【《基于逻辑回归和卷积网络混合的煤种识别分析案例》2800字】

基于逻辑回归和卷积网络混合的煤种识别分析案例目录TOC\o"1-3"\h\u10203基于逻辑回归和卷积网络混合的煤种识别分析案例 1190231.1基于逻辑回归和卷积网络混合的煤种图像识别模型 1172101.2煤种图像识别实验 3324661.2.1煤种识别实验数据 3172661.2.2煤种识别实验分析 4本章以预处理后的煤炭图片为输入，利用VGG16卷积网络、最大池化运算，设计基于逻辑回归和卷积网络混合的煤炭图像识别模型。1.1基于逻辑回归和卷积网络混合的煤种图像识别模型为了对煤种类别进行高效识别，利用第二章所提的逻辑回归和卷积网络的混合学习，构建煤炭图像识别模型，识别煤种类别。模型结构如图1.1所示。图1.1基于逻辑回归和卷积网络混合的煤炭图像识别模型结构Fig.1.1Coalimagerecognitionmodelstructurebasedonlogisticregressionandconvolutionalnetwork图1.1所建模型，以224*224*3尺寸大小的煤炭图像为输入；使用计算时短、网络参数少的VGG16卷积网络，对煤炭图像进行特征提取；选定最大池化运算完成图像特征突出筛选；模型考虑到的煤种类别为煤矸石、烟煤、无烟煤和褐煤，其中{1,0}LR分类器的输出是待识别图像为煤矸石类别的概率，{2,0}LR分类的输出是待识别图像为烟煤类别的概率，{3,0}LR分类器的输出是待识别图像为无烟煤类别的概率，{3,0}LR分类器的输出是待识别图像为烟煤类别的概率，四个分类器输出的概率最大值所对应的煤种类别为基于逻辑回归和卷积网络混合的煤炭种类图像识别模型的最终识别结果。图1.1所建模型中VGG16网络的卷积核、池化等参数选定为ImageNet预训练参数。ImageNet预训练参数是由1419多万张图片、21841种类别训练得到的卷积核矩阵数值及其权重系数，完全能够很好的获取须要的特征。煤炭图像样本经过VGG16卷积网络特征提取，在此基础上运用PCA对所提取的图像特征进行降维，降维后的特征形成煤炭图像特征数据库。最后利用形成的煤炭图像数据库完成逻辑回归One-Vs-Rest分类器的训练。根据图1.1所建的煤炭图像识别模型进行煤炭图像识别过程如图1.2所示。图1.2基于逻辑回归和卷积网络混合智能学习模型的煤炭图像识别Fig.1.2Coalimagerecognitionbasedonlogisticregressionandconvolutionalnetworkhybridlearningmodel起初利用SJM-200CCCD相机获取现场图像信息，再将所获取的煤炭图像转化为224*224大小图片，接着运用VGG16卷积网络获取煤炭图像特征，然后对提取到的特征进行最大池化运算，之后实行煤炭图像特征PCA分析，获取特征主成分，最后运行训练好的逻辑回归分类器识别煤炭图像类别。为了提高模型识别的准确率，适时更新煤炭图像特征数据库。针对更新后的煤炭图像特征数据库进行逻辑回归分类器训练。1.2煤种图像识别实验1.2.1煤种识别实验数据本文共收集整理到54张煤炭图片，其中有11张褐煤图片（见图1.3），16张无烟煤图片（见图1.4），13张烟煤图片（见图1.5）和14张煤矸石图片（见图1.6）。图1.3褐煤图像实验数据Fig.1.3Ligniteimageexperimentaldata图1.4无烟煤图像实验数据Fig.1.4Anthraciteimageexperimentaldata图1.5烟煤图像实验数据Fig.1.5Experimentaldataofbituminouscoalimage图1.6煤矸石图片图像实验数据Fig.1.6Imageexperimentaldataofcoalgangue1.2.2煤种识别实验分析从褐煤实验数据中选取9张图片、从无烟煤实验数据中选取14张图片、从烟煤实验数据中选取11张图片、从煤矸石实验数据中选取11张图片作为模型训练数据（剩余的作为待识别数据），利用OpenCV库、TensorFlow库、Scikit-Learn库，运用Python语言对图1.1所示模型构建的实现。针对模型训练数据，实行VGG16网络特征汲取、最大池化、PCA数据分析、筛选处理后得到的煤炭图像特征数据见附件1，表1.1为获得的煤炭图像特征15个样例。执行PCA图像特征成分分析时，新特征表征原始特征情况如图1.7所示。图1.7PCA维数选择与原特征矩阵的关系Fig.1.7RelationshipbetweenPCAdimensionselectionandoriginaleigenmatrix从图1.7中可以看出当PCA降低的维数选择为50维度时，能够表征原特征矩阵的99%的信息，因此选定PCA降维后的一张煤炭图像新特征数据为1*50。