安徽理工大学 宗占强

由于目前煤矿井下钻杆计数效率低下且极易出错，因此本文提出一种基于AlexNet网络煤矿井下钻杆打钻动作识别的方法。本文对原AlexNet网络的拓扑结构和参数进行修改、调整，并通过MATLAB进行仿真实验对比，最终确定其最优的拓扑结构和参数。通过实验发现，神经网络深度为2层，卷积核个数为16，卷积核大小为5*5，步长为2，激活函数为Relu，学习率为0.001，最大学习整个数据集的次数为5，调整后的AlexNet网络模型分类检测平均准确率可达99.37%。

本文提出一种基于AlexNet网络的井下钻杆打钻动作识别的方法。目前利用神经网络，实现井下钻杆计数的研究颇多。如党伟超等提出基于利用三维卷积神经网络模型对探水作业中的卸杆动作进行识别和高瑞等提出基于改进ResNet网络的井下钻杆计数方法，主要是通过训练后的神经网络，对视频中的每一帧图像的动作类型进行识别，从而实现井下钻杆的计数。与其相比，本文是对AlexNet网络进行改进，并且本文网络准确率更高，本文分类识别的平均准确率为99.37%，而党伟超等提出基于3DCNN网络的煤矿探水动作识别的最高准确率为98.86%，高瑞等提出基于改进ResNet网络的井下钻杆计数方法分类检测准确率为89%，钻杆计数精度为97%。

1 基于卷积神经网络的井下钻杆打钻动作识别系统

近年来，神经网络得到飞速发展，并在图像处理领域得到广泛应用。目前，较为经典的神经网络模型有Lecun等在1998年提出的LeNet模型。Krizhevsky等在2012年提出的AlexNet模型。Simonyan等在2014年提出的VGG模型。……