一种多光谱光谱信息和1D-CNN的煤矸识别方法技术

本发明专利技术公开了一种多光谱光谱信息和1D‑CNN的煤矸识别方法，包括以下步骤：(1)煤和矸石多光谱光谱信息获取；(2)煤和矸石光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)概率神经网络煤矸识别模型构建。本发明专利技术采用1D CNN‑PNN进行煤和矸石多光谱光谱信息的识别模型构建，提出一种新的一维卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的实时、精准识别。

【技术实现步骤摘要】
一种多光谱光谱信息和1D-CNN的煤矸识别方法
本专利技术涉及煤矸识别
，具体是一种多光谱光谱信息和1D-CNN的煤矸识别方法。
技术介绍
“富煤、贫油、少气”能源资源的基本特点决定了煤炭在一次能源中的重要地位。在煤炭开采过程中，会伴有大量的矸石和煤被一起开采出来。当矸石与煤混合后，会影响影响煤的发热量，影响煤炭的质量，同时在燃烧过程中会对环境造成严重污染。因此，将矸石从煤中分选出来是煤炭使用前一个至关重要的处理环节。现阶段国内外选煤技术中，除了人工选矸之外，自动选矸(煤)技术可根据是否利用水资源，分为湿法选矸和干法选矸。湿法选矸需要消耗大量的水资源，同时产生的煤泥污染难以处理；伽马射线和X射线选矸等射线选矸存在一定的辐射，而普通的图像识别选矸受光线等因素干扰大。多光谱成像技术(MultispectralImaging，MSI)最早应用于军事领域，之后随着技术不断发展，逐渐应用到农业各个方面。多光谱成像后获得多个不同光谱区域图像，多光谱成像技术可以解决RGB图像波段范围窄和易受光照等环境干扰的问题。同时，与传统的CCD成像相比，多光谱成像技术在获取不同光谱区域的图像信息外，还能获取到不同波段的光谱信息。目前，针对多光谱光谱信息的分析主要是采用特征提取和模式识别的分析步骤，一方面处理步骤繁多，另一方面分析结果受特征提取和模式识别方法选取影响较大。
技术实现思路
本专利技术的目的是提供一种多光谱光谱信息和1D-CNN的煤矸识别方法，以解决现有煤矸识别方法存在的不足，实时、精准识别出煤和矸石。为了实现上述目的，本专利技术采用的技术方案为：一种多光谱光谱信息和1D-CNN的煤矸识别方法，包括以下步骤：(1)煤和矸石多光谱光谱信息获取；(2)煤和矸石光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)概率神经网络煤矸识别模型构建。作为优选，所述步骤(1)中，利用多光谱成像技术获取煤和矸石的多光谱数据的光谱信息，得到煤和矸石的多光谱的光谱数据集。作为优选，所述步骤(2)中，采用随机抽样法将预处理后的煤和矸石多光谱的光谱数据按照一定的比例划分为独立的训练集和测试集。作为优选，所述步骤(3)中，用于提取光谱信息特征的一维卷积神经网络(One-dimensionalconvolutionalneuralnetwork,1D-CNN)是一种包含两个一维卷积单元(1DConvBlock)的网络结构，主要包含标准化层、卷积层、池化层、全连接层。作为优选，所述步骤(4)中，利用CNN提取的光谱特征在训练集上构建概率神经网络(Probabilisticneuralnetwork,PNN)煤矸识别模型，确定PNN煤矸识别模型的参数，然后利用测试集来测试识别的效果，验证模型性能。通过上述技术方案，本专利技术的有益效果是：采用多光谱成像技术获取煤和矸石的多光谱的光谱信息并进行煤矸识别解决现有煤矸识别方法存在的不足；提出一种新的一维卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的实时、精准识别。附图说明图1是本专利技术实施案例煤矸识别方法的流程图；图2是本专利技术实施案例用于提取特征的一维卷积神经网络的结构简图；图3是本专利技术实施案例1DConvBlock单元1的结构图；图4是本专利技术实施案例1DConvBlock单元2的结构图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本专利技术进一步详细说明。本专利技术在Windows10环境下进行，采用Keras(V2.2.4)进行分析，并将TensorFlow(V1.10.0)作为其后端，硬件使用英特尔酷睿I7-9700K和英伟达GeforceRTX2070。本专利技术实施例为了解决现在技术的全部或者部分不足提供了一种多光谱光谱信息和1D-CNN的煤矸识别方法，所述的识别方法包括如下步骤：(1)煤和矸石多光谱光谱信息获取；(2)煤和矸石光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)概率神经网络煤矸识别模型构建。为使本专利技术实施例的目的、技术方案和优点更加清楚明白，结合附图，对本专利技术实施例提供的一种多光谱光谱信息和1D-CNN的煤矸识别方法作详细说明，本专利技术实施例提供的一种多光谱光谱信息和1D-CNN的煤矸识别方法，所述识别方法包括的步骤如图1所示：101：煤和矸石多光谱光谱信息获取，多光谱成像模块选用上海五铃光电科技有限公司的实时多光谱Mosaic面型相机，对煤和矸石的多个样本进行多光谱的光谱数据采集，得到煤和矸石的多光谱的光谱数据，其数据量为25个，波长范围为600-875nm。102：煤和矸石光谱信息的样本划分，采用随机抽样法将预处理后的煤和矸石多光谱的光谱数据按照训练集80％和测试集20％的比例划分为独立的训练集和测试集。103：一维卷积神经网络光谱特征提取，用于提取多光谱的光谱特征的一维卷积神经网络(1D-CNN)是一种包含两个一维卷积单元(1DConvBlock)的网络结构，主要包含标准化层、卷积层、池化层、全连接层等，其结构简图如图2所示，具体说明如下：201：标准层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入一致；202：卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为16；203：池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；204：1DConvBlock单元1使用Keras中的卷积层和池化层构成，其结构如图3所示，具体说明如下：301：卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为16；302：池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；205：1DConvBlock单元2使用Keras中的卷积层和池化层构成，其结构如图4所示，具体说明如下：401：卷积层使用Keras中的1D卷积层Conv1D，卷积核尺寸为3，卷积核数量为32；402：池化层使用Keras中的1D最大池化MaxPooling1D，池化尺寸为2；特别地，在1DConvBlock单元1和1DConvBlock单元2中，所有卷积层的padding方式设置为same。206：全连接层使用Keras中的Dense对输入进行展平、点乘操作；207：输出的CNN提取得到的多光谱的光谱特征将作为PNN的输入，用于构建模型和测试模型。104：概率神经网络煤矸识别模型构建，利用CNN提取的多光谱的光谱特征在训练集上构建PNN煤矸识别模型，确定PNN煤矸识别模型的参数，然后利用测试集来测试识别的效果，验证模型性能。通过上述技术方案，本专利技术的有益效果是：采用多光谱成像技术获取煤和矸石的多光谱的光谱信息并进行煤矸识别解决现有煤矸识别方法存在的不足；提出一种新的一维卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的实时、精准识别。对于本领域技术人员而言，显然本专利技术不限于上述示范性实施例的细节，而且在不背离本专利技术的精神或基本特征的情况下，能够以其他的具体形式实现本专利技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本本文档来自技高网...

