CN107727592A - 一种基于煤岩高光谱反射特性的煤岩界面识别方法 - Google Patents
一种基于煤岩高光谱反射特性的煤岩界面识别方法 Download PDFInfo
- Publication number
- CN107727592A CN107727592A CN201710932801.5A CN201710932801A CN107727592A CN 107727592 A CN107727592 A CN 107727592A CN 201710932801 A CN201710932801 A CN 201710932801A CN 107727592 A CN107727592 A CN 107727592A
- Authority
- CN
- China
- Prior art keywords
- coal
- rock
- data
- sample
- type
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 166
- 239000003245 coal Substances 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000001228 spectrum Methods 0.000 title claims abstract description 17
- 238000010521 absorption reaction Methods 0.000 claims abstract description 72
- 230000003595 spectral effect Effects 0.000 claims abstract description 55
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 6
- 239000011707 mineral Substances 0.000 claims abstract description 6
- 239000000203 mixture Substances 0.000 claims abstract description 6
- 238000002310 reflectometry Methods 0.000 claims description 43
- 239000013598 vector Substances 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000008447 perception Effects 0.000 abstract 2
- 230000004069 differentiation Effects 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 58
- 238000005516 engineering process Methods 0.000 description 11
- 238000005065 mining Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002860 competitive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005274 electronic transitions Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2201/00—Features of devices classified in G01N21/00
- G01N2201/12—Circuits of general importance; Signal processing
- G01N2201/129—Using chemometrical methods
- G01N2201/1296—Using chemometrical methods using neural networks
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于煤岩高光谱反射特性的煤岩界面识别方法,此方法根据被测煤岩所含矿物的化学成分和组成结构不同,其在特定波长点处对相同光反射吸收的高光谱反射率特性不同,采用高光谱进行地下煤岩界面感知,对感知数据利用全波形、特征参量及人工智能识别等方法保证环境适用性和判别精度。通过建立我国主要煤岩的高光谱数据库,对包络线预处理后的光谱曲线全波形、差异吸收谷反射率曲线中提取的特征参数、差异吸收谷反射率曲线全波形数据,采用四种识别模型实现对未知类型试样的识别。本发明解决了在不同的煤系或煤田的煤层类型结构和顶底板沉积岩类型结构变化多样的情况下,快速高效地区分煤岩界面的问题。
Description
技术领域
本发明涉及智能化采煤装备关键技术领域,特别是一种基于煤岩高光谱反射特性的煤岩界面识别方法,相关技术涉及高光谱物探分析、高光谱数据采集及处理、高光谱数据库、高光谱数据特征选择和提取、人工智能识别方法等技术领域。
背景技术
煤岩界面智能识别技术是当前制约智能化采煤装备的重大难题,研究适用于工作面的煤岩界面实时识别方法是保障智能化综采工作面具有广泛适用性的重要基础之一。实现煤岩自动识别是采煤工作面无人开采的关键技术之一,其一直是煤层自动截割的瓶颈性技术障碍。现有的煤岩界面识别方法,即天然射线探测法、放射性同位素探测法、雷达探测法、红外探测法、测力截齿分析法、有功功率监测法、多传感器融合技术、图像识别法等,以上这些研究方法或基于煤岩截割的热力响应,或基于煤岩射线效应,但由于煤层地质条件复杂多变,导致以上各种方法不具备普遍适用性,同时由于工作面环境恶劣、识别实时性的原因而使得这些煤岩识别技术均未在现实工作面中获得应用。
