基于高光谱成像技术和卷积神经网络的煤岩识别检测方法技术

本发明专利技术公开了基于高光谱成像技术和卷积神经网络的煤岩识别检测方法，属于图像数据处理技术领域，包括将煤岩粉碎成颗粒并均匀铺在器皿底部置于载物台中央，通过高光谱相机进行图像采集，对高光谱图像进行黑白校正去除暗电流的影响，将校正好的图像输入到卷积神经网络中进行卷积和池化操作提取特征，经过处理后的光谱图像结合SVM算法建立识别模型，由该模型获得识别检测结果。上述所有处理数据会传送到数据库中，数据库会对所有数据保存并给出数据库中的比对识别检测结果，最终将模型所得识别检测结果以及数据库给出的比对识别结果进行输出显示。本发明专利技术方法实现了快速煤岩识别，操作简单，对煤炭智能化、无人化开采具有重要意义。义。义。

【技术实现步骤摘要】
基于高光谱成像技术和卷积神经网络的煤岩识别检测方法


[0001]本专利技术公开了基于高光谱成像技术和卷积神经网络的煤岩识别检测方法，属于图像数据处理


技术介绍

[0002]受原理技术的限制，当前的煤岩识别技术仍然存在一些应用问题，传统的识别检测方法中，声波探测法过检测煤炭或岩石撞击中部槽发出的声波来进行识别，该方法是通过煤炭与岩石密度等不同，落在刮板输送机中部槽发出的声波也不同进行识别的，因此要求煤炭与岩石介质差异大，只有截割到岩层并且有岩石撞击到中部槽时，才能测算出煤岩界面；热红外探测是根据煤炭与岩石普氏系数等物理特性不同，采煤机截割时产生的温度也不同进行识别的，采用热红外探测法检测采煤机滚筒截齿温度，即可测算出煤岩界面，该方法只有截割到岩石时，才能测算出煤岩界面，当煤炭与岩石普氏系数相近时，即使截割到岩石，也很难测算出煤岩界面；γ射线探测具有无放射源、便于管理、非接触测量、不易损坏等优点，但不适用于放射性元素含量较低的岩层和煤层中夹矸较多等情况；图像识别法是利用煤岩图像特征不同等进行识别，但过多考虑煤岩物理特性，因此实施较难、对煤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于高光谱成像技术和卷积神经网络的煤岩识别检测方法，其特征在于，包括：S1.将煤岩样品研磨成颗粒状，将其均匀铺在器皿底部，将器皿置于载物台中央，通过便携式高光谱成像光谱仪系统对待检测样本进行检测；S2.对采集到的光谱图像进行黑白校正处理；S3.建立卷积神经网络模型，将经过黑白校正后的煤炭颗粒样本高光谱图像传输到卷积神经网络中进行特征提取，经过几次卷积和池化步骤后，输入到全连接层，最后输出，结合SVM算法技术建立出煤岩的检测识别模型；S4.将经过卷积神经网络处理后的煤岩识别的检测结果送入数据库中进行保存，并进行数据比对分析，结合数据库现有的数据信息给出当前光谱识别与比对的结果；S5.将数据库的比对结果以及煤岩检测模型现场识别的结果进行输出操作。2.根据权利要求1所述的基于高光谱成像技术和卷积神经网络的煤岩识别检测方法，其特征在于，S1中的检测具体为，将检测探头对准煤岩识别区域，由外接聚光灯提供补光，由采样计算机获取并处理高光谱检测出的煤岩数据。3.根据权利要求2所述的基于高光谱成像技术和卷积神经网络的煤岩识别检测方法，其特征在于，S2中的黑白校正处理具体为，采集白板标定图像和黑板标定图像，利用白板图像和黑板图像对采集到的原始的煤岩颗粒图像进行标定，通过下式来获得标定后的煤岩样本图像：式中，C为黑白标定后得到的煤岩颗粒样本图像，Iw为白板标定图像，Id为黑板标定图像，Ir为原始的煤岩颗粒图像。4.根据权利要求3所述的基于高光谱成像技术和卷积神经网络的煤岩识别检测方法，其特征在于，S3中的卷积神经网络包括卷积层，下采样层和全连接层，卷积层和下采样层一起组成多个卷积组，对图像进行逐层提取特征，通过全连接层完成图像的分类识别，下采样层用于降低数据维度。5.根据权利要求4所述的基于高光谱成像技术和卷积神经网络的煤岩识别检测方法，其特征在于，卷积神经网络通过卷积区分特征，通过卷积层的权值共享和...

【专利技术属性】
技术研发人员：王亮，王琦，周广宇，陈天明，李锋锋，赵勋远，高洁，孙宇航，唐亮，朱澈，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：