本發(fā)明涉及煤炭加工，尤其涉及一種基于圖像高光譜技術(shù)的煤矸及煤質(zhì)智能分選方法與系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、現(xiàn)有的煤矸及煤質(zhì)的分選方法主要有人工經(jīng)驗識別、化學(xué)分析法、圖像分析分選法、結(jié)合機器學(xué)習(xí)算法的分選等多種。人工經(jīng)驗進行識別，受主觀因素影響較大，容易出現(xiàn)誤判和漏判，導(dǎo)致分選精度低，且難以滿足對煤炭品質(zhì)進行分級的需求；化學(xué)分析法屬于非實時分析法，操作復(fù)雜且耗時，難以適應(yīng)工業(yè)現(xiàn)場對快速分析的高要求；機械分選技術(shù)往往基于煤和煤矸的物理性質(zhì)差異，分選精度不高，對不同煤種的適應(yīng)性較差，且較難實現(xiàn)煤品質(zhì)的分選；圖像分析分選法，一般采用普通圖像，對圖像處理，提取特征進行分選，雖然提供了一種非接觸式的解決方案，但圖像采集依賴于固定光源且圖像信息有限，影響識別精度，難以準確區(qū)分煤矸及不同品質(zhì)的煤炭；機器學(xué)習(xí)算法在分選領(lǐng)域得到了一定的應(yīng)用，但也存在一些問題，機器學(xué)習(xí)算法對采集的信息的質(zhì)量、豐富度要求較高，因此適應(yīng)性較差，需對信息采集方法進一步改進，提升采集的抗干擾性，且機器學(xué)習(xí)算法缺乏實時反饋機制，無法根據(jù)煤矸及煤特性變化及時調(diào)整分選策略和模型參數(shù)，導(dǎo)致分選效率和穩(wěn)定性受到影響。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于圖像高光譜技術(shù)的煤矸及煤質(zhì)智能分選方法與系統(tǒng)，結(jié)合高光譜成像技術(shù)和聲波測試技術(shù)，實時提取聲波、光譜、紋理及空間特征，并采用深度學(xué)習(xí)模型對多維特征進行融合分析，同時，結(jié)合在線學(xué)習(xí)機制模型的適應(yīng)性及分選過程的穩(wěn)定性，實現(xiàn)高效、準確的煤矸和煤質(zhì)分選，提高生產(chǎn)效率和質(zhì)量。

2、在一些實施方式中，采用如下技術(shù)方案：

3、一種基于圖像高光譜技術(shù)的煤矸及煤質(zhì)智能分選方法，包括：

4、獲取待測樣品傳輸線上的高光譜圖像，將高光譜圖像轉(zhuǎn)換為灰度圖像，提取待測樣品的邊緣信息；

5、通過邊緣細化方法分割出每個待測樣品的光譜圖像，同時提取每個待測樣品的位置信息；結(jié)合樣品移動的時空特征，確定每個待測樣品的動態(tài)位置；

6、向每個待測樣品發(fā)射聲波，并接收經(jīng)過每個待測樣品后的聲波信號；

7、對每個待測樣品的光譜圖像和聲波信號進行預(yù)處理，分別提取光譜特征、紋理特征、空間特征和聲波特征，進行多維特征融合，形成綜合特征向量；

8、將所述綜合特征向量輸入至訓(xùn)練好的煤矸識別模型，得到煤矸和煤的識別結(jié)果。

9、作為進一步的方案，通過邊緣細化方法分割出每個待測樣品的光譜圖像，具體為：

10、如果一個像素的8鄰域中，只有1個像素屬于邊緣，則該像素保留；否則，該像素被刪除；按照這個過程對沿邊緣的每個像素進行判斷，基于保留的像素得到待測樣品的骨架線；

11、創(chuàng)建一個與灰度圖像同尺寸的標記圖像，初始化標記圖像所有像素的像素值為0，遍歷每個像素，對像素值為0的像素點進行連通性檢測，在標記圖像中記錄每個像素所屬的連通域，將連通域標記為掩模；對原始圖像的每個像素值和掩模進行位運算，分割出原始圖像中的每個物體的單圖。

12、作為進一步的方案，提取每個待測樣品的紋理特征，具體過程為：

13、采用多尺度卷積神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的光譜圖像進行特征提取，所述多尺度卷積神經(jīng)網(wǎng)絡(luò)包括多個卷積層，每一個卷積層輸出一個紋理特征圖；將所有的紋理特征圖進行加權(quán)融合，得到融合后的紋理特征圖；

14、計算融合后的紋理特征圖中每個像素點的梯度信息，根據(jù)梯度信息確定每個像素點的注意力權(quán)重；使用所述注意力權(quán)重對融合后的紋理特征圖中每一個像素點進行加權(quán)細化，得到加權(quán)后的紋理特征圖；

15、對于加權(quán)后的紋理特征圖，重新計算每個像素點的梯度信息，根據(jù)梯度信息重新確定每個像素點的注意力權(quán)重，再次得到加權(quán)后的紋理特征圖；重復(fù)該過程，直至達到設(shè)定要求；最終得到待測樣品的紋理特征。

