基于多特征层融合的煤矸石的检测方法及装置与流程

1.本公开涉及煤炭技术领域，尤其涉及一种基于多特征层融合的煤矸石的检测方法及装置。


背景技术：

2.煤炭作为我国的主要一次能源，是经济发展的重要支柱。在煤炭开采过程中，开采出的煤炭中可能会伴随着煤矸石，煤矸石是一种固体排放废物，含碳量较低，比煤的硬度更高，燃烧利用率较低。若将煤矸石从煤炭中分离，不仅能提高煤炭的燃烧效率，而且也可以减少其燃烧时污染物的排放，因此，煤矸石的快速识别和检测，对煤矸石的分离具有重要意义。
3.相关技术中，通常采用人工方式对煤矸石进行检测方，而人工检测时，工作环境较为恶劣、劳动强度大，耗费大量时间、效率也不高。由此，如何提高煤矸石检测效率，显得至关重要。


技术实现要素：

4.本公开提出了一种基于多特征层融合的煤矸石的检测方法及装置，旨在至少在一定程度上解决相关技术中的技术问题之一。
5.本公开第一方面实施例提出了一种基于多特征层融合的煤矸石的检测方法，包括：
6.获取待检测的第一图像，其中，所述第一图像为采集的煤炭图像数据；
7.将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值，其中，所述图像识别模型中包含多个深度可分离卷积层dsc及多个网络层，所述网络层用于将多个dsc提取的特征进行融合；
8.根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石。
9.可选的，在所述将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值之前，还包括；
10.获取训练数据集，其中，所述训练数据集中包含多张第二图像及每张所述第二图像对应的第一标签；
11.将每张所述第二图像输入至初始模型中，以确定每张所述第二图像对应的预测概率值，其中，所述初始模型中包含编码器及解码器；
12.根据每张所述第二图像的预测概率值，确定每张所述第二图像对应的预测标签；
13.根据每张所述第二图像的预测标签及第一标签间的差异，确定每张所述第二图像对应的损失值；
14.基于每个所述损失值，对所述初始模型进行修正，以生成训练完成的图像识别模型。
15.可选的，所述将每张所述第二图像输入至初始模型中，以确定每张所述第二图像
对应的预测概率值，包括：
16.将所述第二图像输入至编码器中，以经过所述编码器中第一卷积层的处理，确定对应的第一编码特征，其中所述编码器中包含n个卷积层；
17.将所述第一编码特征输入至所述编码器中的第二卷积层，以确定对应的第二编码特征；
18.将每一编码特征输入至下一个卷积层，以确定下一个卷积层所对应的编码特征；
19.直至将第n-1个卷积层对应的第n-1编码特征，输入至第n个卷积层，以确定对应的第n编码特征；
20.将所述第n编码特征及所述第n-1编码特征输入至解码器中的第一网络层，以确定对应的第一解码特征；
21.将所述第一解码特征及所述第n-2编码特征，输入至所述解码器中的第二网络层，以确定对应的第二解码特征；
22.将所述解码器中任一网络层对应的解码特征及与所述解码特征规格对应的编码特征，输入至所述解码器中的下一网络层，以确定下一网络层对应的解码特征；
23.直至将第n-1解码特征及所述第一编码特征，输入至解码器中的第n网络层，以确定所述第二图像对应的预测概率值。
24.可选的，所述基于每个所述损失值，对所述初始模型进行修正，以生成图像识别模型，包括：
25.基于每个所述损失值，对所述初始模型进行修正；
26.基于矩阵低秩分解，将所述修正后的模型进行压缩，以生成图像识别模型。
27.可选的，所述根据每个所述像素点的概率值，确定所述第一图像中是否包含煤矸石，包括：
28.在任一像素点对应的第一概率值大于第二概率值的情况下，确定所述任一像素点对应的图像信息为煤矸石，其中，所述第一概率值为像素点为煤矸石的概率、所述第二概率值为像素点不是煤矸石的概率。
29.本公开第二方面实施例提出了一种基于多特征层融合的煤矸石的检测装置，包括：
30.获取模块，用于获取待检测的第一图像，其中，所述第一图像为采集的煤炭图像数据；
31.第一确定模块，用于将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值，其中，所述图像识别模型中包含多个深度可分离卷积层dsc及多个网络层，所述网络层用于将多个dsc提取的特征进行融合；
32.第二确定模块，用于根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石。
