在复杂条件下基于图像和卷积神经网络的煤河识别技术的强泛泛化研究
Qikai Xun1, Yang Yang1,2,3, Yongbin Liu1
1College of Mechanical and Electrical Engineering, Shandong University of Science and Technology, Qingdao 266590, China.
ACS omega
|November 6, 2023
概括
这项研究开发了一种用于复杂的地下采矿条件的煤图像识别方法. 乐网网络模型实现了高精度和快速识别,为自动化煤炭分类提供了基础.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 采矿工程 采矿工程 采矿工程
背景情况:
- 基于图像的煤炭识别受到复杂的地下采矿环境的挑战.
- 诸如不同背景,距离和照明等因素显著影响识别准确度.
研究的目的:
- 开发和评估一种对复杂条件稳固的煤图像识别方法.
- 确定最具影响力的复杂因素,并确定具有强大的概括能力的网络模型.
主要方法:
- 模拟地下煤矿采矿环境,具有多种不同的拍摄背景,距离和照明.
- 通过使用三个卷积神经网络算法建立了煤识别模型.
- 分析了复杂条件对识别精度的影响,并确定了最佳网络模型.
主要成果:
- 复杂的环境是影响煤图像识别精度的主要因素.
- 识别精度与拍摄距离有负相关性;强光照明提高了精度.
- 乐网网络模型表现出最强的概括能力,达到>0.99准确度,平均识别时间为177 ms.
结论:
- 在复杂的条件下,LeNet网络能够实现准确和快速的煤炭图像识别.
- 这种方法为部署地下煤炭道分类系统提供了宝贵的参考.
- 了解环境因素的影响对于强大的自动分类至关重要.