我国煤层赋存地质条件复杂多变,不同的煤系或煤田具有不同的煤层类型结构和顶底板沉积岩类型结构,即使同一煤系或煤田的煤层类型结构和顶底板沉积岩类型结构也有复杂变化。为适应煤岩类型及其结构的复杂变化,须找到一种能够精确判别煤岩矿物物质成分的差别,快速高效地区分煤岩性状的技术或方法。高光谱遥感技术是根据被测物质所含的化学成分和组成结构不同,其在特定波长点处对相同光反射吸收光谱特性不同,而且决定各种物质光谱特征的机理是由于其不同的化学成分的电子跃迁、晶体振动等。高光谱技术以其具有光谱分辨率高,特定波长处有其独特的光谱特征的特点作为一种物质探测识别的技术,已成功用于遥感环境监测、地质矿物识别等领域。
我国煤炭资源丰富,不同煤系矿区的煤岩样品具有不同的波谱特征,这是利用高光谱数据认识和识别煤岩提取表面信息的主要思想和手段。根据现有国家标准的分类要求,收集和积累各种典型地物的光谱数据信息历来是遥感基础研究和应用研究中不可缺少的一个重要环节。高光谱仪产生了庞大的数据量,建立煤岩高光谱数据库,利用先进的计算机技术保存、管理和分析这些信息,是提高信息分析处理水平的重要途径。当前国际上及我国常见公开的光谱库有:美国地质调查局光谱实验室USGS光谱库;中科院安徽精密光学机械研究所高光谱岩矿数据库;中科院遥感所高光谱数据库。但以上三种数据库只含部分沉积岩类型光谱曲线,且不含岩石的特征光谱参量,尤其针对我国主要煤系矿区的煤层顶底板岩石类型和煤炭类型的高光谱数据库还没有建立。
公开号:CN102509087B公开了一种基于图像灰度共生矩阵的煤岩识别方法,公开号:CN102930253B公开了一种基于图像离散多小波变换的煤岩识别方法,申请号:201510197810.5公开了一种基于距离约束相似性的煤岩识别方法,申请号:201510758329.9公开了一种基于平均池化稀疏编码的煤岩识别方法,以上四种煤岩识别方法分别从图像的非接触式识别、子图像变换域数据的多尺度纹理能量分布向量间的关系、煤岩图像非线性相似性测度函数、煤岩图像结构基元四种基于图像识别的方法来进行煤岩识别。申请号:201410196072.8公开了一种煤岩识别设备及其识别方法,该方法以声学探测为主要识别技术,以非线性方程组数值解求解为解算方法,具有稳定的求解精度。申请号:201410375129.0公开了一种基于激光扫描的煤岩识别方法,该方法利用激光扫描建立标准煤和标准岩石不同表面三维形态的“距离-反射率”特征数据库,在对未知现场煤岩对象进行识别时,通过对实测煤岩对象表面的特征值和事先测定的煤岩标准特征数据相比对,识别出煤岩类型。但是由于煤层煤岩地质条件变化多样,同时井下综采面工作环境恶劣,振动、光照、粉尘、水雾等各种影响因素存在,在各种因素的影响下,煤岩图像信息和激光扫描表面形态可能表现出同像异质、同质异像等现象,声学探测存在去噪困难和可靠性降低等问题,因此以上煤岩识别方法不具有良好的工况适用性。
发明内容
技术问题:本发明的目的是为了解决上述技术中存在的问题,提供一种基于煤岩高光谱反射特性的煤岩界面识别方法,在煤岩类型及其结构复杂变化、工况环境恶劣的条件下,根据被测煤岩所含矿物的化学成分和组成结构不同,其在特定波长点处对相同光反射吸收的高光谱反射率特性不同,采用高光谱进行地下煤岩界面感知,对感知数据利用全波形、特征参量及人工智能识别等方法保证环境适用性和判别精度。
技术方案:一种基于煤岩高光谱反射特性的煤岩界面识别方法,所述的煤岩界面识别方法是基于煤岩矿物组成的不同在相同波段光谱吸收程度不同所引起的高光谱反射率曲线的差异进行煤岩界面的识别。
进一步的:选用的煤岩高光谱反射率曲线全波形的波段范围为350-2500nm,光谱分辨率在λ/100范围内,光谱数据波长间隔为1nm,λ为波长。
进一步的:包括如下步骤:
a:对我国不同煤系矿区的具有代表性的煤层顶底板岩石样本和煤炭样本进行高光谱反射率数据采集,建立我国煤层顶底板岩石和煤炭的高光谱数据库,设数据库中煤岩样本数为N;
b:采集未知类型煤岩样本高光谱反射率数据,获取a中的数据库中的同类型数据;
c:以步骤a中数据库的N个煤岩样本数据作为训练集,以未知类型样本的同类型数据为预测集,采用识别模型对未知样本进行类型预测;
d:根据c中识别模型判别结果得出未知样本类型。
由样本高光谱反射率数据得到:煤岩高光谱反射率曲线全波形经包络线去除法预处理后的2151×1维数据、差异吸收谷反射率曲线全波形101×1维数据、差异吸收谷反射率曲线全波形经包络线去除法预处理后的101×1维数据、差异吸收谷反射率曲线中的六个特征参数6×1维数据。步骤c中所述识别模型可以有四种,相应的煤岩界面识别方法有如下四种:
第一种:a中,数据库中每个煤岩样本数据包括:样本数据1:煤岩高光谱反射率曲线全波形经包络线去除法预处理后的2151×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:取样本数据1构成2151×N维矩阵数据为网络输入向量,取样本数据2构成竞争类型的2×N维矩阵为网络目标向量,神经网络的径向基函数采用高斯径向基核函数,进行网络训练,利用训练过的径向基函数神经网络对未知类型样本的同类数据进行预测,得到未知类型样本的类型。
第二种:a中,数据库中每个煤岩样本数据包括:样本数据1:差异吸收谷反射率曲线中的M个特征参数M×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:取样本数据1构成M×N维矩阵数据为网络输入向量,取样本数据2构成竞争类型的2×N维矩阵为网络目标向量,神经网络的径向基函数采用高斯径向基核函数,进行网络训练,利用训练过的径向基函数神经网络对未知类型样本的同类数据进行预测,得到未知类型样本的类型。
