基于RAdam算法优化ResNet50模型膏体图像识别方法研究

摘要：

膏体图像识别是监测膏体质量的一种有效方法,据此提出了一种基于RAdam算法优化ResNet50模型膏体图像识别方法,可实现膏体状态的高精度识别.通过收集尾砂悬液在浆体、膏体、滤饼等 3种状态下的图像,经过图像预处理和数据集划分,结合迁移学习的方法,对卷积神经网络的AlexNet模型、VGG16模型、VGG19模型和ResNet50模型进行预训练,对比 4种模型的识别准确率和损失值,确定最佳模型;采用Adam算法和RAdam算法对模型进行优化,对比两种优化器的识别结果;利用优化模型对矿山现场图像进行识别,验证模型精度.研究结果表明:4种经典卷积神经网络模型在膏体图像识别中均有较好表现,ResNet50模型性能最佳.基于RAdam算法优化ResNet50模型收敛速度更快,识别精度更高.基于RAdam算法优化ResNet50模型膏体图像识别精度可达 99.24%,可实现膏体图像的高精度识别.

关键词：卷积神经网络、图像识别、RAdam算法、ResNet50模型、膏体

所属期刊栏目：32

分类号：TD853.34(矿山开采)

资助基金：中国博士后科学基金2021M701516

在线出版日期：2023-08-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：79-86