CN110807428B - 煤类样品的识别方法、装置、服务器及存储介质 - Google Patents
煤类样品的识别方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN110807428B CN110807428B CN201911072950.4A CN201911072950A CN110807428B CN 110807428 B CN110807428 B CN 110807428B CN 201911072950 A CN201911072950 A CN 201911072950A CN 110807428 B CN110807428 B CN 110807428B
- Authority
- CN
- China
- Prior art keywords
- coal sample
- dimensional matrix
- identifying
- coal
- electromagnetic waves
- 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.)
- Active
Links
- 239000003245 coal Substances 0.000 title claims abstract description 150
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims abstract description 86
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000009467 reduction Effects 0.000 claims description 12
- 230000008439 repair process Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000009966 trimming Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005429 filling process Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 12
- 230000001419 dependent effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000005684 electric field Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000000225 synapse Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- General Engineering & Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明实施例公开了一种煤类样品的识别方法、装置、服务器及存储介质。其中，所述方法包括：接收煤类样品反射的电磁波；将电磁波转换成数字信号；对数字信号进行数据处理，以得到二维矩阵；基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。本发明通过采用毫米波雷达发送电磁波到煤类样品，并根据神经网络建立用于识别煤类样品的类型的训练模型，解决了现有技术中采集煤类样品的物理信息受干扰因素大、识别不精确以及识别效率低下的技术问题，达到了快速、精准识别煤类样品且不受外界环境影响的技术效果。
Description
技术领域
本发明实施例涉及物体识别技术，尤其涉及一种煤类样品的识别方法、装置、服务器及存储介质。
背景技术
直接从地下开采出来的煤混合有大量的煤矸石，因此需要将煤和煤矸石分离之后才可使用。
目前常用的识别手段有图像识别方法。图像识别采用了模式识别技术进行煤矸石的在线识别与分选。该技术的原理是：在光线照射下煤与煤矸石的反射光线和波长不一样，反映出二者的灰度分布不同，峰值不同。识别时，将煤和煤矸石标准灰度分布图与实际煤矸石的灰度分布图予以比较，按照峰值的大小和分布划分煤或煤矸石。
但这种方法存在摄像头的工作条件受光线影响较大，灰尘对摄像头干扰较大，开采的煤表面覆盖泥和水，使得识别的效率降低的技术问题。
发明内容
本发明提供一种煤类样品的识别方法、装置、服务器及存储介质，以实现快速、精准识别煤类样品。
第一方面，本发明实施例提供了一种煤类样品的识别方法，包括：
接收煤类样品反射的电磁波；
将电磁波转换成数字信号
对数字信号进行数据处理，以得到二维矩阵；
基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
进一步的，对数字信号进行数据处理，以得到二维矩阵之前包括：
对数字信号进行降噪处理；
对数字信号进行解析，以得到每个数字信号的时间序列信息并根据时间序列信息识别对应的煤类样品。
进一步的，对数字信号进行数据处理，以得到二维矩阵包括：
对数字信号进行二维傅里叶变换、数据补齐和误差修复处理，以得到带有时间序列信息的二维矩阵。
进一步的，二维傅里叶变换用于提取电磁波中的信息特征，以根据信息特征生成对应的二维矩阵。
进一步的，数据补齐处理用于对二维矩阵中的数据进行数据填充。
进一步的，误差修复处理用于对二维矩阵中偏离数值正常范围的数据进行误差修正。
进一步的，基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型包括：
