基于集成学习的煤和矸石图像识别技术研究与实现
针对目前基于深度学习方法对煤和矸石识别研究中所存在的数据使用效率低,泛化能力差等问题,本文提出采用交叉验证的方法来提升研究目标对象数据的利用效率,并对训练集数据添加人工噪声,从而提升深度模型的泛化能力.另外在训练过程中以验证集ROC提前终止训练的依据,可以兼顾实际生产中对煤和矸石识别的查准率和召回率的要求,同时加速网络的训练过程.最后在测试集进行模型预测时采用TTA(Test Time Augmentation)方法提升模型预测结果的稳定性,并采用集成学习的方法将多个深度计算模型的预测结果进行融合,以此提升整个识别方法的性能.经过实验研究结果发现,通过以上方法可以在小型数量级上较快得到一个具有较高识别精度和召回率识别模型,并且模型的预测结果更能够反映模型在实际生产环境中的真实表现.综上可以得知,本文所实现的模型方法更能够适应煤和矸石的识别研究领域的需求,对未来深度学习方法在煤矸识别的研究具有较高的实际应用价值和意义.
煤矸识别、集成学习、人工噪声、交叉验证、TTA
17
TP31(计算技术、计算机技术)
2021-05-20(万方平台首次上网日期,不代表论文的发表时间)
共3页
197-199