基于卷积神经网络的煤岩识别研究

章 华 王 静 黄小平 金 建 闪静洁

（安徽新华学院电子通信工程学院 安徽合肥 230088）

煤是重要能源，是工业生产的重要原料，但近年来，煤矿事故频发，且多发生在采掘工作面，为了减少煤矿事故，保证煤矿的安全生产，必须减少采掘现场的工作人员。目前已经实现了煤的无人自动切割，但是井下除了煤还有岩石，所以要真正实现采掘工作面无人开采，煤岩识别则是实现无人采煤的关键技术之一[1]。同时，实现煤岩自动识别，能够避免采煤机切割岩石，降低切割机的磨损率，降低煤中含矸量，减少丢煤、提高资源产出率。

本文提出的利用图像技术进行煤岩识别，是基于卷积神经网络的煤岩石识别。以往的图像识别都是通过图像预处理提取煤和岩石的特征，再进行分类识别。本方法无需预复杂的图像处理，可直接输入图像，克服传统的图像分类识别需要人工提取特征的缺点。把原始图像作为输入，进而学习相应的特征[2]。

一、卷积神经网络

卷积神经网络，简称CNN，是一种前馈神经网络，对于一些大型的图像处理表现突出[3]。其网络结构包括输入层、卷积层、下采样层、全连接层和输出层，如图1所示。其中，卷积层可以和下采样层一起组成多个卷积组，对图像进行逐层提取特征，最后通过全连接层完成图像的分类识别。卷积层可以认为是受局部感受野启发完成响应的操作。下采样层的作用则主要是为了降低数据维度。总的来讲，卷积神经网络通过卷积来区分特征，且通过卷基层的权值共享和下采样层的池化来减小整个网络参数的数量级，最后利用传统神经网络完网络结构如下图1所示。

图1 卷积神经网络的结构模型

（一）卷积层。卷积层的主要作用是学习输入的特征表示。由几个特征图（feature maps）组成。每个特征图的神经元和与它前一层的临近神经元相连，形成一个局部感知野。一般要计算一个新的特征图，则输入特征图首先要与一个学习好的卷积核做卷积，卷积核被称为滤波器，又叫做特征检测器，卷积后再将结果传递给一个非线性激活函数。与不同的卷积核卷积得到新的不同特征图。其中，生成一个特征图的核是相同的，即权值共享，这样的权值共享模式能够降低模型的复杂度，能够使得网络更加容易训练。而激活函数用来描述卷积神经网络的非线性度，其检测多层网络非线性特征非常准确。典型的激活函数有sigmoid、tanh[4]。

（二）下采样层。下采样层的作用是实现空间不变，其主要途径是是降低特征图的分辨率。下采样层通常处在两个卷积层之间。每个下采样层的特征图是和与它对应的的前一个卷积层的特征图相连的，所以，其特征图的数量是相同的。一般将几个卷积层和下采样层进行叠加起来就可以实现更抽象的特征表示提取[5]。通过下面的公式，每个输入特征图下采样得到输出特征图。

其中，下采样层1的第j个通道的净激活是ulj，该净激活由前一层输出特征图xl-1j进行下采样和偏置求得，β表示下采样层所占的权重系数，而blj则表示下采样层的偏置项。down(·)是下采样函数，该函数首先利用滑动窗口法将输入特征图xl-1j划分为多个不重叠的n×n图像块。再对每个图像块内的像素进行求和、求平均值或者求最大值，就这样，输出图像在两个维度上都缩小了n倍。

（三）全连接层。全连接层的作用是对原始图像的一种高级抽象。是在卷积层和下采样层处理之后，将所有的神经元与当前层的每个神经元连接在一起，也就是与标准神经网络之间的各层进行相连接。在全连接网络中，所有二维的特征图最后会被拼接为一维特征而作为全连接网络的输入。全连接层1的输出可通过对输入加权求和并通过相应的激活函数响应得到[6]。

其中，ul称为全连接层1的净激活，它由前一层输出特征图xl-1进行加权和偏置后达到。wl是全连接网络的权重系数，bl是全连接层1的偏置项。

二、基于卷积神经网络煤岩识别分类

本研究所设计的卷积神经网络主要由2个卷积层、2个下采样层和一个全连接层组成，取卷积核为5*5，池化矩阵的大小为4*4。卷积神经网络在分类过程中的的工作流程，包括训练过程、测试过程以及验证过程三大部分，在进行分类识别之前，为了提高处理速度以及规范输入样本；对图像进行简单的预处理，包括图像的灰度化和数据的归一化操作。图2是卷积神经网络提取特征的过程，输入的图像大小（像素）为500*500，第一个卷积层（C1）通过在特征空间重构可获得6个大小为496*496特征映射C1，再经过下采样层（S1）的池化作用后又得到的6个特征映射，其大小为124*124。下采样层S1的特征映射再经过卷积之后得到含有12个大小为120*120的特征映射的C2。卷积层C2通过池化作用后得到含有12个大小为30*30的特征映射S2。

图2 卷积神经网络图像特征提取过程

三、实验结果及分析

实验全部在MatLab2018环境下完成，windows10操作系统，intel core CPU。主频3.30GHz、内存8GB。本文实验所用图像均取自井下采煤现场，是通过在采煤机上安装摄像头获取，图像大小500*500，其中煤的图像1000张，岩石图像1000张，分别从煤和岩石的图像中各取800张作为测试集，并将剩余的200张煤的图像和200张岩石图像作为训练集，再从总体样本2000幅图像中随机选取1000张图像作为最后训练过程中的验证集，得到的实验结果如表1所示，煤岩识别的准确率达到98.9%。

表1 基于卷积神经网络的煤岩分类识别实验结果

四、结语

本文结合煤矿实际，突出煤岩识别的重要性，提出了利用卷积神经网络识进行煤岩识别的新方法。对获取的煤和岩石图像进行训练、测试和验证，最后所得到的结果与实际相符，充分说明了该方法对煤岩识别的准确性，有一定的推广应用价值前景。