基于改进反馈神经网络的煤矸石图像分类模型

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%。③Feedback−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。