基于卷積神經(jīng)網(wǎng)絡(luò)的煤矸石圖像識(shí)別

摘要：煤矸石篩選是煤礦生產(chǎn)中一個(gè)重要的環(huán)節(jié)，目前的人工撿矸法、機(jī)械濕選法以及射線分選法無(wú)法兼顧選矸過(guò)程中的高效性、清潔性和無(wú)害性。針對(duì)上述選矸過(guò)程中存在的問(wèn)題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的煤矸石識(shí)別方法，以顏色和紋理作為煤和矸石圖像的類別特征，結(jié)合遷移學(xué)習(xí)方法，構(gòu)建了VGG-16深度學(xué)習(xí)模型。實(shí)驗(yàn)結(jié)果表明，其識(shí)別準(zhǔn)確率可以達(dá)到99.18%，可以有效地實(shí)現(xiàn)對(duì)煤和矸石的識(shí)別。

關(guān)鍵詞：煤矸石識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);圖像分類;遷移學(xué)習(xí)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）21-0016-03

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

煤炭在我國(guó)能源中占有舉足輕重的地位，其能源量占化石能源儲(chǔ)量的94%，遠(yuǎn)遠(yuǎn)超過(guò)石油和天然氣;其消費(fèi)約占總能源消費(fèi)量的64%左右[1-2]。但是產(chǎn)出的原煤中會(huì)包含大量的矸石，矸石含量占原煤產(chǎn)量的15%-20%c3]，如果不對(duì)矸石加以剔除，不僅會(huì)降低煤炭的燃燒率，而且其燃燒產(chǎn)物還會(huì)造成環(huán)境污染。因此，在煤炭使用之前實(shí)現(xiàn)對(duì)矸石的分揀成為一個(gè)必不可少的環(huán)節(jié)。目前，常用的矸石分揀技術(shù)包括人工撿矸法、機(jī)械濕選法和射線分選法[4-6]。人工選矸存在著勞動(dòng)強(qiáng)度大、工作環(huán)境差、選矸效率低的問(wèn)題;機(jī)械濕選法存在水資源浪費(fèi)，其產(chǎn)生的污水容易對(duì)環(huán)境造成污染等問(wèn)題;射線篩選法容易對(duì)工作者的身體造成危害。因此，尋找一種高效、清潔且對(duì)人體無(wú)害的選矸方法有重要意義。

近年來(lái)，隨著深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)的迅速發(fā)展，其在計(jì)算機(jī)視覺(jué)領(lǐng)域已有廣泛應(yīng)用。相較于傳統(tǒng)的計(jì)算機(jī)視覺(jué)技術(shù)，卷積神經(jīng)網(wǎng)絡(luò)不需要對(duì)圖像做預(yù)處理、圖像分割和人工設(shè)計(jì)圖像特征等方面工作，不僅減少了圖像預(yù)處理的復(fù)雜度同時(shí)也降低了人為因素對(duì)特征提取的影響。目前已有不少學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像識(shí)別中。呂軍等設(shè)計(jì)了一種基于AlexNet卷積神經(jīng)網(wǎng)絡(luò)模型，將其應(yīng)用于茶葉嫩芽狀態(tài)識(shí)別[7];白林等通過(guò)采集6種不同類型的巖石薄片，結(jié)合VGG模型進(jìn)行識(shí)別[8]，均取得了較好的識(shí)別率。因此，本文通過(guò)搭建VGG-16模型[9]，對(duì)采集的煤矸石圖像上進(jìn)行識(shí)別，從而達(dá)到煤矸分選的效果。

