基于卷积神经网络的煤矸石识别算法研究

煤矸石自动分选是充分利用能源、减少环境污染的有效途径。然而，传统的煤矸石分选方法效率低，污染环境，成本高，不能满足智慧矿山的发展需要。为了提高煤矸石自动分选的效率和识别精度，提出了一种基于卷积神经网络的煤矸石智能识别算法。首先，通过同态滤波增强煤矸石的对比度。然后通过颜色空间转换得到HSV的颜色，并由HSV颜色空间的K－means＋＋聚类算法对图像进行分割，得到煤和煤矸石的目标图像。最后，构建了无参数识别的卷积神经网络模型，解决了人工选择煤矸石图像特征参数造成的精度低、耗时长的问题，实现了煤矸石图像的自动分类识别功能。实验结果表明，改进算法能较好地对煤矸石样品图像进行分类识别，识别准确率为93.3%。与许多先进的机器学习和深度学习的煤矸石分选算法相比，改进算法的识别精度得到了显著提高。