[发明专利]基于卷积神经网络的煤岩壳质组显微图像分类方法及系统

权利要求书

1.基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于，包括以下步骤：

S1：将显微图像输入网络模型

将煤岩壳质组显微图像输入到不同的卷积神经网络模型；

S2：提取语义特征

从LeNet模型中卷积层Conv2和全连接层Ip1和Ip2的特征层以及VGG19模型中全连接层Fc6、Fc7和Fc8的特征层中提取相应的语义特征；

S3：分析各语义特征的分类精度

构建支持向量机分类器进行分类实验，分析由不同网络模型的特征层所提取语义特征的分类精度。

2.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S1中，卷积神经网络模型是一个分层系统，所述分层系统包括多个非线性神经元。

3.根据权利要求2所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：所述卷积神经网络模型包括卷积层、池化层和全连接层，所述卷积层用于对输入数据进行特征提取，所述池化层用于进行特征选择和信息过滤，所述全连接层用于向其它全连接层传递信号。

4.根据权利要求3所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：所述卷积层、池化层和全连接层均具有多个特征图，每个所述特征图为通过一种卷积滤波器提取输入数据的一种特征。

5.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S1中，采用的卷积神经网络模型具体为LeNet模型和VGG19模型，所述LeNet模型包括两个卷积层、两个池化层与两个全连接层，所述VGG19模型包括五个卷积层、五个池化层与三个全连接层。

6.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S2中，LeNet模型中卷积层Conv2和全连接层Ip1和Ip2的特征层的特征维数分别为3200、500、10，VGG19模型中全连接层Fc6、Fc7和Fc8的特征层的特征维数分别为4096、4096、1000。

7.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S3中，支持向量机是以训练误差作为条件优化的分类模型。

8.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S1中，煤岩壳质组包含七个显微组分，分别为孢子体、角质体、沥青质体、木栓质体、树皮体、碎屑体与藻类体，所述孢粉体与角质体均位于垂直层理的切面中，所述孢粉体呈封闭压扁的长环形，所述角质体呈长条带状，其外缘光滑，内缘为锯齿状，所述藻类体呈纺锤形或不规则椭圆形。

9.基于卷积神经网络的煤岩壳质组显微图像分类系统，其特征在于，包括：

输入模块，用于将煤岩壳质组显微图像输入到不同的卷积神经网络模型；

特征提取模块，用于从不同特征层提取相应的语义特征；

分类精度分析模块，用于构建支持向量机分类器进行分类实验，从而分析由不同网络模型的特征层所提取语义特征的分类精度；

中央处理模块，用于向各个模块发送指令，完成相关动作；

所述输入模块、特征提取模块、分类精度分析模块均与中央处理模块电连接。