《表1 煤矸石分类结果比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《增量式矿石自动化分拣系统研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

自动化煤矸石分类识别过程中，采用深度学习算法的CNN框架，另外两种是KNN、HOG+SVM传统算法。比较结果见表1，其中SVM算法结合HOG的精确度在0.9左右，KNN算法的精确度为0.8左右，这两种算法简单，易于实现，在处理较少数据时能够表现出较好的精确度，但同时需要各自进行数据集预处理，否则测试结果就差，在使用当中会有很大的局限性。KNN网络在处理简单任务时有非常高的精度，相对其他算法具有显著优越性；在复杂的识别任务中，数值分布差距很大，导致KNN网络计算存储过程十分冗长，所以基本告别了影像识别领域。而SVM作为经典的分类算法，能够解决极高维表示的问题，从而在图像分类领域风生水起。另外，SVM的性能还与核参数有极大关联度，在其使用过程中需格外注意。对于深度学习算法，目前常用的CNN卷积神经网络在煤矸石识别过程中，精确度在99%左右，能够满足识别要求。虽然模型训练时间需要0.5h左右，但实际工程使用过程中前期的训练过程可以不考虑，深度学习能够较好满足对煤矸石的识别分类要求。