CN112950632B - 一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法 - Google Patents

Abstract

本发明提出了一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法，属于高光谱检测和煤炭检测技术领域。具体方法如下：首先将煤块粉碎成粒度13mm的煤炭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。先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及分类。将分类后得到的样本值暂取为其所在含量小区间的中值作为BP神经网络回归模型的输入，将工业分析得到的实测值作为期望输出，通过反向迭代更新，直到误差达到设定值停止迭代，输出含量值。本发明方法实现煤炭的质量检测，操作简单，为煤炭选择过程提供相应技术指导。

Description

一种基于高光谱成像技术和卷积神经网络的煤炭质量检测 方法

技术领域

本发明涉及煤炭质量检测技术领域，具体涉及一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法。

背景技术

煤炭在我们的日常生产生活中占有着非常重要的地位，虽然目前随着石油资源被不断开发，煤炭的部分位置被石油替代，但随着以后的石油资源逐渐减少，煤炭的不可或缺的地位必将逐渐显现。

煤炭是一种不可再生能源，是亿万年前大量植物死亡、堆积埋藏在地下经过一系列的演变过程形成的。不同的植物、不同的条件以及不同的演变过程都使得煤炭的内部成分含量不同，质量就会不同，从而导致其完全燃烧所能释放的热量不同。因此，为了使得煤炭这种不可再生能源可以得到充分的利用，对煤炭的质量检测就显得至关重要。

煤的主要成分为固定碳，除此之外还有灰分、水分、挥发分、硫分等，煤在燃烧室大部分的硫成分会被氧化成二氧化硫，对人体和环境都会造成一定程度的损害，煤中的有机质在一定的温度条件下会受热分解成可燃烧气体，称为挥发分。因此，煤的质量与其内部的各成分含量有关。

目前对于煤的质量检测有很多方法。最传统的质量检测方式即为灼烧法结合化学试剂，得到煤炭中各成分的具体含量值。还有通过近红外光谱法结合主成分分析法进行煤炭热量回归以及通过激光诱导击穿光谱法燃煤热值定量分析等。除此之外还有采用近红外光谱进行煤炭的灰分检测、水分检测，采用激光诱导击穿光谱技术进行煤炭的挥发分检测等。

发明内容

本发明提出了一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法。通过高光谱成像技术采集13mm的原煤样本图像，通过黑白校正去除由于暗电流的存在造成的干扰，然后将图像作为卷积神经网络的输入进行特征提取及分类，输出灰分、水分和挥发分的对应的区间，将不同成分所对应区间的中值输入到BP神经网络中建立回归模型，得到煤炭的灰分、水分、挥发分的具体含量，从而实现煤炭的质量检测。本发明方法采用高光谱成像技术进行分析，由于高光谱图像图谱合一的特点使得其信息表达更为丰富，能够精细刻画样本反射光谱；其次，应用卷积神经网络进行处理减少的复杂的预处理过程，同时细分类的结果使得后续回归处理的相对初始更小，收敛更快。

本发明通过以下技术方案来实现：一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法，包括对煤炭样本的制取，通过粉碎机将原煤煤块样本打磨成粒度为13mm的原煤颗粒样本。将同一编号的全部样本均匀铺在器皿中并置于载物台中央，由于煤炭中的成分分布并不均匀，若截取局部样本则不足以表达该样本的全部信息，因此为保证样本信息的完整性和代表性，须对样本整体进行高光谱图像采集，通过高光谱成像设备进行操作。首先对采集到的图像进行黑白校正，去除暗电流的影响，将校正后的图像传输到卷积神经网络中进行特征提取，通过不断地卷积池化，得到样本不同成分的特征及信息，输入到全连接层进行分类，将不同成分所对应区间的中值输入到BP神经网络中进行回归，最终得到该煤炭样本的各成分具体含量并输出。

