一种基于TFL-ResNet的残药智能识别方法技术

本发明专利技术涉及一种基于TFL

【技术实现步骤摘要】
一种基于TFL
‑
ResNet的残药智能识别方法


[0001]本专利技术涉及一种基于TFL
‑
ResNet的残药智能识别方法，属于爆破残药检测


技术介绍

[0002]工程爆破技术的不断发展促的同时随之而来也出现了盲炮、哑炮等情况，易引发二次爆炸。盲炮是爆破安全领域危害最大的部分。民爆行业经济效益受到影响、爆破员生命安全受到威胁。
[0003]然而，现有的工程爆破残药检测方法靠人工挖孔找药，过于传统，智能化程度不够难以发现工程爆破残药的位置和数量。

技术实现思路

[0004]本专利技术针对爆破残药检测的问题，提供一种基于TFL
‑
ResNet的残药智能识别方法，即利用AI智能图像识别系统处理采集的图片并且判别是否有残药存在，基于迁移学习和Focal loss损失函数对Res
‑
Net50网络结构进行改进后，得到残药图像识别模型TFL
‑
ResNet，不仅可处理梯度消失问题，还可提高训练速度、降低训练误差，实现全过程自动化识别残药。
[0005]一种基于TFL
‑
ResNet的残药智能识别方法，具体步骤如下：
[0006](1)采用3D感深高清摄像头采集工程爆破后残药留存的图像得到残药图像样本集；残药图像样本集中含有3000张以上残药图像；
[0007](2)将步骤(1)残药图像样本集的残药图像进行归一化和图像像素值预处理转化为固定尺寸图像，再划分为训练集、验证集和测试集；
[0008](3)对步骤(2)训练集的残药图像进行平移、旋转、放缩、错切、垂直或水平镜像的数据增强处理得到增强训练集；
[0009](4)建立ResNet50残药检测网络模型，其中ResNet50残药检测网络模型中含有49个卷积层和1个全连接层；
[0010](5)将步骤(3)增强训练集的残药图像对ResNet50残药检测网络模型进行特征学习，通过卷积层、池化层、全连接层输出学习到的特征；通过误差反向传播进行网络参数的更新和边缘信息权重系数α的更新，采用随机梯度下降的方法进行优化，使最小化传播差达到阈值形成预训练网络模型；
[0011](6)确定损失函数为Focal loss损失函数以解决分类问题中类别不平衡和分类难度的差异，使训练的模型可在黑暗环境中辨别残药情况；
[0012](7)基于迁移学习和Focal loss损失函数对ResNet50残药检测网络结构进行改进得到残药图像识别模型TFL
‑
ResNet；
[0013](8)将步骤(5)预训练网络模型的网络参数迁移至步骤(7)残药图像识别模型TFL
‑
ResNet，增强训练集中的残药图像输入残药图像识别模型TFL
‑
ResNet中对模型进行训练，
经Softmax分类器进行分类并输出预测结果得到优化残药图像识别模型TFL
‑
ResNet；
[0014]具体的，增强训练集中的残药图像经过一个7
×
7的卷积层，进行批量归一化、激活处理，依次经过3
×
3最大池化层、4个残差学习块、一个平均池化层，再经Flatten层将多维输出一维化，一维化输出的非线性组合特征经全连接层进行学习，再经Softmax分类器进行分类并输出预测结果；
[0015](9)采用测试集的残药图像对优化残药图像识别模型TFL
‑
ResNet进行残药图像预测，采用不同图像的精确率(Preci
‑
sion)、召回率(Recall)和F－度量值(F－Measure，F1)计算预测结果，其中
[0016][0017][0018][0019]若精确率(Preci
‑
sion)、召回率(Recall)和F－度量值(F－Measure，F1)中任一项低于80％，则判定残药不存在；
[0020](10)采用验证集的残药图像对优化残药图像识别模型TFL
‑
ResNet进行模型验证。
[0021]所述步骤(2)训练集、验证集和测试集的图像数据比为6:2:2。
[0022]所述步骤(4)ResNet50残药检测网络模型中第二阶段至第五阶段中的IDBLOCK为不改变维度的残差块，CONVBLOCK为添加维度的残差块，每个残差块包含3个卷积层。