对二维矩阵进行神经卷积网络的训练，以得到煤类样品的训练模型；
根据训练模型和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
第二方面，本发明实施例还提供了一种煤类样品的识别装置，包括：
雷达模块，用于接收煤类样品反射的电磁波；
数据转换模块，用于将电磁波转换成数字信号
数据处理模块，用于对数字信号进行数据处理，以得到二维矩阵；
识别模块，用于基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
第三方面，本发明实施例还提供了一种服务器，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述实施例中任一项的煤类样品的识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中任一的煤类样品的识别方法。
本发明通过采用毫米波雷达发送电磁波到煤类样品，并根据神经网络建立用于识别煤类样品的类型的训练模型，解决了现有技术中采集煤类样品的物理信息受干扰因素大、识别不精确以及识别效率低下的技术问题，达到了快速、精准识别煤类样品且不受外界环境影响的技术效果。
附图说明
图1为本发明实施例一提供的一种煤类样品的识别方法的流程图；
图2为本发明实施例二提供的一种煤类样品的识别方法的流程图；
图3为本发明实施例三提供的一种煤类样品的识别装置的结构示意图；
图4为本发明实施例四提供的一种服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时处理可以被终止，但是还可以具有未包括在附图中的附加步骤。处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本发明实施例一提供的一种煤类样品的识别方法的流程图，本实施例可适用于通过毫米波雷达识别煤类样品类型的情况，该方法可以由处理器来执行。如图1所示，一种煤类样品的识别方法，包括：
步骤S110、接收煤类样品反射的电磁波；
具体的，电磁波是由相同且互相垂直的电场与磁场在空间中衍生发射的震荡粒子波，是以波动的形式传播的电磁场，具有波粒二象性。电磁波是由同相振荡且互相垂直的电场与磁场在空间中以波的形式移动，其传播方向垂直于电场种电磁波在真空中速率固定，速度为光速。可以先通过毫米波雷达发射一定赫兹范围(如77GHz-81GHz)的毫米电磁波到煤类样品，由于煤类样品的类型不同，材质不同，因而对电磁波的吸收和反射能力不同，通过接受煤类样品反射的电磁波，并对电磁波中的反射物体的物理信息进行提取，能精准判断煤类样品的类型。在本实施例中，煤类样品可以包括煤和煤矸石。
步骤S120、将电磁波转换成数字信号；
具体的，数字信号指自变量是离散的、因变量也是离散的信号，这种信号的自变量用整数表示，因变量用有限数字中的一个数字来表示。在计算机中，数字信号的大小常用有限位的二进制数表示，例如，字长为2位的二进制数可表示4种大小的数字信号，它们是00、01、10和11；若信号的变化范围在-1～1，则这4个二进制数可表示4段数字范围，即[-1,-0.5)、[-0.5，0)、[0，0.5)和[0.5，1]。由于数字信号是用两种物理状态来表示0和1的，故其抵抗材料本身干扰和环境干扰的能力都比模拟信号强很多；在现代技术的信号处理中，数字信号发挥的作用越来越大，几乎复杂的信号处理都离不开数字信号；或者说，只要能把解决问题的方法用数学公式表示，就能用计算机来处理代表物理量的数字信号。
毫米波雷达可以通过USB与电脑连接，毫米波雷达在接收到煤类样品反射的电磁波后，可以先对接收的电磁波进行降噪调制，保证数据的准确性，然后通过USB端口输出数字信号。
步骤S130、对数字信号进行数据处理，以得到二维矩阵；
具体的，数据处理可以是二维快速傅里叶变换、数据补齐和误差修复处理，其中误差修复处理还可以包括维度修整和正则化处理。
在本实施例中，二维矩阵的大小可以根据计算需求进行调整。快速傅里叶变换(fast Fourier transform),即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称，简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。
数据补齐是指通过对数字信号的数据处理后，得到一个二维矩阵，当对该二维矩阵进行神经网络计算后得到一个新的二维矩阵，新的二维矩阵的大小与原二维矩阵的大小不相同时，可以对原二维矩阵进行数据补齐，即在二维矩阵的外围填充一定层数的0，从而保证新的二维矩阵和原二维矩阵的大小相同。
误差修复是指通过对数字信号的数据处理后，得到一个二维矩阵，对该二维矩阵中偏离数值正常范围的数据进行误差修正。其中，维度修整是针对二维矩阵中可能存在的数据缺漏进行数据填充，以保证二维矩阵的维度正常；正则化就是对最小化经验误差函数上加约束，这样的约束可以解释为先验知识(正则化参数等价于对参数引入先验分布)。约束有引导作用，在优化误差函数的时候倾向于选择满足约束的梯度减少的方向，使最终的解倾向于符合先验知识(如一般的l-norm先验，表示原问题更可能是比较简单的，这样的优化倾向于产生参数值量级小的解，一般对应于稀疏参数的平滑解)。同时，正则化解决了逆问题的不适定性，产生的解是存在，唯一同时也依赖于数据的，噪声对不适定的影响就弱，解就不会过拟合，而且如果先验(正则化)合适，则解就倾向于是符合真解(更不会过拟合了)，即使训练集中彼此间不相关的样本数很少，也就是说，正则化处理是针对二维矩阵中误差较大的数据进行校正，从而保证了二维矩阵中数据的准确性。
