[发明专利]一种基于高光谱成像技术的煤炭种类识别方法

权利要求书

1.一种基于高光谱成像技术的煤炭种类识别方法，其特征在于：

步骤1：如附图1所示的高光谱成像系统结构，选取不同种类的煤炭3作为样本，将样本分别放在高光谱成系统的载物台4上，打开高光谱相机1和光源2，调节相机1和光源2的高度，同时调节曝光时间等参数，确保可以采集到清晰的煤炭样本图像，进行高光谱图像采集；

步骤2：由于光源2的光照强度分布不均匀，以及设备本身存在的暗电流的影响，会导致存在较多的噪声干扰，因此要对采集到的煤炭高光谱图像进行校正减弱或者消除这种噪声带来的影响；

通过下式进行黑白校正：

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

步骤3：对于经过黑白校正后的高光谱图像还有噪声存在的问题，采用BM3D对校正后的高光谱图像进行处理；经过块匹配寻找与给定参考块相似块的过程，经过三维块变换、硬阈值滤波和逆向三维变换，最后聚集得到去噪后的估计图像；

BM3D算法分为两个阶段，分别为基础估计阶段和最终估计阶段，每个阶段又分为三步，分别为块匹配、协同滤波和聚集；

步骤3.1：选取图像中的任意块作为参考块，构造出若干个相似群组，按照距离由小到大将所有的相似块参考块组合成三维块，对三维块进行三维变换而得到稀疏表示，通过系数收缩来进行图像去噪；

步骤3.2：协同滤波在基础估计阶段和最终估计阶段采用不同的滤波方法；在基础估计阶段采用协同硬阈值滤波，该阶段输入图像为噪声图像，表示为真实图像加上加性噪声；

在最终估计阶段采用协同维纳滤波，使实际输出与误差输出之间的均方误差最小，得到最理想的输出结果，对于输入信号f＝y+n，经验滤波器如下式：

上式中，σ表示噪声n的标准差，表示y_i重构之后得到估计的去噪图像；

步骤3.3：为解决在块匹配过程中会出现重复匹配的情况，通过聚焦对那些重复估计的像素点将其所有估计加权平均，得到最终的估计值；

步骤4：建立卷积神经网络模型，将经过BM3D处理后的高光谱图像作为输入，经过卷积和池化等操作，提取特征，经过全连接层和分类器，得到所属煤炭种类；将数据集划分为训练集、测试集和验证集，根据误差进行反向传播，更新参数，减小误差，通过不断地学习和训练，通过测试集测试模型训练的效果，通过验证集验证模型的准确性；

卷积神经网络如附图2所示的结构，具体结构如下所示：

第一层卷积层利用64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，输出大小为112*112；

第二层最大池化层利用大小为3*3，步长为2的池化窗口，对上一层的卷积结果进行池化，输出大小为56*56；

第三层包含两个卷积层，两个卷积层均是利用64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卷积，输出大小为56*56；

第四层包含两个卷积层，两个卷积层均是利用128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卷积，输出大小为28*28；

第五层包含两个卷积层，两个卷积层均是利用256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卷积，输出大小为14*14；

第六层包含两个卷积层，两个卷积层均是利用512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卷积，输出大小为7*7；

第七层为全连接层FC；

第八层为全连接层FC；

其中，对卷积结果使用参数校正线性单元PReLU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；

参数校正线性单元的表达式为：

上式中，a为可学习的系数；

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；

步骤5：当模型训练好后，采集新的煤炭样本图像，通过黑校正和滤波得到估计图像输入到训练好的卷积神经网络模型中，输出得到所属的煤炭类别，最终实现煤炭种类的识别。