10.13272/j.issn.1671-251x.2022050026
基于改进反馈神经网络的煤矸石图像分类模型
现有的基于深度学习的图像分类方法存在分类模型参数量大、耗时长、分类精度低,难以在模型轻便和分类精度上达到折衷.针对上述问题,提出了一种基于改进反馈神经网络(Feedback-Net)的煤矸石图像分类模型.在ResNet50模型的基础上搭建Feedback-Net模型,通过在ResNet50模型搭建反馈通路,将高低阶信息进行融合,从而提升特征的表现能力.针对搭建的Feedback-Net模型在分类准确率提升的同时耗时有所增加的问题,将Feedback-Net模型中的方形卷积核改进为非对称卷积块(ACB),通过叠加融合的方式增加卷积核的特征提取能力;将参数量最多的全连接层转换为全局协方差池化(GCP),以降低网络参数量.通过模拟煤矿井下煤矸石分拣环境,以验证 Feedback-Net 模型和改进 Feedback-Net 模型(Feedback-Net+ACB 和 Feedback-Net+ACB+GCP)的性能.结果表明:①Feedback-Net模型在精度上高于ResNet50模型,损失值略低于ResNet50模型.②Feedback-Net模型训练精度较ResNet50模型提升了 1.20%,测试精度提升了 1.21%,但训练耗时较ResNet50 模型增加 了 0.22%.③ Feedback-Net+ACB+GCP 模型精度高于 Feedback-Net 和 Feedback-Net+ACB模型,其收敛速度在3个模型中最快,具有最优性能.④Feedback-Net+ACB模型测试精度、训练精度均较Feedback-Net模型提升了 1.39%,且耗时减少了 15.53 min,Feedback-Net+ACB+GCP模型训练精度、测试精度较Feedback-Net 模型分别提升 了 1.62%,1.59%,耗时缩短了 1.12%;Feedback-Net+ACB+GCP 模型耗时较 Feedback-Net+ACB 模型减少了 50.38 min,性能更加优越.
煤矸石分类、图像分类、反馈神经网络、图像特征提取、Feedback-Net、非对称卷积、全局协方差池化
48
TD948(选矿)
2022-09-14(万方平台首次上网日期,不代表论文的发表时间)
共7页
50-55,113