步骤S140、基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
具体的，在得到煤类样品对应的二维矩阵后，可以对二维矩阵进行神经网络计算，从而得到煤类样品对应的训练模型，通过训练模型对煤类样品进行识别。在本实施例中，预设间隔时长是指每隔多少时间毫米波雷达就发送一次电磁波到煤类样品，优选的，预设间隔时长取2.5秒。
本发明实施例一的有益效果在于通过采用毫米波雷达发送电磁波到煤类样品，并根据神经网络计算来识别煤类样品的类型，解决了现有技术中采集煤类样品的物理信息受干扰因素大、识别不精确以及识别效率低下的技术问题，达到了快速、精准识别煤类样品且不受外界环境影响的技术效果。
实施例二
本发明实施例二是在实施例一的基础上做的进一步优化。图2为本发明实施例二提供的一种煤类样品的识别方法的流程图。如图2所示，本实施例的煤类样品的识别方法，包括：
步骤S210、接收煤类样品反射的电磁波；
具体的，电磁波是由相同且互相垂直的电场与磁场在空间中衍生发射的震荡粒子波，是以波动的形式传播的电磁场，具有波粒二象性。电磁波是由同相振荡且互相垂直的电场与磁场在空间中以波的形式移动，其传播方向垂直于电场种电磁波在真空中速率固定，速度为光速。可以先通过毫米波雷达发射一定赫兹范围(如77GHz-81GHz)的毫米电磁波到煤类样品，由于煤类样品的类型不同，材质不同，因而对电磁波的吸收和反射能力不同，通过接受煤类样品反射的电磁波，并对电磁波中的反射物体的物理信息进行提取，能精准判断煤类样品的类型。在本实施例中，煤类样品可以包括煤和煤矸石。
步骤S220、将电磁波转换成数字信号；
具体的，数字信号指自变量是离散的、因变量也是离散的信号，这种信号的自变量用整数表示，因变量用有限数字中的一个数字来表示。在计算机中，数字信号的大小常用有限位的二进制数表示，例如，字长为2位的二进制数可表示4种大小的数字信号，它们是00、01、10和11；若信号的变化范围在-1～1，则这4个二进制数可表示4段数字范围，即[-1,-0.5)、[-0.5，0)、[0，0.5)和[0.5，1]。由于数字信号是用两种物理状态来表示0和1的，故其抵抗材料本身干扰和环境干扰的能力都比模拟信号强很多；在现代技术的信号处理中，数字信号发挥的作用越来越大，几乎复杂的信号处理都离不开数字信号；或者说，只要能把解决问题的方法用数学公式表示，就能用计算机来处理代表物理量的数字信号。
毫米波雷达可以通过USB与电脑连接，毫米波雷达在接收到煤类样品反射的电磁波后，可以先对接收的电磁波进行降噪调制，保证数据的准确性，然后通过USB端口输出数字信号。
步骤S230、对数字信号进行降噪处理；
具体的，数据处理可以是二维快速傅里叶变换、数据补齐和误差修复处理，其中误差修复处理还可以包括维度修整和正则化处理。二维矩阵的大小可以根据计算需求进行调整，优选的，本实施例的二维矩阵的结构为100*40。
步骤S240、对数字信号进行解析，以得到每个数字信号的时间序列信息并根据时间序列信息识别对应的煤类样品；
具体的，时间序列信息用于记录煤类样品的时间顺序。举例来说，当毫米波雷达的发射间隔时长为2.5秒时，即毫米波雷达第一次发射电磁波到第一个煤类样品时，这时分析第一个煤类样品反射回来的电磁波得到第一个煤类样品的时间序列信息，记为1，当毫米波雷达第二次发射电磁波到第二个煤类样品时，这时分析第二个煤类样品反射回来的电磁波得到第二个煤类样品的时间序列信息，记为2，这样以此类推。通过获取每个煤类样品的时间序列信息，有利于更好的根据不同的时间序列信息匹配上对应的煤类样品。
步骤S250、对数字信号进行二维傅里叶变换、数据补齐和误差修复处理，以得到带有时间序列信息的二维矩阵；
在本实施例中，二维傅里叶变换用于提取电磁波中的信息特征，以根据信息特征生成对应的二维矩阵。
具体的，快速傅里叶变换(fast Fourier transform),即利用计算机计算离散傅里叶变换(DFT)的高效、快速计算方法的统称，简称FFT。快速傅里叶变换是1965年由J.W.库利和T.W.图基提出的。采用这种算法能使计算机计算离散傅里叶变换所需要的乘法次数大为减少，特别是被变换的抽样点数N越多，FFT算法计算量的节省就越显著。
在本实施例中，数据补齐处理用于对二维矩阵中的数据进行数据填充。
具体的，数据补齐是指通过对数字信号的数据处理后，得到一个二维矩阵，当对该二维矩阵进行神经网络计算后得到一个新的二维矩阵，新的二维矩阵的大小与原二维矩阵的大小不相同时，可以对原二维矩阵进行数据补齐，即在二维矩阵的外围填充一定层数的0，从而保证新的二维矩阵和原二维矩阵的大小相同。
在本实施例中，误差修复处理用于对二维矩阵中偏离数值正常范围的数据进行误差修正。
具体的，误差修复是指通过对数字信号的数据处理后，得到一个二维矩阵，对该二维矩阵中偏离数值正常范围的数据进行误差修正。其中，维度修整是针对二维矩阵中可能存在的数据缺漏进行数据填充，以保证二维矩阵的维度正常；正则化就是对最小化经验误差函数上加约束，这样的约束可以解释为先验知识(正则化参数等价于对参数引入先验分布)。约束有引导作用，在优化误差函数的时候倾向于选择满足约束的梯度减少的方向，使最终的解倾向于符合先验知识(如一般的l-norm先验，表示原问题更可能是比较简单的，这样的优化倾向于产生参数值量级小的解，一般对应于稀疏参数的平滑解)。同时，正则化解决了逆问题的不适定性，产生的解是存在，唯一同时也依赖于数据的，噪声对不适定的影响就弱，解就不会过拟合，而且如果先验(正则化)合适，则解就倾向于是符合真解(更不会过拟合了)，即使训练集中彼此间不相关的样本数很少，也就是说，正则化处理是针对二维矩阵中误差较大的数据进行校正，从而保证了二维矩阵中数据的准确性。