进一步的:所述的差异吸收谷反射率曲线中提取的M个特征参数为:特征参数1:吸收位置AP;特征参数2:吸收深度AD;特征参数3:吸收宽度AW;特征参数4:吸收面积AA;特征参数5:吸收对称性AS;特征参数6:光谱吸收指数SAI。
更进一步的:其中特征参数1-5为差异吸收谷反射率曲线经包络线去除法预处理后提取,特征参数6为差异吸收谷反射率曲线直接提取。
第三种:a中,数据库中每个煤岩样本数据包括:样本数据1:差异吸收谷反射率曲线全波形101×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:对未知类型样本的差异吸收谷反射率曲线全波形101×1维数据构成101×1维向量,求此101×1维向量与数据库中N个样本中的每个样本数据构成的101×1维向量的广义余弦夹角,共得N个夹角值,找出最小夹角值所对应数据库中的煤岩类型,未知类型样本取此类型。
第四种:a中,数据库中每个煤岩样本数据包括:样本数据1:差异吸收谷反射率曲线全波形101×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:取数据库中所有样本数据,设某一样本在波长区间[2150,2250]反射率最小值所处波长点为λM,分别求此样本在[2150,λM]和[λM,2250]区间的光谱坡向指数,设煤、岩在这两个相应区间的光谱坡向指数为K1M、K1Y和K2M、K2Y,区间[2150,λM]的分类阀值Th1取K1M中的最小值与K1Y中的最大值的平均值,区间[λM,2250]的分类阀值Th2取K2M中的最大值与K2Y中的最小值的平均值,求未知类型样本的光谱坡向指数K1MY、K2MY,与Th1、Th2对比判别未知类型样本的类型。
第二至第四种煤岩界面识别方法中所述的煤岩高光谱反射率曲线全波形选取的差异吸收谷反射率曲线全波形的波段范围为2150-2250nm,光谱数据波长间隔为1nm。
有益效果:本发明解决了在煤层地质条件复杂多变,不同的煤系或煤田的煤层类型结构和顶底板沉积岩类型结构变化多样,井下综采面工作环境恶劣的条件下,快速高效地区分煤岩界面的问题。采集煤岩高光谱数据,建立我国煤层顶底板岩石和煤炭的高光谱数据库,提取出能有效区分煤岩的特征光谱参量。本方法是基于煤岩物质成分的差别,高光谱吸收特性不同,在可见光和近红外谱带,采用高分辨率波谱进行物质探测与地下感知,对感知数据利用特征参量及人工智能识别方法减少环境干扰因素对识别可靠性的影响,相对于现有的传统煤岩识别方法,具有较高的判别精度和良好的普遍适用性。
附图说明
图1为高光谱煤岩识别流程图。
图2(a)为部分岩石样本高光谱反射率曲线图。
图2(b)为部分煤炭样本高光谱反射率曲线图。
图3(a)和图3(b)为煤岩高光谱吸收谷波段及特征参数提取方法示意图。
图4为部分煤岩试样高光谱反射率曲线包络线去除反射率曲线。
图5为煤岩试样高光谱数据采集系统示意图,其中:1-托台;2-试样;3-卤素灯光源;4-光纤探头;5-光纤;6-光谱仪;7-Ethernet通信;8-采集计算机。
具体实施方式
下面结合附图对本发明的实施例作进一步的描述:
本发明的基于煤岩高光谱反射特性的煤岩界面识别方法,是基于煤岩矿物组成的不同在相同波段光谱吸收程度不同所引起的光谱反射率曲线的差异,如图2所示,选用的煤岩高光谱反射率曲线全波形的波段范围为350-2500nm,光谱分辨率在λ/100(λ为波长)范围内,光谱数据波长间隔为1nm。
所述的煤岩高光谱反射率曲线全波形选取的差异吸收谷反射率曲线全波形的波段范围为2150-2250nm,光谱数据波长间隔为1nm,如图3所示。其中,图3(a)为包络线去除后的差异吸收谷反射率曲线,图3(b)为原始差异吸收谷反射率曲线。
原始高光谱反射率曲线包络线去除预处理算法如下:
设原始高光谱反射率数组为X(i),波长数组为WL(i),i=1,2,…,N,t为包络线第t节点。
(1)取原始高光谱数据包络线起始点,即t=1时,包络线起点为(WL(1),X(1));
(2)以t在(WL(i),X(i))点为起始点沿高光谱曲线波长增加方向寻找(WL(j),X(j))点,使得(WL(j),X(j))点具有如下特征:原始曲线始终不高于过(WL(i),X(i))点和(WL(j),X(j))点所在的直线,将(WL(j),X(j))点对应坐标加入包络线节点表,使t=t+1节点为(WL(j),X(j));
(3)重复步骤(2),直至i=N,结束搜索,得到包络线节点后,相邻两点线段连接,反射率数组X(i)对应的折线段上的数据值为Z(i),i=1,2,…,N,从而得到各个波段的光谱包络线数据,根据以上算法显然有Z(i)≥X(i)成立;
(4)包络线去除,取包络线去除后反射率为
图2中的煤岩样品经包络线去除后所得反射率曲线如图4所示,通过包络线去除法岩石在2150-2250nm区间的吸收谷得到增强,更利于煤岩区分。
如图3所示,所述的吸收谷反射率曲线中提取的六个特征参数为:
(1)吸收位置AP:吸收位置AP:在包络线去除后的吸收谷中,反射率最低处的波长,即
AP=λmin(ρ)
其中ρ为包络线去除后的反射率;
(2)吸收深度AD:如图3(a)所示,反映了吸收的程度,定义
AD=1-ρAP;
(3)吸收宽度AW:最大吸收深度一半处的光谱宽度,AW如图3(a)所示;
(4)吸收面积AA:吸收谷曲线与基线围成区域的面积,即
(5)吸收对称性AS:如图3(a),以过吸收位置的垂线为边界,右边区域面积SR与左边区域面积SL的比值的常用对数,即
(6)光谱吸收指数SAI:原始光谱曲线吸收谷区间吸收谷位置λM的反射率与基线值(区间曲线两端点连线上吸收谷位置对应数值)比值的倒数,如图3(b),定义
其中,
其中参数(1)-(5)为吸收谷反射率曲线经包络线去除法预处理后提取,参数(6)为吸收谷反射率曲线直接提取。
