王培珍，余 晨，薛子邯，張代林

(1.安徽工業(yè)大學(xué) 電氣與信息工程學(xué)院,安徽 馬鞍山 243032；2.安徽工業(yè)大學(xué) 工程實踐與創(chuàng)新教育中心,安徽 馬鞍山 243032；3.安徽工業(yè)大學(xué) 煤的潔凈轉(zhuǎn)化與綜合利用安徽省重點實驗室,安徽 馬鞍山 243032；4.安徽工業(yè)大學(xué) 冶金減排與資源綜合利用教育部重點實驗室，安徽 馬鞍山 243032)

0 引 言

煤巖顯微組分的組成影響煤的反應(yīng)性、熱破碎性質(zhì)、黏結(jié)性和對CO的吸附性等[1-2]。殼質(zhì)組是煤巖三大組別之一，實現(xiàn)對煤巖殼質(zhì)組中顯微組分的自動分類與識別對煤的清潔高效利用具有重要意義[3-4]。目前國內(nèi)外對于煤巖顯微組分辨識別大多采用人工觀測法，自動化程度低，結(jié)果易受主觀因素影響。針對上述問題，已有研究者嘗試采用圖像處理技術(shù)對煤巖顯微組分進(jìn)行分析與識別，如：BRIENA等[5]利用反射光與SEM圖像系統(tǒng)測量煤顯微組分區(qū)域面積等參量；SKIBA等[6]提出一種結(jié)合多層感知機和Haralick紋理特征的煤巖惰質(zhì)組顯微組分識別方法。筆者課題組也對煤巖顯微組分自動識別作了一定的研究[7-11]，分別采用多重分形去趨勢波分析、輪廓波變換等方法對煤巖顯微圖像的紋理特征進(jìn)行分析，進(jìn)一步采用主成分分析法(PCA)、局部保留投影(SLPP)等對特征量進(jìn)行抽取，并構(gòu)建基于徑向基函數(shù)的支持向量機(RBF-SVM)，使用極限學(xué)習(xí)機等分類器對煤巖顯微組分進(jìn)行分類，并取得了一定的效果。但是采用這些方法提取煤巖顯微組分特征量需要大量的人工參與，難以實現(xiàn)完整的自動分類。

卷積神經(jīng)網(wǎng)絡(luò)能自動學(xué)習(xí)圖像特征從而可以避免傳統(tǒng)方法中特征提取環(huán)節(jié)的人工參與。2012年AlexNet網(wǎng)絡(luò)在ILSVRC(ImageNet Large Scale Visual Recognition Challenge)中的卓越表現(xiàn)確立了深度學(xué)習(xí)在計算機視覺領(lǐng)域中的地位[12]，此后新的卷積神經(jīng)網(wǎng)絡(luò)優(yōu)化模型陸續(xù)出現(xiàn)，典型的如VGG網(wǎng)絡(luò)模型[13]、GoogleNet模型[14]及 ResNet模型[15]等，其在大型數(shù)據(jù)集ImageNet上識別準(zhǔn)確率不斷提高。由于煤巖顯微組分樣本數(shù)較少，由此獨立地訓(xùn)練上述網(wǎng)絡(luò)模型易產(chǎn)生過擬合，難以達(dá)到預(yù)期效果。遷移學(xué)習(xí)可以利用在大型數(shù)據(jù)集上已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)參數(shù)根據(jù)目標(biāo)數(shù)據(jù)集進(jìn)行再次優(yōu)化，對小樣本數(shù)據(jù)識別問題是較好的解決方案?；诖?，采用深度學(xué)習(xí)技術(shù)構(gòu)建預(yù)訓(xùn)練網(wǎng)絡(luò)模型，在ImageNet數(shù)據(jù)集上完成預(yù)訓(xùn)練網(wǎng)絡(luò)的訓(xùn)練，結(jié)合煤巖殼質(zhì)組顯微組分樣本對模型進(jìn)行遷移學(xué)習(xí)，實現(xiàn)殼質(zhì)組顯微組分特征量的自動提取，由此實現(xiàn)對煤巖殼質(zhì)組顯微組分的自動識別。