1 相關(guān)理論分析

典型的卷積神經(jīng)網(wǎng)絡(luò)一般由卷積層、池化層、扁平層和全連接層構(gòu)成，具體結(jié)構(gòu)如圖1所示。卷積層主要由卷積核組成，其作用就是提取圖像局部特征，常用的卷積核大小有3x3、SX5、7x7和11X1I。池化層一般設(shè)置于卷積層之后，常見(jiàn)的池化層一般有最大池化和平均池化兩種，具體池化過(guò)程如圖2所示。池化操作在降低特征圖維度減少了計(jì)算量的同時(shí)，可以保證特征圖的平移不變性和旋轉(zhuǎn)不變性。扁平層在所有卷積層和池化層之后，把經(jīng)過(guò)卷積和池化之后的矩陣向量轉(zhuǎn)化成長(zhǎng)向量，主要作用是從卷積層到全連接層的過(guò)渡。全連接層一般由三個(gè)全連接操作構(gòu)成，最后一個(gè)采用softmax激活函數(shù)，來(lái)實(shí)現(xiàn)目標(biāo)的分類。

1.1 VGG卷積神經(jīng)網(wǎng)絡(luò)

VGG是目前較為經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)之一，其是在AlexNet[10]網(wǎng)絡(luò)的基礎(chǔ)上改進(jìn)而來(lái)，在2014年的ILSVRC （Ima-geNet Large Scale Visual Recognition Challenge）取得分類項(xiàng)目第2名和定位項(xiàng)目第1名的成績(jī)。相較于AlexNet模型，VGG使用了更多的小卷積核代替了其原來(lái)的大卷積核，在加深了網(wǎng)絡(luò)的同時(shí)，保證了感受野不變，而且多個(gè)小的卷積核比一個(gè)大的卷積核有更少的參數(shù)。隨著卷積核的增多，其使用的激活函數(shù)的次數(shù)也相應(yīng)增加，這使其學(xué)習(xí)能力進(jìn)一步增強(qiáng)。VGG總共有6個(gè)不同結(jié)構(gòu)的網(wǎng)絡(luò)模型，本文選用穩(wěn)定且性能較高的VGG-16作為煤矸石圖像識(shí)別實(shí)驗(yàn)的模型。

VGG-16模型由13個(gè)卷積層、5個(gè)池化層和3個(gè)全連接層構(gòu)成。其中13個(gè)卷積層被分為5組且每組的卷積層參數(shù)不盡相同，在每組卷積層后連接一個(gè)最大池化層。通過(guò)5組卷積層和池化層最終將224x224x3大小的圖像壓縮至7x7x512的特征矩陣。而后通過(guò)扁平層將壓縮后的多維特征矩陣轉(zhuǎn)化成一維向量。最后將生成的一維向量進(jìn)行全連接操作，前兩層全連接含有4096個(gè)隱含節(jié)點(diǎn)，最后一層的全連接隱藏節(jié)點(diǎn)個(gè)數(shù)為要識(shí)別的圖像類別數(shù)C，并采用softmax激活函數(shù)完成分類。

1.2基于遷移學(xué)習(xí)的VGG-16模型

采集和標(biāo)注樣本圖像是一件極其費(fèi)時(shí)費(fèi)力的事情，而且煤矸石圖像目前還沒(méi)有公開(kāi)的數(shù)據(jù)集，故采用遷移學(xué)習(xí)可以解決樣本不足的問(wèn)題。遷移學(xué)習(xí)是基于一個(gè)已經(jīng)在大數(shù)據(jù)集上訓(xùn)練過(guò)的模型，在其基礎(chǔ)上進(jìn)行參數(shù)和知識(shí)的遷移。遷移學(xué)習(xí)不僅可以有效的解決樣本缺乏的問(wèn)題，同時(shí)也降低了深度學(xué)習(xí)模型對(duì)硬件的需求以及模型的訓(xùn)練時(shí)間。本文采用基于ImageN-et預(yù)訓(xùn)練的VGG-16模型參數(shù)（不包含全連接層部分參數(shù)）進(jìn)行初始化，并結(jié)合微調(diào)技術(shù)對(duì)模型進(jìn)行調(diào)整使其可以更好地應(yīng)用在煤矸石圖像的分類任務(wù)中?；谶w移學(xué)習(xí)的VGG-16模型的煤矸石特征提取過(guò)程如表1所示。

