基于卷積神經網絡的煤矸石圖像識別研究

何克焓

摘 要：在分析煤矸石分揀環境特點及煤矸石視覺特點的基礎上，提出改進的卷積神經網絡煤矸石圖像識別算法，并從損失函數、模型參數以及準確率3個方面進行分析研究。結果表明：改進后的卷積神經網絡圖像識別算法能有效地避免分選環境中的噪聲影響;與傳統的分選方法相比，具有更快的識別速度和更高的準確率，能更好地滿足實際工程需要。

關鍵詞：煤矸石;卷積神經網絡;圖像識別;損失函數

中圖分類號：TP391.41;TD849.5 文獻標識碼：A文章編號：1003-5168（2020）04-0066-03

Abstract： Based on the analysis of the characteristics of gangue sorting environment and gangue vision， an improved convolution neural network algorithm for gangue image recognition was proposed， and the loss function， model parameters and accuracy were analyzed. The results show that the improved convolutional neural network image recognition algorithm can effectively avoid the impact of noise in the sorting environment; compared with the traditional sorting method， it has faster recognition speed and higher accuracy， and can better meet the actual engineering needs.

Keywords： coal and gangue;convolutional neural network;image recognition;loss function

煤礦開采的無選擇性隨著其機械化程度的提升而增高，混入煤炭的矸石或其他雜物隨之增加，從而導致原煤質量下降。在選煤過程中，將矸石從原煤中剔除十分必要。如何更有效準確地分選煤矸石成為當前研究的主要課題[1]。

目前，煤矸石分選的方法有很多種，一般來說，以干法選煤與濕法選煤為主。在大部分地區，仍采用人工選煤的方法，選矸勞動強度大，且工作環境極其惡劣。近年來，煤矸石分選的方法越來越多，隨著計算機視覺技術在實物分類方面的發展日趨成熟，基于視覺圖像處理來分辨煤矸石的方法相繼被提出。在圖像處理過程中，深度學習神經網絡是提取特征并分析特征，再以特征為基礎進行學習，最后使用所得的特征給出所需的輸出。既然視覺上很容易分辨煤和矸石，基于視覺特征的深度學習神經網絡，自然可以較好地對煤矸石的圖像進行分類識別，并輸出所需的結果。另外，圖像識別選矸和雙能伽馬選矸、X射線選矸[2]等已有分選系統設計基本一致，可移植性好，因此，本文將卷積神經網絡[3]引入煤矸石識別中，并設計出一種新的自動分選方法。

1 煤矸石的視覺特征

矸石是煤層中或煤層周圍伴有可燃物質的巖石，含碳量較低，比煤堅硬，外觀上多為灰色、青色、灰黑及黑灰，甚至為淺灰色[4]。肉眼可以直觀分辨煤和矸石外觀上的差別，如圖1所示：煤給人的感覺是“黑亮”，粗糙度較大，輪廓較圓;而矸石給人的感覺是“灰暗”，表面較光滑，輪廓較明顯。可見，煤與矸石的特征明顯，基于外觀特征分選是完全可行的。基于此，本文創新性地將卷積神經網絡算法應用到煤矸石識別分類中。

2 識別算法模型的構建

卷積神經網絡圖像識別算法的基本原理是利用圖像訓練數據對模型進行訓練[5]，將數據中蘊藏的大量信息通過學習算法不斷收集到模型中，利用訓練好的識別模型對現場采集的相似數據進行特定處理。基于區域的卷積神經網絡R-CNN（Region-based Convolutional Neural Networks）算法相對于其他目標檢測算法，提取特征維度更小。在特征相關性上，加強了對于紋理、灰度、材料、光線等相關特征的提取，并且優先合并這些相關類的特征。針對煤矸石識別，本文改進R-CNN結構，提出基于R-CNN的煤矸石識別算法，主要包括兩個階段：一是樣本數據集的建立;二是算法模型結構的構建。

2.1 建立煤和矸石的樣本數據集

本文采用高速攝像機（Cossim XHD-AF工業級攝像頭）進行數據圖像的采集，完全可以在快速傳送的煤矸石中，經過數模轉換提取每個石塊的清晰圖像，保證圖片質量。在采集圖像之后，對圖像進行必要的調整和處理，裁剪成像素為1 000×1 000的圖像子塊，共計4 170張圖像，并將其保存為數據集。然后，按照3∶1的比例，將數據集分為訓練集圖像3 180張，測試集圖像990張，并對每張圖像進行人工標注，每張原圖對應一個文字標簽，即標注煤塊或矸石。

