基于改進(jìn)反饋神經(jīng)網(wǎng)絡(luò)的煤矸石圖像分類(lèi)模型

閆洪霖

（西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054）

0 引言

煤炭是我國(guó)的主要能源，在能源結(jié)構(gòu)中長(zhǎng)期占據(jù)主導(dǎo)地位[1-2]。煤炭開(kāi)采過(guò)程中，依靠工人經(jīng)驗(yàn)控制采煤機(jī)掘進(jìn)角度時(shí)，易產(chǎn)生矸石。煤矸石混合后會(huì)影響煤炭的熱值，降低利用率；矸石燃燒后會(huì)產(chǎn)生大量有害氣體，加重大氣環(huán)境污染。因此，在煤炭利用前，必須對(duì)煤矸石進(jìn)行分類(lèi)。常用的煤矸石分類(lèi)方法以密度、硬度、紋理等為分類(lèi)特征[3-6]，但此類(lèi)方法成本高、輻射大、維修難，不適宜大規(guī)模投入使用。

隨著深度學(xué)習(xí)的快速發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，基于深度學(xué)習(xí)的圖像處理方法在目標(biāo)分類(lèi)領(lǐng)域應(yīng)用廣泛。文獻(xiàn)[7]提出的ResNet網(wǎng)絡(luò)通過(guò)殘差連接方式解決了卷積層數(shù)加深后的梯度消失問(wèn)題，在保證圖像分類(lèi)準(zhǔn)確率的同時(shí)使神經(jīng)網(wǎng)絡(luò)層數(shù)不斷加深。文獻(xiàn)[8]提出的DenseNet網(wǎng)絡(luò)以前饋連接方式將每一層卷積與該層前面的所有卷積層相連，并將網(wǎng)絡(luò)中連接層數(shù)設(shè)置較小，降低了模型冗余，網(wǎng)絡(luò)模型所需參數(shù)少。文獻(xiàn)[9]提出的MobileNet網(wǎng)絡(luò)基于流線(xiàn)型架構(gòu)，使用深度可分離卷積來(lái)構(gòu)建輕量級(jí)深度神經(jīng)網(wǎng)絡(luò)。然而，上述方法存在分類(lèi)耗時(shí)長(zhǎng)、參數(shù)量大、分類(lèi)精度較低等缺點(diǎn)，難以在模型輕便和分類(lèi)精度上達(dá)到折衷。

反饋神經(jīng)網(wǎng)絡(luò)（Feedback-Net）具有較強(qiáng)的計(jì)算能力，能夠在不加深網(wǎng)絡(luò)層數(shù)、不添加大量參數(shù)的情況下進(jìn)行模型的高效計(jì)算，這一特性有利于實(shí)現(xiàn)模型的輕量化[10-11]。因此，本文提出了基于改進(jìn)Feedback-Net的煤矸石圖像分類(lèi)模型。……