2 識(shí)別實(shí)驗(yàn)與結(jié)果分析

2.1 樣本采集

本實(shí)驗(yàn)使用佳能800D相機(jī)按照煤和矸石1：1的比例采集1300多張煤矸石圖像，剔除部分不合適圖像，使用1200多張進(jìn)行實(shí)驗(yàn)。按照通常80%/10%/10%的訓(xùn)練集、測(cè)試集和驗(yàn)證集比例對(duì)采集的圖像進(jìn)行劃分。圖3為煤和矸石樣本圖像。

2.2 樣本預(yù)處理和樣本擴(kuò)充

采集到的圖像樣本是三通道且長(zhǎng)寬不盡相同。因此，首先需要對(duì)樣本進(jìn)行預(yù)處理，將其縮放為224x224大小的圖像，并且對(duì)圖像矩陣進(jìn)行歸一化處理，將樣本中像素值調(diào)整為0-1的浮點(diǎn)數(shù)。

在深度學(xué)習(xí)中通常會(huì)需要充足的樣本用于訓(xùn)練。一般來(lái)說(shuō)，樣本越是充足訓(xùn)練的模型效果越好，其泛化能力也就越強(qiáng)。為了進(jìn)一步擴(kuò)充樣本，本實(shí)驗(yàn)對(duì)采集的圖像數(shù)據(jù)集進(jìn)行了數(shù)據(jù)增強(qiáng)，且增強(qiáng)后的數(shù)據(jù)并不會(huì)影響樣本的類別。常用的增強(qiáng)方法有水平和垂直翻轉(zhuǎn)、平移、縮放、旋轉(zhuǎn)等，本文使用Keras自帶的方法ImageDataGenerator對(duì)樣本進(jìn)行增強(qiáng)，且按照通常做法只對(duì)訓(xùn)練集樣本進(jìn)行增強(qiáng)。增強(qiáng)參數(shù)如下：水平和垂直翻轉(zhuǎn)為T(mén)rue，水平和垂直方向上移動(dòng)0.25個(gè)圖像長(zhǎng)度和寬度，縮放比例為0.2，隨機(jī)旋轉(zhuǎn)角度為40度。圖4為對(duì)樣本進(jìn)行增強(qiáng)后的效果。

2.3 模型超參數(shù)

模型的優(yōu)劣不單單取決于模型通過(guò)自身學(xué)習(xí)得到的權(quán)重和偏差參數(shù)，還取決于人為設(shè)定的超參數(shù)。卷積層和全連接層的激活函數(shù)設(shè)置為目前較為優(yōu)秀的Relu函數(shù)，分類層使用soft-max激活函數(shù)實(shí)現(xiàn)對(duì)煤和矸石圖像的分類，批尺寸為32。學(xué)習(xí)率初始化為0.001并且設(shè)置迭代學(xué)習(xí)率衰減系數(shù)decay為0.00001。對(duì)模型進(jìn)行兩次實(shí)驗(yàn)，一次采用遷移學(xué)習(xí)，另一次不采用進(jìn)行對(duì)比實(shí)驗(yàn)。

2.4 結(jié)果分析

通過(guò)繪制訓(xùn)練過(guò)程的損失函數(shù)和準(zhǔn)確率折線圖可以得知，隨著迭代次數(shù)的增加訓(xùn)練集的準(zhǔn)確率不斷提高，驗(yàn)證集的準(zhǔn)確率雖然在訓(xùn)練的過(guò)程中不斷震蕩，但是最后趨于穩(wěn)定，未采用遷移學(xué)習(xí)模型準(zhǔn)確率達(dá)到95.93%，采用遷移學(xué)習(xí)之后模型準(zhǔn)確率可以達(dá)到99. 18%。分析圖5和圖6實(shí)驗(yàn)結(jié)果，可以明顯看出采用遷移學(xué)習(xí)之后，模型可以實(shí)現(xiàn)快速收斂，且模型更加穩(wěn)定識(shí)別率更高。由于在訓(xùn)練過(guò)程中對(duì)只對(duì)訓(xùn)練集使用了數(shù)據(jù)增強(qiáng)，此時(shí)驗(yàn)證集樣本相較于訓(xùn)練集來(lái)說(shuō)是簡(jiǎn)單樣本，所以在模型訓(xùn)練初期驗(yàn)證集識(shí)別率會(huì)偶爾略高于訓(xùn)練集。

