基于知识蒸馏理论的矿石图像分类研究

摘要

针对利用卷积神经网络对矿石进行智能分选时,难以同时提高矿石分类精确度和处理量的问题,文中提出一种基于知识蒸馏理论的矿石图像分类方法。首先,改变传统LeNet-5网络模型中的激活函数;其次,引入知识蒸馏理论对模型进行迁移学习,从而达到模型优化的效果;最后,提取图像特征信息,利用优化后的模型对矿石图像进行分类,以减少系统资源占用并提高分类准确率。实验结果表明:使用知识蒸馏理论后,新模型训练准确率达到98.4%,相比优化之前提升5%;精矿识别准确率达到97.78%,提升7%;尾矿识别准确率达到98.78%,提高20%。此外,文中分类方法的识别速度达到平均12 ms识别50颗矿石,即处理量高达62 t/h,满足工业需求,说明优化后的模型具有高效性和实时性。