(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201910395781.1
(22)申请日 2019.05.13
(71)申请人 安徽工业大学
地址 243032 安徽省马鞍山市湖东路59号
(72)发明人 王培珍 刘婕梅 笪子凯
(74)专利代理机构 合肥昊晟德专利代理事务所
(普通合伙) 34153
代理人 王林
(51)Int.Cl.
G06K 9/00(2006.01)
G06K 9/62(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
(54)发明名称
(57)摘要
本发明公开了基于卷积神经网络的煤岩壳
质组显微图像分类方法及系统，包括以下步骤：
S1：将显微图像输入网络模型；S2：提取语义特
S1中，卷积神经网络模型是一个分层系统，所述
分层系统包括多个非线性神经元，所述卷积神经
网络模型包括卷积层、池化层和全连接层，所述
卷积层用于对输入数据进行特征提取，所述池化
层用于进行特征选择和信息过滤，所述全连接层
用于向其它全连接层传递信号。本发明中的卷积
神经网络模型直接以原始图像作为输入，对数据
进行高层抽象建模，构建复杂的高维空间信息，
从训练样本中自动学习特征，从而实现图像语义
特征的隐式抽取。权利要求书2页 说明书7页 附图3页CN 110097027 A 2019.08.06
C N 110097027
A
权 利 要 求 书1/2页CN 110097027 A
1.基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于，包括以下步骤：
S1：将显微图像输入网络模型
将煤岩壳质组显微图像输入到不同的卷积神经网络模型；
S2：提取语义特征
从LeNet模型中卷积层Conv2和全连接层Ip1和Ip2的特征层以及VGG19模型中全连接层Fc6、Fc7和Fc8的特征层中提取相应的语义特征；
S3：分析各语义特征的分类精度
构建支持向量机分类器进行分类实验，分析由不同网络模型的特征层所提取语义特征的分类精度。
2.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S1中，卷积神经网络模型是一个分层系统，所述分层系统包括多个非线性神经元。
3.根据权利要求2所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：所述卷积神经网络模型包括卷积层、池化层和全连接层，所述卷积层用于对输入数据进行特征提取，所述池化层用于进行特征选择和信息过滤，所述全连接层用于向其它全连接层传递信号。
4.根据权利要求3所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：所述卷积层、池化层和全连接层均具有多个特征图，每个所述特征图为通过一种卷积滤波器提取输入数据的一种特征。
5.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S1中，采用的卷积神经网络模型具体为LeNet模型和VGG19模型，所述LeNet模型包括两个卷积层、两个池化层与两个全连接层，所述VGG19模型包括五个卷积层、五个池化层与三个全连接层。
6.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S2中，LeNet模型中卷积层Conv2和全连接层Ip1和Ip2的特征层的特征维数分别为3200、500、10，VGG19模型中全连接层Fc6、Fc7和Fc8的特征层的特征维数分别为4096、4096、1000。
7.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S3中，支持向量机是以训练误差作为条件优化的分类模型。
8.根据权利要求1所述的基于卷积神经网络的煤岩壳质组显微图像分类方法，其特征在于：在所述步骤S1中，煤岩壳质组包含七个显微组分，分别为孢子体、角质体、沥青质体、木栓质体、树皮体、碎屑体与藻类体，所述孢粉体与角质体均位于垂直层理的切面中，所述孢粉体呈封闭压扁的长环形，所述角质体呈长条带状，其外缘光滑，内缘为锯齿状，所述藻类体呈纺锤形或不规则椭圆形。
9.基于卷积神经网络的煤岩壳质组显微图像分类系统，其特征在于，包括：
输入模块，用于将煤岩壳质组显微图像输入到不同的卷积神经网络模型；
特征提取模块，用于从不同特征层提取相应的语义特征；
分类精度分析模块，用于构建支持向量机分类器进行分类实验，从而分析由不同网络模型的特征层所提取语义特征的分类精度；
2
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议