[0023]所述步骤(4)ResNet50残药检测网络模型的表达式为
[0024]y
l
＝h(x
l
)+F(x
l
,W
l
)
[0025]x
l
+1＝f(y)
[0026]式中，x
l
和x
l
+1分别表示第1个残差单元的输入和输出，F为残差函数，h(x
l
)＝xl表示恒等映射，f为ReLU激活函数；
[0027]残差结构表达式为
[0028]χ
l+1
＝χ
l
+F(x
l
,W
l
)
[0029]式中，x
l
和x
l
+1分别表示第1个残差单元的输入和输出，F为残差函数；
[0030]从浅层1到深层L的学习特征为：
[0031][0032]为残差函数，即任何单元L和l之间都具有残差特性；
[0033]即对于任意深的单元L的特征χ
L
表示为浅层单元l的特征χ
l
加上残差函数
[0034]所述步骤(5)网络参数包括权重和偏置。
[0035]所述步骤(6)Focal loss损失函数表达式为
[0036]FL(pt)＝
‑
(1
‑
pt)γlg(pt)
[0037]式中，pt为样本属于某个类别的概率，γ为聚焦参数，γ≥0；(1
‑
pt)γ为调制系数。
[0038]本专利技术的有益效果是：
[0039](1)本专利技术方法采用智能算法能够准确地识别爆破后残药的存在，有助于保障爆破员的生命安全，可改变以往靠人工挖孔找药的局面，解决光线不足，识别率低，数据无法传输，效率低等难题，给井下矿工安全提供保障，加快巷道掘进效率；
[0040](2)本专利技术方法作为深度学习中权值共享的多层神经网络架构，可直接将原始图像作为输入，减少手工提取特征流程，具有先进性、智能化、便携性、高效性等特点；
[0041](3)本专利技术方法在矿山爆破施工中能够快速、准确的识别出炮孔中是否有残留的炸药，并将数据以表格的形式展现出来，检测识别结果清晰明了，方便读取；
[0042](4)本专利技术方法可解决地下矿山恶劣、黑暗环境给检测带来的困难，可应用性和推广性强。
附图说明
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TFL
‑
ResNet的残药智能识别方法，其特征在于，具体步骤如下：(1)采用3D感深高清摄像头采集工程爆破后残药留存的图像得到残药图像样本集；(2)将步骤(1)残药图像样本集的残药图像进行归一化和图像像素值预处理转化为固定尺寸图像，再划分为训练集、验证集和测试集；(3)对步骤(2)训练集的残药图像进行平移、旋转、放缩、错切、垂直或水平镜像的数据增强处理得到增强训练集；(4)建立ResNet50残药检测网络模型，其中ResNet50残药检测网络模型中含有49个卷积层和1个全连接层；(5)将步骤(3)增强训练集的残药图像对ResNet50残药检测网络模型进行特征学习，通过卷积层、池化层、全连接层输出学习到的特征；通过误差反向传播进行网络参数的更新和边缘信息权重系数α的更新，采用随机梯度下降的方法进行优化，使最小化传播差达到阈值形成预训练网络模型；(6)确定损失函数为Focal loss损失函数以解决分类问题中类别不平衡和分类难度的差异；(7)基于迁移学习和Focal loss损失函数对ResNet50残药检测网络结构进行改进得到残药图像识别模型TFL
‑
ResNet；(8)将步骤(5)预训练网络模型的网络参数迁移至步骤(7)残药图像识别模型TFL
‑
ResNet，增强训练集中的残药图像输入残药图像识别模型TFL
‑
ResNet中对模型进行训练，经Softmax分类器进行分类并输出预测结果得到优化残药图像识别模型TFL
‑
ResNet；(9)采用验证集的残药图像对优化残药图像识别模型TFL
‑
ResNet进行模型验证，并采用测试集的残药图像对优化残药图像识别模型TFL
‑
ResNet进行测试。2.根据权利要求1所述基于TFL
‑
ResNet的残药智能识别方法，其特征在于：步骤(2)...

【专利技术属性】
技术研发人员：李祥龙，周青莲，王建国，黄永辉，陶子豪，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：