1 特征分析及數(shù)據(jù)集的構(gòu)建

依據(jù)煤巖顯微組分的分類標(biāo)準(zhǔn)[3],殼質(zhì)組共含10種顯微組分，其中某些組分較為罕見。因此，選擇較為典型的孢粉體、角質(zhì)體、瀝青質(zhì)體、木栓質(zhì)體、樹皮體、碎屑?xì)べ|(zhì)體和藻類體7種顯微組分為研究對象，其在油浸反光下典型顯微圖像[16]如圖1所示。

圖1 部分殼質(zhì)組組分反射光下顯微圖像

由圖1所知，孢粉體含大孢子體、小孢子體2類亞顯微組分，大孢子體多為壓扁長環(huán)形，呈封閉狀態(tài)，小孢子體呈扁環(huán)形、蠕蟲狀等(圖1a)；角質(zhì)體多呈長條狀，且外緣平滑、內(nèi)緣呈鋸齒狀(圖1b)；瀝青質(zhì)體來源于藻類、細(xì)菌等降解物，常分布于其他組分之間，沒有固定的形態(tài)和結(jié)構(gòu)(圖1c)；木栓質(zhì)體常為疊瓦狀(圖1d)；樹皮體多呈扁平的長方形，排列比較規(guī)則(圖1e)；碎屑?xì)べ|(zhì)體大多呈棱角狀或不規(guī)則形態(tài)(圖1f)；藻類體呈紡錘形或不規(guī)則形態(tài)(圖1g)。殼質(zhì)組中不同顯微組分形態(tài)各不相同，亮度、紋理具有一定差異，但某些類別間又存在一定的相似性,若用傳統(tǒng)方法從亮度、紋理、形狀等角度提取特征信息，存在大量信息冗余，特征量間存在較強的相關(guān)性，影響識別準(zhǔn)確率。

鑒于此，選取殼質(zhì)組7種類顯微組分共315幅顯微圖像作為樣本，從中隨機抽取210幅構(gòu)成訓(xùn)練集，其余105幅為測試集。由于訓(xùn)練集樣本數(shù)有限，采用數(shù)據(jù)增強技術(shù)對樣本數(shù)據(jù)進(jìn)行擴充，用于遷移學(xué)習(xí)的參數(shù)再次訓(xùn)練。根據(jù)樣本特點，擴充主要采用隨機縮放、隨機平移等方法，擴充后的訓(xùn)練樣本集圖像數(shù)為1 260幅。

2 網(wǎng)絡(luò)模型的構(gòu)建

2.1 遷移學(xué)習(xí)

深度學(xué)習(xí)是一類含有多隱藏層、多感知器的網(wǎng)絡(luò)結(jié)構(gòu)，通過多層處理對外部輸入的數(shù)據(jù)進(jìn)行更抽象、更深層次的特征提取與表示，更適合于完成復(fù)雜的分類任務(wù)[17]。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)重要方法之一，在解決擁有大數(shù)據(jù)集的圖像分類與識別問題時具有明顯優(yōu)勢；但對于小樣本條件，樣本數(shù)據(jù)量不足其訓(xùn)練出的分類器易過擬合，且較差。遷移學(xué)習(xí)可以將在大型數(shù)據(jù)集上訓(xùn)練完成的網(wǎng)絡(luò)模型，結(jié)合新的數(shù)據(jù)集經(jīng)過微小的修改與調(diào)整，在另一數(shù)據(jù)集上得到模型權(quán)重參數(shù)的復(fù)用[18]。

遷移學(xué)習(xí)的方法主要有2類：特征遷移和模型微調(diào)。特征遷移方法在訓(xùn)練新的模型時，移除在大型數(shù)據(jù)集上訓(xùn)練好的預(yù)訓(xùn)練模型網(wǎng)絡(luò)的最后一層，將預(yù)訓(xùn)練模型卷積基(池化層和卷積層)中所提取的特征向量移植至新的分類器進(jìn)行訓(xùn)練。模型微調(diào)方法需要在新的數(shù)據(jù)集上重新訓(xùn)練分類器，且在預(yù)訓(xùn)練好的網(wǎng)絡(luò)模型上微調(diào)網(wǎng)絡(luò)的權(quán)值；為防止過擬合，該方法僅對靠近頂部的權(quán)值進(jìn)行微調(diào)，其優(yōu)點在于可大幅度降低時間消耗；模型經(jīng)由大數(shù)據(jù)集預(yù)訓(xùn)練，具備較強的泛化能力。