如图1所示,本发明的基于煤岩高光谱反射特性的煤岩界面识别方法,其实现步骤如下:
a.如图5所示,搭建煤岩高光谱采集装置,对我国不同煤系矿区的具有代表性的煤层顶底板岩石样本和煤炭样本进行高光谱反射率数据采集,建立我国煤层顶底板岩石和煤炭的高光谱数据库,设数据库中煤岩样本数为N,数据库中每个煤岩样本数据包括如下数据的几种:(1)煤岩高光谱反射率曲线全波形2151×1维数据;(2)煤岩高光谱反射率曲线全波形经包络线去除法预处理后的2151×1维数据;(3)差异吸收谷反射率曲线全波形101×1维数据;(4)差异吸收谷反射率曲线全波形经包络线去除法预处理后的101×1维数据;(5)差异吸收谷反射率曲线中的六个特征参数6×1维数据;(6)煤岩类型,使用数字“1”代表岩,“0”代表煤。
b.利用煤岩高光谱采集装置采集未知类型样本高光谱数据,获取a中的数据库中(1)-(5)同类型数据。
c.以a中数据库的N个煤岩样本数据作为训练集,以未知类型样本的同类数据为预测集,采用四种识别模型对未知样本进行类型预测,这四种识别模型及其方法如下:
(1)包络线预处理后全波形+径向基函数神经网络:取a中数据库的第(2)类数据构成2151×N维矩阵数据为网络输入向量,取a中数据库的第(6)类数据构成竞争类型的2×N维矩阵为网络目标向量,神经网络的径向基函数采用高斯径向基核函数,进行网络训练,利用训练过的径向基函数神经网络对未知类型样本的同类数据进行预测,得到未知类型样本的类型。
所用径向基函数神经网络采用高斯径向基核函数为
其中,σ为训练集方差,Ri为函数中心向量,Rk为训练集向量。
(2)吸收谷特征参数+径向基函数神经网络:取a中数据库的第(5)类数据构成6×N维矩阵数据为网络输入向量,取a中数据库的第(6)类数据构成竞争类型的2×N维矩阵为网络目标向量,神经网络的径向基函数采用高斯径向基核函数,进行网络训练,利用训练过的径向基函数神经网络对未知类型样本的同类数据进行预测,得到未知类型样本的类型。即每个样品的光谱吸收谷特征参数网络输入向量为
[AP,AD,AW,AA,AS,SAI]。
(3)吸收谷全波形角度匹配模型:对未知类型样本取a中数据库的第(3)类数据构成101×1维向量和第(6)类数据,求此101×1维向量与a中数据库中每个样本的第(3)类数据构成的101×1维向量的广义余弦夹角,共得N个夹角值,找出最小夹角值所对应数据库中的煤岩类型,未知类型样本取此类型。第(6)类数据用以指示数据库中已知煤岩样品的类型。具体实现步骤如下:
通过计算测试样本与训练样本之间的广义夹角的大小对应匹配程度:数值越小,匹配程度越高。设训练样本吸收谷原始光谱矢量为
Yi=[yi1,yi2,...,yin]T
其中i=1,2,…,N,n=1,2,…,101;
预测样本吸收谷原始光谱矢量为
Xj=[xj1,xj2,...,xjm]T
其中j为未知类型样本编号,m=1,2,…,101;
Xj与Yi间的广义夹角为
Xj与每个Yi求夹角,Xj类别取最小夹角的Yi对应的类别。
(4)吸收谷坡向指数优化分类阀值预测模型:取a中数据库中所有样本的第(3)类数据和第(6)类数据,设某一样本在波长区间[2150,2250]反射率最小值所处波长点为λM,分别求此样本在[2150,λM]和[λM,2250]区间的光谱坡向指数,设煤、岩在这两个相应区间的光谱坡向指数为K1M、K1Y和K2M、K2Y,区间[2150,λM]的分类阀值Th1取K1M中的最小值与K1Y中的最大值的平均值,区间[λM,2250]的分类阀值Th2取K2M中的最大值与K2Y中的最小值的平均值,求未知类型样本的光谱坡向指数记为K1MY、K2MY与Th1、Th2对比判别未知类型样本的类型。第(6)类数据用以指示数据库中已知煤岩样品的类型。具体实现步骤如下:
如图3(b)所示,以原始光谱曲线吸收谷区间吸收峰位置λM为界,分别计算区间[2150,λM]和[λM,2250]的光谱坡向指数K1、K2如下
训练集煤岩在这两个区间光谱坡向指数记为K1M、K1Y和K2M、K2Y,计算两个区间的分类阀值如下
对未知类型样本同样求光谱坡向指数K1MY、K2MY与Th1、Th2对比判别类型。
d.根据c中四种识别模型中的任一种判别结果得出未知样本类型。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:所述的煤岩界面识别方法是基于煤岩矿物组成的不同在相同波段光谱吸收程度不同所引起的高光谱反射率曲线的差异进行煤岩界面的识别。
2.根据权利要求1所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:选用的煤岩高光谱反射率曲线全波形的波段范围为350-2500nm,光谱分辨率在λ/100范围内,光谱数据波长间隔为1nm,λ为波长。
3.根据权利要求2所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:包括如下步骤:
a:对我国不同煤系矿区的具有代表性的煤层顶底板岩石样本和煤炭样本进行高光谱反射率数据采集,建立我国煤层顶底板岩石和煤炭的高光谱数据库,设数据库中煤岩样本数为N;
b:采集未知类型煤岩样本高光谱反射率数据,获取a中的数据库中的同类型数据;
c:以步骤a中数据库的N个煤岩样本数据作为训练集,以未知类型样本的同类型数据为预测集,采用识别模型对未知样本进行类型预测;
d:根据c中识别模型判别结果得出未知样本类型。
4.根据权利要求3所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:a中,数据库中每个煤岩样本数据包括:样本数据1:煤岩高光谱反射率曲线全波形经包络线去除法预处理后的2151×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:取样本数据1构成2151×N维矩阵数据为网络输入向量,取样本数据2构成竞争类型的2×N维矩阵为网络目标向量,神经网络的径向基函数采用高斯径向基核函数,进行网络训练,利用训练过的径向基函数神经网络对未知类型样本的同类数据进行预测,得到未知类型样本的类型。
