嵌入改进注意力机制的镜质组显微亚组分轻量级网络识别模型

为提高煤岩镜质组显微组分的识别准确率和识别模型性能,减少识别模型训练中的人工干预,以轻量级网络模型ShuffleNet V2作为主干网络,提出一种嵌入改进注意力机制的煤岩镜质组显微亚组分识别轻量级深度学习网络模型。首先针对镜质组样本数据量较少的问题,采用随机裁剪、旋转、镜像及加噪等方法对初始样本数据进行增强,提高训练模型泛化能力;然后以大型数据集ImageNet上完成预训练的ShuffleNet V2模型为基础,采用迁移学习的方法对模型进行微调,即在本文增强的镜质组显微图像训练样本集上将预训练模型中靠近输入的若干层冻结,对靠近输出的网络层权值进行微调,生成深层特征提取层;最后在ShuffleNet V2模型的输出部分嵌入通道注意力机制ECA,并根据煤岩镜质组不同显微亚组分图像具有明显纹理差异的特点对注意力机制进行改进,构建端到端的轻量级网络识别模型,实现对煤岩镜质组7类显微亚组分的自动识别。实验结果表明:采用本文方法对煤岩镜质组显微亚组分进行识别,其平均准确率可达97.85%,较之ShuffleNet V2原模型可提升5.71%;与经典的神经网络相比,本文模型具有较高的识别准确率、较少的网络参数和计算量及较快的收敛速度;与其他轻量级网络及嵌入其他注意力机制相比,该网络在保持较少参数量的同时,识别的准确率有明显的提高。

基于迁移学习的煤岩壳质组显微组分识别模型

为了提高煤岩壳质组显微组分的识别准确率,避免分类器构建中特征提取阶段的人工干预,采用深度学习的方法实现煤岩壳质组显微组分类别的自动识别。由于煤岩壳质组样本数有限,采用传统的卷积神经网络构建分类器对其识别容易产生过拟合,泛化能力较差。为解决该问题,提出了一种基于迁移学习的煤岩壳质组显微组分识别模型(分类器)。该模型在传统的卷积神经网络模型基础上,通过迁移学习共享预训练网络模型中卷积层和池化层的权值系数,并结合煤岩壳质组显微图像样本,优化网络模型结构和全连接层参数,进而构建适合于煤岩壳质组显微组分识别的深度学习网络模型。试验结果表明:与由传统神经网络直接构成的深度学习模型相比,本文构建的基于迁移学习的煤岩壳质组识别模型性能和效果均明显提高,尤其是以VGG16作为预训练模型构建的分类器在本文数据集上性能表现最优,其对测试样本识别准确率可达98.10%;由于模型的训练参数减少,模型的训练时间明显缩短,且在较短的训练周期内达到收敛且训练集的识别准确率保持稳定,表明了以VGG16作为预训练模型的分类器在煤岩壳质组识别中具备较好的性能。