用了4個(gè)深度卷積網(wǎng)絡(luò)。網(wǎng)絡(luò)的前兩個(gè)卷積層和最后一個(gè)卷積層使用4個(gè)3×3的卷積核進(jìn)行卷積操作。深度可分離卷積層使用16、32、64、128個(gè)3×3 卷積核進(jìn)行卷積操作。最大池化層采樣窗口大小為3×3。Softmax 層對(duì)全局平均池化層輸出的特征進(jìn)行分類，將識(shí)別目標(biāo)定為煤、矸石、安全帽、錨桿4種類別。其中引入的金字塔特征提取網(wǎng)絡(luò)模型如圖5所示，s為學(xué)習(xí)算法的步長。

圖4 雙路卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型結(jié)構(gòu) Fig.4 Structure of the constructed double-channel convolution recognition network

5 仿真試驗(yàn)與結(jié)果分析

機(jī)器視覺灰度化雙路金字塔模型的煤流異物識(shí)別系統(tǒng)軟件采用Python3.7。訓(xùn)練樣本和測(cè)試樣本來自陜西陜煤曹家灘煤礦的帶式輸送監(jiān)測(cè)系統(tǒng)實(shí)時(shí)監(jiān)測(cè)圖像和網(wǎng)絡(luò)的煤與矸石圖像。

1）差分通路的圖像預(yù)處理測(cè)試。根據(jù)基準(zhǔn)場(chǎng)景圖像與實(shí)時(shí)井下環(huán)境圖像獲取的差分圖像，實(shí)現(xiàn)了無關(guān)背景像素點(diǎn)的剔除；光照補(bǔ)償處理對(duì)目標(biāo)所受到的圖像光照進(jìn)行均勻化操作從而降低無關(guān)干擾；光流算法實(shí)現(xiàn)了動(dòng)態(tài)無關(guān)像素點(diǎn)的識(shí)別和定向剔除。差分圖像通過光照補(bǔ)償和光流法去除無關(guān)前景像素的處理結(jié)果，即為識(shí)別模型的差分通路輸入數(shù)據(jù)。圖6為識(shí)別模型差分通路的圖像預(yù)處理過程。

2）數(shù)據(jù)集的構(gòu)成和識(shí)別模型訓(xùn)練。選取煤和矸石等異物的圖片集作為訓(xùn)練集，訓(xùn)練識(shí)別模型。

圖5 金字塔網(wǎng)絡(luò)的圖像特征融合模型Fig.5 Image feature fusion model of pyramid network

圖6 識(shí)別模型差分通路的圖像預(yù)處理過程 Fig.6 Image preprocessing process for the difference channel of the recognition model

其中模型的數(shù)據(jù)構(gòu)成見表1。因?yàn)閿?shù)據(jù)集的數(shù)量相對(duì)較少，所以在原始數(shù)據(jù)集的基礎(chǔ)上通過旋轉(zhuǎn)，拉伸，裁剪，添加噪聲等數(shù)據(jù)增強(qiáng)方法對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。將數(shù)據(jù)中70%的樣本作為訓(xùn)練集，30%的數(shù)據(jù)作為測(cè)試集，數(shù)據(jù)的訓(xùn)練集和測(cè)試集構(gòu)成見表1。

表1 數(shù)據(jù)的訓(xùn)練集和測(cè)試集構(gòu)成

訓(xùn)練過程中模型損失函數(shù)收斂曲線如圖7所示，模型準(zhǔn)確度曲線如圖8所示。其中三角線標(biāo)注的訓(xùn)練損失曲線是傳統(tǒng)單路卷積網(wǎng)絡(luò)的損失曲線。圓圈標(biāo)注的損失曲線是提出的雙路多尺度特征提取網(wǎng)絡(luò)的訓(xùn)練損失曲線。同樣地，在圖8中的模型準(zhǔn)確度曲線，該模型的準(zhǔn)確度也和傳統(tǒng)模型的識(shí)別精度進(jìn)行了對(duì)比。