【技术保护点】
1.一种多光谱光谱信息和1D‑CNN的煤矸识别方法，其特征在于：包括以下步骤：(1)煤和矸石多光谱光谱信息获取；(2)煤和矸石光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)概率神经网络煤矸识别模型构建。

【技术特征摘要】
1.一种多光谱光谱信息和1D-CNN的煤矸识别方法，其特征在于：包括以下步骤：(1)煤和矸石多光谱光谱信息获取；(2)煤和矸石光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)概率神经网络煤矸识别模型构建。2.根据权利要求1所述的一种多光谱光谱信息和1D-CNN的煤矸识别方法，其特征在于：所述步骤(1)中，利用多光谱成像技术获取煤和矸石的多光谱数据的光谱信息，得到煤和矸石的多光谱的光谱数据集。3.根据权利要求1所述的一种多光谱光谱信息和1D-CNN的煤矸识别方法，其特征在于：所述步骤(2)中，采用随机抽样法将预处理后的煤和矸石多光谱的光谱数据按照一定的比例划分为独立的训练集和测试集。4.根据权利要求1所述的一...

【专利技术属性】
技术研发人员：胡锋，周孟然，闫鹏程，李蓓，卞凯，戴荣英，
申请(专利权)人：安徽理工大学，
类型：发明
国别省市：安徽,34