因此，采用微調(diào)模型遷移學(xué)習(xí)方法構(gòu)建分類器，對煤巖殼質(zhì)組顯微組分進(jìn)行分類識別。

2.2 預(yù)訓(xùn)練網(wǎng)絡(luò)模型的選擇

卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)[19]由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成。卷積層為特征提取層，通過圖像與卷積核的卷積運算實現(xiàn)。池化層對由卷積得到的特征圖進(jìn)行降維，減少計算量。全連接層將由卷積層和池化層學(xué)習(xí)得到的特征量映射至樣本的標(biāo)記空間，最終經(jīng)過Softmax分類器計算出各樣本所屬類別的概率。

模型構(gòu)建階段的重點工作是在預(yù)訓(xùn)練網(wǎng)絡(luò)模型的基礎(chǔ)上，根據(jù)殼質(zhì)組的訓(xùn)練樣本數(shù)據(jù)對模型參數(shù)進(jìn)行微調(diào)，所以選擇適合的預(yù)訓(xùn)練網(wǎng)絡(luò)(基礎(chǔ)網(wǎng)絡(luò))至關(guān)重要。通過對現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)性能的初步分析與比較，選擇VGG16、InceptionV3、ResNet50這3種具有良好性能的網(wǎng)絡(luò)進(jìn)行分析與嘗試。

2.2.1 VGG16網(wǎng)絡(luò)

VGG16網(wǎng)絡(luò)[13]的核心思想，是通過3×3的小卷積核來提取更細(xì)小的特征，并通過對多個3×3卷積核的組合達(dá)到與7×7卷積核的同等效果。小視野卷積核具有更好的非線性表達(dá)能力，且可減少訓(xùn)練參數(shù)。網(wǎng)絡(luò)由13個卷積層和3個全連接層(共16個權(quán)重層)組成，結(jié)構(gòu)如圖2所示。

圖2 VGG16網(wǎng)絡(luò)結(jié)構(gòu)

2.2.2 InceptionV3網(wǎng)絡(luò)

InceptionV3網(wǎng)絡(luò)[14]在VGGNet的基礎(chǔ)上繼續(xù)加深網(wǎng)絡(luò)結(jié)構(gòu)，其主要創(chuàng)新點在于其進(jìn)行全卷積運算的inception 塊。該模型將較大尺寸的n×n維卷積核分解成分別為1×n和n×1的2個一維卷積核，從而減少網(wǎng)絡(luò)參數(shù)。此方法在加快訓(xùn)練時間的同時，可以將1個卷積層分成2個卷積層，增加網(wǎng)絡(luò)的深度，以增強網(wǎng)絡(luò)的非線性特征。Inception V3模型的典型inception 塊結(jié)構(gòu)如圖3所示，其中Base的大小是17×17。

圖3 InceptionV3模型的典型inception塊結(jié)構(gòu)

2.2.3 ResNet50網(wǎng)絡(luò)

隨著網(wǎng)絡(luò)深度的不斷增加，梯度消失問題越來越嚴(yán)重，數(shù)據(jù)的初始化和正則化可以在一定程度上解決梯度消失問題，但會致使網(wǎng)絡(luò)的性能退化。ResNet50[15]在現(xiàn)有深度網(wǎng)絡(luò)模型的基礎(chǔ)上引入跨層連接，提出深度殘差學(xué)習(xí)框架，以解決退化和梯度問題，其殘差結(jié)構(gòu)如圖4所示。

圖4 ResNet50的殘差結(jié)構(gòu)

跨層結(jié)構(gòu)中，H(x)和F(x)之間的關(guān)系為

H(x)=F(x)+x

(1)

式中：x為輸入圖像；F(x)為經(jīng)過卷積運算之后的輸出；H(x)為理想映射輸出。

為解決上述問題，需找到一個擬合函數(shù)，使H(x)=x成立。由式(1)可得，當(dāng)F(x)趨近于0，恒等映射關(guān)系式H(x)=x成立，問題轉(zhuǎn)換為殘差函數(shù)F(x)=H(x)-x。

雖然InceptionV3與ResNet50網(wǎng)絡(luò)直接訓(xùn)練大型數(shù)據(jù)集能夠獲得較好的識別效果[19]，但加深了網(wǎng)絡(luò)深度，使其用作煤巖顯微組分識別的預(yù)訓(xùn)練網(wǎng)絡(luò)模型時，微調(diào)過程較為復(fù)雜。VGG16模型結(jié)構(gòu)簡單，泛化能力強，深度特征學(xué)習(xí)能力較強，其中卷積層對圖像中曲線、邊緣、輪廓等特征具有較強的提取能力[20]，這些優(yōu)勢適合于煤巖殼質(zhì)組顯微圖像的形貌特征，且VGG16擁有大量可以用來移植的已經(jīng)訓(xùn)練好的權(quán)重參數(shù)。

