融合坐标注意力机制和Inception结构的MobileNetV2网络模型煤矸识别方法

本发明涉及煤矸识别，具体涉及一种融合坐标注意力机制和inception结构的mobilenetv2网络模型煤矸识别方法。

背景技术：

1、煤矸识别是放煤工序智能化的关键技术，是制约综放开采“无人化”或“少人化”发展的关键因素。目前，放煤过程仍然按照“见煤矸石关闭放煤口”的原则进行控制。但由于放煤工作面煤尘大、光线暗、噪声多，导致传统方法无法准确地识别出煤流中的煤矸石混合度，进而无法准确地控制放煤过程的启停动作，容易造成放煤不足或过放现象，进一步导致煤炭回收率低、煤矸石含量高。因此，迫切需要提供新的技术和方法来解决顶板放煤过程中煤矸混合度精确识别的问题。

2、由于煤和矸石的物理特性不同，放顶煤时煤、矸石冲击液压支架尾梁所引起的振动特性也有很大差异，该振动信号易于采集，信号形式较为直接，更容易进行特征提取和分析。中国发明专利2018年9月14日公开的一种公开号为cn108534975b的“一种放顶煤煤矸界面识别试验系统”，其是通过煤矸放落冲击试验模拟放顶煤实际放落过程，获取冲击振动信号并从中提取煤和矸石的有效特征，从而实现煤矸自动识别。但该方法过于依赖煤和矸石的硬度差异，当煤和矸石物理性质相似时，无法从根本上提取煤和矸石的深层特征信息，此时仅依靠振动信号的微弱特征不足以作为复杂环境下煤矸石识别的依据，导致上述煤矸石识别方法的适应性较差，精确率不高。

技术实现思路

1、针对上述现有技术存在的问题，本发明提供一种融合坐标注意力机制和inception结构的mobilenetv2网络模型煤矸识别方法，该方法能够快速准确地识别出煤矸混合度，能够解决由于工作面煤尘大、光线暗、噪声多等恶劣环境导致的煤矸识别精度不高的问题，进而为液压支架的智能放煤提供技术支撑。

2、为了实现上述目的，本发明提供一种融合坐标注意力机制和inception结构的mobilenetv2网络模型煤矸识别方法，包括以下步骤；

3、步骤一：在放顶煤工作面开始放煤前，在液压支架尾梁上安装高频振动传感器，并建立高频振动传感器与数据处理设备的连接，完成放顶煤模拟实验台的搭建；根据液压支架放煤次序，对第1台液压支架执行手动放煤操作，同时利用高频振动传感器实时采集顶煤放落过程中不同含矸率下的煤矸石冲击尾梁的振动信号原始数据；

4、步骤二：利用改进的蚁狮优化算法优化变分模态分解算法的关键参数k和α，并利用优化的变分模态分解算法对采集到的振动信号进行重构降噪处理，截取信号样本的有效特征；

5、步骤三：利用格拉姆角场图像编码方法和以采样点为250的间隔对去噪后的振动信号进行图像样本转换，构建煤矸振动信号的图像样本数据集；

6、步骤四：以mobilenetv2网络模型为煤矸识别基础模型，融入坐标注意力机制和inception结构突出图像位置信息并拓展网络宽度，形成改进后的mobilenetv2网络模型；利用生成的图像样本作为训练集对改进后的mobilenetv2网络模型进行训练，获得训练好的mobilenetv2网络模型；

7、步骤五：根据液压支架放煤次序，依次对其余液压支架执行手动放煤操作，从第2台液压支架放煤开始，将采集到的振动信号依次经过步骤二、步骤三处理后，输入到训练好的mobilenetv2网络模型，输出各个放煤过程中的煤矸混合度识别结果，实现煤矸的快速准确识别。

8、进一步，为了能提高算法的多样性和随机性，以使蚁狮优化算法在后期仍然有跳出局部最优的能力，在步骤二中，利用改进的蚁狮优化算法对变分模态分解参数进行自适应寻优，得到优化的变分模态分解算法，其具体步骤如下：

9、s21：设置改进蚁狮优化算法参数范围：算法迭代次数itermax、搜索体规模numagent、混沌搜索次数numchaos以及变分模态分解算法参数k、α的优化范围；

10、s22：初始化种群，改进蚁狮优化算法中蚂蚁与蚁狮个体代表变分模态分解算法的两个优化参数k和α，根据s21中设置的参数范围对蚂蚁与蚁狮种群随机初始化，选择numagent个蚁狮开始并行搜索；

11、s23：计算蚂蚁与蚁狮的适应度值，将其组合后按适应度值降序排列，并将适应度值较优者赋予蚁狮种群；

12、s24：混沌搜索优化，利用fuch搜索对适应度值较差的蚁狮重新赋值，具体流程如下：

13、(1)设置fuch混沌搜索初始化参数和算法终止迭代条件；

14、(2)随机产生n维向量：(x11，x12…x1n)，其中，x11～x1n为0～1之间差异微小的值，将x11～x1n设为初值，带入公式(1)进行转换，得到n个向量：x1、x2…xn；

15、

16、(3)利用生成的混沌变量值对算法进行更新迭代，替换适应度值较差的蚁狮；

17、(4)将xi的值对应到要优化的变量预定范围；

18、(5)根据目标函数公式，求出种群适应度值，并在比较适应度值后更新蚁狮位置；

19、(6)若达到迭代终止条件，输出结果，否则重复步骤(4)。

20、s25：若优化算法达到迭代最大次数itermax，输出变分模态分解的最佳参数组合[k，α]，否则利用轮盘赌原则选定蚁狮，蚂蚁围绕蚁狮随机边界游走产生新的位置，更新优化参数组合[k，α]，并重新执行s23，直至满足最大迭代次数要求。