5.根据权利要求3所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:a中,数据库中每个煤岩样本数据包括:样本数据1:差异吸收谷反射率曲线中的M个特征参数构成的M×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:取样本数据1构成M×N维矩阵数据为网络输入向量,取样本数据2构成竞争类型的2×N维矩阵为网络目标向量,神经网络的径向基函数采用高斯径向基核函数,进行网络训练,利用训练过的径向基函数神经网络对未知类型样本的同类数据进行预测,得到未知类型样本的类型。
6.根据权利要求5所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:所述的差异吸收谷反射率曲线中提取的M个特征参数为:特征参数1:吸收位置AP;特征参数2:吸收深度AD;特征参数3:吸收宽度AW;特征参数4:吸收面积AA;特征参数5:吸收对称性AS;特征参数6:光谱吸收指数SAI。
7.根据权利要求6所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:其中特征参数1-5为差异吸收谷反射率曲线经包络线去除法预处理后提取,特征参数6为差异吸收谷反射率曲线直接提取。
8.根据权利要求3所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:a中,数据库中每个煤岩样本数据包括:样本数据1:差异吸收谷反射率曲线全波形101×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:对未知类型样本的差异吸收谷反射率曲线全波形101×1维数据构成101×1维向量,求此101×1维向量与数据库中N个样本中的每个样本数据构成的101×1维向量的广义余弦夹角,共得N个夹角值,找出最小夹角值所对应数据库中的煤岩类型,未知类型样本取此类型。
9.根据权利要求3所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:a中,数据库中每个煤岩样本数据包括:样本数据1:差异吸收谷反射率曲线全波形101×1维数据;样本数据2:煤岩类型,使用数字“1”代表岩,“0”代表煤;
煤岩界面识别方法为:取数据库中所有样本数据,设某一样本在波长区间[2150,2250]光谱反射率最小值所处波长点为λM,分别求此样本在[2150,λM]和[λM,2250]区间的光谱坡向指数,设煤、岩在这两个相应区间的光谱坡向指数为K1M、K1Y和K2M、K2Y,区间[2150,λM]的分类阀值Th1取K1M中的最小值与K1Y中的最大值的平均值,区间[λM,2250]的分类阀值Th2取K2M中的最大值与K2Y中的最小值的平均值,求未知类型样本的光谱坡向指数K1MY、K2MY,与Th1、Th2对比判别未知类型样本的类型。
10.根据权利要求5-9中任一所述的一种基于煤岩高光谱反射特性的煤岩界面识别方法,其特征在于:所述的煤岩高光谱反射率曲线全波形选取的差异吸收谷反射率曲线全波形的波段范围为2150-2250nm,光谱数据波长间隔为1nm。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710932801.5A CN107727592B (zh) | 2017-10-10 | 2017-10-10 | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710932801.5A CN107727592B (zh) | 2017-10-10 | 2017-10-10 | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107727592A true CN107727592A (zh) | 2018-02-23 |
CN107727592B CN107727592B (zh) | 2020-10-09 |
Family
ID=61209855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710932801.5A Active CN107727592B (zh) | 2017-10-10 | 2017-10-10 | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107727592B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754069A (zh) * | 2018-12-28 | 2019-05-14 | 中国矿业大学 | 基于改进elm和多源参数的煤壁性质识别装置及方法 |
CN109765191A (zh) * | 2019-01-18 | 2019-05-17 | 中国矿业大学 | 一种运动煤岩平移式追踪高光谱识别装置 |
CN109800728A (zh) * | 2019-01-28 | 2019-05-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的矿物质快速识别的方法 |
CN110080766A (zh) * | 2019-04-30 | 2019-08-02 | 中国矿业大学 | 综采工作面煤岩识别装置及方法 |
