基于改进U-net网络的煤岩全组分提取方法及其应用

摘要

本发明公开了一种基于改进U‑net网络的煤岩全组分提取方法及其应用，方法：获取待处理图像后将其输入改进Unet网络模型，改进Unet网络模型输出煤岩组分类别概率分布图，对煤岩组分类别概率分布图进行后处理得到煤岩全组分图像，后处理包括使用全连接条件随机场进行优化处理；改进Unet网络模型相比于Unet网络模型的改进之处在于，采用Mish激活函数替代原有的Relu激活函数。本发明的方法，克服现有传统图像分割算法在进行煤岩图像分割时表现出适应性不强、往往无法应对复杂的煤岩显微图像且需人工干预的缺陷；其能够实现图像的有效分割；其适应性好且无需人工干预，极具应用前景。

说明书

技术领域

本发明属于煤岩分析技术领域，涉及一种应用图像分割技术完成煤岩分析的方法，具体涉及一种基于改进U-net网络的煤岩全组分提取方法及其应用。

背景技术

煤是重要的能源之一，主要可作为动力燃料和冶金化工业的原料。由于煤炭资源的非再生性，提高其利用率具有十分重要的意义。20世纪80年代以来，随着科学技术的蓬勃发展，煤岩学得到了迅速的发展。由于新技术、新方法的广泛应用，煤岩学研究日益从宏观发展到微观、超微观，从定性到定量，从单一研究到多种技术交叉研究。煤炭质量控制的自动化系统的开发，主要是通过在显微镜下观察抛光煤块中存在的不同主要显微组分之间的区别来实现的。鉴于煤的手工岩相分析需要熟练的操作人员，并且获得的结果可能具有高度的主观性，解决这些问题的一种理想方法就是采用自动图像分析。

煤岩显微图像的分割是煤岩自动化分析的前提和保证，在对各组分进行具体分类和提取之前，我们需对煤岩显微图像进行背景分割等去噪预处理，目的是去除影响显微组分组识别的干扰因素，提取有效的煤颗粒图像区域。

图像分割是图像预处理中从背景中提取感兴趣对象的一项重要技术。现有的图像分割技术可以分为以下几类：阈值分割、基于边界的分割、基于区域的分割、基于聚类的分割和混合分割。随着计算机性能的大幅提升和传统图像处理算法的不断优化，许多煤岩显微图像的预处理采用自适应阈值(如OTSU)、分水岭分割、k-means聚类等方法、区域生长等混合类方法进行背景树脂的去除，但这些预处理方法在进行背景分割时适应性不强问题依旧未能有效解决，在应用过程中需要进行大量的改进和较多的人工干预来改善背景分割的效果。

因此，开发一种适应性好且无需人工干预的煤岩全组分提取方法具现实意义。

发明内容

本发明的目的在于克服现有传统图像分割算法在进行煤岩图像分割时表现出适应性不强、往往无法应对复杂的煤岩显微图像且需人工干预的缺陷，提供一种适应性好且无需人工干预的煤岩全组分提取方法。

本发明是运用深度学习的方法进行图像特征提取，深度学习与传统图像处理的方法不同，它可以自动从图像提取特征，而无需设计手工提取规则，卷积神经网络(CNNs)作为一种高效的特征提取结构得到了广泛的应用。全卷积网络(full convolutional network,FCN)是CNN的一种特殊应用，其主要思想是将CNN作为功能强大的特征提取器，将卷积替换全连接层来输出空间特征图代替分类分数，已被证明是完成图像分割任务一种理想方式。U-Net在FCN的基础上做了进一步改进，并成功将之应用于生物医学图像分割，在生物医学图像分割中性能出色。U-Net结构使用跳越连接将浅层信息与深层信息结合起来，从而实现精确的像素级定位。具体地，本发明提出了一种基于语义分割网络(U-Net网络)的煤岩全组分提取的方法以进一步提高提取煤岩显微全组分提取的准确性和鲁棒性，其使用改进的U-net网络来解决煤岩全组分提取过程中的两大难点：1.分割灰度重叠区的树脂黏结剂与壳质组；2.剔除抛光面下煤颗粒脱落形成的模糊状、半透明黏结。

为实现上述目的，本发明提供如下技术方案：

基于改进U-net网络的煤岩全组分提取方法，获取待处理图像后将其输入改进Unet网络模型，改进Unet网络模型输出煤岩组分类别概率分布图，对煤岩组分类别概率分布图进行后处理得到煤岩全组分图像，所述后处理包括使用全连接条件随机场(DenseCRF)进行优化处理；