16、作為進一步的方案，提取每個待測樣品的空間特征，具體過程為：

17、使用空洞卷積神經(jīng)網(wǎng)絡(luò)模型對每個待測樣品的光譜圖像進行處理，得到每個待測樣品的空間特征；

18、其中，所述空洞卷積神經(jīng)網(wǎng)絡(luò)模型包括依次連接的輸入層、三層空洞卷積層、特征融合層和輸出層；輸入層接收每個待測樣品的光譜圖像 i，其中 i是一個三維張量，表示為， h是圖像的高度， w是圖像的寬度， c是圖像的通道數(shù)；

19、每一層空洞卷積層使用不同膨脹率的空洞卷積來捕獲光譜圖像 i不同尺度的空間信息，輸出特征圖 fn， n=1,2,3；

20、光譜圖像分別經(jīng)過三層空洞卷積層進行處理后，通過特征融合層對輸出特征圖 fn進行融合，得到每個待測樣品的空間特征 ff，并經(jīng)輸出層進行輸出。

21、作為進一步的方案，進行多維特征融合，形成綜合特征向量，具體為：

22、將光譜特征轉(zhuǎn)換為一個固定長度的特征向量 vspec；將紋理特征及空間特征通過全局平均池化分別轉(zhuǎn)換為特征向量 vtexture和 vspatial；將聲波特征轉(zhuǎn)換為特征向量 vsonic；

23、將紋理特征向量 vtexture和空間特征向量 vspatial通過拼接方式進行融合，并使用自注意力機制學(xué)習(xí)內(nèi)部特征權(quán)重，得到特征向量 vself-attention；

24、將特征向量 vspec、經(jīng)維度調(diào)整后的特征向量 vsonic以及特征向量 vself-attention，分別輸入到多層感知器mlp中，得到融合所有模態(tài)信息的綜合特征向量 vfused。

25、在另一些實施方式中，采用如下技術(shù)方案：

26、一種基于圖像高光譜技術(shù)的煤矸及煤質(zhì)智能分選系統(tǒng)，包括：

27、數(shù)據(jù)獲取模塊，用于獲取待測樣品傳輸線上的高光譜圖像，將高光譜圖像轉(zhuǎn)換為灰度圖像，提取待測樣品的邊緣信息；

28、時空特征提取模塊，用于通過邊緣細化方法分割出每個待測樣品的光譜圖像，同時提取每個待測樣品的位置信息；結(jié)合樣品移動的時空特征，確定每個待測樣品的動態(tài)位置；

29、聲波信號提取模塊，用于向每個待測樣品發(fā)射聲波，并接收經(jīng)過每個待測樣品后的聲波信號；

30、綜合特征提取模塊，用于對每個待測樣品的光譜圖像和聲波信號進行預(yù)處理，分別提取光譜特征、紋理特征、空間特征和聲波特征，進行多維特征融合，形成綜合特征向量；

31、煤炭識別模塊，用于將所述綜合特征向量輸入至訓(xùn)練好的煤矸識別模型，得到煤矸和煤的識別結(jié)果。

32、煤質(zhì)識別模塊，用于將識別為煤的多維特征進行二次融合，融合后的特征輸入至訓(xùn)練好的煤質(zhì)識別模型，得到煤質(zhì)識別結(jié)果；所述煤質(zhì)識別結(jié)果包括高等、中等和低等。

33、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

34、（1）本發(fā)明基于高光譜成像技術(shù)，結(jié)合聲波測試技術(shù)及深度學(xué)習(xí)模型，對煤及煤矸的多維特征進行融合分析，能夠更全面描述煤及煤矸的特性，并通過引入自適應(yīng)光源調(diào)節(jié)系統(tǒng)及邊緣細化算法，提升了特征提取的抗干擾性，顯著提升了煤矸及煤品質(zhì)的分選精度，使得模型能夠在復(fù)雜的環(huán)境下仍然保持較高的識別精度。

35、（2）本發(fā)明實現(xiàn)了煤矸石分選與煤質(zhì)分選的有機結(jié)合，通過進行一次性成像采集，并采用分級融合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行兩次多維特征融合，分別獲取針對煤矸分選及煤質(zhì)分選的結(jié)果，實現(xiàn)一次性完成兩種分選任務(wù)，不僅有效分離了煤矸石，還對煤的品質(zhì)進行了精確分選，提升了分選效率，降低了生產(chǎn)成本，具有較高的經(jīng)濟效益。

36、（3）本發(fā)明利用多尺度卷積神經(jīng)網(wǎng)絡(luò)能夠捕捉到不同尺度的紋理信息，避免了單一尺度特征提取的局限性，使得模型能夠更好地學(xué)習(xí)到煤矸和煤炭的復(fù)雜紋理特征。然后利用加權(quán)細化進一步強化了紋理特征，通過不斷更新注意力權(quán)重，使得模型更加關(guān)注紋理變化劇烈的區(qū)域，從而提高了特征的區(qū)分度和魯棒性，使得模型能夠在復(fù)雜環(huán)境下仍然保持較高的識別精度。

37、（4）本發(fā)明通過在線學(xué)習(xí)機制，實時更新模型參數(shù)，可以更好的適應(yīng)煤及煤矸特性的變化，通過異常數(shù)據(jù)檢測可以確保分選過程的連續(xù)性和穩(wěn)定性，結(jié)合在線分選執(zhí)行與控制系統(tǒng)，可以根據(jù)識別模型的結(jié)果，進行煤矸及煤質(zhì)的在線分選，能夠?qū)崿F(xiàn)實時、快速、準確的識別和分選，提高生產(chǎn)效率和質(zhì)量。

38、本發(fā)明的其他特征和附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本方面的實踐了解到。