CN110082307A (zh) * | 2019-04-30 | 2019-08-02 | 中国矿业大学 | 模拟煤矿井下环境的煤岩反射光谱识别实验装置及方法 |
CN111965121A (zh) * | 2020-08-25 | 2020-11-20 | 吉林大学 | 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法 |
CN111982838A (zh) * | 2020-08-25 | 2020-11-24 | 吉林大学 | 一种基于高光谱的煤岩识别检测方法 |
CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 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 |
CN112990169A (zh) * | 2021-05-20 | 2021-06-18 | 天津美腾科技股份有限公司 | 煤岩界面的识别方法、割煤轨迹的确定方法及装置 |
CN113109353A (zh) * | 2021-04-07 | 2021-07-13 | 山西太钢不锈钢股份有限公司 | 一种判别炼焦煤镜质体反射率分布图中凹口的方法 |
CN113239779A (zh) * | 2021-05-10 | 2021-08-10 | 中国人民武装警察部队黄金第五支队 | 一种基于孔雀石多波段逻辑运算模型的找矿方法及系统 |
CN113406296A (zh) * | 2021-06-24 | 2021-09-17 | 辽宁工程技术大学 | 一种基于深度学习的煤岩智能识别系统 |
CN115165847A (zh) * | 2022-07-07 | 2022-10-11 | 中煤科工集团上海有限公司 | 煤岩光谱感知装置及包括其的采煤机 |
CN117169139A (zh) * | 2023-11-02 | 2023-12-05 | 北京科技大学 | 一种基于反射高光谱的玻璃幕墙结构胶力学性能识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4769541A (en) * | 1985-04-02 | 1988-09-06 | Commissariat A L'energie Atomique | Spectrometric gamma diagraphy system for the determination of the geological parameters of a rock |
CN101551471A (zh) * | 2009-05-19 | 2009-10-07 | 中国国土资源航空物探遥感中心 | 一种高光谱遥感矿物含量定量反演方法 |
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN106508050B (zh) * | 2011-12-31 | 2014-07-23 | 核工业北京地质研究院 | 一种基于高光谱图像分析的岩性识别方法 |
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
CN105243401A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于煤岩结构元学习的煤岩识别方法 |
-
2017
- 2017-10-10 CN CN201710932801.5A patent/CN107727592B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4769541A (en) * | 1985-04-02 | 1988-09-06 | Commissariat A L'energie Atomique | Spectrometric gamma diagraphy system for the determination of the geological parameters of a rock |
CN101551471A (zh) * | 2009-05-19 | 2009-10-07 | 中国国土资源航空物探遥感中心 | 一种高光谱遥感矿物含量定量反演方法 |
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN106508050B (zh) * | 2011-12-31 | 2014-07-23 | 核工业北京地质研究院 | 一种基于高光谱图像分析的岩性识别方法 |
CN105158200A (zh) * | 2015-07-16 | 2015-12-16 | 天津工业大学 | 一种提高近红外光谱定性分析准确度的建模方法 |
CN105243401A (zh) * | 2015-11-10 | 2016-01-13 | 中国矿业大学(北京) | 基于煤岩结构元学习的煤岩识别方法 |
Non-Patent Citations (2)
Title |
---|
SONG ZEYANG: "Spectral reflectance(400-2500nm)properties of coals,adjacent sediments, metamorphic and pyrometamorphic rocks in coal-fire areas:A case study ofWuda coalfield and its surrounding areas,northern China", 《INTERNATIONAL JOURNAL OF COAL GEOLOGY》 * |
