期刊订阅
广告服务
  • 中文
    EN
  • ISSN:0253-9993
  • CN: 11-2190/TD

《煤炭学报》

当前位置:首页 > 论文管理 > 基于GAN网络的煤岩图像样本生成方法

基于GAN网络的煤岩图像样本生成方法

作者(Author):

  • 王星
  • 高峰
  • 陈吉
  • 郝鹏程
  • 荆正军

作者单位:

  • 辽宁工程技术大学 电子与信息工程学院
  • 神东煤炭集团公司寸草塔一矿
  • 阜新煤矿集团 恒大煤矿

关键词:

  • 样本生成
  • 煤岩图像
  • 生成式对抗网络
  • 煤岩识别
  • 特征迁移
  • 摘要
  • 论文图表
  • 相关文章
  • 引用格式

煤矿智能化要求实现智能化开采,其中煤岩识别是实现无人化开采的核心技术之一,近年来基于图像的煤岩识别方法受到广泛关注。受采掘环境影响导致图像获取困难是制约煤岩图像识别的主要因素之一,针对煤岩图像数据短缺的问题提出解决方法并增加数据量,基于在单张图像上训练的生成式对抗网络提出Var-ConSinGAN模型并构建样本生成与特征迁移框架。ConSinGAN模型生成的图像虽然清晰但对于煤岩图像生成来说仍然缺少多样性,改进模型的训练方式和图像重构方法可提高生成煤岩图像的多样性。模型采用金字塔结构,使用多阶段训练方法,每个阶段训练不同尺度的图像,可以生成任意数量图像。在模型中提出了新的图像尺寸变换方法用来生成分辨率不同的重构图像,同时采用曲线函数使每一阶段的迭代次数逐步增加,之后对第1阶段用单张图像生成的结果使用基于辅助分类器的条件生成式对抗网络进行特征迁移。新图像重建方法保持重建图像高分辨率阶段的密度大于低分辨率阶段的密度,新训练迭代函数在减少模型学习图像结构的次数的同时增加模型学习图像纹理细节的次数。新的训练迭代函数可以减少模型迭代的总次数,从而减少模型训练时消耗的计算资源。模型需要输入一张符合正态分布的噪声图片,经过训练,生成器输出满足真实图像分布的生成样本。实验在500张煤岩图像上进行,每张图像生成400张仿真图像,并使用SSIM指标对生成图像的亮度、对比度、结构等3方面进行测评。其中结构性强的煤岩图像其SSIM指标值很低,反之,结构性弱的煤岩图像其SSIM指标值较高。根据实验结果可得结论:Var-ConSinGAN模型缓解了原始GAN在数据不足时无法训练和ConSinGAN生成的煤岩图像具有明显“边框”感且多样性不足的问题;Var-ConSinGAN与ConSinGAN相比模型性能提高了13.8%;特征迁移的实验结果显示不同种类的煤岩之间学习到了彼此没有的特征;增加了煤岩图像数据量。

王星,高峰,陈吉,等.基于GAN网络的煤岩图像样本生成方法[J].煤炭学报,2021,46(9):3066-3078. WANG Xing,GAO Feng,CHEN Ji,et al.Generative adversarial networks based sample generation of coal and rock images [J].Journal of China Coal Society,2021,46(9):3066-3078.
  • 地址:北京市朝阳区和平街13区煤炭大厦

  • 邮编:100013

  • 编辑部电话:(010)87986411

  • 传真:(010)84262114