因此，將在ImageNet數(shù)據(jù)集上訓(xùn)練好的VGG16網(wǎng)絡(luò)作為殼質(zhì)組顯微組分識別的預(yù)訓(xùn)練模型，通過微調(diào)遷移學(xué)習(xí)的方式，將預(yù)訓(xùn)練模型的參數(shù)共享至本文模型，結(jié)合殼質(zhì)組顯微圖像樣本數(shù)據(jù)進(jìn)一步優(yōu)化模型的全連接層參數(shù)，訓(xùn)練頂部的卷積層和全連接層繼而更新模型的權(quán)值參數(shù)，最終完成對殼質(zhì)組樣本的識別。

2.3 基于遷移學(xué)習(xí)的分類器構(gòu)建及模型訓(xùn)練

2.3.1 分類器構(gòu)建

根據(jù)上述分析，以VGG16為預(yù)訓(xùn)練模型，構(gòu)建基于遷移學(xué)習(xí)的微調(diào)模型，包括輸入層、特征提取層(池化層與卷積層)及分類層(圖5)。首先，為了減少模型的訓(xùn)練時間和參數(shù)，將輸入圖像尺寸調(diào)整為128×128。然后，從預(yù)訓(xùn)練模型中導(dǎo)入第5個卷積塊(conv block 5)之前各層的權(quán)重。最后，利用本文殼質(zhì)組訓(xùn)練樣本圖像對模型中微調(diào)部分進(jìn)行訓(xùn)練。

圖5 以VGG16為基礎(chǔ)的微調(diào)網(wǎng)絡(luò)結(jié)構(gòu)

VGG16原模型是為1 000個分類類別而設(shè)計的，而本文殼質(zhì)組顯微組分樣本僅有7類，因此，在分類器構(gòu)建中設(shè)置2個全連接層，第1個全連接層的神經(jīng)元個數(shù)為1 024，第2個全連接層神經(jīng)元個數(shù)為7。由于煤巖樣本數(shù)有限，加入Dropout層以避免過擬合現(xiàn)象的發(fā)生。同時在結(jié)構(gòu)中引入BN層，以提高網(wǎng)絡(luò)的收斂速度。

2.3.2 模型訓(xùn)練

訓(xùn)練基于Keras深度模型框架，在Windows 10系統(tǒng)下，搭載Intel(R)Core(TM)i5-8300H CPU及GeForce GTX 1050Ti顯卡。采用模型的收斂速度、識別準(zhǔn)確率、混淆矩陣等作為評價指標(biāo)，訓(xùn)練過程中采用交叉熵作為損失函數(shù)。

交叉熵定義為：

(2)

式中：pi(j)和qi(j)分別為第j個訓(xùn)練樣本在第i個類別下的真實值和分類器輸出值。

基于VGG16的網(wǎng)絡(luò)模型訓(xùn)練過程如圖6所示。獲取在ImageNet大型數(shù)據(jù)集上預(yù)訓(xùn)練的基礎(chǔ)網(wǎng)絡(luò)模型，進(jìn)而采用遷移學(xué)習(xí)的技術(shù)結(jié)合煤巖殼質(zhì)組訓(xùn)練樣本數(shù)據(jù)對模型參數(shù)進(jìn)行微調(diào)。

圖6 VGG16模型訓(xùn)練流程

參數(shù)微調(diào)步驟如下：①樣本預(yù)處理。以2∶1比例將殼質(zhì)組顯微組分樣本分為訓(xùn)練集和測試集，對訓(xùn)練集采用隨機縮放、隨機平移等方式進(jìn)行數(shù)據(jù)擴充。②初始識別模型構(gòu)建。隨機初始化模型參數(shù)，將3個全連接層優(yōu)化為2個全連接層。③模型遷移。通過微調(diào)遷移學(xué)習(xí)方法，將預(yù)訓(xùn)練網(wǎng)絡(luò)中的模型參數(shù)遷移至本識別模型中，確定卷積層和池化層的參數(shù)。④煤巖殼質(zhì)組識別模型構(gòu)建。設(shè)定學(xué)習(xí)率和訓(xùn)練次數(shù)，通過式(2)進(jìn)行迭代，固定相應(yīng)的卷積層與池化層參數(shù)，在殼質(zhì)組訓(xùn)練樣本集上重新訓(xùn)練第5個卷積塊和全連接層的參數(shù)，得最終分類器。

