基于深度迁移学习的煤岩显微组分识别算法

摘要：

针对VGG-16网络模型对小数量的煤岩显微组分图像数据集识别准确度低、模型参数量过多的问题,提出一种基于迁移学习的小样本煤岩显微组分图像识别算法.算法首先改进了VGG-16分类网络模型,将Res2Net模块与VGG-16相结合,并用深度可分离卷积层代替VGG-16和Res2Net模块的原始卷积层,以此作为深度迁移识别网络预训练模型;然后迁移预训练模型中部分网络结构和参数,并结合优化的分类器模块完成网络的学习与优化.实验结果表明,在样本数据不充足的条件下,基于深度迁移学习识别网络模型识别准确率为96.33％,模型参数量为11.79 M.与其它网络模型相比,该方法在小数量的煤岩显微组分图像识别中具有明显的优越性.

关键词：煤岩显微组分、小样本、深度可分离卷积、Res2Net、迁移学习

所属期刊栏目：13

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金61801286

在线出版日期：2023-02-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：92-97,102