所述改进Unet网络模型相比于Unet网络模型的改进之处在于，采用Mish激活函数替代原有的Relu激活函数；

所述改进Unet网络模型的训练过程即以训练数据集的图像作为输入，以所述输入对应的煤岩组分类别分布图作为理论输出，不断调整模型参数的过程，训练的终止条件为使用验证样本模型进行验证时其验证精度连续N(可为20)轮停止提升，所述训练数据集中的所有图像均已进行人工标定，训练数据集包含所有图像对应的煤岩组分类别分布图。

本发明的煤岩全组分提取方法，运用改进Unet网络完成煤岩全组分提取，U-Net结构使用跳越连接将浅层信息与深层信息结合起来，从而实现精确的像素级定位，同时本发明对传统的U-Net结构进行了改进，采用Mish激活函数替代原有的Relu激活函数，结合残差结构进一步抑制了深层网络的梯度弥散问题，此外，在后处理过程中使用全连接条件随机场(Dense CRF)进行优化处理，它是条件随机场的改进模式，能够结合原始影像中所有像素之间的关系对模型推理得到的分类结果进行处理，优化分类图像中粗糙和不确定性的标记，修正细碎的错分区域，优化分割边界。本发明的方法能够实现图像的有效分割(可以分割灰度重叠区的树脂黏结剂与壳质组且可以剔除抛光面下煤颗粒脱落形成的模糊状、半透明黏结)，极具应用前景。

作为优选的技术方案：

如上所述的基于改进U-net网络的煤岩全组分提取方法，所述改进Unet网络模型相比于Unet网络模型的改进之处还在于，采用Resnet中的残差卷积块替代了原有的卷积块。即使用了resnet中的残差结构加强了网络的特征提取提取的能力，并利用残差结构中的恒等映射配合Mish激活函数(如上文所述使用Mish激活函数替代了Relu激活函数来改造残差卷积块)有效解决了深层网络的梯度弥散问题。此外，在模型减枝方面，在保证模型精度的同时削减了一层下采样层从而有效减少了模型的参数量。

如上所述的基于改进U-net网络的煤岩全组分提取方法，所述训练数据集的获取过程如下：

(1)煤岩显微图像的获取和预处理；

(2)获取训练数据集：

(2.1)对步骤(1)获取的煤岩显微图像进行标注完成数据集标注；

(2.2)筛选典型样本制作数据集，数据集包括正常样本(煤岩组分和背景树脂区分分明)和困难样本(存在树脂黏结剂与壳质组重叠或者由于抛光面下煤颗粒脱落形成的模糊状、半透明黏结现象的样本)；

(2.3)对步骤(2.2)获取的数据集进行数据扩充。

如上所述的基于改进U-net网络的煤岩全组分提取方法，步骤(1)具体如下：

(1.1)使用Zeiss Axio-Zoom相机拍摄煤光片获得原始煤岩显微图像；

(1.2)对原始煤岩显微图像进行有重叠分块处理得到尺寸为1024×1024的子图，重叠区域为子图尺寸的1/n。

如上所述的基于改进U-net网络的煤岩全组分提取方法，所述标注的具体操作为：

对步骤(1)获取的煤岩显微图像进行人工标定，其中显微图像中所有煤岩组分区域为前景，非煤岩组分区域为背景(包括模糊状、半透明黏结和过曝光造成的高亮区域等非煤岩组分区域)；

所述数据扩充的具体操作为：

对步骤(2.2)制作得到的数据集中标注后的煤岩显微图像进行随机缩放、平移、翻转、旋转和对比度增强操作以扩充数据集，其中平移、翻转和旋转这些涉及位置变换的增强操作需要对每张图像的标签图进行同步操作。

如上所述的基于改进U-net网络的煤岩全组分提取方法，所述改进Unet网络模型的训练过程具体如下：

(1)数据在线增强和标准化处理；

本发明中数据扩充包含两个部分，上文所述的数据扩充为线下数据扩充，本步骤中使用的数据扩增则是在训练过程中在线进行数据扩充，通过两者结合来提高网络模型的泛化性和稳定性，在线数据扩充具体包括：随机镜像翻转，随机gamma变换，随机亮度增强，随机对比度增强，随机旋转，随机平移等；