21、进一步，为了确保编码图像速率最快，且能获得足够多的训练样本，以有利于获得识别精度更高的识别模型，在步骤三中，利用格拉姆角场图像编码方法将振动信号转换为图像样本的具体步骤如下：

22、s31：将高频振动传感器所采集的振动信号时序数据x＝{x1,x2,x3…,xn}压缩到区间[-1，1]或[0，1]，即其中，n为时间戳的数量，xi为第i个时间戳对应的序列分量；

23、s32：将归一化后的序列值进行极坐标化处理，根据公式(2)利用角度与半径表示时间序列下的幅值与其对应时间戳，将时间序列下的xi对应的时间映射为极坐标下的半径ri，将时间序列下的幅值映射到极坐标系下的角度值φi：

24、

25、式中，表示归一化重构后的时间序列的振幅；ti表示对应的时间点；n表示常数因子；

26、s33：样本长度选择；利用格拉姆角场编码方法生成样本图像，并测试不同样本长度下图像的转换效率，选择出生成格拉姆角场的编码图像速率最快，且能获得足够多的训练样本的样本长度，选择出的样本长度为250；

27、s34：转换设定数量的图像样本后，构建煤矸振动图像样本数据集。

28、进一步，为了能够有效增强模型对不同特征的关注程度，还能有效增加网络对不同尺度特征的适应性，在步骤四中，搭建融合坐标注意力机制和inception结构的mobilenetv2网络模型以进行煤矸识别的具体步骤如下：

29、s41：构建卷积神经网络结构，并设定网络结构的初始参数；

30、s42：利用卷积计算提取图像特征，并利用池化操作对提取到的特征进行下采样处理，减少输入到下一层网络的参数量，完成网络模型的前向传播；

31、s43：计算网络模型的均方误差，实现梯度下降，完成方向传播计算；

32、s44：修改网络权重、偏置参数，更新图像分类网络模型，网络模型迭代次数+1；

33、s45：直至完成所有迭代次数，利用softmax分类器对特征进行分类，使输出值转换成[0，1]之间的概率值，将特征与煤矸振动图像的标签进行匹配，输出概率值反映模型的识别准确率，否则重复s42。

34、作为一种优选，在步骤二中s25中，根据公式(3)对蚂蚁围绕蚁狮随机边界游走做出改进；

35、

36、

37、式中：ct和dt分别表示在蚁狮第t次迭代时随机游动的上限和下限，ξ是一个常数，i是比率，用于自适应地调整蚂蚁的更新范围，rand是0和1之间的随机常数，t是最大迭代次数。

38、作为一种优选，在步骤四中s41中构建卷积神经网络结构过程中进行如下改进：

39、在经典的mobilenetv2网络模型主干特征提取部分中，引入坐标注意力机制，并将其融入到mobilenetv2网络模型的深度可分离卷积结构中，串联到步距为1的倒残差模块的第二个逐点卷积后，兼顾空间与通道维度的特征，融入后的模块命名为bottleneck_ca，bottleneck_ca模块结合输入图像的位置与通道信息，将全局池化操作分解成对特征图进行水平和垂直两个方向上的一维特征编码，实现通道间相关性建模；

40、同时，引入inception结构，并将其与步距为2的bottleneck结构组合形成更高效的深度神经网络，融入后的模块命名为bottleneck_in，bottleneck_in模块使用3×3、5×5的dw卷积进行多尺度信息融合，舍弃concat拼接操作，将不同分支输出的特征进行相加操作后输出。

41、作为一种优选，在步骤五中的煤矸混合度包括0、10％、20％、30％、40％、50％、100％。

42、作为一种优选，在步骤四的s41中，网络结构的初始参数包括网络迭代次数iter、数据集样本量、学习率lr和优化器。

43、本发明中，通过搭建放顶煤模拟实验台，并安装高频振动传感器，可以方便地获取不同含矸率下的煤矸石冲击尾梁振动信号原始数据；利用改进蚁狮优化算法优化变分模态分解的关键参数，并对采集到的原始振动信号数据进行重构降噪处理，截取信号样本的有效特征，这样，可以有效确保算法的多样性和随机性，提高了算法的全局搜索能力，能够有效防止算法陷入局部最优，使得获得全局最优解更容易；利用格拉姆角场图像编码方法和以采样点为205的间隔对去噪后的振动信号转换为图像样本，并构建煤矸振动信号的图像样本数据集，可以确保编码图像速率最快，且能获得足够多的训练样本，有利于训练出识别精度更高的识别模型；以mobilenetv2网络为煤矸识别基础模型，融入坐标注意力机制和inception结构突出图像位置信息并拓展网络宽度，这样，不仅能够有效增强模型对不同特征的关注程度，还能有效增加网络对不同尺度特征的适应性，有利于显著提高识别精度；用生成的图像样本对改进后的mobilenetv2网络模型进行训练和验证，能够进一步获得识别精度更好的识别模型，进而可以便于利用所获得识别模型高效准确地输出煤矸混合度识别结果，实现煤矸的精确识别过程。本方法基于振动图谱分类技术，其收敛精度更高、稳定性更强，不易陷入局部最优，能有效解决传统煤矸石识别方法易出现的适应性较差、精确率不高的问题。利用本方法能够解决由于工作面煤尘大、光线暗、噪声多等恶劣环境导致的煤矸识别精度不高的问题，进而能为液压支架的智能放煤提供技术支撑，对实现综放工作面的“无人化”或“少人化”开采具有重要的意义。