《表1 煤矸石分类结果比较》
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。
图表编号 | XD00190648600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.11.25 |
作者 | 蒋卫祥 |
绘制单位 | 常州信息职业技术学院软件与大数据学院 |
更多格式 | 高清、无水印(增值服务) |