标准化处理具体为z-score标准化，其操作为：

计算数据集中所有煤岩显微图像的均值为Mean，标准差为Std。通过对煤岩显微图像中每个像素的像素值I

(2)改进Unet网络模型的搭建，具体如下：

本步骤搭建的改进的U-net全卷积神经网络结构包含了3个下采样层和3个上采样层，其中3个下采样层输出的特征层分别和3个上采样层输出的特征层进行通道拼接融合，即跳跃连接；

进一步地，该结构的3个下采样层和3个上采样层中，每个下采样层中包含两个残差卷积块和一个池化层。每个残差卷积块包含了预激活层，BN(Batch Normalization)层和两个卷积操作，其中两个卷积操作后面都添加了BN(Batch Normalization)层和激活层，此外，每个残差卷积块中的卷积操作层中的卷积核大小为3×3，池化层中的卷积核大小为2×2，3个下采样层中的卷积层中的卷积核个数分别是16，32，64；

上采样层中的结构与相对应的下采样层结构类似，不同之处是将下采样层中的池化层替换为转置卷积层，卷积核大小同样为2×2，3个上采样层中的卷积层中的卷积核个数分别是64，32，16；

最后一个下采样层和第一个上采样层之间还设有一个连接层，包含了两个残差卷积块，其中卷积层中的卷积核个数均为256。

进一步地，每个下采样层和上采样层中的激活层中使用激活函数Mish函数作为激活函数，其公式如下：

进一步地，在最后一个上采样层之后将进行最后一次卷积操作，卷积核大小为1×1，卷积核个数为1，此卷积操作将输出一个尺寸为1024×1024×1特征图，此特征图将通过Sigmoid激活函数后得到煤岩显微组分类别标签概率分布图P，Sigmoid激活函数计算公式如下：

当然本发明的保护范围并不仅限于此，此处仅列举一种可行的技术方案，本领域技术人员可根据实际需求合理设计改进Unet网络模型；

(3)改进Unet网络模型的训练和参数学习：

使用训练数据集对搭建好的改进Unet网络模型进行训练并进行K折交叉验证，具体包括：

(3.1)采用Xavier初始化方法对步骤(2)即上步中搭建的改进Unet网络模型的参数进行初始化；

(3.2)将经过线下数据扩充的煤岩显微数据集按4：1：1分成训练集、验证集和测试集(具体设置可根据实际情况进行)，采用五折交叉验证法来训练网络模型，训练过程中分批次将图像数据输入网络进行训练，且每个批次图像数据输入网络模型前使用步骤(1)进行在线数据增强和标准化处理；

(3.3)将带标签的煤岩显微图像的灰度图输入改进Unet网络模型，如步骤(2)中所述，经过Sigmoid激活函数后得到煤岩显微组分类别标签概率分布图P，利用类别标签概率图和真实标签计算预测损失，具体采用focal loss作为目标函数来平衡正常样本和困难样本比例失衡问题，计算公式如下：

FL(p

(3.4)模型评价指标：前向推理过程中，利用经过Sigmoid激活函数后得到和真实标签计算Accuracy、Precision和Dice指标，具体公式如下：

(3.5)采用随机梯度下降算法优化focal loss目标损失函数，并运用反向传播算法更新网络模型参数。

如上所述的基于改进U-net网络的煤岩全组分提取方法，所述后处理的具体操作为：

(1)根据预先设定的概率阈值T区分煤岩组分类别概率分布图P的前景和背景，从而得到确定的煤岩组分区域掩膜c，其计算公式如下：

(2)使用全连接条件随机场(Dense CRF)进行优化处理；

全连接条件随机场是在目前深度学习图像分割应用中常用的一种图像后处理方式，它是条件随机场的改进模式，能够结合原始影像中所有像素之间的关系对深度学习得到的分类结果进行处理，优化分类图像中粗糙和不确定性的标记，修正细碎的错分区域，同时得到更细致的分割边界。

本步骤中，将深度全卷积神经网络输出像素类别标签概率分布图输入全连接条件随机场(Dense CRF)，根据各像素之间的强度和位置特征相似度来对像素的类别标签概率进行优化，输出优化后的像素标签类别概率分布图，具体计算包括：

全连接条件随机场模型采用吉布斯(Gibbs)能量函数，其计算公式如下：

其中，x是像素类别标签，x

进一步地，一元势函数

其中，P(x

进一步地，成对势函数

其中，

(3)掩膜图像拼接；

由于GPU显存限制，煤岩显微图像原图经过了有重叠分块处理成1024×1024的子图，因此需在图像后处理中对预测获得的子图的掩膜图像进行拼接，具体做法是先裁剪子图中的重叠部分，再按次序对子图进行拼接。