3 試驗與結(jié)果

試驗用煤樣來源于河南平頂山煤田、東升煤礦和山西大同礦區(qū)及山西河?xùn)|、霍西煤田。制樣后采用光學(xué)顯微鏡油浸反射光下獲取顯微圖像，放大400倍。分別選取殼質(zhì)組7種顯微組分圖像各45幅，其中訓(xùn)練樣本各30幅，測試樣本各15幅，原始樣本大小為224×224。為防止模型過擬合，利用數(shù)據(jù)增強將每類訓(xùn)練樣本擴充至180幅，共計1 260 幅。

為驗證基礎(chǔ)網(wǎng)絡(luò)選擇的合理性，分別以VGG16、InceptionV3、ResNet50網(wǎng)絡(luò)為預(yù)訓(xùn)練網(wǎng)絡(luò)，根據(jù)殼質(zhì)組顯微圖像訓(xùn)練樣本對模型參數(shù)進(jìn)行微調(diào),比較采用不同預(yù)訓(xùn)練模型遷移學(xué)習(xí)時模型的收斂性。在此過程中，模型權(quán)值參數(shù)的更新采用Adam優(yōu)化算法，batchsize的大小設(shè)置為8，初始學(xué)習(xí)率為10-5，訓(xùn)練周期為60。

此外，試驗對比了采用遷移學(xué)習(xí)與不采用遷移學(xué)習(xí)構(gòu)建的網(wǎng)絡(luò)識別模型的性能及對本文研究問題的適應(yīng)性。不采用遷移學(xué)習(xí)的方法(原模型)用殼質(zhì)組樣本直接對模型進(jìn)行訓(xùn)練，即卷積神經(jīng)網(wǎng)絡(luò)每一層權(quán)值系數(shù)都在本文研究對象樣本數(shù)據(jù)集上訓(xùn)練而得。

3.1 模型參數(shù)比較

分別以VGG16、InceptionV3、ResNet50直接學(xué)習(xí)(原模型)和以這3種網(wǎng)絡(luò)為預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí)，網(wǎng)絡(luò)訓(xùn)練參數(shù)及訓(xùn)練時間見表1。

表1 不同模型訓(xùn)練參數(shù)個數(shù)及時間

由表1看出，相比于VGG16、InceptionV3、ResNet50原模型，本文構(gòu)建的3種遷移學(xué)習(xí)網(wǎng)絡(luò)模型參數(shù)量有效減少、訓(xùn)練時間均縮短45%以上。新構(gòu)建的遷移學(xué)習(xí)網(wǎng)絡(luò)模型中，以VGG16為基礎(chǔ)的網(wǎng)絡(luò)模型其訓(xùn)練時間縮短約80%，訓(xùn)練時間最短。

3.2 收斂速度

將采用不同預(yù)訓(xùn)練網(wǎng)絡(luò)模型遷移學(xué)習(xí)后所得模型分別記為F-VGG16、F-InceptionV3和F-ResNet50，對其收斂性進(jìn)行比較分析。從圖7看出，F(xiàn)-VGG16模型在第7個周期基本達(dá)到收斂，訓(xùn)練樣本的識別準(zhǔn)確率穩(wěn)定在90%以上；F-InceptionV3、F-ResNet50 模型震蕩明顯，且準(zhǔn)確率相對較低。上述結(jié)果表明，F(xiàn)-VGG16網(wǎng)絡(luò)性能優(yōu)于其他2種網(wǎng)絡(luò)。

圖7 不同模型收斂性

3.3 識別準(zhǔn)確率

識別準(zhǔn)確率A定義為

A=Nc/N

(3)

式中：N為測試集中所有樣本圖像的個數(shù)；Nc為被正確識別的樣本數(shù)。

表2是傳統(tǒng)深度學(xué)習(xí)(原模型)和與其對應(yīng)的遷移學(xué)習(xí)網(wǎng)絡(luò)模型在測試樣本中的識別準(zhǔn)確率。

