【技术实现步骤摘要】
本专利技术涉及矿山开采，尤其涉及一种基于深度学习与成像高光谱的像素级矿物品位反演方法。
技术介绍
1、低品位露天铁矿开采计划的科学制定需要依据露天采场矿体品位的分布数据，然而目前广泛采用的现场采样+化学品位分析法存在取样密度低、化验周期长等问题，这些问题限制了短期开采计划制定的合理性和实时性，因此已成为矿山精细化开采的主要瓶颈之一。近年来，随着高光谱技术的快速发展，基于高光谱的定量反演方法已经被广泛应用与土壤有机质检测以及重金属污染检测等领域。由于光谱形态与被测物体内在的理化特性紧密相关，因此利用高光谱技术对矿物品位进行预测是可行的。传统的光谱特征分析需要大量的工作量，而且需要针对每种矿物单独进行分析，精度也不尽理想。相比之下，一个设计合理的深度学习模型可以从复杂的输入特征中自动学习与特定任务相关的特征，且对工作环境因素造成的数据干扰有很强的鲁棒性。因此，深度学习模型是矿物品位预测的理想方案。
技术实现思路
1、本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习与成像高光谱的像素级矿物品位反演方法，实现精度表现更为优秀矿物品位预测。
2、为解决上述技术问题，本专利技术所采取的技术方案是：
3、一种基于深度学习与成像高光谱的像素级矿物品位反演方法，包括以下步骤：
4、s1：首先从矿物样本的高光谱图像中进行采样；
5、s2：构建光谱特征；
6、s3：构建基于成像高光谱的像素级矿物品位预测的深度学习模型，并
7、进一步地，所述步骤s1中采样的方法为将样本的高光谱图像的每个像素视为独立的光谱数据，通过在样本中随机筛选像素区域获取单个批次的数据，并认为这个批次的光谱数据所对应的平均品位应当接近于样本的化验品位。
8、进一步地，所述采样的方法具体包括如下步骤：
9、s11：准备数据，使用pika nir-320光谱仪获取全部矿物样本的近红外波段高光谱图像数据，标记每张高光谱图像的有效区域，即包含矿物样本的部分，并将其存储为数据集；
10、s12：统计不同品位区间的样本分布情况；
11、s13：根据统计的品位分布为处于不同品位区间的样本分配概率权重，确保每个品位区间的样本被选中的概率大致相当；
12、s14：在训练过程中，每次抽取一个样本的光谱图像，在有效区域内随机选取若干小区域并求各小区域的光谱均值，将得到的小区域的光谱数据作为单个批次的数据，而将该样本的整体品位作为标签。
13、进一步地，所述步骤s2中光谱特征的构建方法为：对光谱各个波段的反射率进行交叉计算，得到三个光谱指数特征(di、ndi、nri)；其中nri是对光谱指数ri做的归一化处理；
14、三种光谱指数具体如下：
15、
16、
17、
18、其中，ri和rj分别为光谱在i和j波段的反射率。
19、进一步地，所述基于成像高光谱的像素级矿物品位预测的深度学习模型为一个编码器-解码器结构的神经网络模型；其中编码器为一个通用的特征提取器，它从光谱指数中提取与当前任务相关的有效信息，并产生一个向量作为光谱特征的高级表示；解码器是一个由多个全连接层组成的多层感知机，通过编码器提取的特征向量来预测铁矿品位。
20、进一步地，所述编码器的数据流过程如下：
21、编码器首先对原始光谱构建光谱指数(di，ndi、nri)，并将其作为输入特征，该过程将产生3*r^2个特征，r代表光谱的波长分辨率；
22、然后，将三个形状为r*r的指数特征沿着一个新的维度i拼接，得到形状为3*r*r的光谱指数特征，再将光谱指数特征分割为p2个块，其中每个块的形状为p*p，其中p＝r/p；将全部的块沿着维度i进行拼接，作为新的通道维度c，c＝p2*i，得到拼接后的形状为c*p*p的光谱指数特征块；
23、然后通过一组形状为1*1的卷积层将通道维度c降低至c；将压缩后的光谱指数特征块沿着通道维度分成h个部分，将每个部分与一个形状为p*p的参数矩阵相乘得到新的特征矩阵，再将各个特征矩阵求和，得到h个维度为c/h的向量，将这些向量拼接起来，最终得到一个维度为c的向量作为光谱特征的高级表示。
24、进一步地，所述解码器由多个全连接层组成的多层感知机，隐藏层之间使用relu激活函数和layernorm的组合，输出函数为：
25、
26、利用该输出函数将输出结果控制在[0,1]区间内，代表该光谱对应的铁矿品位。
