基于语义分割的多目标小间隙煤矸识别方法

摘要

在实际选矸场景中，煤与矸石紧密接触，机械爪难以精确抓取矸石，为提高复杂工况下的机械爪抓取可靠性，提出了一种基于语义分割的多目标小间隙煤矸识别方法。使用FCN（Fully Convolutional Networks）算法对煤矸石进行识别，并对FCN进行改进，添加FPN（Feature Pyramid Network）模块和采用Dice Loss替换原交叉熵损失函数。首先对采集的1 202张初始图像使用labelme对煤矸石图像进行标注，采用限制对比度自适应直方图均衡化算法（CLAHE:Contrast Limited Adaptive Histogram Equalization）对煤矸石图像进行增强；然后通过对比试验，分析了不同语义分割算法和迁移学习策略在煤矸图像分割任务中的表现。实验结果表明，采用ResNet50作为特征提取器的全卷积神经网络FCN-ResNet50-FPN的识别性能最佳，精确率、召回率、F₁分数、平均交并比分别为95.0%、95.4%、95.2%、90.9%。经迁移学习后，FCN-ResNet50-FPN的识别性能得到明显提升，改善了小间隙处识别，为选矸机器人精确抓取提供了可靠信息。

关键词

多目标 / 煤矸识别 / 语义分割 / 迁移学习