33.可选的，所述第一确定模块，包括：
34.获取单元，用于获取训练数据集，其中，所述训练数据集中包含多张第二图像及每张所述第二图像对应的第一标签；
35.第一确定单元，用于将每张所述第二图像输入至初始模型中，以确定每张所述第二图像对应的预测概率值，其中，所述初始模型中包含编码器及解码器；
36.第二确定单元，用于根据每张所述第二图像的预测概率值，确定每张所述第二图像对应的预测标签；
37.第三确定单元，用于根据每张所述第二图像的预测标签及第一标签间的差异，确定每张所述第二图像对应的损失值；
38.生成单元，用于基于每个所述损失值，对所述初始模型进行修正，以生成训练完成的图像识别模型。
39.可选的，所述第一确定单元，具体用于：
40.将所述第二图像输入至编码器中，以经过所述编码器中第一卷积层的处理，确定对应的第一编码特征，其中所述编码器中包含n个卷积层；
41.将所述第一编码特征输入至所述编码器中的第二卷积层，以确定对应的第二编码特征；
42.将每一编码特征输入至下一个卷积层，以确定下一个卷积层所对应的编码特征；
43.直至将第n-1个卷积层对应的第n-1编码特征，输入至第n个卷积层，以确定对应的第n编码特征；
44.将所述第n编码特征及所述第n-1编码特征输入至解码器中的第一网络层，以确定对应的第一解码特征；
45.将所述第一解码特征及所述第n-2编码特征，输入至所述解码器中的第二网络层，以确定对应的第二解码特征；
46.将所述解码器中任一网络层对应的解码特征及与所述解码特征规格对应的编码特征，输入至所述解码器中的下一网络层，以确定下一网络层对应的解码特征；
47.直至将第n-1解码特征及所述第一编码特征，输入至解码器中的第n网络层，以确定所述第二图像对应的预测概率值。
48.可选的，所述生成单元，具体用于：
49.基于每个所述损失值，对所述初始模型进行修正；
50.基于矩阵低秩分解，将所述修正后的模型进行压缩，以生成图像识别模型。
51.可选的，所述第二确定模块，具体用于：
52.在任一像素点对应的第一概率值大于第二概率值的情况下，确定所述任一像素点对应的图像信息为煤矸石，其中，所述第一概率值为像素点为煤矸石的概率、所述第二概率值为像素点不是煤矸石的概率。
53.本公开提供的基于多特征层融合的煤矸石的检测方法及装置，可以先获取待检测的第一图像，其中，第一图像为采集的煤炭图像数据，之后可以将第一图像输入至训练完成的图像识别模型中，以确定第一图像中每个像素点对应的概率值，再根据每个像素点对应的概率值，确定第一图像中是否包含煤矸石。由此，在获取到待识别的煤炭图像之后，可以利用已训练完成的图像识别模型，对其进行处理，以确定出该图像中每个像素点对应的概率值，之后根据概率值可以确定出该图像中是否包含煤矸石，无需人工进行，即可实现煤矸石的检测，提高了效率，节省了时间。
54.本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
55.本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
56.图1是根据本公开一实施例提供的基于多特征层融合的煤矸石的检测方法的流程示意图；
57.图2是根据本公开另一实施例提供的基于多特征层融合的煤矸石的检测方法的流程示意图；
58.图2a是根据本公开一实施例提供的初始模型的结构示意图；
59.图3是根据本公开一实施例提供的基于多特征层融合的煤矸石的检测装置的示意图。
具体实施方式
60.下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本公开，而不能理解为对本公开的限制。相反，本公开的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
61.需要说明的是，本实施例的基于多特征层融合的煤矸石的检测方法的执行主体可以为基于多特征层融合的煤矸石的检测装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。
62.图1是根据本公开一实施例提供的基于多特征层融合的煤矸石的检测方法的流程示意图，如图1所示，该方法包括：
63.步骤101，获取待检测的第一图像，其中，第一图像为采集的煤炭图像数据。
64.可以理解的是，在煤炭开采过程中，开采出的煤炭中可能会伴随着煤矸石，煤矸石是一种固体排放废物，含碳量较低，比煤的硬度更高，燃烧利用率较低。若将煤矸石从煤炭中分离，不仅能提高煤炭的燃烧效率，而且也可以减少其燃烧时污染物的排放。从而，本公开实施例中，可以先获取采集到的、待识别的煤炭图像数据。
