基于改进深度残差网络的矿井图像分类

作者：程德强; 王雨晨; 寇旗旗^*; 付新竹; 陈亮亮; 赵凯

来源：计算机应用研究, 2021, 38(05): 1576-1580.

DOI：10.19734/j.issn.1001-3695.2020.05.0151

• 图像分类
• 去噪网络
• 残差网络
• 损失函数

精确煤矸分类及识别能力是煤矿智能煤矸分选机器人要解决的关键问题。在通过深度学习图像分类方法的检测煤矸石中,为克服当前残差网络计算量大、复杂度高以及信息丢失的问题,提出了基于改进深度残差网络的图像分类方法。并提出了一种新的损失函数soft-center loss,克服由于softmax分类器对特征的区分判别能力差以及易造成模型过度自信的问题。同时在图像预处理阶段利用CBDNet去噪网络,提高了井下图像的质量,进一步提升了煤矸分类的准确率。实验结果表明,基于改进深度残差网络分类模型相比于其他分类网络模型在井下图像分类准确率提高了4.12%,在公开数据集CIFAR-10准确率提高了1.5%。

• 单位
  中国矿业大学; 中国矿业大学（北京）