岩石薄片的岩性识别是地质分析中不可或缺的一环,其精准度直接影响后续地层岩石种类、性质和矿物成分等信息的确定,对于地质勘探和矿产开采具有重要意义。为了快速准确地识别岩性,本文提出了一种改进的MobileNetV2轻量化模型,通过选取5...岩石薄片的岩性识别是地质分析中不可或缺的一环,其精准度直接影响后续地层岩石种类、性质和矿物成分等信息的确定,对于地质勘探和矿产开采具有重要意义。为了快速准确地识别岩性,本文提出了一种改进的MobileNetV2轻量化模型,通过选取5种岩石类型共3 700张岩石薄片图像进行岩性识别。在MobileNetV2的倒残差结构中嵌入坐标注意力机制,融合图像中多种矿物的全局特征信息。此外,改进MobileNetV2中的分类器,降低模型的参数量和计算复杂度,从而提高模型的运算速度和效率,并采用带泄露线性整流函数(leaky rectified linear unit, Leaky ReLU)作为激活函数,避免网络训练中的梯度消失问题。实验结果表明,本文提出的改进后的MobileNetV2模型大小仅为2.30 MB,在测试集上的精确率、召回率、F_(1)值分别为91.24%、90.18%、90.70%,具有较高的准确性,相比于SqueezeNet、ShuffleNetV2等同类型的轻量化网络,分类效果最好。展开更多
针对短时间主动热激励作用下煤岩介质表征差异不明显,不易快速、准确识别煤岩界面的难题,提出一种基于改进金字塔场景解析网络(pyramid scene parsing network,简称PSPnet)模型-MobileNetV2的煤岩界面快速精准识别方法。通过搭建煤岩主...针对短时间主动热激励作用下煤岩介质表征差异不明显,不易快速、准确识别煤岩界面的难题,提出一种基于改进金字塔场景解析网络(pyramid scene parsing network,简称PSPnet)模型-MobileNetV2的煤岩界面快速精准识别方法。通过搭建煤岩主动红外试验平台,采集并获取短时主动热激励作用下的煤岩界面红外热图像,构建了煤岩红外图像数据集;对传统PSPnet模型进行改进,采用轻量级网络模型MobileNetV2作为主干网络提取特征,大幅降低了网络模型所占内存和训练时间,同时将注意力机制模块(convolutional block attention module,简称CBAM)与金字塔场景解析(pyramid scene parsing,简称PSP)模块的上采样特征层和PSPnet网络模型的浅层特征层进行融合,有效提升模型对特征的细化能力。试验结果表明:基于改进的PSPnet-MobileNetV2网络模型所占内存仅为9.12 MB,较原始PSPnet模型减少了94.88%;煤和岩的交并比为96.52%和96.87%,分别提升了8.29%和7.7%;像素准确度分别为97.25%和99.15%,较原始网络模型分别提升了7.32%和1.64%;测试时间降低了53.70%。该方法为煤岩界面的快速和预先精准识别提供了一种有效技术手段。展开更多
文摘岩石薄片的岩性识别是地质分析中不可或缺的一环,其精准度直接影响后续地层岩石种类、性质和矿物成分等信息的确定,对于地质勘探和矿产开采具有重要意义。为了快速准确地识别岩性,本文提出了一种改进的MobileNetV2轻量化模型,通过选取5种岩石类型共3 700张岩石薄片图像进行岩性识别。在MobileNetV2的倒残差结构中嵌入坐标注意力机制,融合图像中多种矿物的全局特征信息。此外,改进MobileNetV2中的分类器,降低模型的参数量和计算复杂度,从而提高模型的运算速度和效率,并采用带泄露线性整流函数(leaky rectified linear unit, Leaky ReLU)作为激活函数,避免网络训练中的梯度消失问题。实验结果表明,本文提出的改进后的MobileNetV2模型大小仅为2.30 MB,在测试集上的精确率、召回率、F_(1)值分别为91.24%、90.18%、90.70%,具有较高的准确性,相比于SqueezeNet、ShuffleNetV2等同类型的轻量化网络,分类效果最好。
文摘针对传统的滚动轴承故障诊断方法难以准确高效的实现故障分类,提出了一种融合对称点模式(Symmetrized Dot Pattern,SDP)和改进SAM⁃MobileNetv2的滚动轴承故障分类方法。首先,将轴承振动信号通过SDP算法转化为含有丰富特征信息的二维图像。然后,将二维图像输入到改进SAM⁃MobileNetv2网络模型中,对故障特征信息进行提取和分类。在改进SAM⁃MobileNetv2网络中,使用自适应激活函数ACON(Activate or not)对SAM⁃MobileNetv2中的ReLU6激活函数进行替换,提高模型分类性能。最后,将本模型与多种网络模型做对比。试验结果表明,本模型可以准确高效地实现对滚动轴承故障的分类,使用凯斯西储大学轴承故障数据的准确率为99.5%,使用渥太华大学轴承故障数据的准确率为97.2%。
文摘针对短时间主动热激励作用下煤岩介质表征差异不明显,不易快速、准确识别煤岩界面的难题,提出一种基于改进金字塔场景解析网络(pyramid scene parsing network,简称PSPnet)模型-MobileNetV2的煤岩界面快速精准识别方法。通过搭建煤岩主动红外试验平台,采集并获取短时主动热激励作用下的煤岩界面红外热图像,构建了煤岩红外图像数据集;对传统PSPnet模型进行改进,采用轻量级网络模型MobileNetV2作为主干网络提取特征,大幅降低了网络模型所占内存和训练时间,同时将注意力机制模块(convolutional block attention module,简称CBAM)与金字塔场景解析(pyramid scene parsing,简称PSP)模块的上采样特征层和PSPnet网络模型的浅层特征层进行融合,有效提升模型对特征的细化能力。试验结果表明:基于改进的PSPnet-MobileNetV2网络模型所占内存仅为9.12 MB,较原始PSPnet模型减少了94.88%;煤和岩的交并比为96.52%和96.87%,分别提升了8.29%和7.7%;像素准确度分别为97.25%和99.15%,较原始网络模型分别提升了7.32%和1.64%;测试时间降低了53.70%。该方法为煤岩界面的快速和预先精准识别提供了一种有效技术手段。