65.其中，第一图像可以为通过摄像头采集的煤炭图像数据，或者也可以通过对视频进行解析，所确定的煤炭图像数据，或者还可以为通过其他方式采集的煤炭图像数据等等，本公开对此不做限定。
66.步骤102，将第一图像输入至训练完成的图像识别模型中，以确定第一图像中每个像素点对应的概率值，其中图像识别模型中包含多个深度可分离卷积层dsc及多个网络层，网络层用于将多个dsc提取的特征进行融合。
67.其中，图像识别模型，可以为提前训练完成的，将待检测的第一图像输入至该图像识别模型中，经过该图像识别模型的处理，可以确定出第一图像中每个像素点分别对应的概率值。
68.可以理解的是，概率值可以为用于表征像素点为“煤矸石”的概率，或者也可以为用于表征像素点不是“煤矸石”的概率值等等。或者，概率值，也可以为多个，比如第一概率值为该像素点为“煤矸石”的概率、第二概率值为该像素点“不是煤矸石”的概率等等，本公
开对此不做限定。
69.另外，图像识别模型中，可以包含多个深度可分离卷积层(depthwise separable convolution,dsc)及多个网络层。
70.其中，dsc可以用于对输入的第一图像进行特征提取，网络层可以用于将多个dsc提取的特征进行融合，也即将多特征层进行融合。
71.可选的，可以将第一图像输入至图像识别模型中，以经过第一dsc的处理，提取到第一特征，之后可以将第一编码特征输入至下一个dsc中，以得到其对应的特征，也即不同dsc提取到的特征深度通常可能也不同。网路层可以将不同dsc对应的特征进行融合，以得到较为完整、全面的特征信息，从而提高了感受野的全面性，保证了特征提取的有效性等等。本公开对此不做限定。
72.可以理解的是，本公开中通过深度可分离卷积技术，可使得对第一图像进行检测所需的参数远小于传统的卷积方式所需的参数，从而达到了模型轻量化的目的。
73.步骤103，根据每个像素点对应的概率值，确定第一图像中是否包含煤矸石。
74.举例来说，若像素点对应的概率值，用于表征该像素点为“煤矸石”的概率，那么可以提前设定概率阈值，将各个像素点对应的概率值与该概率阈值进行比较。若某个像素点的概率值大于概率阈值，可以认为该像素点为“煤矸石”；或者若某个像素点的概率值小于或等于概率阈值，那么可以认为该像素点“不是煤矸石”等等，本公开对此不做限定。
75.可选的，也可以在任一像素点对应的第一概率值大于第二概率值的情况下，确定任一像素点对应的图像信息为煤矸石，其中，第一概率值为像素点为煤矸石的概率、第二概率值为像素点不是煤矸石的概率。
76.可以理解的是，可以将第一概率值与第二概率值进行比较，根据其中较大概率值确定对应的图像信息。
77.举例来说，若任一像素点对应的第一概率值为0.95、第二概率值为0.05，那么可以确定该任一像素点对应的图像信息为“煤矸石”。或者，若某一像素点对应的第一概率值为0.3、第二概率值为0.7，那么可以确定该某一像素点对应的图像信息“不是煤矸石”。等等，本公开对此不做限定。
78.从而，本公开实施例中，利用已训练完成的图像识别模型，对采集的煤炭图像进行处理，可以确定出该图像中每个像素点对应的概率值，之后根据概率值可以确定出该图像中是否包含煤矸石，以及图像中煤矸石的位置等等，无需人工进行煤矸石的分辨，提高了效率，节省了时间。
79.本公开实施例，可以先获取待检测的第一图像，其中，第一图像为采集的煤炭图像数据，之后可以将第一图像输入至训练完成的图像识别模型中，以确定第一图像中每个像素点对应的概率值，再根据每个像素点对应的概率值，确定第一图像中是否包含煤矸石。由此，在获取到待识别的煤炭图像之后，可以利用已训练完成的图像识别模型，对其进行处理，以确定出该图像中每个像素点对应的概率值，之后根据概率值可以确定出该图像中是否包含煤矸石，无需人工进行，即可实现煤矸石的检测，提高了效率，节省了时间。
80.图2是根据本公开一实施例提供的基于多特征层融合的煤矸石的检测方法的流程示意图，如图2所示，该方法包括：
81.步骤201，获取训练数据集，其中，训练数据集中包含多张第二图像及每张第二图
像对应的第一标签。
82.其中，第二图像为经人工标注后的煤炭图像；第一标签，可以为对第二图像进行人工标注后的分类标签，比如可以为“煤矸石”、或者，“不是煤矸石”等等，本公开对此不做限定。
83.步骤202，将每张第二图像输入至初始模型中，以确定每张第二图像对应的预测概率值，其中，初始模型中包含编码器及解码器。
84.其中，初始模型，可以为任意包含编码器及解码器的模型，其可以用于对第二图像进行处理，以确定第二图像对应的预测概率值。编码器，可以用于对第二图像进行特征提取等处理；解码器可以用于将提取到的特征进行融合，以生成第二图像对应的预测概率值等等，本公开对此不做限定。
