第４１卷第１期佳木斯大学学报（自然科学版）Ｖｏｌ．４１Ｎｏ．１２０２３年０１月ＪｏｕｒｎａｌｏｆＪｉａｍｕｓｉＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ）Ｊａｎ．２０２３文章编号：１００８－１４０２（２０２３）０１－０１５９－０４基于改进ＭｏｂｉｌｅＮｅｔＶ３网络煤矸识别方法研究①陈伟ａ，王爽ａ，ｂ，李鑫ｂ，骆启生ｂ，马鑫ｂ（安徽理工大学ａ．机械工程学院，ｂ．矿山智能技术与装备省部共建协同创新中心，安徽淮南２３２００１）摘要：为了解决煤矸识别中经典卷积神经网络有着计算量大、识别速度慢等问题，提出基于改进ＭｏｂｉｌｅＮｅｔＶ３网络对煤和矸石进行识别的方法。以ＭｏｂｉｌｅＮｅｔＶ３模型为基础模型，对激活函数、注意力机制进行改进并对网络层数进行缩减，最后通过测试准确率，Ｆ１分数，浮点运算次数（ＦＬＯＰｓ）作为模型评估的基准，结果表明：改进ＭｏｂｉｌｅＮｅｔＶ３后的测试准确率为９９．５％，Ｆ１分数为０．９９５，ＦＬＯＰｓ为５０４５５００３次，通过该模型与ＭｏｂｉｌｅＮｅｔＶ３，ＥｆｆｉｃｉｅｎｔＮｅｔ，ＡｌｅｘＮｅｔ模型对比，可知该模型的各项指标均高于其他模型，适合做煤矸识别模型。关键词：煤矸识别；图像增强；ＭｏｂｉｌｅＮｅｔＶ３；模型评估中图分类号：ＴＤ９４文献标识码：Ａ０引言煤炭是我国基础能源，在我国的能源结构中处于主导地位［１］，在挖掘煤炭的过程中，原煤中存在着大量的矸石，如果不对煤和矸石进行分选处理，这将严重影响煤的燃烧并造成空气污染［２］，这与我国的绿色矿山发展理念相违背［３］，因此需要对煤和矸石进行分选处理［４］。董庆伟［５］通过ＣＮＮ算法和ＳＶＭ算法在５个ＵＣＩ数据集上做对比，得知ＣＮＮ的识别准确率均高于ＳＶＭ识别准确率；ＰＵ［６］等采用ＶＧＧ１６模型并结合迁移学习的思想对煤和矸石进行识别，测试准确率为８２．５％，该模型虽具有良好的性能，但识别准确率有待提高。目前机器学习［７］和深度学习［８］是煤矸识别的主流算法，机器学习需要人工提取煤和矸石的特征，耗时和识别准确率有待提升，深度学习则是通过卷积神经网络自动提取煤和矸石的特征，省时且识别准确率更高。笔者选用ＣＣＤ相机采集煤和矸石的图像，以深度学习中ＭｏｂｉｌｅＮｅｔＶ３网络模型为基础进行改进，在降低模型复杂程度的同时提高了煤和矸石的识别准确率。１ＭｏｂｉｌｅＮｅｔＶ３模型ＭｏｂｉｌｅＮ...