(4)细碎区域面积阈值去除；

对步骤(3)即上步拼接完成的煤岩全组分掩膜图像进行面积阈值来进一步去除碎屑，碎屑的面积阈值定为煤岩显微图像全图面积的1/N。

(5)图像掩膜获取煤岩全组分图像：

经过一系列图像后处理之后得到待分割煤岩显微图像的分割掩膜图，利用分割掩膜图对原图进行掩膜操作得到最终的去除背景树脂和其他噪声的煤岩全组分图像。

本发明还提供一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及图像输入装置；

所述图像输入装置用于输入待处理图像，所述一个或多个程序被存储在所述存储器中，当所述一个或多个程序被所述处理器执行时，使得所述电子设备执行如上所述的基于改进U-net网络的煤岩全组分提取方法。

有益效果：

(1)本发明的基于改进U-net网络的煤岩全组分提取方法，克服现有传统图像分割算法在进行煤岩图像分割时表现出适应性不强、往往无法应对复杂的煤岩显微图像且需人工干预的缺陷；

(2)本发明的基于改进U-net网络的煤岩全组分提取方法，其能够实现图像的有效分割(可以分割灰度重叠区的树脂黏结剂与壳质组且可以剔除抛光面下煤颗粒脱落形成的模糊状、半透明黏结)；

(3)本发明的基于改进U-net网络的煤岩全组分提取方法，其适应性好且无需人工干预，极具应用前景。

附图说明

图1为本发明的基于改进U-net网络的煤岩全组分提取方法的流程示意图；

图2为本发明的原始图像重叠分块方法示意图；

图3为本发明所用网络模型中的残差卷积块示意图；

图4为本发明的语义分割网络(即改进U-net网络)结构的示意图；

图5～图10分别为本发明的语义分割网络(即改进U-net网络)、FCN网络、U-net网络及RES-Unet网络的实验结果比较图。

具体实施方式

下面结合附图，对本发明的具体实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。以下描述本发明的具体实施方式，但是本领域的技术人员应该理解，这些仅是举例说明，在不违背本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，因此，本发明的保护范围由所附权利要求书限定。

本发明提供了一种基于改进U-net网络的煤岩全组分提取方法，可精准且快速去除背景树脂达到提取煤岩全组分的目的。

实施例1

一种基于改进U-net网络的煤岩全组分提取方法，如图1所示，包括以下步骤：

S1、利用Zeiss Axio-Zoom相机拍摄煤岩显微图像并进行图像分块处理：

利用Zeiss Axio-Zoom相机拍摄煤岩显微图像，对煤岩显微图像进行有重叠分块处理得到尺寸为1024×1024的子图，重叠区域为子图尺寸的1/10(即100像素的重叠区域)，具体重叠方式如图2所示。

S2、构建煤岩图像数据集，包含数据集标注、数据集筛选和数据扩充：

数据集标注：对煤岩显微图像进行人工标定，其中显微图像中所有煤岩组分区域为前景，非煤岩组分区域为背景(包括模糊状、半透明黏结和过曝光造成的高亮区域等非煤岩组分区域)；

数据集筛选：筛选典型样本制作数据集，数据集包括正常样本(煤岩组分和背景树脂区分分明)和困难样本(存在树脂黏结剂与壳质组重叠或者由于抛光面下煤颗粒脱落形成的模糊状、半透明黏结现象的样本)；

数据扩充：将分块后的煤岩显微子图和标注后得到的分割标准图像同时进行缩放、平移、镜像和对比度增强操作，得到一组经过变换后的煤岩显微子图和分割标准图像，从而扩充煤岩显微图像的数据集。

本步骤中，首先对分块后的煤岩显微图像子图进行标注，使用labelme图像标注工具对煤岩显微图像重点两个类别进行标注，分别是背景树脂区域、煤岩组分区域。使用labelme标注工具对煤岩显微子图进行标注后，生成保存有类别和相应坐标点的文件数据。读取该文件数据，利用OpenCV计算机视觉库中的相关函数检测并标注图像，其中背景树脂区域标注黑色，煤岩组分区域标注白色，从而生成人工分割的煤岩全组分标注图像。

