用于煤矸识别的深度残差网络模型、煤矸识别方法及系统

本公开涉及煤矸识别，尤其涉及一种用于煤矸识别的深度残差网络模型、煤矸识别方法及系统。

背景技术：

1、煤炭是我国传统能源之一，与国民经济发展和人民生活密切相关，在我国能源工业中占有重要的战略地位，随着社会现代化程度的提高，对能源的需求也越来越大。能源是社会发展的重要组成部分，煤炭主要由碳、氢、氧、氮和硫组成，约占能源生产和消费总量的66％和60％；未来一段时间，我国煤炭需求将保持稳定增长，在当前保护环境的社会政策前提下，煤炭也将朝着更加高效、清洁、安全的方向发展。

2、近年来，国家煤炭开采和加工体系不断完善，在促进经济发展的同时，也注重高效清洁，煤矸石是煤炭开采和加工过程中产生的一种低碳固体废弃物，约占原煤总产量的15％；煤中混入煤矸石不仅会降低煤的燃烧效率，而且煤矸石在燃烧过程中会产生大量有害气体，严重污染环境，因此，煤矸石分离技术在煤炭开采中显得尤为重要。

3、由于煤矸石的特征比较复杂，易受到光照、角度等因素的影响，现有技术中公开的采用卷积神经网络对煤和矸石图像进行识别分类，不能很好地处理长距离依赖关系，导致序列数据的处理效果不佳，对于处理高维数据或者非结构化数据的效果相对较差，导致处理结果可信度差，煤矸识别准确率低。

技术实现思路

1、有鉴于此，本公开实施例提供了一种用于煤矸识别的深度残差网络模型、煤矸识别方法及系统，能够解决现有技术中存在的煤矸识别准确率低的问题。

2、第一方面，本公开实施例提供了一种用于煤矸识别的深度残差网络模型，包括：

3、3×3卷积层，用于提取目标数据集的浅层特征信息；

4、第一混合注意力层，用于对所述浅层特征信息进行处理，得到第一混合权重特征图；

5、第一layer层，用于对所述第一混合权重特征图进行卷积处理，获得第一光谱卷积特征；

6、第二layer层，用于对所述第一光谱卷积特征进行卷积处理，获得第二光谱卷积特征；

7、第三layer层，用于对所述第二光谱卷积特征进行卷积处理，获得第三光谱卷积特征；

8、第四layer层，用于对所述第四光谱卷积特征进行卷积处理，获得第二混合权重特征图；

9、第二混合注意力层，用于对所述第二混合权重特征图进行处理，得到第三混合权重特征图；

10、处理层，用于对所述第三混合权重特征图进行dropout处理，得到第四混合权重特征图；

11、全连接层，用于对所述第四混合权重特征图进行处理，得到煤矸信息；

12、softmax层，用于对所述煤矸信息进行处理，输出煤矸识别结果。

13、可选的，所述第一混合注意力层包括第一通道注意力模块、第一融合模块、第一空间注意力模块和第二融合模块；

14、所述第一通道注意力模块用于提取所述浅层特征信息的第一通道特征信息；

15、所述第一融合模块用于将浅层特征信息与第一通道特征信息进行融合，得到第一特征信息；

16、所述第一空间注意力模块用于提取所述第一特征信息的第一空间特征信息；

17、所述第二融合模块用于将所述第一空间特征信息与所述第一特征信息进行融合，得到所述第一混合权重特征图。

18、可选的，所述第一layer层包括三个依次串联的第一残差模块；所述第一残差模块包括依次串联的第一卷积层、第二卷积层、第三卷积层；所述第一卷积层设置有64个卷积核，每个卷积核的尺寸均为1×1；所述第二卷积层设置有64个卷积核，每个卷积核的尺寸均为3×3；所述第三卷积层设置有128个卷积核，每个卷积核的尺寸均为1×1。

19、所述第二layer层包括四个依次串联的第二残差模块；所述第二残差模块包括依次串联的第四卷积层、第五卷积层、第六卷积层；所述第四卷积层设置有128个卷积核，每个卷积核的尺寸均为1×1；所述第五卷积层设置有128个卷积核，每个卷积核的尺寸均为3×3；所述第六卷积层设置有256个卷积核，每个卷积核的尺寸均为1×1。

20、所述第三layer层包括六个依次串联的第三残差模块；所述第三残差模块包括依次串联的第七卷积层、第八卷积层、第九卷积层；所述第七卷积层设置有256个卷积核，每个卷积核的尺寸均为1×1；所述第八卷积层设置有256个卷积核，每个卷积核的尺寸均为3×3；所述第九卷积层设置有512个卷积核，每个卷积核的尺寸均为1×1。

21、所述第四layer层包括三个依次串联的第四残差模块；所述第四残差模块包括依次串联的第十卷积层、第十一卷积层、第十二卷积层；所述第十卷积层设置有512个卷积核，每个卷积核的尺寸均为1×1；所述第十一卷积层设置有512个卷积核，每个卷积核的尺寸均为3×3；所述第十二卷积层设置有1024个卷积核，每个卷积核的尺寸均为1×1。