孙继平: "基于图像识别的煤岩界面识别方法研究", 《煤炭科学技术》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754069B (zh) * | 2018-12-28 | 2023-04-07 | 中国矿业大学 | 基于改进elm和多源参数的煤壁性质识别装置及方法 |
CN109754069A (zh) * | 2018-12-28 | 2019-05-14 | 中国矿业大学 | 基于改进elm和多源参数的煤壁性质识别装置及方法 |
CN109765191A (zh) * | 2019-01-18 | 2019-05-17 | 中国矿业大学 | 一种运动煤岩平移式追踪高光谱识别装置 |
CN109765191B (zh) * | 2019-01-18 | 2023-11-10 | 中国矿业大学 | 一种运动煤岩平移式追踪高光谱识别装置 |
CN109800728A (zh) * | 2019-01-28 | 2019-05-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的矿物质快速识别的方法 |
CN110080766A (zh) * | 2019-04-30 | 2019-08-02 | 中国矿业大学 | 综采工作面煤岩识别装置及方法 |
CN110082307A (zh) * | 2019-04-30 | 2019-08-02 | 中国矿业大学 | 模拟煤矿井下环境的煤岩反射光谱识别实验装置及方法 |
CN110080766B (zh) * | 2019-04-30 | 2024-03-01 | 中国矿业大学 | 综采工作面煤岩界面识别装置及方法 |
CN110082307B (zh) * | 2019-04-30 | 2023-08-29 | 中国矿业大学 | 模拟煤矿井下环境的煤岩反射光谱识别实验装置及方法 |
CN111965121A (zh) * | 2020-08-25 | 2020-11-20 | 吉林大学 | 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法 |
CN111965121B (zh) * | 2020-08-25 | 2023-03-21 | 吉林大学 | 一种基于光谱分析技术的煤炭焦渣的快速分类检测方法 |
CN111982838A (zh) * | 2020-08-25 | 2020-11-24 | 吉林大学 | 一种基于高光谱的煤岩识别检测方法 |
CN113109353A (zh) * | 2021-04-07 | 2021-07-13 | 山西太钢不锈钢股份有限公司 | 一种判别炼焦煤镜质体反射率分布图中凹口的方法 |
CN112950632B (zh) * | 2021-04-18 | 2022-10-14 | 吉林大学 | 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 |
CN112950632A (zh) * | 2021-04-18 | 2021-06-11 | 吉林大学 | 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 |
CN113239779A (zh) * | 2021-05-10 | 2021-08-10 | 中国人民武装警察部队黄金第五支队 | 一种基于孔雀石多波段逻辑运算模型的找矿方法及系统 |
CN112990169A (zh) * | 2021-05-20 | 2021-06-18 | 天津美腾科技股份有限公司 | 煤岩界面的识别方法、割煤轨迹的确定方法及装置 |
CN113406296A (zh) * | 2021-06-24 | 2021-09-17 | 辽宁工程技术大学 | 一种基于深度学习的煤岩智能识别系统 |
CN115165847A (zh) * | 2022-07-07 | 2022-10-11 | 中煤科工集团上海有限公司 | 煤岩光谱感知装置及包括其的采煤机 |
CN117169139A (zh) * | 2023-11-02 | 2023-12-05 | 北京科技大学 | 一种基于反射高光谱的玻璃幕墙结构胶力学性能识别方法 |
CN117169139B (zh) * | 2023-11-02 | 2024-01-26 | 北京科技大学 | 一种基于反射高光谱的玻璃幕墙结构胶力学性能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107727592B (zh) | 2020-10-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107727592B (zh) | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 | |
Xu et al. | Deep learning of rock images for intelligent lithology identification | |
Valentín et al. | A deep residual convolutional neural network for automatic lithological facies identification in Brazilian pre-salt oilfield wellbore image logs | |
Dong et al. | Fracture identification by semi-supervised learning using conventional logs in tight sandstones of Ordos Basin, China | |