一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法，其特征主要包括以下步骤：

S1、将原煤煤块用粉碎机打磨成粒度为13mm的原煤颗粒并将其均匀铺在器皿底部，将器皿置于载物台中央，将高光谱成像设备置于样本的正上方，同时调节设备的高度，确保高光谱成像设备可以采集到全部样本颗粒的高光谱信息，打开光源并进行高光谱图像采集；

S2、为了克服光源的强度在各个波段下出现的不均匀性和采集传感器中的暗电流的影响，对采集到的煤炭颗粒样本高光谱图像进行黑白校正处理；

S3、将样本根据其在工业分析中实测得到的灰分、水分和挥发分的含量按照一定的间隔区间进行分类。将水分区间划分为5个区间，从0％开始，区间间隔为2％；将灰分区间划分为5个区间，从0％开始，区间间隔为10％；将挥发分区间划分为5个区间，从0％开始，区间间隔为10％。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，最后经过softmax分类输出；

S4、卷积神经网络分类后输出对应灰分、水分和挥发分的所在分类区间，而非具体的含量，因此还需进一步回归得到。由于对应的区间是范围值，因此选取各个区间的中值输出为该样本成分的临时值，作为BP神经网络的输入，在迭代时的初始误差会相对较小；

S5、将分类得到的样本的各成分所在区间的中值作为BP神经网络的输入，通过不断地迭代，自动更新权值和阈值，逐渐减小误差，直到训练次数达到最大或达到迭代终止条件停止迭代，即训练精度达到要求时停止迭代，最终得到各成分的具体含量，实现煤炭的质量检测。

附图说明

图1：高光谱成像***的结构图

图2：卷积神经网络模型结构图

图3：BP神经网络模型的结构图

具体实施方式

一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法，具体实施步骤如下：

S1、将原煤的煤块样本用粉碎机进行粉碎，得到粒度大小为13mm的煤炭颗粒3，将煤炭颗粒样本均匀铺在器皿中置于高光谱载物台4的中央位置，将高光谱成像设备置于样本的正上方，通过调整相机的高度，确保高光谱相机可以采集到全部样本。打开光源2，由高光谱相机1进行凝视拍摄，得到煤炭颗粒样本的高光谱图像，并存储到计算机中，如图1所示。

S2、由于光源2照射的强度分布不均和采集传感器本身存在的暗电流的影响，会导致存在一些噪声干扰，因此为了减弱和消除这种噪声的影响，要对采集到的煤炭颗粒样本高光谱图像进行黑白校正。

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炭颗粒图像进行标定，通过下式来获得标定后的煤炭样本图像：

上式中的C为黑白标定后得到的煤炭颗粒样本图像，I_w为白板标定图像，I_d为黑板标定图像，I_r为原始的煤炭颗粒图像。

S3、将样本根据其灰分、水分和挥发分的含量按照一定的间隔区间进行分类，建立卷积神经网络模型，如图2中所示，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卷积和池化操作，经过几次卷积和池化步骤后，输入到全连接层，最后经过softmax分类输出；

S3.1、按照实际工业分析中已测量好的煤炭样本集中的灰分、水分和挥发分含量值预先进行区间划分，将水分区间划分为5个区间，从0％开始，区间间隔为2％；将灰分区间划分为5个区间，从0％开始，区间间隔为10％；将挥发分区间划分为5个区间，从0％开始，区间间隔为10％。

S3.2、将经过黑白校正后的高光谱图像输入到卷积神经网络中进行特征提取及分类。卷积神经网络的结构如图2所示，共7层，具体结构说明如下：

输入层是大小为224*224的256通道的煤炭高光谱图像。

第一层包含一个卷积层和一个池化层，卷积层利用96个大小为7*7，步长为2的卷积核对输入的煤炭高光谱图像进行滤波；池化层利用大小为3*3，步长为2的池化窗口进行池化。

第二层包含一个卷积层和一个池化层，卷积层利用256个大小为5*5，步长为2的卷积核，对上一层的池化结果进行滤波；池化层利用大小为3*3，步长为2的池化窗口进行池化。