3 結(jié)束語(yǔ)

本文針對(duì)煤矸石識(shí)別問(wèn)題，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的方法，并采用遷移學(xué)習(xí)的策略實(shí)現(xiàn)了對(duì)煤矸石圖像的識(shí)別。對(duì)采集的圖像進(jìn)行歸一化和擴(kuò)充處理后，采用VGG-16模型進(jìn)行訓(xùn)練學(xué)習(xí)，未采用的模型準(zhǔn)確率達(dá)到了95.93%，采用遷移學(xué)習(xí)策略之后的模型準(zhǔn)確率可以達(dá)到99.18%，有效地實(shí)現(xiàn)了對(duì)煤和矸石圖像的識(shí)別。為進(jìn)一步提高網(wǎng)絡(luò)模型的泛化能力和準(zhǔn)確率，還需要做以下兩方面工作：1、采集更多實(shí)際生產(chǎn)狀態(tài)下的煤和矸石圖像，使樣本更具代表性;2、對(duì)VGG-16模型進(jìn)行進(jìn)一步的改進(jìn)和優(yōu)化，為煤矸石分揀提供有效的理論基礎(chǔ)。

參考文獻(xiàn)：

[1]謝和平，王金華.煤炭革命新理念與煤炭科技發(fā)展構(gòu)想[Jl.煤炭學(xué)報(bào)，2018，43（5）：1187-1197.

[2]石煥，程宏志，劉萬(wàn)超.我國(guó)選煤技術(shù)現(xiàn)狀及發(fā)展趨勢(shì)[J].煤炭科學(xué)技術(shù)，2016，44（06）：169-174.

[3]張佳佳，姜浩，胡正偉.煤矸石井下分選研究[J].機(jī)電工程技術(shù)，2011，40（8）：61-63，202.

[4]朱喜玲.選煤廠人工手選輸送機(jī)集控系統(tǒng)設(shè)計(jì)應(yīng)用[J].煤礦機(jī)電，2019，40（2）：82-84.

[5]張勇.選煤工藝現(xiàn)狀及發(fā)展趨勢(shì)淺析[J].科技經(jīng)濟(jì)導(dǎo)刊，2018， 26（21）：107.

[6]馮岸岸.智能分選過(guò)程中煤矸X射線識(shí)別技術(shù)的研究[D].淮南：安徽理工大學(xué)，2019.

[7]呂軍，夏華鹍，方夢(mèng)瑞，等.基于AlexNet的茶葉嫩芽狀態(tài)智能識(shí)別研究[J].黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2019，31（2）：72-78.

[8白林，魏昕，劉禹等?；赩GG模型的巖石薄片圖像識(shí)別[J].地質(zhì)通報(bào)，2019，38（12）：2053-2058.

[9] Simonyan K， Zisserman A.Very Deep Convolutional Net-works for Large-Scale Image Recognition[J]. Computer ence，2014.

[10] Krizhevsky A，Sutskever I，Hinton G.ImageNet Classifi-cation with Deep Convolutional Neural Networks[Jl. Advancesin neural information processing systems， 2012， 25（2）.

【通聯(lián)編輯：梁書(shū)】

作者簡(jiǎn)介：孫立新（1993-），男，河北工程大學(xué)信息與電氣工程學(xué)院碩士研究生，研究方向?yàn)槊喉肥瘓D像識(shí)別。