步骤S260、对二维矩阵进行神经卷积网络的训练，以得到煤类样品的训练模型；
具体的，神经卷积网络是指一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络是一种运算模型，由大量的节点(或称神经元)和之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。网络的输出则依网络的连接方式，权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。卷积层数和用于识别的具体样品种类无关，只与用于识别的样品种类的识别准确率和样品的复杂程度有关，要进行识别分类的样品越复杂，神经网络所需要的参数就越多，即需要越多卷积层。在本实施例中，神经网络的具体结构可以是三层卷积核为3的二维卷积层和三层大小为3*3的池化层和两层线性层，每层卷积层在计算完成后都需要对计算得到的新矩阵进行正则化处理，从而减小误差。卷积核就是图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核。卷积神经网络中每层卷积层(Convolutional layer)由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。池化层，也称为欠采样层或下采样层，主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。线性层主要用于维度匹配，保证参与的神经网络与矩阵在维度上相等。在本实施例中，可以通过对多个煤类样品的二维矩阵进行神经网络的计算，从而建立针对每种煤类样品用于识别的训练模型。
步骤S270、根据训练模型和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
具体的，可以通过训练模型对煤类样品进行识别。煤类样品的二维矩阵经过训练模型识别后，会根据训练结果得出煤类样品的类型。在本实施例中，预设间隔时长是指每隔多少时间毫米波雷达就发送一次电磁波到煤类样品，优选的，预设间隔时长取2.5秒。
本发明实施例二的有益效果在于通过采用毫米波雷达发送电磁波到煤类样品，并根据神经网络建立用于识别煤类样品的类型的训练模型，解决了现有技术中采集煤类样品的物理信息受干扰因素大、识别不精确以及识别效率低下的技术问题，达到了快速、精准识别煤类样品且不受外界环境影响的技术效果。
实施例三
图3为本发明实施例三提供的一种煤类样品的识别装置的结构示意图。如图3所示，一种煤类样品的识别装置300，包括：
雷达模块310，用于接收煤类样品反射的电磁波；
数据转换模块320，用于将电磁波转换成数字信号
数据处理模块330，用于对数字信号进行数据处理，以得到二维矩阵；
识别模块340，用于基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
在本实施例中，煤类样品的识别装置300还包括：
降噪模块350，用于对数字信号进行降噪处理；
解析模块360，用于对数字信号进行解析，以得到每个数字信号的时间序列信息并根据时间序列信息识别对应的煤类样品。
在本实施例中，数据处理模块330包括：
数据处理单元，用于对数字信号进行二维傅里叶变换、数据补齐和误差修复处理，以得到带有时间序列信息的二维矩阵。
在本实施例中，二维傅里叶变换用于提取电磁波中的信息特征，以根据信息特征生成对应的二维矩阵。
在本实施例中，数据补齐处理用于对二维矩阵中的数据进行数据填充。
在本实施例中，误差修复处理用于对二维矩阵中偏离数值正常范围的数据进行误差修正。
在本实施例中，识别模块340包括：
训练单元，用于对二维矩阵进行神经卷积网络的训练，以得到煤类样品的训练模型；
识别单元，用于根据训练模型和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
本发明实施例所提供的煤类样品的识别装置可执行本发明任意实施例所提供的煤类样品的识别方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例四提供的一种服务器的结构示意图，如图4所示，该服务器包括处理器410、存储器420、输入装置430和输出装置440；服务器中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；服务器中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器410作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的煤类样品的识别方法对应的程序指令/模块(例如，煤类样品的识别装置中的雷达模块、数据转换模块、数据处理模块、识别模块、降噪模块和解析模块)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述的煤类样品的识别方法。
也即：
接收煤类样品反射的电磁波；
将电磁波转换成数字信号
对数字信号进行数据处理，以得到二维矩阵；
基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与服务器的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种煤类样品的识别方法，该方法包括：
接收煤类样品反射的电磁波；
将电磁波转换成数字信号
对数字信号进行数据处理，以得到二维矩阵；
基于二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的煤类样品的识别方法中的相关操作.
