基于热成像技术和深度学习的煤矸石识别方法

摘要：

传统的煤矸石图像识别方法存在特征提取困难、泛化能力弱等问题,采用可见光方式进行煤矸石图像采集又容易受光照、粉尘等环境因素的影响,本文提出一种基于热成像技术和深度学习算法的煤矸石图像识别方法,利用热成像技术进行煤矸石图像采集,分别采用AlexNet、LeNet、ResNet_50这三个卷积神经网络构建煤矸石图像识别模型.根据总损失、识别准确率、训练速度进行模型性能比较,选择识别效果最好的模型,与两个可见光煤矸石图像进行对比实验.实验结果表明利用热成像技术能显著提升煤和矸石图像的差异性,采用热成像技术构建煤矸石数据集,结合AlexNet卷积神经网络训练的煤矸石识别模型,具有良好的识别效果.测试集识别准确率为97.88％.相对于利用传统的可见光成像技术,识别准确率有显著提升.

关键词：热成像、深度学习、煤矸石识别、AlexNet卷积神经网络模型

所属期刊栏目：31

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金联合基金;国家自然科学基金青年基金;矿山职工全过程智能健康管理关键技术研究及应用示范

在线出版日期：2021-04-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：48-52