基于自监督对比学习的煤矸识别方法研究.pdfVIP

摘要

摘要

煤炭作为我国主要的能源之一，在工业与社会中占据重要的地位。机器视觉

与深度学习的出现改变了传统人工分选效率低下的问题。随之而来的是，当前深

度学习往往依赖于大量的高质量数据进行驱动。而高质量样本标注存在标注困难、

存在主观判断影响以及专业领域知识的限制。自监督对比学习的出现，使得模型

先验学习样本的内部特征和结构理解，再而在少量标注样本下微调获得良好的识

别模型。对于煤矸工业现场，煤矸石外部特征模糊难以标注，批次更新迅速泛化

困难等问题，自监督学习具备一定的应用潜能。

当前基于自监督对比学习的煤矸识别性能不高，其原因主要包括以下问题：

从模型表征与学习角度，当前对比学习对于多细粒度的特征学习存在一定的缺失，

同时对比学习存在梯度退化的问题进而降低了模型拟合程度。其次，现有的样本

多样性低下、而样本的复杂程度往往与模型的性能成正比。第三，对比学习对于

正样本上的发掘程度仍然不够，其主要表现在于仅关注样本的独特表征，往往忽

略了样本的共性表征。

针对上述问题，本文研究基于自监督对比学习的范式，提出基于SimCLR和

ByOL改进的煤矸识别模型，具体工作主要集中在以下方面。

1、针对于表征和样本多样性的问题，本研究提出了DgrCLR（Dualgradient

reinforcementContrastivelearning）这种对比学习方法。该方法通过构建梯度强化

模块以及残差多尺度模块。该方法提高了样本的复杂程度，从而增强了模型对于

不同样本的多相似度衡量。该方法有效缓解模型的梯度退化问题，并且提高了模

型的多粒度表征能力。最终提高了煤矸图像的识别精度。

2、针对于共性特征与模糊煤矸识别问题，本研究提出了MPMOCL

（Multi-PostiveMaskedOnlineContrastivelearning）这种掩码多正例对比学习。

该方法通过全向式图像生成，构建模糊多正例样本，并构建多正例相似度计算，

其旨意在于模型寻求其中的共性特征同时学习不同层级的感知信息。该方法最终

有效提高了模糊煤矸图像以及其原型图像的识别精度。

3、设计机器视觉识别系统。搭建一个稳定、有效获取煤矸图像的机器视觉

I

摘要

图像采集装置。以此为基础，通过将识别模型部署于PC工作站中，并采用PyQT5

作为前端设计库，设计煤矸识别界面，最终实现煤矸识别系统。

本文针对于煤矸数据集，分别设计了梯度强度实验、煤矸数据集以及不同模

糊层级下模糊煤矸石图像准确率实验。经过实验检测，DgrCLR和MPMOCL在

煤矸数据集和模糊煤矸数据集上获得了一定程度上的准确率提升。对于工业煤矸

现场具有一定的泛化性和应用价值。

关键词：对比学习；掩码学习；自监督学习；深度学习；煤矸识别

II

Abstract

Abstract

Asoneofthemainenergysourcesinourcountry,coaloccupiesanessential

positioninindustryandsociety.Theemergenceofmachinevisionanddeeplearning

hasimprovedthelowefficiencyoftraditionalmanualsorting.Subsequently,deep

learningoftenreliesonalargeamountofhigh-qualitydatatodrive.However,there

aredifficultiesinlabelinghigh-qualitysamples,aswellastheinfluenceofsubjective

judgmentandthelimitationofprofessionaldomainknowl