22、可选的，所述第二混合注意力层包括第二通道注意力模块、第三融合模块、第二空间注意力模块和第四融合模块；

23、所述第二通道注意力模块用于提取所述第二混合权重特征图的第二通道特征信息；

24、所述第三融合模块用于将所述第二混合权重特征图与第二通道特征信息进行融合，得到第三特征信息；

25、所述第二空间注意力模块用于提取所述第三特征信息的第二空间特征信息；

26、所述第四融合模块用于将所述第二空间特征信息与所述第三特征信息进行融合，得到所述第三混合权重特征图。

27、本技术的第二方面公开了一种煤矸识别方法，包括：

28、对采集的煤矸高光谱数据进行谱维变换处理，获得煤矸rgb图像；

29、基于所述煤矸rgb图像，获得煤矸hsv图像数据集；

30、基于所述煤矸hsv图像数据集构建训练集和测试集；

31、在所述训练集上对新型残差网络模型进行训练，并采用损失函数对训练的新型残差网络模型进行验证；

32、在所述测试集上对训练后的融合残差网络模型进行测试，获得煤矸识别结果；

33、所述新型残差网络模型为所述的用于煤矸识别的深度残差网络模型。

34、可选的，所述煤矸rgb图像的获取方法包括：

35、采用近红外光谱仪多次采集煤矸光谱数据，获得的数据平均值作为第一数据；

36、采用pca算法对所述第一数据进行降维处理，获得所述煤矸rgb图像。

37、可选的，所述煤矸hsv图像数据集包括h像素矩阵、s像素矩阵、v像素矩阵；

38、

39、

40、v＝max(r,g,b)；

41、其中，r、g、b分别为所述煤矸rgb图像中的r像素矩阵、g像素矩阵、b像素矩阵；

42、max(r,g,b)为r、g、b中的最大矩阵；

43、min(r,g,b)为r、g、b中的最小矩阵；

44、δ为max(r,g,b)与min(r,g,b)的差值。

45、可选的，所述训练集、所述测试集的构建包括：

46、将所述煤矸hsv图像数据集按6:4的比例随机分配，获得所述训练集、所述测试集。

47、可选的，所述在所述训练集上对所述融合残差网络模型进行训练，包括：

48、设置批量训练数据数量为64；

49、设置初始学习率为0.001，每经过10个迭代次数，学习率下降0.5倍；

50、当实际训练迭代次数达到训练迭代次数阈值时，停止训练。

51、优选的，所述训练迭代次数阈值为100；

52、所述损失函数为交叉熵损失函数。

53、本技术的第三方面公开了一种煤矸识别系统，该系统包括：

54、第一获取模块，配置为对采集的煤矸高光谱数据进行谱维变换处理，获得煤矸rgb图像；

55、第二获取模块，配置为基于所述煤矸rgb图像，获得煤矸hsv图像数据集；

56、构建模块，配置为基于所述煤矸hsv图像数据集构建训练集和测试集；

57、训练模块，配置为在所述训练集上对新型残差网络模型进行训练，并采用损失函数对训练的新型残差网络模型进行验证；

58、识别模块，配置为在所述测试集上对训练后的融合残差网络模型进行测试，获得煤矸识别结果；

59、所述新型残差网络模型为所述的用于煤矸识别的深度残差网络模型。

60、第四方面，本公开实施例还提供了一种电子设备，采用如下技术方案：

61、所述电子设备包括：

62、至少一个处理器；以及，

63、与所述至少一个处理器通信连接的存储器；其中，

64、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行以上任一所述的煤矸识别方法。

65、第五方面，本公开实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行以上任一所述的煤矸识别方法。

66、本技术公开的用于煤矸识别的深度残差网络模型，1)通过3×3卷积层，能够有效地提取目标数据集的浅层特征信息，这有助于捕捉煤矸的关键特征，从而提高煤矸识别的准确性；2)该模型采用第一混合注意力层，能够对浅层特征信息进行处理，并生成第一混合权重特征图，这种注意力机制可以使网络更加关注重要的特征，提高对煤矸的识别能力；3)通过多个卷积层的处理，该模型能够逐步提取更高级别的特征，使提取出的特征更加精准；4)通过第二混合注意力层和处理层的处理，该模型能够生成第三混合权重特征图和第四混合权重特征图，这些特征图能够进一步提取煤矸的关键特征，增强煤矸识别的能力；5)通过全连接层和softmax层的处理，该模型能够将第四混合权重特征图转化为煤矸信息，并输出煤矸识别结果，这种结构能够将特征图转化为可解释的结果，方便用户理解和应用。综上所述，本技术提供的用于煤矸识别的深度残差网络模型，通过提取特征信息、注意力机制、多层卷积处理和混合权重特征图的生成，减少参数量、计算量的同时最大程度提高了对煤矸识别的准确性和可靠性，可以在煤矸识别领域发挥重要作用。

67、本技术公开的煤矸识别方法，1)通过对采集的煤矸高光谱数据进行谱维变换处理，可以将多维高光谱数据转换为三维rgb图像，这样的处理有助于简化数据表示，减少数据维度，并提升后续处理的效率；2)通过将煤矸rgb图像转换为hsv图像，可以从不同的颜色空间角度更全面地描述煤矸的特征，这有助于提取更丰富的特征信息，增强煤矸识别的能力；3)基于煤矸hsv图像数据集，将数据划分为训练集和测试集，有助于对模型进行训练和评估，这种划分能够保证模型在训练集上进行训练，从而学习到煤矸的特征模式，同时在测试集上验证模型的泛化能力；4)通过构建新型残差网络模型，可以充分利用残差块的优势，提高煤矸识别的准确性和稳定性，该新型残差网络模型能够有效地解决梯度消失和梯度爆炸问题，同时提高信息传递的效率；5)在训练集上对新型残差网络模型进行训练，并采用损失函数对模型进行验证，可以通过最小化损失函数，优化模型的参数，提升煤矸识别的性能，这有助于使网络模型适应煤矸数据集的特征分布，并提高对煤矸的识别能力，大大提高煤矸识别的精准度，即提高处理结果的可信度。

68、上述说明仅是本公开技术方案的概述，为了能更清楚了解本公开的技术手段，而可依照说明书的内容予以实施，并且为让本公开的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。