85.可选的，经初始模型处理过的预测概率值，也可以为第二图像中各个像素点分别对应的预测概率值等等，本公开对此不做限定。
86.可选的，可以将第二图像输入至编码器中，以经过编码器中第一卷积层的处理，确定对应的第一编码特征，其中编码器中包含n个卷积层。之后可以将第一特征输入至编码器中的第二卷积层，以确定对应的第二编码特征；之后可以将每一编码特征输入至下一个卷积层，以确定下一个卷积层所对应的编码特征；直至将第n-1个卷积层对应的第n-1编码特征，输入至第n个卷积层，以确定对应的第n编码特征。
87.其中，编码器中可以包含多个卷积层，n的数量可以为提前设定的，比如可以为5、6、7等等，本公开对此不做限定。
88.另外，卷积层,可以为深度可分离卷积层(depthwise separable convolution,dsc),或者也可以为其他卷积层等等。另外，多个卷积层可以相同，或者也可以不同等等，本公开对此不做限定。
89.举例来说，在n的取值为6、且卷积层为dsc的情况下，编码器对第二图像进行处理的过程可以如图2a所示。由图2a可知，将第二图像a输入至编码器中，以经过编码器中第一dsc的处理，生成对应的第一编码特征f1；之后将第一编码特征f1输入至第二dsc，以经过第二dsc的处理，生成对应的第二编码特征f2；之后将第二编码特征f2输入第三dsc，以经过第三dsc的处理，生成对应的第三编码特征f3；之后将第三编码特征f3输入第四dsc，以经过第四dsc的处理，生成对应的第四编码特征f4；之后将第四编码特征f4输入第五dsc，以经过第五dsc的处理，生成对应的第五编码特征f5；之后将第五编码特征f5输入第六dsc，以经过第六dsc的处理，生成对应的第六编码特征f6等等，本公开对此不做限定。
90.可选的，可以将第n编码特征及第n-1编码特征输入至解码器中的第一网络层，以确定对应的第一解码特征，之后可以将第一解码特征及第n-2编码特征，输入至解码器中的第二网络层，以确定对应的第二解码特征；之后可以将解码器中任一网络层对应的解码特征及与解码特征规格对应的编码特征，输入至解码器中的下一网络层，以确定下一网络层对应的解码特征；直至将第n-1解码特征及第一编码特征，输入至解码器中的第n网络层，以确定第二图像对应的预测概率值。
91.可选的，解码器可以通过上采样的方式，将编码特征进行融合，以生成对应的预测概率等等，本公开对此不做限定。
92.另外，解码器中网络层的数量与编码器中卷积层的数量可以对应，从而解码器的
任一网络层对应的解码特征，在编码器中存在与解码特征规格相对应的编码特征等等。其中，规格可以为大小、尺寸等等。本公开对此不做限定。
93.可选的，可以先对第n编码特征进行上采样(upsampling)，之后再将其及第n-1编码特征输入至解码器中的第一网络层，以经过该第一网络层的处理，比如卷积处理等，可以确定出对应的第一解码特征m1等等，本公开对此不做限定。
94.举例来说，在编码器包含6个dsc的情况下，将经编码器处理得到的各个编码特征进行融合的过程，可以如图2a所示。由图2a可知，可以先将经过编码器处理得到的第六编码特征f6及第五编码特征f5输入至解码器，以经过解码器中第一网络层的处理，确定出第一网络层对应的第一解码特征m1。其中，可以先对第六编码特征f6进行上采样处理，之后再将其与第五编码特征f5输入至第一网络层，以经过第一网络的卷积处理，得到对应的第一解码特征m1。
95.之后可以将第一解码特征m1先进行上采样处理，之后将其及第四编码特征f4，输入至解码器中的第二网络层，以经过第二网络层的卷积处理，可以确定出对应的第二解码特征m2；之后可以将第二解码特征m2及第三编码特征f3输入至解码器中的第三网络层，以经过第三网络层的处理，可以确定出对应的第三解码特征m3；之后可以将第三解码特征m3及第二编码特征f2，输入至解码器中的第四网络层，以经过第四网络层的处理，可以确定出对应的第四解码特征m4；之后可以将第四解码特征m4及第一编码特征f1输入至解码器中的第五网络层，以经过第五网络层的处理，确定出对应的第五解码特征m5，之后对该第五解码特征m5进行上采样处理，以确定出b对应的预测概率值。
96.可选的，在将任一解码特征输入至某一解码器中的网络层时，可以先进行上采样，再将其输入至对应的网络层，本公开对此不做限定。
97.需要说明的是，上述示例只是示意性说明，不能作为对本公开实施例中编码器、解码器结构等的限定。
