一种综合时空特征的煤矸识别系统技术方案

本发明专利技术公开了一种综合时空特征的煤矸识别系统，用于对煤和矸进行分类识别，包括数据预处理模块、煤矸样本空间特征提取模块、煤矸样本时序特征提取模块、煤矸识别模型建模模块以及煤矸识别模型辨识模块。本发明专利技术能够综合提取煤矸数据的时间和空间特征，并快速准确地识别煤矸。

A Coal Gangue Recognition System Based on Comprehensive Spatio-temporal Characteristics

【技术实现步骤摘要】
一种综合时空特征的煤矸识别系统
本专利技术涉及采煤机信号处理领域，尤其涉及一种综合时空特征的煤矸识别系统。
技术介绍
煤炭资源的开采与消耗在世界能源中占比巨大，我国是煤炭大国，煤炭资源丰富，是我国最重要的能源。随着煤炭行业的发展，煤炭生产规则的日益完善，国家对煤炭开采提出了更高的要求，强调绿色开采、高效精细化管理，重视开采过程中对周围环境的保护、对工作人员安全的保护和采煤效率的提高。“矸石不上井”是绿色开采的新理念，即在矿井下实现矸石的分离，然后将分离出来的矸石直接送到采空区进行回填，既提高了采煤过程中的煤炭出井率，又解决了传统选煤作业对周围环境的破坏问题。但是，人工井下作业一方面安全性不高，另一方面效率低下，因此提出高效、经济、自动化的煤矸识别方法也成为了煤炭开采过程中的热点问题。
技术实现思路
针对目前采煤产业复杂工作条件下煤矸人工识别的低效性和危险性问题，本专利技术的目的在于提供一种综合时空特征的煤矸识别系统，快速准确地识别煤矸，对实现煤炭绿色、安全、高效和精细化的开采具有重要的意义。本专利技术的目的是通过以下技术方案实现的：一种综合时空特征的煤矸识别系统，包括数据预处理模块、煤矸样本空间特征提取模块、煤矸样本时序特征提取模块、煤矸识别模型建模模块以及煤矸识别模型辨识模块。数据采集传感器、数据库、综合时空特征的煤矸识别系统以及结果显示模块依次相连，所述数据采集传感器对煤矸数据进行采集，并将数据储存到所述的数据库中，数据库中包含历史煤矸数据为综合时空特征的煤矸识别系统提供数据支持。综合时空特征的煤矸识别系统识别得到的结果将通过结果显示模块输出显示。进一步地，数据预处理模块，用以进行煤矸样本数据进行预处理，采用如下过程完成：(1)从数据库中采集n个煤矸样本数据对(X，Y)，Y为X＝(x1，x2，...，xd)所对应的标签，d为一个煤矸样本数据的特征维度。(2)对于非图像类型的数据，可将其补零并拼接成大小为的图像数据，表示向上取整，补零的个数为对于图像数据，直接进行后续操作。(3)对拼接后的图像(类图像)数据进行标准化处理，得到标准化数据(4)将图像缩放到后续模块要求的大小。进一步地，煤矸样本空间特征提取模块，利用卷积神经网络(CNN)提取标准化后的煤矸样本数据的空间相关特征，采用如下过程完成：(1)建立CNN网络空间特征提取器基本组成模块，其结构为：(1.1)卷积层：卷积核在输入的特征图上滑动，卷积核参数与特征图数据作卷积操作，卷积操作公式如下，其中*代表卷积操作，ink为输入到第k层的特征图，outk为第k层输出的特征图，Wk和bk为第k层的卷积参数：outk＝ink*Wk+bk；(2)(1.2)全连接层：用于将输入的特征图进行降维提纯，为维数与类别数相等的特征向量；(1.3)非线性变换层：网络中每个卷积层之后都将采用一种新颖的Swish-ReLU激活函数f(z)进行非线性变换，该函数表达式如下，其中z代表该层输入的特征图：(1.4)池化层：用到了最大值池化和全局平均池化两种池化方式，全局平均池化用在最后一个卷积层之后，其他地方都采用最大值池化；(1.5)稠密连接块：稠密连接块由多个连接层组成，连接层又是由卷积层、池化层和非线性变换层构成；稠密连接块中的每个连接层与其他所有连接层都相连接，其输入由之前的所有卷积层的输入构成，而其输出也将作为所有之后的卷积层的输入，用公式表示为：lm＝δm(lm-1，lm-2，...