[发明专利]一种基于自主学习和深度学习的矿石粒度检测方法和系统

权利要求书

1.一种基于自主学习和深度学习的矿石粒度检测方法，其特征在于，包括下列步骤：

1)矿石图像数据获取、标注，构建矿石粒度检测训练样本集与测试样本集；

所述的构建矿石粒度分级训练样本集与测试样本集，包括：通过高清工业相机或高清摄像机获取胶带输送机传送过程中的矿石图像，选取少量样本，并进行专业技术人员标注；

2)对矿石粒度训练样本数据集进行图像预处理、增强图像效果和降低图像噪声；

所述的对矿石粒度训练样本数据集进行图像预处理，包括：对原始数据集进行灰度化处理；利用中值滤波消除孤立的噪声点；利用直方图均衡处理图片，增加图像对比度。

3)胶带输送机工作状态进行识别：建立ResNet50模型识别区分胶带停止、空转和载料正常转三种工作状态；

4)根据深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度训练样本数据集进行分级；

5)建立自主学习机制，进行模型迭代与优化；

6)使用训练好的模型对矿石粒度进行在线实时检测。

2.根据权利要求1所述的基于自主学习和深度学习的矿石粒度检测方法，其特征在于，所述的步骤3)对胶带输送机工作状态进行识别，包括：

3.1)建立ResNet50模型，将步骤2中预处理过的图像集进行二分类，第一类表示胶带输送机静止或者胶带输送机空转，对应矿石级别0，第二类表示胶带输送机正常工作且胶带上有矿石进行运输，对应矿石级别1-4；

3.2)读取二分类后的矿石图像和对应标签，然后载入预训练模型ResNet50，并将训练图像经过网络运算得到数据，不包含顶部的全连接层，保存训练好的模型文件，用于后续二分类预测；

3.3)使用训练后的ResNet50模型对图像进行分类预测并输出分类结果，如果判定此图像为第一类，则删除该图片；如果判定为第二类，再利用步骤4中卷积神经网络模型进行更细粒度级别的划分。

3.根据权利要求1所述的基于自主学习和深度学习的矿石粒度检测方法，其特征在于，所述的步骤4)根据深度学习中的卷积神经网络算法建立卷积神经网络模型对矿石粒度样本数据集进行分级，包括下列步骤：

4.1)输入已经构建好的数据集；

4.2)将权值W和偏置b置成[0，1]的随机值，并初始化参数和学习率，通过输入图像的大小设定卷积核大小和网络结构层数，并使用实验的方式设定批量样本数为32和迭代次数为50次，同时确定隐层特征图个数；

4.3)从训练数据库中取一个批量样本输入到训练网络中；

4.4)计算中间层输出向量和整个网络实际的输出向量；

4.5)将输出向量中的元素和标签中的向量进行比较，计算输出误差，以及中间隐层的误差；

4.6)计算出各权值的调整量△W和偏置△b；

4.7)使用adam方法更新权值和偏置；

4.8)当迭代次数满足设定即转入步骤4-9，如果不满足返回步骤4-3，继续迭代；

4.9)训练结束,

所述的输入图像的大小为1280像素×960像素，卷积核大小为3*3，批量样本数设定为32，迭代次数为50，学习率设定为0.1％。

4.根据权利要求1所述的基于自主学习和深度学习的矿石粒度检测的方法，其特征在于，所述的步骤5)建立自主学习机制，进行矿石粒度分级模型迭代与优化，包括下列步骤：

5.1)使用步骤4训练好的模型对未标记图像进行分类预测，得到分类结果和对应概率；

5.2)计算近邻熵；对CNN模型计算出来的每一类的得分进行归一化处理，归一化公式如下：

其中n表示分类的个数，i属于(1，n)，Zj表示CNN模型计算出来的第j类的得分，f(Zj)则表示该分类的概率；

5.3)选定合适的阈值，根据阈值评判近邻熵，如果近邻熵小于阈值，则说明分类器对于该样本的分类具有很大的不确定性，选择其作为自主学习的样例；否则遗弃该样本；

5.4)对于步骤5-3筛选出来的样本，并进行专业技术人员标注；

5.5)使用标注的新样本对模型进行迭代训练，直到模型达到设定的精度。