隨著我國經(jīng)濟(jì)發(fā)展方式的轉(zhuǎn)變,煤炭行業(yè)由粗放型生產(chǎn)向精細(xì)化轉(zhuǎn)型,智能化開采成為煤炭安全高效開采的發(fā)展趨勢。國家安全生產(chǎn)監(jiān)督管理總局提出的科技強(qiáng)安專項(xiàng)行動(dòng)將煤炭智能化開采技術(shù)列為重點(diǎn)研究方向,以機(jī)械生產(chǎn)代替人工作業(yè)。煤矸分選作為煤礦開采的首要環(huán)節(jié),實(shí)現(xiàn)煤和矸石自動(dòng)分選需要攻克的技術(shù)難點(diǎn)之一就是準(zhǔn)確完成煤和矸石的識別和定位。目前,已有學(xué)者在煤和矸石目標(biāo)識別方面進(jìn)行廣泛的研究,但傳統(tǒng)的煤和矸石識別方法存在特征提取困難、泛化能力弱、未實(shí)現(xiàn)定位等問題。針對以上問題,本文提出了一種基于深度學(xué)習(xí)的煤和矸石識別方法,希望提高煤和矸石識別的準(zhǔn)確率。對煤和矸石圖像進(jìn)行分析,并合實(shí)際工況,確定煤和矸石圖像樣本集采集原則,對采集的煤和矸石圖像進(jìn)行篩選,確保煤和矸石圖像樣本集的有效性。采用尺寸圖像訓(xùn)練,并對像隨機(jī)裁剪,進(jìn)行圖像翻轉(zhuǎn)、明亮度變化、添加噪聲等方法對煤和矸石圖像數(shù)據(jù)集進(jìn)行擴(kuò)充。采用留一交叉驗(yàn)證對煤和矸石圖像數(shù)據(jù)集進(jìn)行劃分,為煤和矸石圖像識別奠定數(shù)據(jù)基礎(chǔ)。針對卷積神經(jīng)網(wǎng)絡(luò)在圖像識別過程中,網(wǎng)絡(luò)結(jié)構(gòu)不同,對圖像識別效果不同,對比分析AlexNet、VGGNet、GoogLenet三種卷積神經(jīng)網(wǎng)絡(luò)對煤和矸石識... 

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 本課題的研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 煤和矸石分選國內(nèi)外研究現(xiàn)狀
        1.2.2 深度學(xué)習(xí)的國內(nèi)外研究現(xiàn)狀
        1.2.3 遷移學(xué)習(xí)研究現(xiàn)狀
    1.3 本文的主要研究內(nèi)容
        1.3.1 本文的研究內(nèi)容
        1.3.2 本文的技術(shù)路線
2 深度學(xué)習(xí)特性分析及優(yōu)化方法
    2.1 深度學(xué)習(xí)
        2.1.1 深度學(xué)習(xí)概述
        2.1.2 深度學(xué)習(xí)框架
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)
        2.2.3 損失函數(shù)
        2.2.4 正則化
    2.3 遷移學(xué)習(xí)理論
        2.3.1 遷移學(xué)習(xí)理論定義
        2.3.2 遷移學(xué)習(xí)方法
    2.4 本章小結(jié)
3 煤和矸石圖像數(shù)據(jù)集處理
    3.1 引言
    3.2 煤和矸石圖像獲取
    3.3 樣本集標(biāo)注
    3.4 數(shù)據(jù)集擴(kuò)充
    3.5 數(shù)據(jù)集劃分
    3.6 本章小結(jié)
4 基于卷積神經(jīng)網(wǎng)絡(luò)的煤與矸石圖像識別
    4.1 基于卷積神經(jīng)網(wǎng)絡(luò)的煤和矸石圖像識別模型
    4.2 深度卷積神經(jīng)網(wǎng)絡(luò)模型研究
        4.2.1 Alexnet卷積神經(jīng)網(wǎng)絡(luò)
        4.2.2 VGGNet卷積神經(jīng)網(wǎng)絡(luò)
        4.2.3 GoogLenet卷積神經(jīng)網(wǎng)絡(luò)
    4.3 網(wǎng)絡(luò)模型的選取
    4.4 模型優(yōu)化參數(shù)設(shè)置
        4.4.1 AlexNet模型參數(shù)
        4.4.2 VGGNet模型參數(shù)
        4.4.3 GoogLenet模型參數(shù)
    4.5 實(shí)驗(yàn)環(huán)境配置
        4.5.1 實(shí)驗(yàn)環(huán)境
        4.5.2 實(shí)驗(yàn)數(shù)據(jù)集
    4.6 實(shí)驗(yàn)分析
        4.6.1 實(shí)驗(yàn)步驟
        4.6.2 結(jié)果分析
    4.7 本章小結(jié)
5 基于遷移學(xué)習(xí)的煤與矸石圖像識別
    5.1 基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)算法
        5.1.1 卷積神經(jīng)網(wǎng)絡(luò)特征學(xué)習(xí)
        5.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)
    5.2 模型改進(jìn)與優(yōu)化
        5.2.1 批歸一化
        5.2.2 DisturbLabel算法
        5.2.3 模型參數(shù)設(shè)置
    5.3 設(shè)定評價(jià)指標(biāo)
    5.4 實(shí)驗(yàn)分析
    5.6 本章小結(jié)
6 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
致謝
參考文獻(xiàn)
附錄


