典型文献
基于改进反馈神经网络的煤矸石图像分类模型
文献摘要：
现有的基于深度学习的图像分类方法存在分类模型参数量大、耗时长、分类精度低,难以在模型轻便和分类精度上达到折衷.针对上述问题,提出了一种基于改进反馈神经网络(Feedback-Net)的煤矸石图像分类模型.在ResNet50模型的基础上搭建Feedback-Net模型,通过在ResNet50模型搭建反馈通路,将高低阶信息进行融合,从而提升特征的表现能力.针对搭建的Feedback-Net模型在分类准确率提升的同时耗时有所增加的问题,将Feedback-Net模型中的方形卷积核改进为非对称卷积块(ACB),通过叠加融合的方式增加卷积核的特征提取能力;将参数量最多的全连接层转换为全局协方差池化(GCP),以降低网络参数量.通过模拟煤矿井下煤矸石分拣环境,以验证 Feedback-Net 模型和改进 Feedback-Net 模型(Feedback-Net+ACB 和 Feedback-Net+ACB+GCP)的性能.结果表明:①Feedback-Net模型在精度上高于ResNet50模型,损失值略低于ResNet50模型.②Feedback-Net模型训练精度较ResNet50模型提升了 1.20％,测试精度提升了 1.21％,但训练耗时较ResNet50 模型增加 了 0.22％.③ Feedback-Net+ACB+GCP 模型精度高于 Feedback-Net 和 Feedback-Net+ACB模型,其收敛速度在3个模型中最快,具有最优性能.④Feedback-Net+ACB模型测试精度、训练精度均较Feedback-Net模型提升了 1.39％,且耗时减少了 15.53 min,Feedback-Net+ACB+GCP模型训练精度、测试精度较Feedback-Net 模型分别提升 了 1.62％,1.59％,耗时缩短了 1.12％;Feedback-Net+ACB+GCP 模型耗时较 Feedback-Net+ACB 模型减少了 50.38 min,性能更加优越.
文献关键词：
煤矸石分类;图像分类;反馈神经网络;图像特征提取;Feedback-Net;非对称卷积;全局协方差池化
中图分类号：
作者姓名：
闫洪霖
作者机构：
西安科技大学电气与控制工程学院,陕西西安 710054
文献出处：
引用格式：
[1]闫洪霖-.基于改进反馈神经网络的煤矸石图像分类模型)[J].工矿自动化,2022(08):50-55,113
A类：
全局协方差池化,Net+ACB,Net+ACB+GCP,煤矸石分类
B类：
反馈神经网络,图像分类,分类模型,分类方法,模型参数量,分类精度,轻便,上达,折衷,Feedback,ResNet50,模型搭建,反馈通路,低阶,表现能力,对搭,分类准确率,准确率提升,方形,卷积核,非对称卷积,加卷,特征提取能力,全连接层,网络参数,煤矿井下,煤矸石分拣,损失值,略低于,模型训练,测试精度,精度提升,模型精度,收敛速度,最优性能,模型测试,图像特征提取
AB值：
0.222311
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
