【技術實現步驟摘要】
本專利技術涉及煤矸石智能檢測，尤其是指一種輕量化的煤矸石智能識別方法及裝置。
技術介紹
1、在煤炭作為全球主要能源的背景下，隨著對清潔生產和高效資源利用的要求日益增加，煤炭開采和加工中的廢料處理，尤其是煤矸石的識別與分離，變得尤為關鍵。煤矸石是煤層及其圍巖中夾雜的不可燃廢石，主要由石英、方解石、硫化物等礦物成分構成。若煤矸石未能在采煤或分選環節中有效分離，將帶來諸多問題，不僅影響煤炭的燃燒效率，還會釋放有毒氣體和重金屬污染土壤和水源。此外，煤矸石堆積占用大量土地資源，處理不當會造成生態破壞。基于此，實現煤矸石的高效自動化分揀是煤炭產業實現節能環保目標的關鍵步驟。
2、傳統的煤矸石的分揀依賴人工操作，工人通過視覺識別將煤與矸石手動分離。然而，這種分工分揀的方式存在顯著缺點：
3、（1）效率低下：人工分揀勞動強度大，分揀速度慢，難以滿足大規模、快速生產的需求；
4、（2）精度不穩定：工人的判斷受疲勞、經驗、光照條件等因素影響，分揀的準確性波動較大；
5、（3）成本高昂：人工分揀的用工成本高，尤其在采礦自動化發展的背景下，人工分揀逐漸成為瓶頸，難以適應現代煤炭企業對高效自動化生產的需求。
6、為了提升分揀效率，一些基于規則的傳統圖像處理方法被用于煤矸石識別。這些方法通常基于煤矸石圖像的顏色、紋理和形態學特征來進行簡單的區分，典型方法包括邊緣檢測、閾值分割、輪廓識別等。然而，由于煤矸石和煤炭的顏色、形狀變化多樣，尤其在存在粉塵、遮擋等復雜條件下，使得這類算法的魯棒性差，識別準確
7、近年來，隨著計算機視覺技術的快速發展，深度學習特別是卷積神經網絡（cnn）在目標檢測、圖像分類等任務中表現出色，為煤矸石識別帶來了新的解決方案。例如，yolo、faster?r-cnn等模型通過多層特征提取實現對圖像中目標的快速識別。然而，直接將這些模型應用于煤矸石識別面臨一些實際挑戰：
8、（1）設備資源受限：煤礦現場通常環境較為惡劣，且資源受限，難以滿足高性能計算設備的運行需求，而yolo等深度學習模型計算復雜度高，難以在邊緣設備或現場工業設備上高效運行；
9、（2）小目標和復雜背景處理困難：煤矸石與煤炭在外觀上可能只有細微差異，尤其在背景復雜、光照不均的環境下（如煤礦的粉塵干擾和不均勻光源），傳統深度學習模型容易漏檢或誤檢；此外，煤矸石常呈小塊、密集分布，傳統檢測模型在處理小目標和密集目標時性能較差；
10、（3）模型過大，難以部署：盡管yolo、detr等模型在實驗室條件下的表現優異，但其參數量龐大，計算開銷高，難以滿足工業現場的部署需求，尤其在邊緣設備上運行時，模型的存儲和運算資源有限，無法支撐復雜深度模型的高效運行；
11、（4）數據不均衡問題：在煤矸石識別任務中，煤炭與煤矸石之間的樣本數目通常不均衡，導致模型在訓練時容易傾向于“背景”或“煤”的特征，而忽略煤矸石，這種類不平衡現象會顯著影響模型的識別準確率。
12、綜上所述，現有的深度學習模型在煤矸石識別任務中存在計算復雜度高、識別精度差的問題。
技術實現思路
1、為此，本專利技術所要解決的技術問題在于克服現有技術中深度學習模型在煤矸石識別任務中存在計算復雜度高、識別精度差的問題。
2、為解決上述技術問題，本專利技術提供了一種輕量化的煤矸石智能識別方法，?包括：
3、構建輕量化煤矸石識別模型，包括基于mobilenetv3網絡構建的骨干網絡、雙向特征金字塔網絡和解碼器；所述解碼器包括特征投影層、查詢選擇器、可變形注意力機制和自適應焦點注意力機制；
4、利用輕量化煤矸石識別模型識別煤矸石圖像中的煤和矸石，包括：
5、將煤矸石圖像輸入至輕量化煤矸石識別模型的骨干網絡，輸出初始特征；將初始特征輸入至雙向特征金字塔網絡，輸出多尺度特征；
6、將多尺度特征輸入至解碼器的特征投影層，得到多尺度特征中每個邊界框的鍵值對和特征序列，將多尺度特征中每個邊界框的特征序列輸入至查詢選擇器，得到多尺度特征中每個邊界框的查詢向量；
7、將多尺度特征中每個邊界框的鍵值對和查詢向量輸入至可變形注意力機制，得到可變形注意力機制的輸出特征；
8、將可變形注意力機制的輸出特征輸入至自適應焦點注意力機制，計算可變形注意力機制的輸出特征中每個邊界框的初始注意力權重，再利用聚焦參數對初始注意力權重進行調整，得到每個邊界框的焦點注意力權重，并計算每個邊界框的偏移量；對所有邊界框的焦點注意力權重和偏移量進行加權求和，得到自適應焦點注意力機制的輸出特征；
9、基于自適應焦點注意力機制的輸出特征，輸出每個邊界框內煤和矸石的識別結果。