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的方法。
值得注意的是，上述煤类样品的识别装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种煤类样品的识别方法，其特征在于，包括：
接收煤类样品反射的电磁波；
将所述电磁波转换成数字信号
对所述数字信号进行数据处理，以得到二维矩阵；
基于所述二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型；
所述对所述数字信号进行数据处理，以得到二维矩阵之前包括：
对所述数字信号进行降噪处理；
对所述数字信号进行解析，以得到每个所述数字信号的时间序列信息并根据所述时间序列信息识别对应的所述煤类样品；所述对所述数字信号进行数据处理，以得到二维矩阵包括：
对所述数字信号进行二维傅里叶变换、数据补齐和误差修复处理，以得到带有所述时间序列信息的二维矩阵；
其中，所述误差修复处理包括维度修整和正则化处理；所述二维矩阵的结构为100*40；
所述时间序列信息用于记录煤类样品的时间顺序；当毫米波雷达的发射间隔时长为2.5秒时，即毫米波雷达第一次发射电磁波到第一个煤类样品时，这时分析第一个煤类样品反射回来的电磁波得到第一个煤类样品的时间序列信息，记为1，当毫米波雷达第二次发射电磁波到第二个煤类样品时，这时分析第二个煤类样品反射回来的电磁波得到第二个煤类样品的时间序列信息，记为2。
2.根据权利要求1所述的一种煤类样品的识别方法，其特征在于，所述二维傅里叶变换用于提取所述电磁波中的信息特征，以根据所述信息特征生成对应的所述二维矩阵。
3.根据权利要求1所述的一种煤类样品的识别方法，其特征在于，所述数据补齐处理用于对所述二维矩阵中的数据进行数据填充。
4.根据权利要求1所述的一种煤类样品的识别方法，其特征在于，所述误差修复处理用于对所述二维矩阵中偏离数值正常范围的数据进行误差修正。
5.根据权利要求1所述的一种煤类样品的识别方法，其特征在于，所述基于所述二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型包括：
对所述二维矩阵进行神经卷积网络的训练，以得到所述煤类样品的训练模型；
根据所述训练模型和预设间隔时长对煤类样品进行识别，以确定所述煤类样品的类型。
6.一种煤类样品的识别装置，其特征在于，包括：
雷达模块，用于接收煤类样品反射的电磁波；
数据转换模块，用于将所述电磁波转换成数字信号
数据处理模块，用于对所述数字信号进行数据处理，以得到二维矩阵；
识别模块，用于基于所述二维矩阵和预设间隔时长对煤类样品进行识别，以确定煤类样品的类型；
降噪模块，用于对数字信号进行降噪处理；
解析模块，用于对数字信号进行解析，以得到每个数字信号的时间序列信息并根据时间序列信息识别对应的煤类样品；
所述数据处理模块，包括：
数据处理单元，用于对数字信号进行二维傅里叶变换、数据补齐和误差修复处理，以得到带有时间序列信息的二维矩阵；
其中，所述误差修复处理包括维度修整和正则化处理；所述二维矩阵的结构为100*40；
所述时间序列信息用于记录煤类样品的时间顺序；当毫米波雷达的发射间隔时长为2.5秒时，即毫米波雷达第一次发射电磁波到第一个煤类样品时，这时分析第一个煤类样品反射回来的电磁波得到第一个煤类样品的时间序列信息，记为1，当毫米波雷达第二次发射电磁波到第二个煤类样品时，这时分析第二个煤类样品反射回来的电磁波得到第二个煤类样品的时间序列信息，记为2。
7.一种服务器，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一项所述的煤类样品的识别方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的煤类样品的识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911072950.4A CN110807428B (zh) | 2019-11-05 | 2019-11-05 | 煤类样品的识别方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911072950.4A CN110807428B (zh) | 2019-11-05 | 2019-11-05 | 煤类样品的识别方法、装置、服务器及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807428A CN110807428A (zh) | 2020-02-18 |
| CN110807428B true CN110807428B (zh) | 2023-05-30 |
Family
ID=69501260
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911072950.4A Active CN110807428B (zh) | 2019-11-05 | 2019-11-05 | 煤类样品的识别方法、装置、服务器及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807428B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112520376A (zh) * | 2020-11-03 | 2021-03-19 | 安徽理工大学 | 一种高精度煤矸识别系统 |
| CN114387428A (zh) * | 2021-12-10 | 2022-04-22 | 北京理工大学 | 基于毫米波成像和光学图像的煤矸石识别方法、装置和存储介质 |
