一种用于煤炭分类的轻量级可解释深度学习框架

《Scientific Reports》：A lightweight explainable deep learning framework for coal classification

　　

摘要

在工业应用中，准确高效的煤炭分类对于优化能源生产、提高资源利用率以及确保符合环保标准至关重要。传统的分类方法依赖视觉检测和实验室分析，往往效率低下、主观性强且难以大规模应用。为应对这些挑战，本研究提出了一种定制化的轻量级卷积神经网络，该网络整合了可分离卷积块、逆残差块以及挤压激励机制，从而在降低计算成本的同时实现高精度分类。该模型在规模庞大的DsCGF数据集上进行了训练和测试，该数据集包含来自多个矿区的27万多张煤炭、矸石、外来物及未知材料的图像，这些图像采集自实际生产环境和非生产环境。实验结果表明，所提出的模型在安徽国北的生产数据集上的分类准确率为93.73%，在非生产数据集上为99.97%，在内蒙古二连图的production数据集上为99.26%，而在难度较高的山西王家岭生产数据集上则为90.50%。同时，该模型仅包含172万个参数，每张图像的平均推理时间为0.023秒。与MobileNetV2、DenseNet201和Xception等成熟的迁移学习模型相比，所提出的架构在准确率、精确度、召回率和F1分数等指标上表现更为优异或相当，且计算复杂度显著更低。为提升模型的可解释性并直观展示其预测结果，研究还采用了Grad-CAM、Grad-CAM++和Score-CAM等可解释人工智能技术来可视化分类决策区域。这一框架为煤炭分类提供了实用、可解释且高效能的解决方案，有助于推动智能采矿技术的发展。