CN116844658A - 基于卷积神经网络的煤炭水分含量快速测量方法及系统 - Google Patents
基于卷积神经网络的煤炭水分含量快速测量方法及系统 Download PDFInfo
- Publication number
- CN116844658A CN116844658A CN202310866097.3A CN202310866097A CN116844658A CN 116844658 A CN116844658 A CN 116844658A CN 202310866097 A CN202310866097 A CN 202310866097A CN 116844658 A CN116844658 A CN 116844658A
- Authority
- CN
- China
- Prior art keywords
- training
- coal
- layer
- moisture content
- microwave
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 198
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 208
- 238000002044 microwave spectrum Methods 0.000 claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 183
- 238000005070 sampling Methods 0.000 claims description 104
- 238000011176 pooling Methods 0.000 claims description 65
- 230000004927 fusion Effects 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 30
- 230000007246 mechanism Effects 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 230000007704 transition Effects 0.000 claims description 26
- 230000004913 activation Effects 0.000 claims description 20
- 238000000691 measurement method Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000010238 partial least squares regression Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 5
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 238000010586 diagram Methods 0.000 claims description 4
- 239000013307 optical fiber Substances 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 229920003229 poly(methyl methacrylate) Polymers 0.000 claims description 3
- 239000004926 polymethyl methacrylate Substances 0.000 claims description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 5