98.从而，本公开实施例中，通过深度可分离卷积技术，可使得对第二图像进行处理时所需的参数远小于传统卷积方式下所需的参数，从而达到了模型轻量化的目的。另外，利用编码器中的dsc，可以生成不同深度的编码特征，之后可以利用解码器中的每个网络层，对不同深度的编码特征进行融合，从而可以以达到更为全面的感受野，从而提高了特征提取的有效性和可靠性。
99.步骤203，根据每张第二图像的预测概率值，确定每张第二图像对应的预测标签。
100.其中，预测概率值可以用于表征该第二图像是否包含煤矸石，若该第二图像中包含煤矸石，可以确定其对应的预测标签可以为“包含煤矸石”；若该第二图像中未包含煤矸石，那么可以确定其对应的预测标签可以为“不是煤矸石”等等，本公开对此不做限定。
101.步骤204，根据每张第二图像的预测标签及第一标签间的差异，确定每张第二图像对应的损失值。
102.其中，确定第二图像的预测标签及第一标签间的差异时，可以有多种方式。比如可以使用曼哈顿距离公式确定出第二图像的预测标签及第一标签间的差异，或者也可以使用欧氏距离公式确定出第二图像的预测标签及第一标签间的差异等。可以理解的是，上述确定第二图像的预测标签及第一标签间差异的方式，并不仅限于曼哈顿距离公式、欧氏距离公式等，本公开对此不做限定
103.可选的，在确定出第二图像的预测标签及第一标签间的差异后，可以利用损失函数，确定出每张第二图像对应的损失值。
104.其中，损失函数可以为任意类型的，比如可以为交叉熵损失函数、均方差损失函数等等。本公开对此不做限定。
105.步骤205，基于每个损失值，对初始模型进行修正，以生成训练完成的图像识别模型。
106.可以理解的是，在确定出第二图像的损失值后，可以利用该损失值，对初始模型进行逐层反向修正，从而生成训练后的图像识别模型。本公开对此不做限定。
107.可以理解的是，为了进一步达到模型轻量化目的，还可对训练的模型进行压缩，以便于将其部署在边缘端设备中，从而可以基于边缘对煤矸石进行检测，从而进一步提高了检测的效率。
108.可选的，可以先根据每个损失值，对初始模型进行修正，之后可以基于矩阵低秩分解，将修正后的模型进行压缩，以生成训练完成的图像识别模型。
109.其中，也可以采用任何可取的方式，对修正后的模型进行压缩，以生成图像识别模型，本公开对此不做限定。
110.从而，本公开实施例中，在生成训练完成的图像识别模型后，可以利用该图像识别模型对待检测图像进行处理，以确定该图像中是否包含“煤矸石”。由于该图像识别模型中包含的编码器和解码器，在对图像进行处理过程中，充分考虑到了提取到的特征的有效性和准确性，从而为提高煤矸石检测的准确性和效率提供了条件。
111.本公开实施例，可以先获取训练数据集，其中，训练数据集中包含多张第二图像及每张第二图像对应的第一标签，之后可以将每张第二图像输入至初始模型中，以确定每张第二图像对应的预测概率值，其中，初始模型中包含编码器及解码器，再根据每张第二图像的预测概率值，确定每张第二图像对应的预测标签，之后可以根据每张第二图像的预测标签及第一标签间的差异，确定每张第二图像对应的损失值，并基于每个损失值，对初始模型进行修正，以生成图像识别模型。由此，通过利用编码器及解码器对第二图像进行处理，可以得到第二图像的预测概率值，进而得到预测标签，通过预测标签与第一标签间的差异，对初始模型进行修正，以生成训练完成的图像识别模型，为提高煤矸石检测的准确性和效率提供了条件。
112.为了实现上述实施例，本公开还提出一种基于多特征层融合的煤矸石的检测装置。
113.图3是根据本公开一实施例提供的基于多特征层融合的煤矸石的检测装置的示意图。
114.如图3所示，该基于多特征层融合的煤矸石的检测装置300，包括：获取模块310、第一确定模块320及第二确定模块330。
115.其中，获取模块310，用于获取待检测的第一图像，其中，所述第一图像为采集的煤炭图像数据。
116.第一确定模块320，用于将所述第一图像输入至训练完成的图像识别模型中，以确定所述第一图像中每个像素点对应的概率值，其中，所述图像识别模型中包含多个深度可分离卷积层dsc及多个网络层，所述网络层用于将多个dsc提取的特征进行融合。
117.第二确定模块330，用于根据每个所述像素点对应的概率值，确定所述第一图像中是否包含煤矸石。
118.可选的，所述第一确定模块320，包括：
119.获取单元，用于获取训练数据集，其中，所述训练数据集中包含多张第二图像及每张所述第二图像对应的第一标签；
120.第一确定单元，用于将每张所述第二图像输入至初始模型中，以确定每张所述第二图像对应的预测概率值，其中，所述初始模型中包含编码器及解码器；
