Coal Image Recognition Method Based on Improved Semantic Segmentation Model of PSPNET Network
Notice bibliographique
Résumé
To implement the intelligence and automation of coal mines, coal recognition plays a crucial role. In order to further improve the accuracy and speed of intelligent coal recognition, this paper proposes a semantic segmentation model based on an improved PSPNET network. (1) The lightweight MobilenetV2 module is used as the backbone feature extraction network. Compared to traditional networks, it has fewer parameters while achieving higher recognition accuracy and speed.(2) The Convolutional Block Attention Module (CBAM) is introduced into the Pyramid Pooling Module (PPM) to enhance the network's ability to extract detailed features and effectively fuse spatial and channel information, thus improving the segmentation accuracy of the model.(3) Data augmentation and image feature enhancement methods are employed to overcome sample distribution differences, enhance model generalization, and adapt to coal-rock recognition tasks in different application scenarios. The proposed approach is tested on a self-made coal segmentation dataset and compared with the unimproved PSPNET, Hernet, U-net, and DeeplabV3+ models in terms of Mean Intersection over Union (Miou), recognition accuracy, edge detail recognition, model size, and parameter count. Experimental results demonstrate that compared to other models, the improved PSPNET network not only has lower computational complexity and parameter count but also exhibits stronger coal detail feature extraction capability, higher segmentation accuracy, and better processing efficiency.Finally, the improved PSPNET model was trained and tested on a coal rock image segmentation dataset with image feature enhancement.The accuracy, MIU and MPA of the improved PSPNET network reached 65.04, 73.15 and 74.27 respectively.It can be seen that the improved network has superior feature extraction ability and computational efficiency to achieve coal surface image recognition. This verifies the feasibility and effectiveness of the proposed method in the actual coal rock image recognition task.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».