【技术实现步骤摘要】
本专利技术涉及煤岩石识别，具体是指一种煤岩石识别系统。
技术介绍
1、在煤炭形成过程中，植物残骸在特定的地质条件下转化成煤炭，而周围的岩石可能与煤炭紧密相关，这些岩石可能含有可燃的有机物质，煤炭资源的开采和使用过程中，煤岩石的有效识别和分离，对于提高煤炭资源的利用率、降低环境污染以及提升经济效益具有重要意义。
2、基于图像识别的方法识别煤岩石，通过图像的rgb颜色值转换为hsv值并设定阈值来识别煤岩石和煤炭，这种方法可能受到图像预处理误差的影响，在颜色空间转换过程中可能会引入误差，而且对图像质量也有较高要求。
3、基于机器学习的方法识别煤岩石，通过提取图像的hog特征，并使用支持向量机技术，对煤岩石进行分类，这种方法在图像采集、预处理和结果验证环节，仍然需要一定程度的人工参与，识别过程过度依赖于图像的视觉特征，对于图像中噪声的干扰较为敏感，并且在不同的环境条件难以保持稳定性。
技术实现思路
1、针对现有技术中对于煤岩石种类识别的自动化程度较低以及准确性不高的问题，采用半监督协同训练技术，使得大量无标签的待测样本获得属于自身属性的标签；采用伪标签学习技术，对分类器进行二次训练，以提高识别精度；将预测结果输入到预先训练的识别模型中，并根据标准纯煤的置信度进行迭代运算，直至各个识别模型的子模型满足置信度阈值要求，能够有效提高煤矸石种类识别的准确性，降低识别误差，有助于提高煤炭资源的利用率。
2、本专利技术为一种煤岩石识别系统，包括数据采集模块、半监督学
3、所述数据采集模块连接半监督学习模块、模型训练模块和用户界面，半监督学习模块连接伪标签学习模块，伪标签学习模块连接模型训练模块，模型训练模块连接置信度模块，置信度模块连接半监督学习模块，用户界面与模型训练模块相互连接。
4、所述煤岩石识别系统采用基于半监督伪标签学习的协同训练方法，进行煤岩石识别，所述方法包括以下步骤：
5、步骤1：数据采集：通过数据采集模块，获取标准纯煤和待识别煤岩石的多维参数信息，作为各自的样本数据，得到标准纯煤样本数据集合和待识别煤岩石样本数据集合；
6、步骤2：预先训练：使用触发器模型作为识别模型，将标准纯煤的样本数据作为有标签样本数据，得到有标签样本数据集合，使用模型训练模块对识别模型进行预先训练，得到标准纯煤的置信度；
7、步骤3：半监督协同训练：将标准纯煤和待识别煤岩石的多维参数信息，输入到半监督学习模块的分类器中，进行半监督协同训练，为待识别煤岩石的样本数据赋予标签；
8、步骤4：伪标签二次训练：将标准纯煤和待识别煤岩石的多维参数信息，输入到伪标签学习模块的分类器中，进行二次训练，得到预测结果；
9、步骤5：置信度评估：将预测结果，输入到预先训练的识别模型中，设置置信度阈值，根据标准纯煤的置信度进行迭代运算，重复步骤2-4，直至识别模型的子模型均满足置信度阈值。
10、进一步的，步骤1具体包括以下步骤：
11、步骤11：收集并测量标准纯煤和待识别煤岩石的物理性质参数信息；
12、步骤12：收集并测量标准纯煤和待识别煤岩石的密度参数信息；
13、步骤13：收集并测量标准纯煤和待识别煤岩石的光泽度参数信息；
14、步骤14：收集并测量标准纯煤和待识别煤岩石的硬度参数信息。
15、进一步的，步骤2具体包括以下步骤：
16、步骤21：提取识别模型的子模型，子模型均为主动学习得到的触发器模型，触发器模型包括触发条件、条件判断、执行动作和反馈机制；
17、步骤22：识别模型的子模型与标准纯煤的多维参数信息分别一一对应，为每个维度标准纯煤的多维参数信息，构建多层的子触发器；
18、步骤23：上一层的子触发器输出端，与下一层中的子触发器的输入端连接，为每一层的子触发器配置对应的触发条件；
19、步骤24：将标准纯煤的样本数据，输入到最上层的子触发器中，得到第一层的触发结果，向下一层传递第一层的触发结果，逐步优化每一层的触发条件，得到最终触发结果；
20、步骤25：根据最终触发结果，根据标准纯煤的样本数据计算出样本均值，根据样本均值的分布情况，使用t分布作为抽样分布，计算置信区间，根据置信区间，使用的公式如下所示：