利用获取到的煤岩显微图像和人工分割的煤岩全组分标注图像进行数据扩充，具体扩充的方式是对现有的图像进行随机缩放、平移、翻转、旋转和对比度增强操作。煤岩显微图像的缩放尺度应在适当范围之内，防止过度缩放，导致图像失真丢失有效区域，缩放因子的随机取值范围为[0.8,1.2]，也应当限定图像的平移尺寸，防止丢失有效区域。图像的翻转操作为水平和垂直翻转。图像的旋转操作主要是沿垂直轴的镜像旋转，角度可选90度、180度等。图像对比度增强操作主要通过gamma变换等各种方法将图像的灰度范围拉宽，从而达到对煤岩显微图像进行对比度增强的效果。利用这些方法对煤岩显微图像进行数据扩充，从而建立样本更丰富的煤岩显微图像数据集合，经过数据扩充后的图像数据可以增加样本特征的多样性，提高深度网络模型的泛化性和稳定性。

S3、训练改进的深度全卷积神经网络Res-Unet-S，包括：数据在线扩充和标准化处理，网络结构搭建，模型训练和参数学习；

S3.1、数据在线扩充和标准化处理：

相比于步骤S2中的数据扩充，本步骤中所用数据扩充为在线数据增强，即在训练过程中在线数据增强，使得每一轮训练过程中输入网络的图像数据存在差异，从而进一步提高语义分割模型的泛化性和稳定性，在线数据增强具体包括：随机镜像翻转，随机gamma变换，随机亮度增强，随机对比度增强，随机旋转，随机平移等。

此外，本步骤将对最终输入网络进行模型训练的数据进行z-score标准化，具体计算过程如式(1)所示，其中均值和标准差由线下扩增后的数据集的全体图像数据统计而来。

S3.2、深度全卷积神经网络模型搭建：

如图4所示，本步骤搭建的改进的U-net全卷积神经网络结构包含了3个下采样层和3个上采样层，其中3个下采样层输出的特征层分别和3个上采样层输出的特征层进行通道拼接融合，即跳跃连接；

该结构的3个下采样层和3个上采样层中，每个下采样层中包含两个残差卷积块和一个池化层。每个残差卷积块包含了预激活层，BN(Batch Normalization)层和两个卷积操作，其中两个卷积操作后面都添加了BN(Batch Normalization)层和激活层，残差卷积块结构如图3所示。此外，每个残差卷积块中的卷积操作层中的卷积核大小为3×3，池化层中的卷积核大小为2×2，3个下采样层中的卷积层中的卷积核个数分别是16，32，64；

上采样层中的结构与相对应的下采样层结构类似，不同之处是将下采样层中的池化层替换为转置卷积层，卷积核大小同样为2×2，3个上采样层中的卷积层中的卷积核个数分别是64，32，16；

最后一个下采样层和第一个上采样层之间还设有一个连接层，包含了两个残差卷积块，其中卷积层中的卷积核个数均为256。

进一步地，每个下采样层和上采样层中的激活层中使用激活函数Mish函数作为激活函数，其公式如式(2)所示：

在最后一个上采样层之后将进行最后一次卷积操作，卷积核大小为1×1，卷积核个数为1，此卷积操作将输出一个尺寸为1024×1024×1特征图，此特征图将通过Sigmoid激活函数后得到煤岩显微组分类别标签概率分布图P，Sigmoid激活函数计算公式如式(3)所示：

S3.3、模型训练和参数学习：

使用煤岩显微图像数据集对搭建好的全卷积神经网络进行训练并进行K折交叉验证，具体包括：

(1)采用Xavier初始化方法对步骤S3.2中搭建的分割网络模型参数进行初始化；

(2)将经过线下数据扩充的煤岩显微数据集按4：1：1分成训练集、验证集和测试集，采用五折交叉验证法来训练网络模型，训练过程中分批次将图像数据输入网络进行训练，且每个批次图像数据输入网络模型前使用步骤S3.1进行在线数据增强和标准化处理；

(3)将带标签的煤岩显微图像的灰度图输入语义分割网络，如步骤S3.2中所述，经过Sigmoid激活函数后得到煤岩显微组分类别标签概率分布图P，利用类别标签概率图和真实标签计算预测损失，具体采用focal loss作为目标函数来平衡正常样本和困难样本比例失衡问题，计算公式如式(4)所示：