2.2 算法模型的建立

本文的卷積識別模型是依托Google公司開發的深度學習框架Tensorflow構建的。實驗證明，各類卷積圖像識別算法可以很好地在Tensorflow框架上進行構建。

3 實驗及結果

3.1 識別方案

采用分割手段，將圖像分割成小區域。然后查看現有小區域，按照合并規則合并可能性最高的相鄰兩個區域，并不斷重復，直到所有圖像合并成一個區域位置。輸出所有曾經存在過的區域，所謂候選區域。優先合并以下四種區域：顏色（顏色直方圖）相近的;紋理（梯度直方圖）相近的;合并后總面積小的，保證合并操作的尺度較為均勻，避免一個大區域陸續“吃掉”其他小區域;合并后，總面積在其矩形框中所占比例大的，保證合并后形狀規則。重復多次，輸出所有被保留下來的矩形框。

提取特征主要存在于卷積和池化[6]兩個步驟中。卷積層結構的前向傳播過程可以簡單地描述為：將過濾器（見圖3）從神經網絡當前層的左上角持續移動到右下角，并且在每一個步距的移動中計算每一個對應的單位矩陣。

卷積層中過濾器所處理的節點矩陣的長和寬都是經過多次調整后得到的，單位矩陣中的第[i]個節點的取值[gi]為：

對于卷積處理的過程，本文采用全零填充的方法，以保證輸出的節點矩陣大小不變，過濾器長和寬的步長均為2。使用全零填充時輸出的矩陣大小為：

由式（2）和式（3）可以看出，[outlength]等于輸入層矩陣除以長度方向上的步長的向上取整值;[outwigth]等于輸入層矩陣寬度除以寬度方向上的步長的向上取整值。通過卷積層局部感知的特點，可以較好地提取圖片中的特征，去除冗余信息。

3.2 實驗及結論

模型學習過程最直接的目的是降低損失函數的值，損失函數代表用來衡量模型預測值和真實值之間的不一致程度。從圖4可以看出，經過1 000次左右的訓練之后，損失函數值降低到0.02以下，參數趨于穩定，最終得到一個穩定的識別算法模型。

同時，在CPU和GPU模式下進行對比實驗，在兩種模式下圖像的識別時間及平均識別時間[taver]如表2所示。

從表2可知，GPU并行計算的加速效果明顯，識別速度是CPU檢測識別速度的3倍。

4 結論

在分析煤矸石識別成像及環境特點的基礎上，基于改進的卷積神經網絡識別算法進行了煤矸石分類識別研究，并從損失函數、模型參數及準確率三方面進行了驗證。同時，構建了具有適配性的R-CNN卷積神經網絡識別模型，可以有效提取煤矸石圖像的視覺特征，并且可以有效避免分選環境帶來的噪聲影響。模型在經過訓練學習后，使用現場采集的測試圖像集進行識別，最終識別準確率在0.96以上，達到了預期效果;在算法運行時間方面，花費時間較短。此外，驗證了GPU環境下識別速度的優越性。

參考文獻：

[1]謝和平，王金華，王國法，等.煤炭革命新理念與煤炭科技發展構想[J].煤炭學報，2018（5）：1187-1197.

[2]袁華昕.基于X射線圖像的煤矸石智能分選控制系統研究[D].沈陽：東北大學，2014.

[3]張曰花，王紅，馬廣明.基于深度學習的圖像識別研究[J].現代信息科技，2019，3（11）：111-112，114.

[4]沈寧，竇東陽，楊程，張勇.基于機器視覺的煤矸石多工況識別研究[J].煤炭工程，2019（1）：120-125.

[5]曹現剛，薛禎也.基于遷移學習的GoogLenet煤矸石圖像識別[J].軟件導刊，2019（12）：183-186.

[6]Hou Wei. Identification of Coal and Gangue by Feed-forward Neural Network Based on Data Analysis[J]. International Journal of Coal Preparation and Utilization，2017（3）：33-43.