[发明专利]一种面向煤矸识别的人在回路主动感知方法

权利要求书

1.一种面向煤矸识别的人在回路主动感知方法，其特征在于，包括以下步骤：

对煤矸石图像进行人工标定处理，得到初步的煤矸石标签图像；

将初步的煤矸石标签图像输入至半监督主动学习模型进行迭代训练，得到训练后的半监督主动学习模型；

根据所述训练后的半监督主动学习模型进行煤矸石图像识别处理，得到煤矸石分割图像。

2.根据权利要求1所述一种面向煤矸识别的人在回路主动感知方法，其特征在于，所述对煤矸石图像进行人工标定处理，得到初步的煤矸石标签图像这一步骤，其具体包括：

通过相机对现场煤矸石进行拍摄处理，得到煤矸石图像；

通过人工方法，对煤矸石图像中的煤块和煤矸石进行区别标定处理，得到初步的煤矸石标签图像。

3.根据权利要求2所述一种面向煤矸识别的人在回路主动感知方法，其特征在于，所述将初步的煤矸石标签图像输入至半监督主动学习模型进行迭代训练，得到训练后的半监督主动学习模型这一步骤，其具体包括：

将初步的煤矸石标签图像输入至半监督主动学习模型；

基于半监督主动学习模型的主干网络，对初步的煤矸石标签图像进行特征提取处理，得到特征煤矸石标签图像；

基于半监督主动学习模型的还原网络，对特征煤矸石标签图像进行特征融合处理，得到融合后的特征煤矸石标签图像；

基于半监督主动学习模型的卷积层，对融合后的特征煤矸石标签图像进行卷积操作处理，得到训练结果；

根据训练结果判断，判断到所述训练结果满足预设条件，得到训练后的半监督主动学习模型。

4.根据权利要求3所述一种面向煤矸识别的人在回路主动感知方法，其特征在于，所述基于半监督主动学习模型的主干网络，对初步的煤矸石标签图像进行特征提取处理，得到特征煤矸石标签图像这一步骤，其具体包括：

将初步的煤矸石标签图像输入至半监督主动学习模型的主干网络，所述半监督主动学习模型的主干网络包括五个特征提取层；

基于第一特征提取层，对初步的煤矸石标签图像进行二次卷积操作处理与最大池化处理，得到第一特征煤矸石标签图像；

基于第二特征提取层，对初步的煤矸石标签图像进行二次卷积操作处理与最大池化处理，得到第二特征煤矸石标签图像；

基于第三特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理与最大池化处理，得到第三特征煤矸石标签图像；

基于第四特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理与最大池化处理，得到第四特征煤矸石标签图像；

基于第五特征提取层，对初步的煤矸石标签图像进行三次卷积操作处理，得到第五特征煤矸石标签图像；

整合上述第一至第五特征煤矸石标签图像，得到特征煤矸石标签图像。

5.根据权利要求4所述一种面向煤矸识别的人在回路主动感知方法，其特征在于，所述基于半监督主动学习模型的还原网络，对特征煤矸石标签图像进行特征融合处理，得到融合后的特征煤矸石标签图像这一步骤，其具体包括：

将特征煤矸石标签图像输入至半监督主动学习模型的还原网络，所述半监督主动学习模型的还原网络包括五个特征融合层；

基于第一特征融合层，对第五特征煤矸石标签图像进行上采样操作处理，得到上采样后的第五特征煤矸石标签图像；

基于第二特征融合层，将上采样后的第五特征煤矸石标签图像与第四特征煤矸石标签图像依次进行融合处理、二次卷积操作处理和长采样操作处理，得到上采样后的第四特征煤矸石标签图像；

基于第三特征融合层与第四特征融合层循环上述第二特征融合层的处理步骤，得到上采样后的第二特征煤矸石标签图像；

基于第五特征融合层，将上采样后的第二特征煤矸石标签图像与第一特征煤矸石标签图像依次进行融合处理和二次卷积操作处理，得到融合后的特征煤矸石标签图像。