27、进一步地，所述模型训练过程通过s1、s2的方法采集单个训练步长的训练数据，通过反向传播的方法更新模型参数，训练期间学习率随着训练步长动态调整；具体训练过程为：
28、将数据集拆分为训练集和测试集，并在训练集上通过交叉验证法调整超参数；利用s1中的采样方法对高光谱图像进行随机采样，将其结果作为单个训练步长的输入数据；优化器采用adam算法，同时设置l2正则化参数为0.005；初始学习率设置为1e-6，在每经过1000个训练步长后对训练模型进行性能评估，并按照一定倍率降低学习率(参考值为0.93)，同时将学习率下限设置为1e-8；
29、测试过程使用经过与采样区域相同大小的平均池化层处理后的全部光谱像素进行计算，并将品位均值作为结果输出。
30、采用上述技术方案所产生的有益效果在于：本专利技术提供的基于深度学习与成像高光谱的像素级矿物品位反演方法，在仅有数百矿物样本的高光谱图像的条件下通过一种随机采样近似的方式充分利用了有限的数据，规避了数据不足的问题；其次相较于已有的定量反演建模方法，本专利技术提供的方法不需要复杂的特征筛选，具有一定泛化能力，且精度表现更为优秀。
本文档来自技高网...【技术保护点】
1.一种基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述步骤S1中采样的方法为将样本的高光谱图像的每个像素视为独立的光谱数据，通过在样本中随机筛选像素区域获取单个批次的数据，并认为这个批次的光谱数据所对应的平均品位应当接近于样本的化验品位。
3.根据权利要求2所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述采样的方法具体包括如下步骤：
4.根据权利要求1所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述步骤S2中光谱特征的构建方法为：对光谱各个波段的反射率进行交叉计算，得到三个光谱指数特征(DI、NDI、NRI)；其中NRI是对光谱指数RI做的归一化处理；
5.根据权利要求1所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述基于成像高光谱的像素级矿物品位预测的深度学习模型为一个编码器-解码器结构的神经网络模型；其中编码器为一个通用的特征提取器，它从
6.根据权利要求5所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述编码器的数据流过程如下：
7.根据权利要求5所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述解码器由多个全连接层组成的多层感知机，隐藏层之间使用ReLU激活函数和LayerNorm的组合，输出函数为：
8.根据权利要求1所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述模型训练过程通过S1、S2的方法采集单个训练步长的训练数据，通过反向传播的方法更新模型参数，训练期间学习率随着训练步长动态调整；具体训练过程为：
...【技术特征摘要】
1.一种基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述步骤s1中采样的方法为将样本的高光谱图像的每个像素视为独立的光谱数据，通过在样本中随机筛选像素区域获取单个批次的数据，并认为这个批次的光谱数据所对应的平均品位应当接近于样本的化验品位。
3.根据权利要求2所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述采样的方法具体包括如下步骤：
4.根据权利要求1所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述步骤s2中光谱特征的构建方法为：对光谱各个波段的反射率进行交叉计算，得到三个光谱指数特征(di、ndi、nri)；其中nri是对光谱指数ri做的归一化处理；
5.根据权利要求1所述的基于深度学习与成像高光谱的像素级矿物品位反演方法，其特征在于：所述基于...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。