121.第二确定单元，用于根据每张所述第二图像的预测概率值，确定每张所述第二图像对应的预测标签；
122.第三确定单元，用于根据每张所述第二图像的预测标签及第一标签间的差异，确定每张所述第二图像对应的损失值；
123.生成单元，用于基于每个所述损失值，对所述初始模型进行修正，以生成训练完成的图像识别模型。
124.可选的，所述第一确定单元，具体用于：
125.将所述第二图像输入至编码器中，以经过所述编码器中第一卷积层的处理，确定对应的第一编码特征，其中所述编码器中包含n个卷积层；
126.将所述第一编码特征输入至所述编码器中的第二卷积层，以确定对应的第二编码特征；
127.将每一编码特征输入至下一个卷积层，以确定下一个卷积层所对应的编码特征；
128.直至将第n-1个卷积层对应的第n-1编码特征，输入至第n个卷积层，以确定对应的第n编码特征；
129.将所述第n编码特征及所述第n-1编码特征输入至解码器中的第一网络层，以确定对应的第一解码特征；
130.将所述第一解码特征及所述第n-2编码特征，输入至所述解码器中的第二网络层，以确定对应的第二解码特征；
131.将所述解码器中任一网络层对应的解码特征及与所述解码特征规格对应的编码特征，输入至所述解码器中的下一网络层，以确定下一网络层对应的解码特征；
132.直至将第n-1解码特征及所述第一编码特征，输入至解码器中的第n网络层，以确定所述第二图像对应的预测概率值。
133.可选的，所述生成单元，具体用于：
134.基于每个所述损失值，对所述初始模型进行修正；
135.基于矩阵低秩分解，将所述修正后的模型进行压缩，以生成图像识别模型。
136.可选的，所述第二确定模块330，具体用于：
137.在任一像素点对应的第一概率值大于第二概率值的情况下，确定所述任一像素点对应的图像信息为煤矸石，其中，所述第一概率值为像素点为煤矸石的概率、所述第二概率值为像素点不是煤矸石的概率。
138.本公开实施例中的上述各模块的功能及具体实现原理，可参照上述各方法实施例，此处不再赘述。
139.本公开实施例的基于多特征层融合的煤矸石的检测装置，可以先获取待检测的第
一图像，其中，第一图像为采集的煤炭图像数据，之后可以将第一图像输入至训练完成的图像识别模型中，以确定第一图像中每个像素点对应的概率值，再根据每个像素点对应的概率值，确定第一图像中是否包含煤矸石。由此，在获取到待识别的煤炭图像之后，可以利用已训练完成的图像识别模型，对其进行处理，以确定出该图像中每个像素点对应的概率值，之后根据概率值可以确定出该图像中是否包含煤矸石，无需人工进行，即可实现煤矸石的检测，提高了效率，节省了时间。
140.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
141.应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
142.需要说明的是，在本公开的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本公开的描述中，除非另有说明，“多个”的含义是两个或两个以上。
143.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本公开的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本公开的实施例所属技术领域的技术人员所理解。
144.应当理解，本公开的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
145.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
146.此外，在本公开各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
147.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
148.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不
一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
149.尽管上面已经示出和描述了本公开的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本公开的限制，本领域的普通技术人员在本公开的范围内可以对上述实施例进行变化、修改、替换和变型。