深度可分离卷积神经网络miniXception对矿工情绪特征的识别

为准确了解煤矿井下矿工情绪状况,以陕西省某煤矿为研究区,选取并建立矿工表情图像数据集。基于深度可分离卷积神经网络miniXception搭建矿工表情识别模型,对其残差连接进行改进,加入多次标准卷积与轻量化上下采样模块,并提出Exp-FReLU作为网络主分支的激活函数。通过MMA面部表情公共数据集及文中自制数据集对网络进行训练,输出每类表情的识别率并将识别率最高的分类结果视作预测结果。实验分析了训练时间、精确度、召回率、F1分数以及分类准确度混淆矩阵,发现改进miniXception网络对生气、厌恶、恐惧、高兴、沮丧、惊讶以及中性7种表情的识别率分别为86%,76%,67%,97%,63%,88%以及72%;经过100次迭代,模型总体准确率达到0.833,损失值最低降至0.086。研究表明,改进miniXception网络在矿工面部表情的识别问题上具有可行性,能够满足实际应用需要。