- 229910052782 aluminium Inorganic materials 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001225 nuclear magnetic resonance method Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 101000892301 Phomopsis amygdali Geranylgeranyl diphosphate synthase Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001599 direct drying Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011545 laboratory measurement Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000002094 microwave spectroscopy Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000002285 radioactive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000025508 response to water Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于卷积神经网络的煤炭水分含量快速测量方法及系统。其包括：构建基于卷积神经网络的煤炭水分含量测量模型，其中，所述煤炭水分含量模型包括特征提取模块以及与所述特征提取模块适配连接的训练应用输出模块；提供水分含量待测量的煤炭标本，并将所述水分含量待测量煤炭标本的微波频谱信息加载至所构建的煤炭水分含量测量模型，以通过所述煤炭水分含量模型内的应用输出层输出所述煤炭标本的水分含量，其中，所述水分含量待测量煤炭标本的微波频谱信息与第一训练样本集、第二训练样本集内标准煤炭样本相应的微波频谱信息生成方式相一致。本发明能快速无损测量煤炭的水分，具有较高的测量精度及鲁棒性。
Description
技术领域
本发明涉及一种对煤炭水分含量的无损测量方法，尤其是一种基于卷积神经网络的煤炭水分含量快速测量方法及系统。
背景技术
煤炭的工业分析指标包括水分、灰分、挥发分和固定碳，其中，水分作为最重要的指标使用最为广泛，一般地，煤炭水分含量可以通过直接干燥称重分析和间接测量技术来测定。
直接法作为一种实验室测量技术，虽然精度高，但耗时长，破坏性大，不适合实时监测煤的含水率。间接测量法，一般包括电容法、软测量法、核磁共振法、近红外光谱法、太赫兹谱法和微波频谱法等方法，间接测量法属于无损测量，下面对现有间接测量法的情况具体介绍。
基于电容测量技术的电容法，容易受到环境温度和样品密度的影响，必须添加补偿才能适当提高精度。软测量方法，依赖于容易测量和难以直接测量的过程变量之间的关系，这种方法往往局限于单一变量的测量，并且信号的类型会限制精度。
核磁共振法，由于需要放射性核源，成本昂贵且危险。近红外光谱法和太赫兹谱测量法，需要较高的环境清洁度和复杂的系统校准程序。微波频谱法，对水分子的作用响应最为强烈，是测量材料中水分含量的不错选择。然而，目前的微波信号分析方法比较单一，导致测量准确率较低且不稳定。
由上述说明可知，现有的间接测量法，在测量稳定性、精确度及普适性等方面或多或少存在问题，目前迫切需要研究一种能够快速、准确地测量煤炭水分含量的方法。
发明内容
本发明的目的是克服现有技术中存在的不足，提供一种基于卷积神经网络的煤炭水分含量快速测量方法及系统，其能快速无损测量煤炭的水分，具有较高的测量精度及鲁棒性。
按照本发明提供的技术方案，一种基于卷积神经网络的煤炭水分含量快速测量方法，所述煤炭水分含量快速测量方法包括：
构建基于卷积神经网络的煤炭水分含量测量模型，其中，所述煤炭水分含量模型包括特征提取模块以及与所述特征提取模块适配连接的训练应用输出模块；
所述特征提取模块包括U-Net卷积神经网络以及与所述U-Net卷积神经网络适配连接的卷积块注意力机制模块，其中，利用U-Net卷积神经网络进行有用特征的提取，并利用卷积块注意力机制模块将所提取的有用特征沿通道与空间两个独立的维度依次推断注意力图；
所述训练应用输出模块包括对特征提取模块训练用的训练输出层以及基于偏最小二乘回归的应用输出层，其中，