圖7 模型損失函數(shù)收斂曲線 Fig.7 Model loss curve

圖8 模型準(zhǔn)確度Fig.8 Model accuracy

3）識(shí)別模型測(cè)試。圖9為煤流輸送帶的異物監(jiān)測(cè)結(jié)果。圖10為提出的權(quán)值訓(xùn)練灰度化方法訓(xùn)練的識(shí)別模型和傳統(tǒng)的圖像固定權(quán)值灰度化訓(xùn)像灰度化權(quán)值自適應(yīng)調(diào)整方法對(duì)模型識(shí)別精度有一定的提升。圖11是煤與矸石的識(shí)別結(jié)果。

測(cè)試結(jié)果表明，經(jīng)典卷積網(wǎng)絡(luò)模型識(shí)別精度提高了93.6%，基于權(quán)值訓(xùn)練的機(jī)器視覺灰度化雙路金字塔卷積網(wǎng)絡(luò)模型對(duì)輸送帶運(yùn)輸?shù)漠愇镒R(shí)別準(zhǔn)確練模型的測(cè)試結(jié)果對(duì)比。從結(jié)果可以得出圖像灰度化的權(quán)值經(jīng)過自適應(yīng)調(diào)整后，相對(duì)于傳統(tǒng)圖像灰度化固定權(quán)值，模型的識(shí)別精度提升了5.2%，說明圖率為95.7%。和其他識(shí)別分類模型在相同的數(shù)據(jù)集上進(jìn)行測(cè)試比較,平均識(shí)別準(zhǔn)確度結(jié)果如下：CNN82.6%，VGG1692.4%，改進(jìn)的LeNet-587.8%，InceptionV393.6%，本文模型95.7%。

圖9 煤流輸送帶的異物監(jiān)測(cè)和識(shí)別結(jié)果Fig. 9 Unwanted object monitoring and recognition results of a coal flow conveyor belt

圖10 權(quán)值訓(xùn)練灰度化測(cè)試結(jié)果Fig.10 Weight training grayscale test results

圖11 煤與矸石的識(shí)別測(cè)試結(jié)果Fig.11 Recognition test results between coals and gangues

6 結(jié) 論

1）提出了一種圖像權(quán)值自適應(yīng)調(diào)整的煤流圖像的灰度權(quán)值自適應(yīng)調(diào)整方法。相較于傳統(tǒng)的固定權(quán)值圖像灰度化方法，權(quán)值自適應(yīng)能夠更好地針對(duì)不同環(huán)境不同任務(wù)去調(diào)整灰度權(quán)值適應(yīng)當(dāng)前狀態(tài)，在異物識(shí)別中有著更加優(yōu)秀的表現(xiàn)。

2）搭建了一種多尺度特征雙路金字塔卷積模型用于煤流異物識(shí)別。引入了光照補(bǔ)償?shù)阮A(yù)處理操作，對(duì)原始無關(guān)的噪聲去除從而提升識(shí)別準(zhǔn)確率。利用多尺度金字塔特征提取網(wǎng)絡(luò)對(duì)目標(biāo)特征進(jìn)行多尺度提取，通過將原始圖像通路和差分圖像通路融合，實(shí)現(xiàn)煤流運(yùn)輸中異物的準(zhǔn)確檢測(cè)和識(shí)別。

3）通過對(duì)陜煤曹家灘煤礦煤流的輸送帶監(jiān)測(cè)圖像測(cè)試，結(jié)果表明提出的識(shí)別模型對(duì)送帶運(yùn)輸異物識(shí)別準(zhǔn)確率為95.7%，比經(jīng)典卷積網(wǎng)絡(luò)模型識(shí)別精度有所提高。下一步工作將對(duì)光照不均勻情況下的訓(xùn)練權(quán)值灰度化方法進(jìn)行研究。