| CN114101112B (zh) * | 2022-01-29 | 2022-05-17 | 天津美腾科技股份有限公司 | 一种煤与煤矸石的分选方法和分选系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
| CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
| CN110378044A (zh) * | 2019-07-23 | 2019-10-25 | 燕山大学 | 基于注意力机制的多时间尺度卷积神经网络软测量方法 |
-
2019
- 2019-11-05 CN CN201911072950.4A patent/CN110807428B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108169745A (zh) * | 2017-12-18 | 2018-06-15 | 电子科技大学 | 一种基于卷积神经网络的钻孔雷达目标识别方法 |
| CN109932699A (zh) * | 2019-03-15 | 2019-06-25 | 西安电子科技大学 | 一种雷达辐射源识别方法、装置、计算机设备和存储介质 |
| CN110378044A (zh) * | 2019-07-23 | 2019-10-25 | 燕山大学 | 基于注意力机制的多时间尺度卷积神经网络软测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807428A (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chang et al. | Spatial-adaptive network for single image denoising | |
| US10552737B2 (en) | Artificial neural network class-based pruning | |
| CN110807428B (zh) | 煤类样品的识别方法、装置、服务器及存储介质 | |
| Liu et al. | Learning converged propagations with deep prior ensemble for image enhancement | |
| Rosin | Image processing using 3-state cellular automata | |
| CN107808138B (zh) | 一种基于FasterR-CNN的通信信号识别方法 | |
| CN110570440A (zh) | 一种基于深度学习边缘检测的图像自动分割方法及装置 | |
| US11568212B2 (en) | Techniques for understanding how trained neural networks operate | |
| US20240062343A1 (en) | Image Restoration Method and Apparatus, Image Restoration Device and Storage Medium | |
| Tan et al. | Pixelwise Estimation of Signal‐Dependent Image Noise Using Deep Residual Learning | |
| CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
| CN116012263A (zh) | 一种图像噪声去除方法、装置、存储介质及电子设备 | |
| CN114511473A (zh) | 一种基于无监督自适应学习的高光谱遥感影像去噪方法 | |
| Schmidt et al. | Deep learning-based imaging in radio interferometry | |
| CN114037891A (zh) | 基于u型注意力控制网络的高分辨率遥感影像建筑物提取方法及装置 | |
| CN112819199A (zh) | 降水量的预测方法、装置、设备和存储介质 | |
| CN116194933A (zh) | 处理系统、处理方法以及处理程序 | |
| Quan et al. | Learning deep non-blind image deconvolution without ground truths | |
| Bhadouria et al. | A novel image impulse noise removal algorithm optimized for hardware accelerators | |
| Chen et al. | Attentive generative adversarial network for removing thin cloud from a single remote sensing image | |
| CN112950652B (zh) | 机器人及其手部图像分割方法和装置 | |
| CN113688655B (zh) | 干扰信号的识别方法、装置、计算机设备和存储介质 | |
| Han et al. | DEMVSNet: Denoising and depth inference for unstructured multi‐view stereo on noised images | |
| CN105160674A (zh) | 一种改进的快速二维经验模态分解方法 | |
| CN111402173A (zh) | 一种混合噪声去除方法、装置、电子设备和存储介质 |
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 |