[發明專利]一種多光譜光譜信息和1D-CNN的煤矸識別方法

有效

• 申請號: 201910652387.1
• 申請日: 2019-07-18
• 公開（公告）號: CN110348538B
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 胡鋒;周孟然;閆鵬程;李蓓;卞凱;戴榮英
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種多光譜光譜信息和1D-CNN的煤矸識別方法，其特征在于：包括以下步驟：

（1）煤和矸石多光譜光譜信息獲取；

（2）煤和矸石光譜信息的樣本劃分；

（3）一維卷積神經網絡光譜特征提?。?/p>

（4）概率神經網絡煤矸識別模型構建；

所述步驟（3）一維卷積神經網絡光譜特征提取中，用于提取多光譜的光譜特征的一維卷積神經網絡（1D-CNN）是一種包含兩個一維卷積單元（1D Conv Block）的網絡結構，主要包含標準化層、卷積層、池化層、全連接層等，具體說明如下：

201：標準層使用Keras中的批量標準化層BatchNormalization，其輸出尺寸與輸入一致；

202：卷積層使用Keras中的1D卷積層Conv1D，卷積核尺寸為3，卷積核數量為16；

203：池化層使用Keras中的1D最大池化MaxPooling1D，池化尺寸為2；

204：1D Conv Block單元1使用Keras中的卷積層和池化層構成，具體說明如下：

301：卷積層使用Keras中的1D卷積層Conv1D，卷積核尺寸為3，卷積核數量為16；

302：池化層使用Keras中的1D最大池化MaxPooling1D，池化尺寸為2；

205：1D Conv Block單元2使用Keras中的卷積層和池化層構成，具體說明如下：

401：卷積層使用Keras中的1D卷積層Conv1D，卷積核尺寸為3，卷積核數量為32；

402：池化層使用Keras中的1D最大池化MaxPooling1D，池化尺寸為2；

特別地，在1D Conv Block單元1和1D Conv Block單元2中，所有卷積層的padding方式設置為same；

206：全連接層使用Keras中的Dense對輸入進行展平、點乘操作；

207：輸出的CNN提取得到的多光譜的光譜特征將作為PNN的輸入，用于構建模型和測試模型。

2.根據權利要求1所述的一種多光譜光譜信息和1D-CNN的煤矸識別方法，其特征在于：所述步驟（1）中，利用多光譜成像技術獲取煤和矸石的多光譜數據的光譜信息，得到煤和矸石的多光譜的光譜數據集。

3.根據權利要求1所述的一種多光譜光譜信息和1D-CNN的煤矸識別方法，其特征在于：所述步驟（2）中，采用隨機抽樣法將預處理后的煤和矸石多光譜的光譜數據按照一定的比例劃分為獨立的訓練集和測試集。

4.根據權利要求1所述的一種多光譜光譜信息和1D-CNN的煤矸識別方法，其特征在于：所述步驟（3）中，用于提取光譜信息特征的一維卷積神經網絡（One-dimensionalconvolutional neural network, 1D-CNN）是一種包含兩個一維卷積單元（1D ConvBlock）的網絡結構，主要包含標準化層、卷積層、池化層、全連接層。

5.根據權利要求1所述的一種多光譜光譜信息和1D-CNN的煤矸識別方法，其特征在于：所述步驟（4）中，利用CNN提取的光譜特征在訓練集上構建概率神經網絡（Probabilisticneural network, PNN）煤矸識別模型，確定PNN煤矸識別模型的參數，然后利用測試集來測試識別的效果，驗證模型性能。