训练时，提供第一训练样本集，并利用第一训练样本集对特征提取模块以及训练应用输出模块内的训练输出层训练，以在达到第一目标训练状态时，得到处于目标状态的特征提取模块；
提供第二训练样本集，并利用第二训练样本集对处于目标状态特征提取模块以及训练应用输出模块内的应用输出层训练，以在达到第二目标训练状态时，得到所构建的煤炭水分含量测量模型；
第一训练样本集、第二训练样本集包括若干标准煤炭样本的微波频谱信息以及每个标准煤炭样本相应的水分含量标签；
提供水分含量待测量的煤炭标本，并将所述水分含量待测量煤炭标本的微波频谱信息加载至所构建的煤炭水分含量测量模型，以通过所述煤炭水分含量模型内的应用输出层输出所述煤炭标本的水分含量，其中，
所述水分含量待测量煤炭标本的微波频谱信息与第一训练样本集、第二训练样本集内标准煤炭样本相应的微波频谱信息生成方式相一致。
所述训练输出层包括依次连接的丢弃处理块、线性激活函数块以及全连接层，其中，
所述线性激活函数块所采用的线性激活函数包括ReLU；
在训练时，利用特征提取模块生成的训练样本细化特征信息依次经丢弃处理块、线性激活函数块以及全连接层处理，以经由全连接层输出训练输出标准煤炭样本的水分含量预测值。
利用第一训练样本集训练时，基于每个标准煤炭样本的水分含量预测值与第一训练样本集内所述标准煤炭样本的水分含量标签确定训练损失；
在训练过程中，训练损失呈降低趋势且趋于稳定时，达到第一目标训练状态；
对训练损失，则有：
其中，Loss为训练损失，Smooth_L1为Smooth L1型损失函数，L2为L2型损失函数，为第i个标准煤炭样本的水分含量预测值，yi为第i个标准煤炭样本的水分含量标签，m为当前已训练使用的标准煤炭样本的数量。
对提供的第一训练样本集与第二训练样本集，第一训练样本集的制作方法与第二训练样本集的制作方法相同，所述制作方法包括：
选取若干标准煤炭样本，并采集所选取标准煤炭样本的微波频谱信息，其中，所选取的标准煤炭样本的水分含量不完全相同；
对上述采集后的标准煤炭样本进行水分含量测量，以基于所测量的水分含量生成相应标准煤炭样本的水分含量标签。
所述标准煤炭样本的平均粒度为6mm或13mm。
利用微波频谱采集装置采集标准煤炭样本的微波频谱信息，其中，所述微波频谱采集装置包括微波收发天线组、置于所述微波收发天线组内的采集收纳容器、与所述微波收发天线组电连接的矢量网络分析仪以及与所述矢量网络分析仪适配电连接的采集处理器；
采集收纳容器位于微波收发天线组内的微波收发天线之间，标准煤炭标本或水分含量待测量的煤炭标本置于采集收纳容器内，通过微波收发天线组以及矢量网络分析仪配合收发微波信号，并将所收发的微波信号传输至采集处理器，以生成相应的微波频谱信息。
所述采集收纳容器呈矩形状，所述采集收纳容器的材料包括聚甲基丙烯酸甲酯。
所述微波收发天线组包括两个微波收发天线，其中，
微波收发天线包括波导型喇叭状天线，两个微波收发天线的喇叭口呈对应放置；
微波收发天线通过微波同轴传输线与矢量网络分析仪连接，矢量网络分析仪通过微波收发天线收发微波信号的频率为2.5GHz～5.5GHz。
所述U-Net卷积神经网络包括下采样结构、连接过渡结构以及上采样结构，其中，
上采样结构通过连接过渡结构与下采样结构适配连接，以形成U型网络；
下采样结构包括若干依次连接的最大值池化下采样处理层，上采样结构包括若干依次连接的数据融合上采样处理层，其中，上采样结构内数据融合上采样处理层数量与下采样结构内的最大值池化下采样处理层的数量相一致，下采样结构内的一最大值池化下采样处理层通过卷积块注意力机制模块的一卷积块注意力机制层与正对应的数据融合上采样处理层连接；
下采样结构内的任一最大值池化下采样处理层，对加载至所述最大值池化下采样处理层内的输入数据依次进行二重卷积处理与最大值池化MaxPool处理，其中，所述输入数据经二重卷积处理后生成二重卷积处理数据体，二重卷积处理数据体经最大值池化MaxPool处理后生成下采样数据体，且所生成的下采样数据体作为下一最大值池化下采样处理层的输入数据；
对上采样结构内的任一数据融合上采样处理层，对加载至所述数据融合上采样处理层的输入数据进行融合，以生成相对应的融合数据体，其中，