FL(p

(4)模型评价和对比实验：在网络模型的前向推理过程中，利用经过Sigmoid激活函数后得到和真实标签计算Accuracy、Precision和Dice指标，具体公式分别如式(5)、(6)、(7)所示；如图5所示，为验证本发明所用RES-Unet-S(即改进U-net网络)的有效性，使用FCN网络、Unet网络、RES-Unet网络与RES-Unet-S网络进行了对比实验(其中RES-Unet网络与本申请的改进U-net网络的区别在于其激活函数仍为Relu激活函数，同时其下采样层数量为4层即并未削减下采样层个数)，从3个评价指标的对比结果中可以看出本发明所用网络结构的优越性。

(5)采用随机梯度下降算法优化focal loss目标损失函数，并运用反向传播算法更新网络模型参数，具体优化算法采用adam优化算法，初始学习率设置为0.0001；

S4、采用训练后的模型对待分割图像进行煤岩全组分预测

将待测试样本输入到训练完成的全卷积网络模型中进行前向传播推理得到煤岩组分概率分布图P，根据预先设定的概率阈值T区分前景和背景，从而得到确定的煤岩组分区域掩膜c，其计算公式如式(8)所示：

S5、对获得煤岩组分区域的预测结果进行图像后处理

S5.1全连接条件随机场(Dense CRF)优化处理：

全连接条件随机场是在目前深度学习图像分割应用中常用的一种图像后处理方式，它是条件随机场的改进模式，能够结合原始影像中所有像素之间的关系对深度学习得到的分类结果进行处理，优化分类图像中粗糙和不确定性的标记，修正细碎的错分区域，同时得到更细致的分割边界。

本步骤中，将深度全卷积神经网络输出像素类别标签概率分布图输入全连接条件随机场(Dense CRF)，根据各像素之间的强度和位置特征相似度来对像素的类别标签概率进行优化，输出优化后的像素标签类别概率分布图，具体计算包括：

全连接条件随机场模型采用吉布斯(Gibbs)能量函数，其计算公式如式(9)所示：

其中，x是像素类别标签，x

进一步地，一元势函数

其中，P(x

进一步地，成对势函数

其中，

S5.2掩膜图像拼接

由于GPU显存限制，煤岩显微图像原图经过了有重叠分块处理成1024×1024的子图，因此需在图像后处理中对预测获得的子图的掩膜图像进行拼接，具体做法是先裁剪子图中的重叠部分，再按次序对子图进行拼接。

S5.3细碎区域面积阈值去除

对步骤S5.2拼接完成的煤岩全组分掩膜图像进行面积阈值来进一步去除碎屑，碎屑的面积阈值定为煤岩显微图像全图面积的1/160000。

S5.4图像掩膜获取煤岩全组分图像

经过上述一系列图像后处理之后得到待分割煤岩显微图像的分割掩膜图，用分割掩膜图对原图进行掩膜操作得到最终的去除背景树脂和其他噪声的煤岩全组分图像。

上文所述的FCN网络、Unet网络、RES-Unet网络与RES-Unet-S网络进行对比实验的实验结果对比图如图5～10所示，由图可知，本发明所提出的改进U-net网络模型在accuracy、precision和dice指标上相对与其他网络结构(即FCN网络、Unet网络、RES-Unet网络)来说都有一定的优势。虽然相对于Unet和RES-Unet来说，本发明所提方法的精度优势不够明显，但是RES-Unet-S在模型参数量方面的优势明显。

各网络的模型参数量统计如下表所示，由表中可以看出，经过模型剪枝后的RES-Unet-S模型参数量得到显著降低，但综合分析可以看出，它在精度上仍然保持一定优势，模型参数量的大幅度降低使得RES-Unet-S网络对于硬件设备的要求进一步降低，有利于降低实际生产应用中的硬件成本。

模型参数量统计表

经验证，本发明的基于改进U-net网络的煤岩全组分提取方法，克服现有传统图像分割算法在进行煤岩图像分割时表现出适应性不强、往往无法应对复杂的煤岩显微图像且需人工干预的缺陷；其能够实现图像的有效分割(可以分割灰度重叠区的树脂黏结剂与壳质组且可以剔除抛光面下煤颗粒脱落形成的模糊状、半透明黏结)；其适应性好且无需人工干预，极具应用前景。

实施例2

一种电子设备，包括一个或多个处理器、一个或多个存储器、一个或多个程序及图像输入装置；

图像输入装置用于输入待处理图像，一个或多个程序被存储在存储器中，当一个或多个程序被处理器执行时，使得电子设备执行如实施例1所述的基于改进U-net网络的煤岩全组分提取方法。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应该理解，这些仅是举例说明，在不违背本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改。