申请/专利权人：安徽理工大学

申请日：2022-05-16

公开（公告）日：2024-06-21

公开（公告）号：CN114882281B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/774;G06V10/82;G06V10/56;G06V10/54;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.06.21#授权;2022.08.26#实质审查的生效;2022.08.09#公开

摘要：本发明公开了一种煤矸的轻量级智能分选模型、方法、设备及存储介质，智能分选模型依次由初级特征提取模块、残差模块和图像分类模块构成。初级特征提取模块中使用高效池化层Softpool，保留、凸显煤和矸石的特征信息并去除冗余参数，从而更好的保证输入特征的完整性；残差模块中引入GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势，使网络记忆、放大煤矸图像间的细微差异特征；图像分类模块接收残差模块提取的有效特征，并利用softmax分类层得到对煤和矸石的分类结果。本发明侧重于提取煤和矸石的灰度和纹理特征信息的差异，能实现高效率、高精度、低消耗、低人力的识别效果，对实现煤矸石精准分选工作具有重要意义。

主权项：1.一种煤矸的轻量级智能分选模型构建方法，其特征在于，依次包括：初级特征提取模块、残差模块和图像分类模块；所述初级特征提取模块中使用高效池化层Softpool，保留、凸显煤和矸石的特征信息并去除冗余参数，从而更好的保证输入特征的完整性；所述残差模块中引入GC注意力机制，融合SENet的轻量化和NLNet长距离信息全局捕获的优势，使网络记忆、放大煤矸图像间的细微差异特征；所述残差模块由4个依次相连的GCR块组成，GCR块的卷积层全部是幽灵卷积，且在每个残差连接中都插入了GCblock自注意模块；所述幽灵卷积的内部线性运算能够强化输入数据的区分能力，利用煤和矸石相似性之间的冗余信息，线性地生成ghost映射，可以实现对同类图像特征的快速、全面的学习；在每个独立的残差模块中，利用不同大小的卷积核逐步提取特征信息，利用可变步长卷积实现图像通道信息的维数增减，前后层的信息流通过残差连接进行监督和加强；所述GCR块中的GCblock负责记忆并放大煤和矸石之间的细微差异特征，并提醒网络在特征提取过程中重点学习这种差异特征；所述GCblock是一种全局上下文建模构件，内部包含上下文建模模块ContextModeling和信息转换模块Transform；所述上下文建模模块ContextModeling用来捕获输入图像全局特征通道信息间的相关依赖性，进而实现通道注意力机制的效果；所述信息转换模块Transform接收上下文建模模块的输出，使用两个1×1卷积层完成特征信息的瓶颈转换，其目的是模仿SEblock中瓶颈结构来有效减少参数量；所述GCblock在有效降低参数量的同时实现全局通道信息间的自我关注机制，通过在残差连接中引入GC自注意模块，实现煤矸的高精度、高效率分类识别；所述图像分类模块接收残差模块提取的有效特征，并利用softmax分类层得到对煤和矸石的分类结果。

全文数据：

权利要求：

百度查询： 安徽理工大学 煤矸的轻量级智能分选模型、方法、设备及存储介质

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