采矿水冲入的图像识别基于双线卷积神经网络,具有几次拍摄的学习
Shuai Zhang1,2,3,4, Yuanze Du1,2,3,4, Yingwang Zhao1,2,3,4
1Inner Mongolia Research Institute, China University of Mining and Technology (Beijing), Ordos 017001, China.
ACS omega
|March 18, 2024
概括
这项研究介绍了一种几次拍摄的深度学习算法,用于识别矿井水冲入图像,达到95.2%的准确性. 这种方法对具有有限数据的复杂地下环境有效.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 图像识别 图像识别
背景情况:
- 深度学习在煤矿中越来越多地用于图像识别任务.
- 地下采矿图像带来了诸如高噪音,低亮度和有限的样本等挑战,这是由于水的意外性质造成的.
研究的目的:
- 开发一种有效的算法来识别采矿水的冲动图像,使用少数镜头的深度学习.
- 为了应对复杂的地下环境和有限的图像数据的挑战.
主要方法:
- 双线神经网络用于特征提取和细粒度图像识别.
- 该网络使用共弦相似度进行了预训练,然后为图像预测进行了微调.
- 该方法与大数据和标准的几次拍摄学习方法进行了比较,用于单行特征提取.
主要成果:
- 拟议的基于双线神经网络的几次射击深度学习算法实现了95.2%的识别率.
- 这表明与其他方法相比,在识别矿井水中的冲动图像方面表现优越.
结论:
- 极少射击的深度学习,特别是双线神经网络,对于矿井水的冲动图像识别非常有效.
- 该算法成功地克服了复杂环境和地下煤炭开采中稀缺数据的局限性.
