[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

说明书

本发明公开了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，包括以下步骤：S1：将显微图像输入网络模型；S2：提取语义特征；S3：分析各语义特征的分类精度。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，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。本发明中的卷积神经网络模型直接以原始图像作为输入，对数据进行高层抽象建模，构建复杂的高维空间信息，从训练样本中自动学习特征，从而实现图像语义特征的隐式抽取。

技术领域

本发明涉及图像处理技术领域，具体涉及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。

背景技术

煤岩显微组分结构复杂，其物理化学性质差异在指导煤炭的高效洁净利用方面，有着其 他学科无法替代的优势。因此，从根源出发研究煤岩显微图像各组分特征，实现煤岩显微组 分的分类识别，对煤炭资源的高效清洁化开发利用具有深远的现实意义。

壳质组又被称作类脂组，在煤岩显微图像的三大类别中含量较小，却有着至关重要的地 位。因其较高的氢含量、产烃能力和挥发性能，一直被广泛应用于油气的生成。故针对壳质 组的分类识别极具研究价值。

近年来许多学者对煤显微组分的研究取得了一定的成果：一部分学者通过分析组分区域 及轮廓间的特点，提出了一种基于结构元的煤显微图像轮廓提取方法，能够很好的去除碎屑 组分，获得显微组分的有效轮廓；一部分学者对传统的LBP均匀模式进行改进，用于分析煤 显微图像壳质组的纹理特征，实现了对均质镜质体、基质以及碎屑镜质体的识别；另一部分 学者利用改进后的SUSAN角点检测算法，在检测出壳质组中沥青质体的尖角位置的同时，还 能估算尖角的度数；还有一部分学者采用离散小波变换分解煤岩显微图像，提取频域纹理特 征量，构成特征向量集，结合支持向量机对惰质组各组分进行分类，分类效果明显。还有一 部分学对煤岩惰质组显微图像进行曲波变换，统计各尺度层的系数构成了初始特征集，接着 采用压缩感知算法对高频系数降维，将降维后的系数与原始的低频系数相融合，作为最终特 征集，最后采用支持向量机对其有效性进行验证，分类结果较为满意。

传统的壳质组分类标准仅对亮度、纹理等特征进行定量描述，基于人眼的直观视觉对图 像进行显式的特征抽取，难以使用数学语言对其复杂结构进行更加准确的定量描述。

发明内容

本发明所要解决的技术问题在于：如何解决人工设计的显示特征难以表征图像的问题， 提供了基于卷积神经网络的煤岩壳质组显微图像分类方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

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(SVM)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。

优选的，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。

优选的，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。

优选的，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。