| 煤矸的轻量级智能分选网络 |
| |
| 引用本文： | 王天奇,贾晓芬,杜圣杰,郭永存,黄友锐,赵佰亭.煤矸的轻量级智能分选网络[J].光电子．激光,2023,34(1):19-25. |
| |
| 作者姓名： | 王天奇 贾晓芬 杜圣杰 郭永存 黄友锐 赵佰亭 |
| |
| 作者单位： | 安徽理工大学 电气与信息工程学院,安徽 淮南 232001,安徽理工大学 电气与信息工程学院,安徽 淮南 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 淮南 232001,安徽理工大学 电气与信息工程学院,安徽 淮南 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 淮南 232001,安徽理工大学 电气与信息工程学院,安徽 淮南 232001,安徽理工大学 电气与信息工程学院,安徽 淮南 232001 |
| |
| 基金项目： | 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)和安徽高校协同创新项目(GXXT-2020-54)资助项目 |
| |
| 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%...
|
| 关 键 词： | 煤矸分选 神经网络 幽灵卷积(GC) 高效池化层 自注意机制 |
| 收稿时间： | 2022/3/3 0:00:00 |
| 修稿时间： | 2022/3/25 0:00:00 |
Lightweight intelligent separation network for coal and gangue |
| |
| WANG Tianqi,JIA Xiaofen,DU Shengjie,GUO Yongcun,HUANG Y ourui and ZHAO Baiting.Lightweight intelligent separation network for coal and gangue[J].Journal of Optoelectronics·laser,2023,34(1):19-25. |
| |
| Authors: | WANG Tianqi JIA Xiaofen DU Shengjie GUO Yongcun HUANG Y ourui and ZHAO Baiting |
| |
| Institution: | School of Electrical and Information Engineering,Anhui University of Scienc e and Technology,Huainan,Anhui 232001, China,School of Electrical and Information Engineering,Anhui University of Scienc e and Technology,Huainan,Anhui 232001, China;State Key Laboratory of Mining Response and Disaster Preventio n and Control in Deep Coal Mines,Anhui University of Science and Technology,Huainan,Anhui 232001, China,School of Electrical and Information Engineering,Anhui University of Scienc e and Technology,Huainan,Anhui 232001, China,State Key Laboratory of Mining Response and Disaster Preventio n and Control in Deep Coal Mines,Anhui University of Science and Technology,Huainan,Anhui 232001, China,School of Electrical and Information Engineering,Anhui University of Scienc e and Technology,Huainan,Anhui 232001, China and School of Electrical and Information Engineering,Anhui University of Scienc e and Technology,Huainan,Anhui 232001, China |
| |
| Abstract: | |
| |
| Keywords: | coal gangue sorting neural network ghost convolution (GC) high efficient pooling layer self-attention mechanism |
|
| 点击此处可从《光电子．激光》浏览原始摘要信息 |
| 点击此处可从《光电子．激光》下载免费的PDF全文 |
|
