[發(fā)明專利]基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法

在審

• 申請?zhí)枺?/td>: 202310038418.0
• 申請日: 2023-01-09
• 公開（公告）號: CN116012714A
• 公開（公告）日: 2023-04-25
• 發(fā)明（設(shè)計(jì)）人: 王亮;王琦;周廣宇;陳天明;李鋒鋒;趙勛遠(yuǎn);高潔;孫宇航;唐亮;朱澈
• 申請（專利權(quán)）人: 山東科技大學(xué)
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/774;G06V10/82;G06V10/764;G06N3/0464;G06N3/08;G01N21/25;G01N1/28
• 代理公司: 青島智地領(lǐng)創(chuàng)專利代理有限公司 37252
• 代理人: 王鳴鶴

1.基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法，其特征在于，包括：

S1.將煤巖樣品研磨成顆粒狀，將其均勻鋪在器皿底部，將器皿置于載物臺(tái)中央，通過便攜式高光譜成像光譜儀系統(tǒng)對待檢測樣本進(jìn)行檢測；

S2.對采集到的光譜圖像進(jìn)行黑白校正處理；

S3.建立卷積神經(jīng)網(wǎng)絡(luò)模型，將經(jīng)過黑白校正后的煤炭顆粒樣本高光譜圖像傳輸?shù)骄矸e神經(jīng)網(wǎng)絡(luò)中進(jìn)行特征提取，經(jīng)過幾次卷積和池化步驟后，輸入到全連接層，最后輸出，結(jié)合SVM算法技術(shù)建立出煤巖的檢測識(shí)別模型；

S4.將經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)處理后的煤巖識(shí)別的檢測結(jié)果送入數(shù)據(jù)庫中進(jìn)行保存，并進(jìn)行數(shù)據(jù)比對分析，結(jié)合數(shù)據(jù)庫現(xiàn)有的數(shù)據(jù)信息給出當(dāng)前光譜識(shí)別與比對的結(jié)果；

S5.將數(shù)據(jù)庫的比對結(jié)果以及煤巖檢測模型現(xiàn)場識(shí)別的結(jié)果進(jìn)行輸出操作。

2.根據(jù)權(quán)利要求1所述的基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法，其特征在于，S1中的檢測具體為，將檢測探頭對準(zhǔn)煤巖識(shí)別區(qū)域，由外接聚光燈提供補(bǔ)光，由采樣計(jì)算機(jī)獲取并處理高光譜檢測出的煤巖數(shù)據(jù)。

3.根據(jù)權(quán)利要求2所述的基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法，其特征在于，S2中的黑白校正處理具體為，采集白板標(biāo)定圖像和黑板標(biāo)定圖像，利用白板圖像和黑板圖像對采集到的原始的煤巖顆粒圖像進(jìn)行標(biāo)定，通過下式來獲得標(biāo)定后的煤巖樣本圖像：式中，C為黑白標(biāo)定后得到的煤巖顆粒樣本圖像，Iw為白板標(biāo)定圖像，Id為黑板標(biāo)定圖像，Ir為原始的煤巖顆粒圖像。

4.根據(jù)權(quán)利要求3所述的基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法，其特征在于，S3中的卷積神經(jīng)網(wǎng)絡(luò)包括卷積層，下采樣層和全連接層，卷積層和下采樣層一起組成多個(gè)卷積組，對圖像進(jìn)行逐層提取特征，通過全連接層完成圖像的分類識(shí)別，下采樣層用于降低數(shù)據(jù)維度。

5.根據(jù)權(quán)利要求4所述的基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法，其特征在于，卷積神經(jīng)網(wǎng)絡(luò)通過卷積區(qū)分特征，通過卷積層的權(quán)值共享和下采樣層的池化減小整個(gè)網(wǎng)絡(luò)參數(shù)的數(shù)量級，卷積神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)如下：

卷積神經(jīng)網(wǎng)絡(luò)由2個(gè)卷積層、2個(gè)下采樣層和1個(gè)全連接層與輸出層組成，取卷積核大小為5*5，池化矩陣的大小為4*4，全連接層與輸出層間的函數(shù)變換為SoftMax函數(shù)，公式為：式中，e—自然常數(shù)，x_i—輸入信號，即輸出層中第i個(gè)神經(jīng)元的輸入值，S_i—第i個(gè)神經(jīng)元的輸出值，N—神經(jīng)元的個(gè)數(shù)。

6.根據(jù)權(quán)利要求5所述的基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法，其特征在于，卷積神經(jīng)網(wǎng)絡(luò)在分類識(shí)別過程中的工作流程包括訓(xùn)練過程、測試過程和驗(yàn)證過程，在進(jìn)行分類識(shí)別之前，對圖像進(jìn)行預(yù)處理，包括圖像的灰度化和數(shù)據(jù)的歸一化操作，輸入的圖像像素為500*500，第一個(gè)卷積層通過在特征空間重構(gòu)獲得6個(gè)大小為496*496的特征映射，再經(jīng)過下采樣層的池化作用后又得到的6個(gè)大小為124*124的特征映射，下采樣層的特征映射再經(jīng)過卷積之后得到含有12個(gè)大小為120*120的特征映射，卷積層通過池化作用后得到含有12個(gè)大小為30*30的特征映射。

7.根據(jù)權(quán)利要求6所述的基于高光譜成像技術(shù)和卷積神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別檢測方法，其特征在于，以經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)處理的光譜數(shù)據(jù)為訓(xùn)練數(shù)據(jù)，80個(gè)試樣的煤巖類型為預(yù)測目標(biāo)數(shù)據(jù)，建立煤巖類型支持向量分類SVC預(yù)測模型，SVC最優(yōu)界面函數(shù)f(x)為：

其中a_i^*,b^*為尋找高維空間最優(yōu)界面所用Lagrange變換法的最優(yōu)解，K(x_i,x)為RBF核函數(shù)，c為懲罰因子，y_ic為第i個(gè)訓(xùn)練樣本的類型代號，使用5折交叉驗(yàn)證求解，參數(shù)搜選范圍為2^-10-2¹⁰，指數(shù)步長取0.5。