表2 不同模型對測試樣本識別準(zhǔn)確率

從表2看出，相比于遷移學(xué)習(xí)模型，傳統(tǒng)深度學(xué)習(xí)模型在殼質(zhì)組顯微組分識別中準(zhǔn)確率較低，其中InceptionV3原模型準(zhǔn)確率僅為85.71%。3種遷移學(xué)習(xí)模型的識別準(zhǔn)確率均達(dá)到90%以上，相比于原模型均有較大幅度提升。其中，以VGG16為基礎(chǔ)模型的遷移學(xué)習(xí)模型F-VGG16準(zhǔn)確率可達(dá)98.10%，比VGG16原模型其識別準(zhǔn)確率提高了9.53%；相比于以InceptionV3和ResNet50為基礎(chǔ)的遷移學(xué)習(xí)模型，其識別準(zhǔn)確率亦有明顯提高。

3.4 混淆矩陣分析

為更深入地分析模型對每類顯微組分的識別準(zhǔn)確性，利用混淆矩陣對本文構(gòu)建的遷移學(xué)習(xí)網(wǎng)絡(luò)模型進(jìn)行對比分析，結(jié)果見表3—表5。表中行表示樣本真實類別，列表示識別結(jié)果。采用F-VGG16模型，孢粉體、角質(zhì)體、瀝青質(zhì)體、木栓質(zhì)體、藻類體和碎屑?xì)べ|(zhì)體均被正確識別，樹皮體有2個樣本被錯誤識別(表3)。采用F-ResNet50模型，孢粉體、角質(zhì)體、木栓質(zhì)體、藻類體識別均正確，樹皮體有2個樣本分別被錯分至孢粉體和碎屑?xì)べ|(zhì)體，瀝青質(zhì)體、碎屑?xì)べ|(zhì)體均有1個樣本被錯分(表4)。采用F-InceptionV3模型，角質(zhì)體、瀝青質(zhì)體識別正確，樹皮體中3個樣本被錯分至角質(zhì)體與瀝青質(zhì)體中，其余組分均有1個樣本被錯分(表5)。

表3 F-VGG16模型的混淆矩陣

表4 F-ResNet50模型的混淆矩陣

表5 F-InceptionV3模型的混淆矩陣

圖8為采用3種遷移學(xué)習(xí)模型對殼質(zhì)組7類顯微組分測試樣本識別準(zhǔn)確率的分布直方圖，可以直觀地看出F-VGG16網(wǎng)絡(luò)有6種顯微組分可以被正確識別，F(xiàn)-ResNet50正確識別4種組分，而F-InceptionV3僅有2種組分被正確識別。結(jié)果顯示，以VGG16為基礎(chǔ)網(wǎng)絡(luò)的遷移學(xué)習(xí)模型F-VGG16在組分?jǐn)?shù)和樣本數(shù)的正確識別上均優(yōu)于另2種遷移學(xué)習(xí)模型。

綜上所述，本文構(gòu)建的以VGG16為基礎(chǔ)的遷移學(xué)習(xí)方法具有一定的優(yōu)越性，一方面可以較好地實現(xiàn)煤巖殼質(zhì)組顯微組分的自動識別，另一方面采用深度學(xué)習(xí)方法可以避免傳統(tǒng)方法在特征提取階段所需的大量先驗知識和人工干預(yù)。

4 結(jié) 論

1)與傳統(tǒng)的直接訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)的方法相比，采用遷移學(xué)習(xí)訓(xùn)練機制構(gòu)建的模型其網(wǎng)絡(luò)參數(shù)少，訓(xùn)練速度快，其中F-VGG16模型耗時最短。

2)采用不同的基礎(chǔ)模型進(jìn)行遷移學(xué)習(xí)，網(wǎng)絡(luò)模型在煤巖殼質(zhì)組數(shù)據(jù)集上的收斂性有明顯差異，其中F-VGG16模型收斂速度最快，識別準(zhǔn)確率高且相對穩(wěn)定。

3)與直接訓(xùn)練的深度學(xué)習(xí)方法相比，本文遷移學(xué)習(xí)方法在測試樣本上識別準(zhǔn)確率明顯提高；F-VGG16模型的識別準(zhǔn)確率可達(dá)98.10%，優(yōu)于其他方法，且可以避免傳統(tǒng)分類方法在特征提取階段需要的大量先驗知識和人工干預(yù)，更適用于解決煤巖殼質(zhì)組顯微組分自動識別問題。