深度学习的卷积神经网络的煤矸石识别

                                                                      项目背景
       针对煤矸石分选的问题，提出一种基于深度学习的目标检测算法替代人工选矸，为后续开发自动选矸机器人提供视觉依据。因为矸石样本数量有限，所以各个地区矸石特征不一，没有统一标准大数量样本集，为了不影响深度卷积网络训练精度，需要提出一种基于卷积生成对抗网络（DCGAN）的煤矸石图像数据扩充方法，才能建立有效的监督样本集进行训练。通过模型训练实验发现，基础YOLOv8的深度学习网络存在针对小块煤矸石漏检与误检的缺陷，需要通过算法克服小块煤矸石漏检的缺陷。经过实验测试得出，改进后的YOLOv8能够对小块煤矸石检测，同时也能够提高目标检测模型的整体检测精度，准确率可达98%以上，完全可以替代人工检测。

       在本博文中，我们提出了一种基于深度学习的煤矸石检测与识别系统，该系统采用YOLOv8算法对煤矸石进行检测和识别，实现对图片中的煤矸石进行准确识别。

1.项目需求

对煤矸石进行检测与识别，系统将识别出图片中的克服小块煤矸石漏检的缺陷。

 2.项目实现
  通过调研，本项目最终使用yolov8模型作为目标检测的模型， YOLOv8 旨在快速、

准确且易使用，使其成为广泛的物体检测、图像分割和图像分类任务的极佳选择。

一、数据预处理

  1.数据集：格式为jpg的3091张煤矸石图片

2.YOLOv8环境配置

• 语言环境：python3.8
• 编辑器：pycharm
• 深度学习环境：tensorflow2

yolo检测网络包括24个卷积层和2个全连接层，其中，卷积层用来提取图像特征，全连接层用来预测图像位置和类别概率值。

（1