Penasa et al. | Integration of intensity textures and local geometry descriptors from Terrestrial Laser Scanning to map chert in outcrops | |
Dong et al. | Lithofacies identification in carbonate reservoirs by multiple kernel Fisher discriminant analysis using conventional well logs: A case study in A oilfield, Zagros Basin, Iraq | |
Wang et al. | The automatic interpretation of structural plane parameters in borehole camera images from drilling engineering | |
Shi et al. | Training image selection for development of subsurface geological cross-section by conditional simulations | |
Mengistu et al. | Soil Characterization and Classification: A Hybrid Approach of Computer Vision and Sensor Network. | |
Chen et al. | A hierarchical DCNN-based approach for classifying imbalanced water inflow in rock tunnel faces | |
Windrim et al. | Unsupervised ore/waste classification on open-cut mine faces using close-range hyperspectral data | |
Ishola et al. | Combining multiple electrode arrays for two-dimensional electrical resistivity imaging using the unsupervised classification technique | |
Zhou et al. | Underground anomaly detection in gpr data by learning in the c3 model space | |
Liu et al. | Advances in automatic identification of road subsurface distress using ground penetrating radar: State of the art and future trends | |
CN109656906A (zh) | 一种基于大数据的勘查资料的处理方法 | |
Ding et al. | Recognition method of coal–rock reflection spectrum using wavelet scattering transform and bidirectional long–short-term memory | |
Li et al. | Deterioration identification of stone cultural heritage based on hyperspectral image texture features | |
Barkataki et al. | Automatic material classification of targets from GPR data using artificial neural networks | |
Yang et al. | Research on CNN Coal and Rock Recognition Method Based on Hyperspectral Data | |
Ducut et al. | Classifying Electrical Resistivity Tomography Profiles of Underground Utilities using Convolutional Neural Network | |
CN110702632B (zh) | 一种深部岩矿高光谱信息三维建模方法 | |
Merrill-Cifuentes et al. | Unsupervised textural classification of rocks in large imagery datasets | |
Qiqi et al. | RockS2Net: Rock image classification via a spatial localization siamese network | |
Ma et al. | A knowledge-based intelligent recognition method for rock discontinuities with point cloud data | |
Yi et al. | Rock mass structural surface trace extraction based on transfer learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |