[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

本發明公開了一種多光譜光譜信息和1D?CNN的煤矸識別方法，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取；(4)概率神經網絡煤矸識別模型構建。本發明采用1D CNN?PNN進行煤和矸石多光譜光譜信息的識別模型構建，提出一種新的一維卷積神經網絡模型能夠提取更多、更有效的特征信息，且可以有效避免過擬合等問題，非常適用于煤和矸石的實時、精準識別。

技術領域

本發明涉及煤矸識別技術領域，具體是一種多光譜光譜信息和1D-CNN的煤矸識別方法。

背景技術

“富煤、貧油、少氣”能源資源的基本特點決定了煤炭在一次能源中的重要地位。在煤炭開采過程中，會伴有大量的矸石和煤被一起開采出來。當矸石與煤混合后，會影響影響煤的發熱量，影響煤炭的質量，同時在燃燒過程中會對環境造成嚴重污染。因此，將矸石從煤中分選出來是煤炭使用前一個至關重要的處理環節。現階段國內外選煤技術中，除了人工選矸之外，自動選矸(煤)技術可根據是否利用水資源，分為濕法選矸和干法選矸。濕法選矸需要消耗大量的水資源，同時產生的煤泥污染難以處理；伽馬射線和X射線選矸等射線選矸存在一定的輻射，而普通的圖像識別選矸受光線等因素干擾大。

多光譜成像技術(Multispectral Imaging，MSI)最早應用于軍事領域，之后隨著技術不斷發展，逐漸應用到農業各個方面。多光譜成像后獲得多個不同光譜區域圖像，多光譜成像技術可以解決RGB圖像波段范圍窄和易受光照等環境干擾的問題。同時，與傳統的CCD成像相比，多光譜成像技術在獲取不同光譜區域的圖像信息外，還能獲取到不同波段的光譜信息。目前，針對多光譜光譜信息的分析主要是采用特征提取和模式識別的分析步驟，一方面處理步驟繁多，另一方面分析結果受特征提取和模式識別方法選取影響較大。

發明內容

本發明的目的是提供一種多光譜光譜信息和1D-CNN的煤矸識別方法，以解決現有煤矸識別方法存在的不足，實時、精準識別出煤和矸石。

為了實現上述目的，本發明采用的技術方案為：一種多光譜光譜信息和1D-CNN的煤矸識別方法，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取；

(4)概率神經網絡煤矸識別模型構建。

作為優選，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。

作為優選，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。

作為優選，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-dimensional convolutional neural network,1D-CNN)是一種包含兩個一維卷積單元(1DConv Block)的網絡結構，主要包含標準化層、卷積層、池化層、全連接層。

作為優選，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(Probabilistic neural 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。

通過上述技術方案，本發明的有益效果是：采用多光譜成像技術獲取煤和矸石的多光譜的光譜信息并進行煤矸識別解決現有煤矸識別方法存在的不足；提出一種新的一維卷積神經網絡模型能夠提取更多、更有效的特征信息，且可以有效避免過擬合等問題，非常適用于煤和矸石的實時、精準識別。

附圖說明

圖1是本發明實施案例煤矸識別方法的流程圖；