基于知识蒸馏理论的矿石图像分类研究

摘要：

针对利用卷积神经网络对矿石进行智能分选时,难以同时提高矿石分类精确度和处理量的问题,文中提出一种基于知识蒸馏理论的矿石图像分类方法.首先,改变传统LeNet-5网络模型中的激活函数;其次,引入知识蒸馏理论对模型进行迁移学习,从而达到模型优化的效果;最后,提取图像特征信息,利用优化后的模型对矿石图像进行分类,以减少系统资源占用并提高分类准确率.实验结果表明:使用知识蒸馏理论后,新模型训练准确率达到98.4％,相比优化之前提升5％;精矿识别准确率达到97.78％,提升7％;尾矿识别准确率达到98.78％,提高20％.此外,文中分类方法的识别速度达到平均12 ms识别50颗矿石,即处理量高达62 t/h,满足工业需求,说明优化后的模型具有高效性和实时性.

关键词：矿石分选、图像分类、卷积神经网络、知识蒸馏理论、迁移学习、模型优化、特征提取

所属期刊栏目：45

分类号：TN911.73-34;TD952

资助基金：国家自然科学基金;江西省杰出青年人才培养计划

在线出版日期：2022-04-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：149-154