，l1)。(4)公式(4)中(lm-1，lm-2，...，l1)代表前面所有连接层的输出采用“concat”操作堆叠而成的特征图，δm()代表对输入特征图进行的由卷积和非线性变换组合而成的操作，其中卷积操作都先补零使输入输出的特征图大小一致。(2)建立CNN网络空间特征提取模块。本专利技术专利采用稠密连接卷积神经网络，组成结构如下，以128×128×1大小的图像为例来进行描述：(2.1)卷积池化层一：对128×128×1的输入作卷积，卷积核个数为64、大小为7×7、移动步数为2，对卷积层的输出进行Swish_ReLU非线性变换后作最大值池化，池化窗口大小为2×2、移动步数为2，最后输出的特征图维数为32×32×64；(2.2)稠密连接块一：包含6个连接层，每个连接层按顺序为Swish_ReLU非线性变换，卷积核个数为48、大小为1×1、移动步数为1的卷积操作，Swish_ReLU非线性变换，卷积核个数为12、大小为3×3、移动步数为1的卷积操作，稠密连接块一最后输出的特征图维数为32×32×136；(2.3)卷积池化层二：对稠密连接块一的输出作卷积，卷积核个数为136、大小为1×1、移动步数为1，对卷积层的输出进行Swish_ReLU非线性变换后作最大值池化，池化窗口大小为2×2、移动步数为2，最后输出的特征图维数为16×16×136；(2.4)稠密连接块二：包含12个连接层，每个连接层按顺序为Swish_ReLU非线性变换，卷积核个数为48、大小为1×1、移动步数为1的卷积操作，Swish_ReLU非线性变换，卷积核个数为12、大小为3×3、移动步数为1的卷积操作，稠密连接块二最后输出的特征图维数为16×16×280；(2.5)卷积池化层三：对稠密连接块二的输出作卷积，卷积核个数为280、大小为1×1、移动步数为1，对卷积层的输出进行Swish_ReLU非线性变换后作最大值池化，池化窗口大小为2×2、移动步数为2，最后输出的特征图维数为8×8×280；(2.6)稠密连接块三：包含6个连接层，每个连接层按顺序为Swish_ReLU非线性变换，卷积核个数为48、大小为1×1、移动步数为1的卷积操作，Swish_ReLU非线性变换，卷积核个数为12、大小为3×3、移动步数为1的卷积操作，稠密连接块二最后输出的特征图维数为8×8×352。进一步地，煤矸样本时序特征提取模块，利用长短时记忆网络(LSTM)进一步提取煤矸样本空间特征中的时序相关特征，采用如下过程完成：(1)建立LSTM模型。LSTM的核心在于通过三个控制门来控制单元的状态，从而控制单元的长短时记忆。其数学表达如下：(1.1)遗忘门。遗忘门负责生成记忆权重ft控制上一时刻的状态Ct-1有多少保存到当前时刻的单元状态Ct，记忆权重计算公式如下：ft＝σ(Wf[ht-1，xt]+bf)，(5)其中，Wf是遗忘门的权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bf为遗忘门偏置，σ为Sigmoid函数.(1.2)输入门。输入门负责生成输入权重it及当前时刻输入单元状态并控制输入单元状态有多少输入到当前时刻的单元状态Ct，输入权重和输入单元状态的计算公式如下：it＝σ(Wi[ht-1，xt]+bi)，(6)其中，Wi为输入门权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bi为输入门偏置，σ为Sigmoid函数；WC为输入状态权重矩阵，ht-1是上一时刻的隐层状态，xt为当前时刻t的网络输入值，bC为输入状态偏置，tanh为双曲正切函数(1.3)生成当前单元状态Ct。当前状态由遗忘门ft、上一时刻单元状态Ct-1、输入门it和当前输入单元状态共同决定，其计算公式为：(1.4)输出门。输出门负责生成输出权本文档来自技高网...