第三层为一个卷积层，利用384个大小为3*3，步长为1的卷积核对上一层的池化结果进行滤波。

第四层为一个卷积层，利用384个大小为3*3，步长为1的卷积核对上一层的卷积结果进行滤波。

第五层包含一个卷积层和一个池化层，卷积层利用256个大小为3*3，步长为1的卷积核，对上一层的卷积结果进行滤波；池化层利用大小为3*3，步长为2的池化窗口进行池化。

第六层为全连接层FC。

第七层为全连接层FC。

其中，对卷积结果使用校正线性单元ReLU激活函数，得到激活结果；对池化结果使用局部响应归一化操作，得到归一化结果。

校正线性单元的表达式为：

ReLU(x)＝max(0,x)

上式具体含义为，当x≤0时，则ReLU(x)＝0；若x＞0，则ReLU(x)＝x。

输出采用软最大输出函数softmax:

上式中，x₁,x₂,…,x_n表示所有模型结果，exp(x_i)表示将模型结果转化为非负数。Softmax函数的作用为将模型结果转为概率，所有结果的概率和为1。

损失函数使用交叉熵作为损失函数：

上式中，t_i指示变量(0或1),如果该类别和样本的类别相同就是1，否则是0；y_i表示样本属于类别i的概率。

最终卷积神经网络的输出得到的各成分的分类结果，将各分类结果所对应的小区间求取其中值，作为该成分的临时含量值。

S4、卷积神经网络分类后对应灰分、水分和挥发分的所在分类区间，而非具体的含量，因此还需进一步回归得到各成分的具体含量值，其中卷积神经网络分类输出的灰分、水分和挥发分的小区间暂取其所在区间的中值作为该成分的临时值；

S5、将经过卷积神经网络模型分类的样本各成分的临时含量值作为BP神经网络的输入，建立BP神经网络回归模型进行回归，其中BP神经网络的结构模型如图3所示，经过反向迭代学习，更新权值和阈值，逐渐减小误差，直到训练次数达到最大或达到迭代终止条件停止迭代，即训练精度达到要求时停止迭代；具体实现步骤如下：

建立BP神经网络回归模型，BP神经网络共分为三层，分别为输入层、隐藏层和输出层，输入层共有三个输入神经元，隐藏层有五个隐藏神经元，输出层有三个输出神经元。

首先在(0，1)区间内随机给输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及神经网络中隐藏层的阈值、输出层的阈值赋初始值。

其次给定卷积神经网络输出的各成分的含量临时值作为输入，工业分析测定的成分实际的含量值作为参考输出。共300个样本数据，其中255个样本数据作为训练集，45个样本数据作为测试集，对BP神经网络进行训练，根据输出值与参考输出值之间的误差，反向迭代更新权值和阈值,直至达到精度要求，停止迭代。

如图3中所示的BP神经网络结构图，输入层的第i个神经元到隐藏层的第j个神经元之间的权值为v_ij，隐藏层的第j个神经元到输出层的第k个神经元之间的权值为w_jk，第j个隐藏层神经元的阈值为γ_j，第k个输出层神经元的阈值为θ_k。

其中第j个隐藏神经元的输入为：

第k个输出层神经元的输入为：

其中，b_j'＝f(b_j-γ_j)为隐藏层神经元的输出，输出层神经元的输出为y'_k＝f(y_k-θ_k)。

f[·]取可微的S型函数：

计算网络的目标函数J：第p组样本x_p＝[x₁，x₂，x₃]^T输入时，网络的目标函数为

其中，y_p为样本的期望输出，y_p(t)为样本经过第t次权值调整后网络的输出。

BP神经网络的输出总目标函数为：

将网络的总目标函数作为网络学习的状况评价，若J(t)≤ε，则停止迭代，网络训练完成，否则将继续进行反向传播计算，调整权值和阈值。

反向传播计算按照“梯度下降法”逐层进行反向计算：

先调整隐藏层到输出层的权值和阈值：

Δw_jk＝η₁g(t)b_j+αΔw_jk(t-1)

Δθ_k＝η₁g(t)+αΔθ_k(t-1)

再调整输入层到隐藏层的权值和阈值：

Δv_ij＝η₂q_j(t)x_i+αΔv_ij(t-1)

Δγ_j＝η₂q_j(t)+αΔγ_j(t-1)

其中，η₁和η₂为学习率，g(t)和q(t)为经过t次迭代后的偏导数，α为遗忘因子。在本实施例中，最大训练次数为1000次，目标函数为0.001，学习率设定为0.01。在BP神经网络回归过程中，以决定系数R²作为回归的评价指标，其表达式为：

其中y'_k为网络的输出值，

为网络的输出平均值，

为网络的输出期望值。决定系数的输出值在(0，1)区间范围内，其数值越接近1则说明回归拟合程度越好。

Claims (1)

1.一种基于高光谱成像技术和卷积神经网络的煤炭质量检测方法，其特征在于：

S1、将原煤的煤块样本用粉碎机进行粉碎，得到粒度大小为13mm的煤炭颗粒，将煤炭颗粒样本均匀铺在器皿中置于高光谱载物台的中央位置，将高光谱成像设备置于样本的正上方，通过调整相机的高度，确保高光谱相机可以采集到全部样本；打开光源，通过高光谱相机进行凝视拍摄，得到煤炭颗粒样本的高光谱图像，并存储到计算机中；

S2、由于光源照射的强度分布不均和采集传感器本身存在的暗电流的影响，会导致存在一些噪声干扰，因此为了减弱和消除这种噪声的影响，要对采集到的煤炭颗粒样本高光谱图像进行黑白校正；

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炭颗粒图像进行标定，通过下式来获得标定后的煤炭样本图像：

式中的C为黑白标定后得到的煤炭颗粒样本图像，I_w为白板标定图像，I_d为黑板标定图像，I_r为原始的煤炭颗粒图像；

S3、将样本根据其灰分、水分和挥发分的含量按照一定的间隔区间进行分类，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卷积和池化操作，经过几次卷积和池化步骤后，输入到全连接层，最后经过softmax分类输出；

S3.1、按照实际工业分析中已测量好的煤炭样本集中的灰分、水分和挥发分含量值预先进行区间划分，将水分区间划分为5个区间，从0％开始，区间间隔为2％；将灰分区间划分为5个区间，从0％开始，区间间隔为10％；将挥发分区间划分为5个区间，从0％开始，区间间隔为10％；

S3.2、将经过黑白校正后的高光谱图像输入到卷积神经网络中进行特征提取及分类；卷积神经网络共7层，具体结构如下：

输入层是大小为224*224的256通道的煤炭高光谱图像；

第一层包含一个卷积层和一个池化层，卷积层利用96个大小为7*7，步长为2的卷积核对输入的煤炭高光谱图像进行滤波；池化层利用大小为3*3，步长为2的池化窗口进行池化；

第二层包含一个卷积层和一个池化层，卷积层利用256个大小为5*5，步长为2的卷积核，对上一层的池化结果进行滤波；池化层利用大小为3*3，步长为2的池化窗口进行池化；

第三层为一个卷积层，利用384个大小为3*3，步长为1的卷积核对上一层的池化结果进行滤波；

第四层为一个卷积层，利用384个大小为3*3，步长为1的卷积核对上一层的卷积结果进行滤波；

第五层包含一个卷积层和一个池化层，卷积层利用256个大小为3*3，步长为1的卷积核，对上一层的卷积结果进行滤波；池化层利用大小为3*3，步长为2的池化窗口进行池化；

第六层为全连接层FC；

第七层为全连接层FC；

其中，对卷积结果使用校正线性单元ReLU激活函数，得到激活结果；对池化结果使用局部响应归一化操作，得到归一化结果；

校正线性单元的表达式为：

ReLU(x)＝max(0,x)