21、；
22、；
23、其中，为样本均值，s为样本标准差，n为样本量，df为自由度，df=n-1，是显著性水平，为t分数，为置信区间，se是标准误差；
24、计算每个子模型识别标准纯煤的置信度，置信度即最终触发结果有多大的可能性落在置信区间，已知置信区间的上下限，以及标准误差se，则可以通过以下步骤计算置信度：
25、；
26、其中，z是标准正态分布的分位数，a是置信区间的下限；
27、根据z值查找标准正态分布表，确定对应的置信度。
28、进一步的，在步骤23中，为每一层的子触发器配置对应的触发条件具体包括以下步骤：
29、步骤231：上一层的子触发器的数量，大于对应的下一层中的子触发器的数量；
30、步骤232：设置预设触发值，定义子触发器的预设训练规则为，上一层的子触发器的触发结果数量不小于预设触发值；
31、步骤233：定义触发器模型的触发条件为，上一层的触发时长超出预设触发值，且未满足预设训练规则。
32、进一步的，步骤24具体包括以下步骤：
33、步骤241：使用多层神经网络与触发器结合，多层神经网络包括输入层、隐藏层和输出层，通过反向传播算法计算多层神经网络的各层梯度；
34、步骤242：触发器模型的条件判断为，第一层的子触发器不满足预设训练规则，调整第二层的子触发器的触发条件，使用随机梯度下降算法，设置新触发值，对触发条件进行更新，触发条件更新为上一层的触发时长超出新触发值，且未满足预设训练规则，直到所有子触发器满足预设训练规则；
35、步骤243：触发器模型的执行动作为，子触发器检测标准纯煤的多维参数信息，多层神经网络通过多维参数信息对标准纯煤进行分类预测，得到分类预测结果；
36、步骤244：触发器模型的反馈机制为，条件判断为使用show triggers语句，查看所有子触发器的基本信息，包括子触发器名称、触发值、触发条件和最终触发结果，最终触发结果为分类预测结果超过新触发值。
37、进一步的，在步骤3中，进行半监督协同训练具体包括以下步骤：
38、步骤31：使用半监督学习模型，将标准纯煤样本数据集合作为初始训练集，获得初始分类器；
39、步骤32：使用初始分类器，筛选出具有特征的两组样本，将具有特征的两组样本放入有标签样本数据集合中，根据有标签样本数据集合，训练新的分类器；
40、步本文档来自技高网...
【技术保护点】
1.一种煤岩石识别系统，其特征在于：包括数据采集模块、半监督学习模块、伪标签学习模块、模型训练模块、置信度模块和用户界面；
2.根据权利要求1所述的一种煤岩石识别系统，其特征在于：步骤1具体包括以下步骤：
3.根据权利要求1所述的一种煤岩石识别系统，其特征在于：步骤2具体包括以下步骤：
4.根据权利要求3所述的一种煤岩石识别系统，其特征在于：步骤23具体包括以下步骤：
5.根据权利要求3所述的一种煤岩石识别系统，其特征在于：步骤24具体包括以下步骤：
6.根据权利要求5所述的一种煤岩石识别系统，其特征在于：在步骤3中，进行半监督协同训练具体包括以下步骤：
7.根据权利要求6所述的一种煤岩石识别系统，其特征在于：在步骤4中，进行二次训练具体包括以下步骤：
8.根据权利要求7所述的一种煤岩石识别系统，其特征在于：步骤5具体包括以下步骤：
【技术特征摘要】
1.一种煤岩石识别系统，其特征在于：包括数据采集模块、半监督学习模块、伪标签学习模块、模型训练模块、置信度模块和用户界面；
2.根据权利要求1所述的一种煤岩石识别系统，其特征在于：步骤1具体包括以下步骤：
3.根据权利要求1所述的一种煤岩石识别系统，其特征在于：步骤2具体包括以下步骤：
4.根据权利要求3所述的一种煤岩石识别系统，其特征在于：步骤23具体包括以下步骤：
...【专利技术属性】
技术研发人员：丁自伟，朱文倩，屈恒祥，李龙勃，张辰晨，
申请(专利权)人：西安科技大学，
类型：发明
国别省市：
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。