【技术实现步骤摘要】
本专利技术涉及煤炭加工，尤其涉及一种基于图像高光谱技术的煤矸及煤质智能分选方法与系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、现有的煤矸及煤质的分选方法主要有人工经验识别、化学分析法、图像分析分选法、结合机器学习算法的分选等多种。人工经验进行识别，受主观因素影响较大，容易出现误判和漏判，导致分选精度低，且难以满足对煤炭品质进行分级的需求；化学分析法属于非实时分析法，操作复杂且耗时，难以适应工业现场对快速分析的高要求；机械分选技术往往基于煤和煤矸的物理性质差异，分选精度不高，对不同煤种的适应性较差，且较难实现煤品质的分选；图像分析分选法，一般采用普通图像，对图像处理，提取特征进行分选，虽然提供了一种非接触式的解决方案，但图像采集依赖于固定光源且图像信息有限，影响识别精度，难以准确区分煤矸及不同品质的煤炭；机器学习算法在分选领域得到了一定的应用，但也存在一些问题，机器学习算法对采集的信息的质量、丰富度要求较高，因此适应性较差，需对信息采集方法进一步改进，提升采集的抗干扰性，且机器学习算法缺乏实时反馈机制，无法根据煤矸及煤特性变化及时调整分选策略和模型参数，导致分选效率和稳定性受到影响。
技术实现思路
1、为了解决上述问题，本专利技术提出了一种基于图像高光谱技术的煤矸及煤质智能分选方法与系统，结合高光谱成像技术和声波测试技术，实时提取声波、光谱、纹理及空间特征，并采用深度学习模型对多维特征进行融合分析，同时，结合在线学
2、在一些实施方式中，采用如下技术方案：
3、一种基于图像高光谱技术的煤矸及煤质智能分选方法，包括：
4、获取待测样品传输线上的高光谱图像，将高光谱图像转换为灰度图像，提取待测样品的边缘信息；
5、通过边缘细化方法分割出每个待测样品的光谱图像，同时提取每个待测样品的位置信息；结合样品移动的时空特征，确定每个待测样品的动态位置；
6、向每个待测样品发射声波，并接收经过每个待测样品后的声波信号；
7、对每个待测样品的光谱图像和声波信号进行预处理，分别提取光谱特征、纹理特征、空间特征和声波特征，进行多维特征融合，形成综合特征向量；
8、将所述综合特征向量输入至训练好的煤矸识别模型，得到煤矸和煤的识别结果。
9、作为进一步的方案，通过边缘细化方法分割出每个待测样品的光谱图像，具体为：
10、如果一个像素的8邻域中，只有1个像素属于边缘，则该像素保留；否则，该像素被删除；按照这个过程对沿边缘的每个像素进行判断，基于保留的像素得到待测样品的骨架线；
11、创建一个与灰度图像同尺寸的标记图像，初始化标记图像所有像素的像素值为0，遍历每个像素，对像素值为0的像素点进行连通性检测，在标记图像中记录每个像素所属的连通域，将连通域标记为掩模；对原始图像的每个像素值和掩模进行位运算，分割出原始图像中的每个物体的单图。
12、作为进一步的方案，提取每个待测样品的纹理特征，具体过程为：
13、采用多尺度卷积神经网络对预处理后的光谱图像进行特征提取，所述多尺度卷积神经网络包括多个卷积层，每一个卷积层输出一个纹理特征图；将所有的纹理特征图进行加权融合，得到融合后的纹理特征图；
14、计算融合后的纹理特征图中每个像素点的梯度信息，根据梯度信息确定每个像素点的注意力权重；使用所述注意力权重对融合后的纹理特征图中每一个像素点进行加权细化，得到加权后的纹理特征图；
15、对于加权后的纹理特征图，重新计算每个像素点的梯度信息，根据梯度信息重新确定每个像素点的注意力权重，再次得到加权后的纹理特征图；重复该过程，直至达到设定要求；最终得到待测样品的纹理特征。
16、作为进一步的方案，提取每个待测样品的空间特征，具体过程为：
17、使用空洞卷积神经网络模型对每个待测样品的光谱图像进行处理，得到每个待测样品的空间特征；
18、其中，所述空洞卷积神经网络模型包括依次连接的输入层、三层空洞卷积层、特征融合层和输出层；输入层接收每个待测样品的光谱图像 i，其中 i是一个三维张量，表示为， h是图像的高度， w是图像的宽度， c是图像的通道数；
19、每一层空洞卷积层使用不同膨胀率的空洞卷积来捕获光谱图像 i不同尺度的空间信息，输出特征图 fn， n=1,2,3；
20、光谱图像分别经过三层空洞卷积层进行处理后，通过特征融合层对输出特征图 fn进行融合，得到每个待测样品的空间特征 ff，并经输出层进行输出。
21、作为进一步的方案，进行多维特征融合，形成综合特征向量，具体为：
22、将光谱特征转换为一个固定长度的特征向量 vspec；将纹理特征及空间特征通过全局平均池化分别转换为特征向量 vtexture和 vspatial；将声波特征转换为特征向量 vsonic；
23、将纹理特征向量 vtexture和空间特征向量 vspatial通过拼接方式进行融合，并使用自注意力机制学习内部特征权重，得到特征向量 vself-attention；
24、将特征向量 vspec、经维度调整后的特征向量 vsonic以及特征向量 vself-attention，分别输入到多层感知器mlp中，得到融合所有模态信息的综合特征向量 vfused。
25、在另一些实施方式中，采用如下技术方案：
26、一种基于图像高光谱技术的煤矸及煤质智能分选系统，包括：
27、数据获取模块，用于获取待测样品传输线上的高光谱图像，将高光谱图像转换为灰度图像，提取待测样品的边缘信息；
28、时空特征提取模块，用于通过边缘细化方法分割出每个待测样品的光谱图像，同时提取每个待测样品的位置信息；结合样品移动的时空特征，确定每个待测样品的动态位置；
29、声波信号提取模块，用于向每个待测样品发射声波，并接收经过每个待测样品本文档来自技高网...
【技术保护点】
1.一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，包括：
2.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，还包括：将识别为煤的多维特征进行二次融合，融合后的特征输入至训练好的煤质识别模型，得到煤质识别结果；所述煤质识别结果包括高等、中等和低等。
3.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，通过边缘细化方法分割出每个待测样品的光谱图像，具体为：
4.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，提取每个待测样品的位置信息，具体为：
5.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，提取每个待测样品的纹理特征，具体过程为：
6.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，提取每个待测样品的空间特征，具体过程为：
7.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，进行多维特征融合，形成综合特征向量，具体
8.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，还包括：采用增量学习方法实现煤矸识别模型和煤质识别模型的在线学习；
9.一种基于图像高光谱技术的煤矸及煤质智能分选系统，其特征在于，包括：
10.如权利要求9所述的一种基于图像高光谱技术的煤矸及煤质智能分选系统，其特征在于，还包括：
...【技术特征摘要】
1.一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，包括：
2.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，还包括：将识别为煤的多维特征进行二次融合，融合后的特征输入至训练好的煤质识别模型，得到煤质识别结果；所述煤质识别结果包括高等、中等和低等。
3.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，通过边缘细化方法分割出每个待测样品的光谱图像，具体为：
4.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征在于，提取每个待测样品的位置信息，具体为：
5.如权利要求1所述的一种基于图像高光谱技术的煤矸及煤质智能分选方法，其特征...
【专利技术属性】
技术研发人员：余腾飞，刘梦悦，李珊，林鹏，娄彦飞，许振浩，
申请(专利权)人：山东大学，
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。