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的織物缺陷在線檢測算法[J]. 王理順,鐘勇,李振東,賀宜龍.  計(jì)算機(jī)應(yīng)用. 2019(07)
[2]改進(jìn)深度學(xué)習(xí)塊卷積神經(jīng)網(wǎng)絡(luò)的人臉表情識別[J]. 何永強(qiáng),秦勤,王俊鵬.  計(jì)算機(jī)工程與設(shè)計(jì). 2019(03)
[3]基于深度學(xué)習(xí)的快速植物圖像識別[J]. 張雪芹,陳嘉豪,諸葛晶晶,余麗君.  華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(06)
[4]基于深度學(xué)習(xí)的國產(chǎn)高分遙感影像飛機(jī)目標(biāo)自動(dòng)檢測[J]. 李淑敏,馮權(quán)瀧,梁其椿,張學(xué)慶.  遙感技術(shù)與應(yīng)用. 2018(06)
[5]深度學(xué)習(xí)在雷達(dá)通信目標(biāo)識別中的應(yīng)用框架[J]. 程嘉遠(yuǎn).  現(xiàn)代雷達(dá). 2018(08)
[6]AICon 2018開幕 百度PaddlePaddle引開發(fā)者熱議[J].   智能機(jī)器人. 2018(01)
[7]AICon 2018開幕 百度PaddlePaddle引開發(fā)者熱議[J].   智能機(jī)器人. 2018 (01)
[8]卷積網(wǎng)絡(luò)深度學(xué)習(xí)算法與實(shí)例[J]. 陳旭,張軍,陳文偉,李碩豪.  廣東工業(yè)大學(xué)學(xué)報(bào). 2017(06)
[9]卷積神經(jīng)網(wǎng)絡(luò)在圖像分類和目標(biāo)檢測應(yīng)用綜述[J]. 周俊宇,趙艷明.  計(jì)算機(jī)工程與應(yīng)用. 2017(13)
[10]基于深度卷積神經(jīng)網(wǎng)絡(luò)的航空器檢測與識別[J]. 俞汝劼,楊貞,熊惠霖.  計(jì)算機(jī)應(yīng)用. 2017(06)

博士論文
[1]煤矸光電密度識別及自動(dòng)分選系統(tǒng)的研究[D]. 張晨.中國礦業(yè)大學(xué)（北京） 2013

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的視覺識別研究[D]. 薛昆南.華南農(nóng)業(yè)大學(xué) 2016
[2]基于圖像特征的煤與矸石識別算法研究[D]. 宋劍.河北工程大學(xué) 2016



本文編號：3728742