表1.1煤炭图片特征数据样例Table1.1Coalpicturecharacteristicdatasample样本12345678910131415特征1109-3-16-5-2-5-60-4-48特征2-1-12-6-5-5-3-1-3-1-2-3-2-12特征3164-57-141-2-2-9-2-27特征40-11-52-65-302-1306特征5-13-8-3-5-8-3-1-424-305特征6-1-43515041-372-3特征739304-320-1-5-422特征8-6-30-20-1-1-2-2-62-123特征9-34-1-1-2-1-4-2-24-32-1特征107-9-3-20-124-30102特征114-40-2-21-2324-6-12特征12920-5-4-322011-511特征1312-4-30-10-101-53-2-1特征142-81-3600115-1-14特征150-3-43-6110-1-452-4特征16-1-1-2-35-24-10222-3特征17-1-620703-130-420特征180631-42-4-1176-33特征19-30-26020011-401特征202-3364-4-5-3-11-1-1-5特征211-1-5-2-12-2-210-1-3-2特征22-3-4264-331-351-3-1特征233-53802-4-1041-13特征24-30-4531210-10-10特征250003-54-10-11-6-11特征262-3-1-3-312-133-12-1特征2701-6-36650-13131特征282-24-20-3013-5-1-41特征292-1-101-300-17412特征30-11-10-21-31-132-1-2特征31-11-34-4-431-30-120特征321-132-1120-4-1-160特征33-103-40311-2-101-1特征3400-203-5-3-3-2-11-11特征3502-12051-1201-10特征361-35-2-402-1-30321特征37121-200-1-321010特征3810110-33-30-1060特征3900101-2-3-3201-10特征40003-10003-1-1-1-10特征4100-32-2-32-260131特征4201-4-20-1-1200001特征430011-1110110-10特征44000-122-5-210-230特征4501000-3-2501031特征4600-2012-51-3005-1特征47-100010-151-10-20特征480-12-1130-100-100特征490021010030010特征50000000-1-110-110target1111111112222针对附件1表数据，进行逻辑回归分类器训练，完成煤炭图像识别模型的构建。针对待识别数据，按图1.2所示识别过程，进行煤炭图像识别。识别结果如表1.1所示。表1.2针对待识别数据的识别结果Tab.1.2Identificationresultsforthedatatobeidentified序号特征1特征2实际矸石类型识别结果本文方法CV+DT1-1.31857-2.86312…-2.4921611221.81401-5.33349…-0.4234611137.39521-8.112…-0.089162224-6.13245-1.2448…-1.9982225-6.142931.70216…1.188333356-9.426210.645281…0.0106394447-9.050732.12671…-1.4259244486.442448.21606…-0.3382333911.11726.39194…-0.2814444为了验证所提模型的优越性，利用决策树+卷积网络（CV+DT）以及卷积神经网络也构建煤炭图像识别模型，模型结构如图1.8、图1.9所示。利用所建的CV+DT模型和卷积神经网络模型，针对待测数据进行煤炭图像识别，识别结果见表1.1和图1.10所示。图1.8卷积网络和决策树混合的煤炭图像识别结构图Fig.1.8Coalgangueimagerecognitionstructurediagramofconvolutionalnetworkanddecisiontreemixture图1.9卷积网络神经网络在煤炭图像识别系统中的应用Fig.1.9Applicationofconvolutionalnetworkneuralnetworkincoalgangueimagerecognitionsystem图1.10运用VGG16卷积神经网络训练结果Fig.1.10Trainingresultsusingvgg16convolutionalneuralnetwor