加载至所述数据融合层的输入数据包括一二重卷积处理数据体经所对应卷积块注意力机制层处理后生成的CABM数据体以及一基本数据体经ConvTranspose上采样处理后形成的上采样数据体，所述二重卷积处理数据体由与当前数据融合上采样处理层所对应的最大值池化下采样处理层生成；所生成的融合数据体作为下一数据融合上采样处理层的基本数据体；
对连接过渡结构，用于连接下采样结构内底层的最大值池化下采样处理层以及上采样结构内底层的数据融合上采样处理层，其中，
所述连接过渡结构的输入数据为下采样结构内底层最大值池化下采样处理层生成的下采样数据体；
连接过渡结构对输入数据进行二重卷积处理，以形成加载至上采样结构内底层的数据融合上采样处理层的基本数据体。
一种基于卷积神经网络的煤炭水分含量快速测量系统，包括测量控制器，其中，
对一水分含量待测量的煤炭标本，获取所述水分含量待测量煤炭标本的微波频谱信息，测量控制器基于所述微波频谱信息采用上述所述的测量方法对所述煤炭标本进行水分含量测量。
本发明的优点：构建基于卷积神经网络的煤炭水分含量快速测量模型，对构建的煤炭水分含量快速测量模型，模型参数较少，训练过程简便；基于采集到的煤炭标本的微波频谱数据，利用煤炭水分含量快速测量模型即可得到并输出煤炭标本的水分含量，即在无损的情况下即可实现煤炭水分含量的快速测量，具有较高的测量精度及鲁棒性。
附图说明
图1为本发明对煤炭水分含量检测的一种实施例流程图。
图2为本发明微波频谱采集装置的一种实施例示意图。
图3为本发明煤炭水分含量测量模型的一种实施例示意图。
附图标记说明：1-框架体、2-采集收纳容器、3-微波收发天线、4-矢量网络分析仪、5-微波同轴传输线以及6-采集处理器。
具体实施方式
下面结合具体附图和实施例对本发明作进一步说明。
为了能快速无损测量煤炭的水分，提高测量的精准度与鲁棒性，对基于卷积神经网络的煤炭水分含量快速测量方法，本发明的一种实施例中，所述煤炭水分含量快速测量方法包括：
构建基于卷积神经网络的煤炭水分含量测量模型，其中，所述煤炭水分含量模型包括特征提取模块以及与所述特征提取模块适配连接的训练应用输出模块；
所述特征提取模块包括U-Net卷积神经网络以及与所述U-Net卷积神经网络适配连接的卷积块注意力机制模块，其中，利用U-Net卷积神经网络进行有用特征的提取，并利用卷积块注意力机制模块将所提取的有用特征沿通道与空间两个独立的维度依次推断注意力图；
所述训练应用输出模块包括对特征提取模块训练用的训练输出层以及基于偏最小二乘回归的应用输出层，其中，
训练时，提供第一训练样本集，并利用第一训练样本集对特征提取模块以及训练应用输出模块内的训练输出层训练，以在达到第一目标训练状态时，得到处于目标状态的特征提取模块；
提供第二训练样本集，并利用第二训练样本集对处于目标状态特征提取模块以及训练应用输出模块内的应用输出层训练，以在达到第二目标训练状态时，得到所构建的煤炭水分含量测量模型；
第一训练样本集、第二训练样本集包括若干标准煤炭样本的微波频谱信息以及每个标准煤炭样本相应的水分含量标签；
提供水分含量待测量的煤炭标本，并将所述水分含量待测量煤炭标本的微波频谱信息加载至所构建的煤炭水分含量测量模型，以通过所述煤炭水分含量模型内的应用输出层输出所述煤炭标本的水分含量，其中，
所述水分含量待测量煤炭标本的微波频谱信息与第一训练样本集、第二训练样本集内标准煤炭样本相应的微波频谱信息生成方式相一致。
图1中示出了本发明对煤炭水分含量快速测量的一种实施例流程图，由图1可知，对煤炭水分含量快速测量时，需要先构建煤炭水分含量测量模型，图3中示出了本发明所构建煤炭水分含量测量模型的一种实施例，由图3可知，所构建的煤炭水分含量测量模型包括特征提取模块以及训练应用输出模块。
图3中所示出的煤炭水分含量测量模型中，特征提取模块包括U-Net卷积神经网络以及与所述U-Net卷积神经网络适配连接的卷积块注意力机制模块；U-Net卷积神经网络、卷积块注意力机制模块均可采用现有常用的形式，下面会结合图3中的实施例对本发明的特征提取模块进行具体说明。
训练应用输出模块同时包括训练输出层以及基于偏最小二乘回归(PLSR)的应用输出层，训练输出层与应用输出层间相互独立；具体实施时，利用训练输出层与特征提取模块配合，可对特征提取模块进行训练；利用应用输出层与特征提取模块配合，并在训练后可形成最终的煤炭水分含量测量模型。
本发明的一种实施例中，所述训练输出层包括依次连接的丢弃处理块、线性激活函数块以及全连接层，其中，
