利用改进AlexNet卷积神经网络识别石墨

为促进矿业领域向信息化、智能化的方向转变,实现对石墨的智能识别尤为关键.针对人工识别石墨花费时间长、效率低等问题,提出了一种改进的AlexNet网络应用于石墨的图像识别.首先通过随机裁剪、依概率水平翻转和归一化处理等手段对数据集进行图像预处理达到数据增强的目的;然后采用激活函数ReLU6压缩动态范围,使算法更稳健;运用批标准化算法进行归一化加快收敛速度;修改卷积核的大小增强泛化能力;在全连接层加上dropout正则化进一步防止过拟合.在仿真实验中,与已有方法进行比较,所给方法降低了损失值,提高了石墨的识别平均准确率.

利用迁移学习和焦点损失卷积神经网络的石墨分类

为了使得优质石墨资源得到优质优用,提出利用迁移学习和焦点损失卷积神经网络的石墨分类识别算法.在自建的初始数据集基础上,通过对数据集的离线扩充与在线增强,有效扩大数据集并减低深层CNN过拟合的风险.以VGG16、ResNet34和MobileNet V2为基础模型,重新设计新的输出模块载入全连接层,提高了模型的泛化能力与鲁棒性;结合焦点损失函数,修改模型超参数并在石墨数据集上训练.实验仿真发现,本文所提方法的准确率均在95%以上,识别准确率提高,收敛速度加快,模型更加稳定,证明了所提算法的可行性与有效性.

多模型加权融合机制的石墨纯度识别

针对人工识别的效率低及单一卷积神经网络提取特征的遗漏问题,提出了多模型加权融合机制的石墨纯度识别算法.在自建小样本数据集上,进行离线扩充和在线增强,提高模型的泛化能力,减少深层CNN的过拟合问题;结合迁移学习,利用优化的AlexNet和ResNet50构建双通道卷积神经网络,提取石墨图像的深层次特征,并将两者的特征进行加权融合后,使用SoftMax分类器进行分类.实验结果表明,经过加权融合后的识别准确率均优于单一网络,达到97.94%,同时模型的稳定性增强,收敛速度加快,证明了所提算法的可行性与有效性.