基于深度学习的矿岩图像识别技术研究

 　　矿石与废石预先分选在矿物加工工艺中占有重要位置，尤其是在中国矿产资源日益贫化、市场竞争日益激烈以及环境问题愈发突出的情况下，如何充分利用有限资源，提高企业市场竞争力，降低对环境的破坏程度成为矿企首要考虑的问题。目前中国选矿企业采取的矿石与废石分选的方式主要有重介质分选、干式磁选、Ｘ荧光选矿等。这些选矿技术都需要人工控制，属于人工检测，稳定性差，精度和效率较低等缺点尤为突出。因此研究自动化程度较高的矿石废石分选技术刻不容缓。基于深度学习的图像识别是人工智能领域当中的热门话题，本文旨在于研究利用深度学习图像识别技术进行矿石与废石的识别分选，深入研究了卷积神经网络深度学习模型。 　　１深度学习理论及图像识别技术 　　深度学习在人工智能领域中备受青睐。从人工神经网络的研究中，学者们提出深度学习概念，人的大脑分Ｖ１区、Ｖ２区，视觉图像首先进入大脑的Ｖ１区，通过视网膜学习到物体的低层边缘特征，然后再传入Ｖ２区识别物体轮廓，通过不断传递，不断抽象出更高层的特征。所以人工神经网络的层数越多，越能学习到更高层的特征，越利于图像的识别［２］。深度学习应用在图像识别中的主要过程是：把图像输入深度神经网络模型，利用前向传播和后向传播算法使得损失函数最小化，来不断更新偏向和权重，反复迭代训练得到较优的参数，最后用学习好的模型进行图像识别。深度学习具有自动学习的特征，其优点是将图像的特征提取和分类相结合，通过相互反馈调节发挥性能，而传统方法则是分开的。深度学习很好的解决了传统图像识别中识别度低，算法训练时间长等瓶颈问题，其很好的利用互联网的海量图像数据，而且计算机硬件和软件的快速发展足以满足算法的复杂计算。通过近几年人工智能的飞速发展，在图像识别中深度学习取得了重大成果，并且已经部分应用到了人们日常生活中。 　　２卷积神经网络模型 　　卷积神经网络是一个多层深度网络，他的结构比较特殊，是首次真正训练出来的深层网络［３］。其训练过程与ＢＰ神经网络类似，首先采用前向传播计算输出值，然后通过最小化误差，反向传播调整参数。他使用其特殊结构减少参数数量，很好的弥补了ＢＰ算法效率低下的不足。ＣＮＮ提出感受野、下采样、权值共享的３个全新概念。感受野即卷积网络低层输入。权值共享即通过共用参数，以此来减少整体参数数量。下采样即将卷积得来的特征进行降维处理。ＣＮＮ网络在图像识别领域上的效率和准确率大大超过其他图像识别方法，图像通过感受野传入网络模型当中通过卷积运算逐层获取典型特征，当进入较深网络结构当中时，网络便可自动抽象出图元特征并且对其分析并获取。与此同时，ＣＮＮ通过权值共享很好的解决了输入图元平移或缩放时产生的重要特征缺失的难题。卷积神经网络主要是由卷积层和池化层组成，其层数可以为一层也可为多层，而且一般情况下卷积层与池化层是交替设置的，除此之外网络最上层是由全连接层组成。ＣＮＮ网络中包含大量神经元，主要分为Ｃ和Ｓ神经元。抵抗形变的为Ｃ元，获取学习特征的为Ｓ元。图１中，整个卷积神经网络由一个输入层，Ｃ１、Ｃ２两个卷积层，Ｓ１、Ｓ２两个下采样层以及１个全连接层组成。图中网络具有３个卷积核，输入数据通过３个卷积核进行卷积运算训练可以得到３个特征图，每个特征图都代表一种特征。在Ｃ１层中的３个特征图中，对每一种特征图进行下采样形成Ｓ１层，将Ｓ１层得到的特征图进行滤波处理形成Ｃ２层，紧接着进行下采样形成Ｓ２层，最终待学习完毕，将最后下采样层的特征转换成特征向量并且输入至全连接层从而进行分类识别。