所述线性激活函数块所采用的线性激活函数包括ReLU；
在训练时，利用特征提取模块生成的训练样本细化特征信息依次经丢弃处理块、线性激活函数块以及全连接层处理，以经由全连接层输出训练输出标准煤炭样本的水分含量预测值。
图3中示出了训练输出层的一种实施例，图中，训练输出层包括丢弃处理块、线性激活函数块以及全连接层依次连接，其中，丢弃处理模块与特征提取模块的输出端连接。丢弃处理模块(Drop)、线性激活函数模块以及全连接层(Full Connection)均可采用现有常用的方式实现，如可通过调用相应的函数方式实现丢弃处理、线性激活函数与全连接层，也即可采用本技术领域常用的技术手段配置形成训练输出层，图3中，线性激活函数模块示出了采用线性激活函数ReLU的一种实施例。
在水分含量测量的应用阶段，对水分含量待测量煤炭标本的微波频谱信息，通过特征提取模块处理得到的细化特征数据通过偏最小二乘回归算法的同步投影策略特性融合有效信息，并通过偏最小二乘回归形成轻量化线性回归模型，最终通过基于偏最小二乘回归算法的应用输出层可输出相应的煤炭水分含量。与通过训练输出层输出的煤炭水分含量相比，本发明的一种实施例中，利用偏最小二乘回归算法的应用输出层处理后输出煤炭水分含量，可提高煤炭水分含量测量的精度。
对标注煤炭样本、煤炭标本相应的微波频谱信息，所述微波频谱信息具体是指包含若干采样频率点的微波频谱曲线；通过特征提取模块提取微波频谱信息的细化特征信息，具体是指基于所述微波频谱曲线所提取生成的特征信息，细化特征信息与每条微波频谱曲线相关。
为了能实现对煤炭水分含量的测量，本技术领域人员可知，构建煤炭水分含量测量模型时，需要进行训练步骤。本发明的一种实施例中，在训练时，至少包括两个阶段，其中，在第一训练阶段，利用第一训练样本集对特征提取模块以及训练输出层训练，以在达到第一目标训练状态时，得到处于目标状态的特征提取模块，此时，也即完成对特征提取模块的训练。
在第二训练阶段，利用第二训练样本集对处于目标状态特征提取模块以及训练应用输出模块内的应用输出层训练，以在达到第二目标训练状态时，得到所构建的煤炭水分含量测量模型。
具体实施时，第一训练样本集、第二训练样本集均包括若干训练样本，对一训练样本，包括一标准煤炭样本的微波频谱信息以及所述标准煤炭样本的水分含量标签，所述水分含量标签即为所述标准煤炭样本相应的水分含量值。也即，在第一训练样本集、第二训练样本集内，包括若干标准煤炭样本的微波频谱信息以及每个标准煤炭样本相应的水分含量标签。
本发明的一种实施例中，利用第一训练样本集训练时，基于每个标准煤炭样本的水分含量预测值与第一训练样本集内所述标准煤炭样本的水分含量标签确定训练损失；
在训练过程中，训练损失呈降低趋势且趋于稳定时，达到第一目标训练状态；
对训练损失，则有：
其中，Loss为训练损失，Smooth_L1为Smooth L1型损失函数，L2为L2型损失函数，为第i个标准煤炭样本的水分含量预测值，yi为第i个标准煤炭样本的水分含量标签，m为当前已训练使用的标准煤炭样本的数量。
在第一训练阶段，基于训练损失对训练过程的训练状态判断，所述训练状态判断具体是指判断训练是否达到目标状态。具体实施时，当训练损失呈降低趋势且趋于稳定时，则达到基于第一训练样本集的第一目标训练状态。训练损失呈降低趋势，也即在训练过程中，训练损失呈逐渐变小，训练损失趋于稳定，具体是指训练损失的差值处于一个允许的数值范围内，所允许的数值范围可根据实际的应用场景选择确定，以能满足实际中对煤炭水分含量的精度需求为准。
具体地，利用水分含量预测值与水分含量标签确定训练损失。在第一训练阶段，第一训练样本集内一训练样本的微波频谱信息，依次经特征提取模块以及训练输出层处理，并最终通过全连接层输出当前训练样本的水分含量预测值。
由上述说明可知，经第一训练阶段后，可将特征提取模块训练到目标状态。在第二训练阶段，主要对特征提取模块以及基于偏最小二乘回归的应用输出层训练。偏最小二乘回归的应用输出层可通过本技术领域常用的函数调用等方式配置形成，对偏最小二乘回归的应用输出层，一般需要配置主成分个数n，如主成分个数可选为11；对偏最小二乘回归的应用输出层的参数配置情况可根据需要选择，以能满足对基于偏最小二乘回归的应用输出层训练为准。
