关于TensorFlow深度学习的卷积神经网络的岩石图像识

Rosie_4444_

已于 2023-11-08 15:16:57 修改

阅读量963

点赞数 2

文章标签：深度学习 tensorflow cnn

于 2023-11-08 01:38:18 首次发布

本文链接：https://blog.csdn.net/rosie_4444_/article/details/134160244

版权

本文介绍了基于TensorFlow的深度学习卷积神经网络YOLOv8在岩石图像识别中的应用。通过数据集的扩充、模型训练、性能评估，展示了一个目标检测系统，该系统能准确识别煤矸石，准确率超过98%。尽管出现了过拟合，但YOLOv8在小块煤矸石检测中表现出色。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

关于TensorFlow深度学习的卷积神经网络的岩石图像识别

成功训练后根目录下会产生一个run的文件夹，里面就存有训练好的模型

PR曲线图：

图片显示检测结果编辑编辑

五、总结

关于TensorFlow深度学习的卷积神经网络的岩石图像识别

一、案例简述

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。由于矸石样本数量有限，各个地区矸石特征不一，没有统一标准大数量样本集，为不影响深度卷积网络训练精度，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，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，通过算法克服小块煤矸石漏检的缺陷。通过实验测试得出，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、准确且易于使用，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。

二、项目实现过程

1.数据集

数据集来源：百度
数据集格式：图片格式jpg，大小3091张
煤矸石数据集及训练的模型有3091张图片和txt标签，标签类别两类：“coal”、“rock”。

2.项目运行的环境

语言环境：python3.9
编辑器：pycharm
深度学习环境：tensorflow2

3.关于YOLOv8

YOLOv8 概述

YOLOv8 算法的核心特性和改动可以归结为如下：

1.提供了一个全新的 SOTA 模型，包括 P5 640 和 P6 1280 分辨率的目标检测网络和基于 YOLACT 的实例分割模型。和 YOLOv5 一样，基于缩放系数也提供了 N/S/M/L/X 尺度的不同大小模型，用于满足不同场景需求

2.骨干网络和 Neck 部分可能参考了 YOLOv7 ELAN 设计思想，将 YOLOv5 的 C3 结构换成了梯度流更丰富的 C2f 结构，并对不同尺度模型调整了不同的通道数，属于对模型结构精心微调，不再是无脑一套参数应用所有模型，大幅提升了模型性能。不过这个 C2f 模块中存在 Split 等操作对特定硬件部署没有之前那么友好了

3.Head 部分相比 YOLOv5 改动较大，换成了目前主流的解耦头结构，将分类和检测头分离，同时也从 Anchor-Based 换成了 Anchor-Free

4.Loss 计算方面采用了 TaskAlignedAssigner 正样本分配策略，并引入了 Distribution Focal Loss