上式具体含义为，当x≤0时，则ReLU(x)＝0；若x＞0，则ReLU(x)＝x；

输出采用软最大输出函数softmax：

上式中，x₁,x₂,…,x_n表示所有模型结果，exp(x_i)表示将模型结果转化为非负数，Softmax函数的作用为将模型结果转为概率，所有结果的概率和为1；

损失函数使用交叉熵作为损失函数：

上式中，t_i指示变量(0或1)，如果该类别和样本的类别相同就是1，否则是0；y_i表示样本属于类别i的概率；

最终卷积神经网络的输出得到的各成分的分类结果，将各分类结果所对应的小区间求取其中值，作为该成分的临时含量值；

S4、卷积神经网络分类后对应灰分、水分和挥发分的所在分类区间，而非具体的含量，因此还需进一步回归得到各成分的具体含量值，其中卷积神经网络分类输出的灰分、水分和挥发分的小区间暂取其所在区间的中值作为该成分的临时值；

S5、将经过卷积神经网络模型分类的样本各成分的临时含量值作为BP神经网络的输入，建立BP神经网络回归模型进行回归，经过反向迭代学习，更新权值和阈值，逐渐减小误差，直到训练次数达到最大或达到迭代终止条件停止迭代，即训练精度达到要求时停止迭代，具体实施步骤如下；

建立BP神经网络回归模型，BP神经网络共分为三层，分别为输入层、隐藏层和输出层，输入层共有三个输入神经元，隐藏层有五个隐藏神经元，输出层有三个输出神经元；

首先在(0，1)区间内随机给输入层到隐藏层之间的权值、隐藏层到输出层之间的权值以及神经网络中隐藏层的阈值、输出层的阈值赋初始值；

其次给定卷积神经网络输出的各成分的含量临时值作为输入，工业分析测定的成分实际的含量值作为参考输出；共300个样本数据，其中255个样本数据作为训练集，45个样本数据作为测试集，对BP神经网络进行训练，根据输出值与参考输出值之间的误差，反向迭代更新权值和阈值，直至达到精度要求，停止迭代；

BP神经网络输入层的第i个神经元到隐藏层的第j个神经元之间的权值为v_ij，隐藏层的第j个神经元到输出层的第k个神经元之间的权值为w_jk，第j个隐藏层神经元的阈值为γ_j，第k个输出层神经元的阈值为θ_k；

其中第j个隐藏神经元的输入为：

第k个输出层神经元的输入为：

其中，b′_j＝f(b_j-γ_j)为隐藏层神经元的输出，输出层神经元的输出为y'_k＝f(y_k-θ_k)；

f[·]取可微的S型函数：

计算网络的目标函数J：第p组样本x_p＝[x₁，x₂，x₃]^T输入时，网络的目标函数为

其中，y_p为样本的期望输出，y_p(t)为样本经过第t次权值调整后网络的输出；

BP神经网络的输出总目标函数为：

将网络的总目标函数作为网络学习的状况评价，若J(t)≤ε，则停止迭代，网络训练完成，否则将继续进行反向传播计算，调整权值和阈值；

反向传播计算按照“梯度下降法”逐层进行反向计算：

先调整隐藏层到输出层的权值和阈值：

Δw_jk＝η₁g(t)b_j+αΔw_jk(t-1)

Δθ_k＝η₁g(t)+αΔθ_k(t-1)

再调整输入层到隐藏层的权值和阈值：

Δv_ij＝η₂q_j(t)x_i+αΔv_ij(t-1)

Δγ_j＝η₂q_j(t)+αΔγ_j(t-1)

其中，η₁和η₂为学习率，g(t)和q(t)为经过t次迭代后的偏导数，α为遗忘因子；在本实施例中，最大训练次数为1000次，目标函数为0.001，学习率设定为0.01；在BP神经网络回归过程中，以决定系数R²作为回归的评价指标，其表达式为：

其中y′_k为网络的输出值，

为网络的输出平均值，

为网络的输出期望值；决定系数的输出值在(0，1)区间范围内，其数值越接近1则说明回归拟合程度越好。

Images