与第一训练阶段相似，在第二训练阶段，也需要基于训练损失对训练状态进行判断，第二训练阶段的训练损失可采用第一训练阶段中训练损失的计算方式，或者可采用其他常用的训练损失计算方式，训练损失的具体情况可根据需要选择，以能基于训练损失确定训练状态为准。达到第二目标训练状态的条件，可与达到第一目标训练状态相一致。达到第二目标训练状态时，即完成了构建本发明的基于卷积神经网络的煤炭水分含量测量模型。
本发明的一种实施例中，对提供的第一训练样本集与第二训练样本集，第一训练样本集的制作方法与第二训练样本集的制作方法相同，所述制作方法包括：
选取若干标准煤炭样本，并采集所选取标准煤炭样本的微波频谱信息，其中，所选取的标准煤炭样本的水分含量不完全相同；
对上述采集后的标准煤炭样本进行水分含量测量，以基于所测量的水分含量生成相应标准煤炭样本的水分含量标签。
具体实施时，第一训练样本集可与第二训练样本集采用同一训练样本集，此时，第二训练样本集内的训练样本可与第一训练样本集内的训练样本相同，当然，第二训练样本集也可与第一训练样本集不同，此时，第二训练样本集、第一训练样本集内相应的训练样本可不完全相同，或者可完全不同，具体可根据需要选择。
第二训练样本集、第一训练样本集内相应的训练样本可不完全相同，或者可完全不同时，训练样本一般都采用相同的制作方法。一般地，第二训练样本集、第一训练样本集内一般应至少包括100组训练样本。
在制作多组训练样本时，需要选取多个标准煤炭样本，如100组训练样本，则至少提供100个标准煤炭样本，标准煤炭样本即为符合国家规范标准形成的煤炭样本，其中，根据国家规范标准，所述标准煤炭样本的平均粒度为6mm或13mm；当然，为了提高训练样本的有效性，选取的标准煤炭样本的水分含量应不完全相同，优选为所有标准煤炭样本的水分含量均不相同。
为了能得到每个标准煤炭样本的微波频谱信息，一般需要通过微波频谱采集装置实现对标准煤炭样本进行微波频谱采集，图2中示出了微波频谱采集装置的一种实施例。
本发明的一种实施例中，利用微波频谱采集装置采集标准煤炭样本的微波频谱信息，其中，所述微波频谱采集装置包括微波收发天线组、置于所述微波收发天线组内的采集收纳容器2、与所述微波收发天线组电连接的矢量网络分析仪4以及与所述矢量网络分析仪4适配电连接的采集处理器6；
采集收纳容器2位于微波收发天线组内的微波收发天线3之间，标准煤炭标本或水分含量待测量的煤炭标本置于采集收纳容器2内，通过微波收发天线组以及矢量网络分析仪4配合收发微波信号，并将所收发的微波信号传输至采集处理器6，以生成相应的微波频谱信息。
图2中，微波收发天线组包括两个微波收发天线3，其中，微波收发天线3可为增益为20dB的WR229波导型喇叭天线，微波收发天线3被固定在铝型材的框架体1上，两个微波收发天线3的喇叭口间距可为200mm，每个微波收发天线3通过微波同轴传输线5与矢量网络分析仪4连接，用于收发微波信号。
矢量网络分析仪4被固定在框架体1的底部，并与采集处理器6电连接，采集处理器6一般可为计算机。矢量网络分析仪4可采用现有常用的设备，矢量网络分析仪4与微波收发天线3配合实现微波信号收发时，微波信号的频率范围可为2.5GHz～5.5GHz，在频率范围内，所采集的频率点共包含801个，当然，微波信号的频率范围以及所采集的频率点数量均可根据实际需要选择，以能满足实际的煤炭水分含量测量需求为准。
采集收纳容器2宜使用的是对微波干扰和吸收较小的聚甲基丙烯酸甲酯材料，采集收纳容器2呈矩形状，具体地，采集收纳容器2的厚度可为3mm，长、宽、高可分别为180mm、50mm、200mm，在50mm×180mm的顶面开口，以便于装倒标准煤炭样本或水分含量待测量的煤炭标本。
在数据采集时，采集收纳容器2置于微波收发天线3中间，所述采集收纳容器2的180mm×200mm平面平行于微波收发天线3的喇叭口纵切面，使得微波信号尽可能多的穿过采集收纳容器2内的标准煤炭样本或水分含量待测量的煤炭标本。
采集收纳容器2的尺寸可以适度调整，但是应尽量保证采集收纳容器2的长与高尺寸大于微波收发天线3的喇叭口尺寸，宽度尺寸适合微波穿透采集收纳容器2以及位于所述采集收纳容器2内的标准煤炭样本或水分含量待测量的煤炭标本。
具体实施时，在频率范围内，通过相应频率点的采集，采集处理器6可通过本技术领域常用的技术手段生成微波频谱信息，如上述说明，所生成的微波频谱信息即为基于所采样频率点所生成的频率曲线。
