A lightweight explainable deep learning framework for coal classification

doi:10.1038/s41598-026-61406-9

A lightweight explainable deep learning framework for coal classification

2026-07-13

0

OA

AI

DOI：10.1038/s41598-026-61406-9

原文链接

原文求助

摘要

En 中文

准确高效的煤炭分类对于优化能源生产、提高资源利用率和确保工业应用中的环境合规性至关重要。传统依赖视觉检查和实验室分析的方法通常速度慢、主观性强且难以规模化。为应对这些挑战，本研究提出了一种定制任务自适应的轻量级卷积神经网络，该网络整合了可分离卷积块、倒置残差块和挤压与激励机制，以在低计算开销下实现高分类性能。该模型在包含超过27万张煤炭、矸石、异物和未知材料的DsCGF大规模数据集上进行训练和评估，这些数据是在多个采矿区收集的真实生产和非生产条件下的图像。实验结果表明，所提出的模型在安徽国北生产数据集上达到93.73%的分类准确率，在安徽国北非生产数据集上达到99.97%，在内蒙古二连图生产数据集上达到99.26%，在具有挑战性的山西王家岭生产数据集上达到90.50%，同时仅使用172万个参数，并实现每张图像0.023秒的平均推理时间。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、精确率、召回率和F1分数指标上始终表现出更优或相当的性能，且计算复杂度显著降低。为增强可解释性并提供模型预测的视觉洞察，采用可解释人工智能技术（包括Grad-CAM、Grad-CAM++和Score-CAM）来可视化类别判别区域。所提出的框架为煤炭分类提供了一种实用、可解释且资源高效的解决方案，为智能采矿系统的进步做出了重要贡献。

A lightweight explainable deep learning framework for coal classification

摘要

期刊

机构

引用论文