【技术保护点】
1.一种综合时空特征的煤矸识别系统，包括数据预处理模块、煤矸样本空间特征提取模块、煤矸样本时序特征提取模块、煤矸识别模型建模模块以及煤矸识别模型辨识模块。

【技术特征摘要】
1.一种综合时空特征的煤矸识别系统，包括数据预处理模块、煤矸样本空间特征提取模块、煤矸样本时序特征提取模块、煤矸识别模型建模模块以及煤矸识别模型辨识模块。2.根据权利要求1所述一种综合时空特征的煤矸识别系统，其特征在于：所述数据预处理模块，用以进行煤矸样本数据进行预处理，采用如下过程完成：(1)从数据库中采集n个煤矸样本数据对(X，Y)，Y为X＝(x1，x2，...，xd)所对应的标签，d为一个煤矸样本数据的特征维度。(2)对于非图像类型的数据，可将其补零并拼接成大小为的图像数据，表示向上取整，补零的个数为对于图像数据，直接进行后续操作。(3)对拼接后的图像(类图像)数据进行标准化处理，得到标准化数据(4)将图像缩放到后续模块要求的大小。3.根据权利要求1所述一种综合时空特征的煤矸识别系统，其特征在于：所述煤矸样本空间特征提取模块，利用卷积神经网络(CNN)提取标准化后的煤矸样本数据的空间相关特征，采用如下过程完成：(1)建立CNN网络空间特征提取器基本组成模块，其结构为：(1.1)卷积层：卷积核在输入的特征图上滑动，卷积核参数与特征图数据作卷积操作，卷积操作公式如下，其中*代表卷积操作，ink为输入到第k层的特征图，outk为第k层输出的特征图，Wk和bk为第k层的卷积参数：outk＝ink*Wk+bk；(2)(1.2)全连接层：用于将输入的特征图进行降维提纯，为维数与类别数相等的特征向量；(1.3)非线性变换层：网络中每个卷积层之后都将采用一种新颖的Swish-ReLU激活函数f(z)进行非线性变换，该函数表达式如下，其中z代表该层输入的特征图：(1.4)池化层：用到了最大值池化和全局平均池化两种池化方式，全局平均池化用在最后一个卷积层之后，其他地方都采用最大值池化；(1.5)稠密连接块：稠密连接块由多个连接层组成，连接层又是由卷积层、池化层和非线性变换层构成；稠密连接块中的每个连接层与其他所有连接层都相连接，其输入由之前的所有卷积层的输入构成，而其输出也将作为所有之后的卷积层的输入，用公式表示为：lm＝δm(lm-1，lm-2，...，l1)。(4)公式(4)中(lm-1，lm-2，...，l1)代表前面所有连接层的输出采用“concat”操作堆叠而成的特征图，δm()代表对输入特征图进行的由卷积和非线性变换组合而成的操作，其中卷积操作都先补零使输入输出的特征图大小一致。(2)建立CNN网络空间特征提取模块。本发明专利采用稠密连接卷积神经网络，组成结构如下，以128×128×1大小的图像为例来进行描述：(2.1)卷积池化层一：对128×128×1的输入作卷积，卷积核个数为64、大小为7×7、移动步数为2，对卷积层的输出进行Swish_ReLU非线性变换后作最大值池化，池化窗口大小为2×2、移动步数为2，最后输出的特征图维数为32×32×64；(2.2)稠密连接块一：包含6个连接层，每个连接层按顺序为Swish_ReLU非线性变换，卷积核个数为48、大小为1×1、移动步数为1的卷积操作，Swish_ReLU非线性变换，卷积核个数为12、大小为3×3、移动步数为1的卷积操作，稠密连接块一最后输出的特征图维数为32×32×136；(2.3)卷积池化层二：对稠密连接块一的输出作卷积，卷积核个数为136、大小为1×1、移动步数为1，对卷积层的输出进行Swish_ReLU非线性变换后作最大值池化，池化窗口大小为2×2、移动步数为2，最后输出的特征图维数为16×16×136；(2.4)稠密连接块二：包含12个连接层，每个连接层按顺序为Swish_ReLU非线性变换，卷积核个数为48、大小为1×1、移动步数为1的卷积操作，Swish_ReLU非线性变换，卷积核个数为12、大小为3×3、移动步数为1的卷积操作，稠密连接块二最后输出的特征图维数为16×16×280；(2.5)卷积池化层三：对稠密连接块二的输出作卷积，卷积核个...

【专利技术属性】
技术研发人员：徐志鹏，古有志，刘兴高，张泽银，
申请(专利权)人：浙江大学，
类型：发明
国别省市：浙江,33