申请/专利权人：安徽工业大学

申请日：2020-06-19

公开（公告）日：2024-06-21

公开（公告）号：CN111723738B

主分类号：G06V20/69

分类号：G06V20/69;G06V10/82;G06V10/44;G06V10/764;G06N3/0464;G06N3/084;G06N3/096;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2020.10.27#实质审查的生效;2020.09.29#公开

摘要：本发明公开了一种基于迁移学习的煤岩壳质组显微图像分类方法及系统，属于图像处理技术领域，包括以下步骤：S1：采集并扩充样本数量；S2：获取预训练模型；S3：构建煤岩壳质组显微组分识别模型；S4：进行组分识别。在所述步骤S1中，数据增强的过程如下：S11；将获取的样本分为训练集和测试集S12；对训练集中的图像进行随机缩放、随机水平平移、竖直平移，实现数据扩充。本发明基于迁移学习方法通过共享预训练网络中卷积层与池化层的参数完成对目标数据集的训练，使得在壳质组样本量有限的情况下也能训练出一个泛化能力很好的模型，实现了对煤岩壳质图像的有效分类，值得被推广使用。

主权项：1.一种基于迁移学习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：采集并扩充样本数量采集壳质组样本，得到壳质组图像数据集，并对图像数据集进行数据增强，扩充数据集中样本数量；S2：获取预训练模型获取经大型图像数据集训练后的基于卷积神经网络的预训练模型；S3：构建煤岩壳质组显微组分识别模型构建煤岩壳质组识别模型，将预训练模型中的卷积层与池化层参数迁移至所搭建的模型中，并根据煤岩壳质组图像数据集调整全连接层结构再保存模型；在所述步骤S3中，煤岩壳质组显微组分识别模型的构建过程如下：S31：以VGG16网络模型为基础架构，搭建13个卷积层与5个池化层，形成煤岩壳质组识别模型；S32：再在识别模型中搭建2个全连接层与批归一化层；S33：将VGG16网络模型在ImageNet数据集上训练完成的网络参数迁移至识别模型的卷积层和池化层上；S34：将训练集的图像输入到煤岩壳质组识别模型中，设置合适的超参数进行训练，并保存训练好的识别模型；所述VGG16网络模型包括16个权重层，分别为13个卷积层和3个全连接层，13个所述卷积层中的第2、4、7、10、13层均被最大池化层分割，3个所述全连接层的输出特征维数分别为4096、4096、1000；在所述步骤S32中，批归一化层的输入为x：β＝{x1,…，m}，其中x为输入变量，m为最小批次大小，β为引入的可学习重构参数，批归一化层的输出为{yi＝BNγ,βxi}，中y为输出变量，γ为引入的可学习重构参数；批归一化层的运算过程如下：S321：计算批处理数据均值，计算公式为： 其中，μβ为批处理数据的均值；S322：计算批处理数据方差，计算公式为： 其中，为批处理数据方差；S323：归一化，计算公式为： 其中，ε为误差；S324：尺度变换和偏移，计算公式为： S325：返回学习的参数γ和β；S4：进行组分识别利用步骤S3中的煤岩壳质组显微组分识别模型对煤岩壳质组图像数据集进行显微组分识别。

全文数据：

权利要求：

百度查询： 安徽工业大学 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD