煤矸的轻量级智能分选网络

作     者：王天奇 贾晓芬 杜圣杰 郭永存 黄友锐 赵佰亭 WANG Tianqi;JIA Xiaofen;DU Shengjie;GUO Yongcun;HUANG Yourui;ZHAO Baiting

作者机构：安徽理工大学电气与信息工程学院安徽准南232001 安徽理工大学省部共建深部煤矿采动响应与灾害防控国家重点实验室安徽准南232001 

出 版 物：《光电子．激光》 (Journal of Optoelectronics·Laser)

年 卷 期：2023年第34卷第1期

页      面：19-25页

学科分类：081901[工学-采矿工程] 081902[工学-矿物加工工程] 0819[工学-矿业工程] 08[工学] 

基　　金：国家自然科学基金面上项目(52174141) 安徽省自然科学基金面上项目(2108085ME158) 安徽省重点研究与开放计划(202104a07020005) 安徽高校协同创新项目(GXXT-2020-54)资助项目 

主　　题：煤矸分选 神经网络 幽灵卷积(GC) 高效池化层 自注意机制 

摘      要：针对现有煤矸分选方法存在模型复杂、实时性差、特征易丢失等问题,构建了一种轻量化煤矸分选网络GC-ResNet18。GC-ResNet18利用幽灵卷积(ghost convolution, GC)线性生成ghost映射的特性,剔除煤和矸石相似性特征的冗余信息。借助Softpool的下采样激活映射,保留、凸显煤和矸石的特征信息并去除冗余参数,防止过拟合现象。引入GC自注意力机制,融合SENet的轻量化和NLNet长距离信息全局捕获的优势,使网络记忆、放大煤矸图像间的细微差异特征,提升煤矸图像的识别准确率。实验结果表明,GC降低了46.6%的参数量,GC自注意力机制在CIFAR10、CIFAR100上分别提升1.44%、2.32%的准确率,而Softpool池化在上述两个数据集中分别提升了0.22%、0.17%。通过对比实验,全面改进后的GC-ResNet18网络在训练效率和分类精度上优于VGG19-S-GDCNN、SBP-VGG-16等模型,在CIFAR10和CIFAR100数据集中的分类精度与同规模的网络相比均达到最优的94.07%和74.95%,并最终在自建煤矸数据集上达到了97.2%的分类准确率。