10、優選地，所述骨干網絡包括沿正傳播方向依次連接的初始卷積層、歸一化和激活層、mobilenetv3網絡和1×1卷積層。
11、優選地，所述mobilenetv3網絡包括依次連接的幽靈模塊、bottleneck模塊、二維卷積層、平均池化層、全連接層和輸出層。
12、優選地，采用幽靈模塊代替bottleneck模塊中的深度可分離卷積。
13、優選地，將可變形注意力機制的輸出特征輸入至自適應焦點注意力機制，對可變形注意力機制的輸出特征中每個邊界框進行線性變換，得到每個邊界框的查詢向量、鍵向量和值向量，計算每個邊界框的初始注意力權重，公式為：
14、；
15、其中，表示第k個邊界框的初始注意力權重，表示第k個邊界框的查詢向量，表示第k個邊界框的鍵向量的轉置，表示第k個邊界框的鍵向量的維度；
16、利用聚焦參數對初始注意力權重進行調整，得到每個邊界框的焦點注意力權重，公式為：
17、；
18、其中，為第k個邊界框調整后的焦點注意力權重，為邊界框的總數量，為聚焦參數；
19、計算每個邊界框的偏移量，公式為：
20、；
21、其中，表示第k個邊界框的偏移量，表示第k個邊界框的查詢向量，表示第k個邊界框的鍵向量，表示可學習的偏移量生成函數；
22、對所有邊界框的焦點注意力權重和偏移量進行加權求和，得到自適應焦點注意力機制的輸出特征，公式為：
23、；
24、其中，表示自適應焦點注意力機制的輸出特征，表示第k個邊界框的位置，表示第k個邊界框偏移后的值向量。
25、優選地，當輸入輕量化煤矸石識別模型的煤矸石圖像為時序圖時，所述自適應焦點注意力機制為時序動態自適應焦點注意力機制，包括：
26、將當前時間步煤矸石圖像的可變形注意力機制的輸出特征輸入至時序動態自適應焦點注意力機制，對可變形注意力機制的輸出特征中每個邊界框進行線性變換，得到每個邊界框的查詢向量、鍵向量和值向量，計算每個邊界框的初始時序注意力權重，公式為：
27、；
28、其中，t表示當前本文檔來自技高網...
【技術保護點】
1.一種輕量化的煤矸石智能識別方法，其特征在于，包括：
2.根據權利要求1所述的一種輕量化的煤矸石智能識別方法，其特征在于，所述骨干網絡包括沿正傳播方向依次連接的初始卷積層、歸一化和激活層、MobileNetV3網絡和1×1卷積層。
3.根據權利要求2所述的一種輕量化的煤矸石智能識別方法，其特征在于，所述MobileNetV3網絡包括依次連接的幽靈模塊、Bottleneck模塊、二維卷積層、平均池化層、全連接層和輸出層。
4.根據權利要求3所述的一種輕量化的煤矸石智能識別方法，其特征在于，采用幽靈模塊代替Bottleneck模塊中的深度可分離卷積。
5.根據權利要求1所述的一種輕量化的煤矸石智能識別方法，其特征在于，將可變形注意力機制的輸出特征輸入至自適應焦點注意力機制，對可變形注意力機制的輸出特征中每個邊界框進行線性變換，得到每個邊界框的查詢向量、鍵向量和值向量，計算每個邊界框的初始注意力權重，公式為：
6.根據權利要求1所述的一種輕量化的煤矸石智能識別方法，其特征在于，當輸入輕量化煤矸石識別模型的煤矸石圖像為時序圖時
7.根據權利要求1所述的一種輕量化的煤矸石智能識別方法，其特征在于，采用兩階段訓練策略訓練所述輕量化煤矸石識別模型，包括：
8.根據權利要求7所述的一種輕量化的煤矸石智能識別方法，其特征在于，第二階段訓練輕量化煤矸石識別模型的總損失函數包括匈牙利損失和自定義加權損失。
9.根據權利要求8所述的一種輕量化的煤矸石智能識別方法，其特征在于，所述自定義加權損失的公式為：
10.一種輕量化的煤矸石智能識別裝置，其特征在于，包括：
...【技術特征摘要】
1.一種輕量化的煤矸石智能識別方法，其特征在于，包括：
2.根據權利要求1所述的一種輕量化的煤矸石智能識別方法，其特征在于，所述骨干網絡包括沿正傳播方向依次連接的初始卷積層、歸一化和激活層、mobilenetv3網絡和1×1卷積層。
3.根據權利要求2所述的一種輕量化的煤矸石智能識別方法，其特征在于，所述mobilenetv3網絡包括依次連接的幽靈模塊、bottleneck模塊、二維卷積層、平均池化層、全連接層和輸出層。
4.根據權利要求3所述的一種輕量化的煤矸石智能識別方法，其特征在于，采用幽靈模塊代替bottleneck模塊中的深度可分離卷積。
5.根據權利要求1所述的一種輕量化的煤矸石智能識別方法，其特征在于，將可變形注意力機制的輸出特征輸入至自適應焦點注意力機制，對可變形注意力機制的輸出特征中每個邊界...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。