对采集过微波频谱信息的标准煤炭样本，从采集收纳容器2中取出，并采用标准煤炭工业分析方法对取出的标准煤炭样本进行水分含量测量，得到标准煤炭样本的水分含量标签。
采用标准煤炭工业分析方法对取出的标准煤炭样本进行水分含量测量时，具体为：将采集过微波频谱数据的标准煤炭样本从采集收纳容器2中取出，均匀地平铺在耐高温铝盘中，然后将铝盘放入鼓风干燥箱在105℃～110℃条件下至少烘干2小时至质量恒定，通过称量标准煤炭样本干燥前后的质量差，计算得到水分含量。具体实施时，均匀地平铺在耐高温铝盘中的标准煤炭样本质量优选为500±10g，铝盘中的煤炭厚度应小于2倍的煤炭最大颗粒直径。
经过上述步骤，即可得到每个标准煤炭样本的微波频谱信息以及所述标注煤炭样本的水分含量标签，也即可制作得到一个训练样本。具体实施时，水分含量待测量的煤炭标本，可采用上述的微波频谱采集装置进行微波频谱信息的采集，也即可得到所述水分含量待测量煤炭标本的微波频谱信息，得到水分含量待测量煤炭标本的微波频谱信息的方式以及过程可参考上述说明，此处不再赘述。
具体实施时，对水分含量待测量的煤炭标本，所述煤炭标本的重量，一般可根据采集收纳容器2的容量等选择，如可与上述标准煤炭样本相同的中重量。
本发明的一种实施例中，所述U-Net卷积神经网络包括下采样结构、连接过渡结构以及上采样结构，其中，
上采样结构通过连接过渡结构与下采样结构适配连接，以形成U型网络；
下采样结构包括若干依次连接的最大值池化下采样处理层，上采样结构包括若干依次连接的数据融合上采样处理层，其中，上采样结构内数据融合上采样处理层数量与下采样结构内的最大值池化下采样处理层的数量相一致，下采样结构内的一最大值池化下采样处理层通过卷积块注意力机制模块的一卷积块注意力机制层与正对应的数据融合上采样处理层连接；
下采样结构内的任一最大值池化下采样处理层，对加载至所述最大值池化下采样处理层内的输入数据依次进行二重卷积处理与最大值池化MaxPool处理，其中，所述输入数据经二重卷积处理后生成二重卷积处理数据体，二重卷积处理数据体经最大值池化MaxPool处理后生成下采样数据体，且所生成的下采样数据体作为下一最大值池化下采样处理层的输入数据；
对上采样结构内的任一数据融合上采样处理层，对加载至所述数据融合上采样处理层的输入数据进行融合，以生成相对应的融合数据体，其中，
加载至所述数据融合层的输入数据包括一二重卷积处理数据体经所对应卷积块注意力机制层处理后生成的CABM数据体以及一基本数据体经ConvTranspose上采样处理后形成的上采样数据体，所述二重卷积处理数据体由与当前数据融合上采样处理层所对应的最大值池化下采样处理层生成；所生成的融合数据体作为下一数据融合上采样处理层的基本数据体；
对连接过渡结构，用于连接下采样结构内底层的最大值池化下采样处理层以及上采样结构内底层的数据融合上采样处理层，其中，
所述连接过渡结构的输入数据为下采样结构内底层最大值池化下采样处理层生成的下采样数据体；
连接过渡结构对输入数据进行二重卷积处理，以形成加载至上采样结构内底层的数据融合上采样处理层的基本数据体。
由上述说明可知，U-Net卷积神经网络即为呈U型的卷积神经网络形式，U-Net卷积神经网络可基于现有的卷积神经网络配置形成，图3中示出了U-Net卷积神经网络的一种实施例，由图示以及U型卷积神经网络特性可知，U-Net卷积神经网络包括下采样结构、连接过渡结构以及上采样结构，下采样结构通过连接过渡结构与上采样结构连接，此时，连接过渡结构形成U型结构的底部，下采样结构、上采样结构分别形成U型的两个侧边。
下采样结构内包括若干依次连接的最大值池化下采样处理层，其中，第一个最大值池化下采样处理层作为整个U-Net卷积神经网络的输入层，最后一个最大值池化下采样处理层作为下采样结构的底层，并与连接过渡结构连接。在下采样结构内，数据传递的方向为第一个最大值池化下采样处理层向最后一个最大值池化下采样处理层方向，并经连接过渡结构传递至上采样结构。
对每个最大值池化下采样处理层，先对输入到当前最大值池化下采样处理层的输入数据进行二重卷积处理，生成相对应的二重卷积处理数据体；对所生成的二重卷积处理数据体进行最大值池化MaxPool处理，以生成下采样数据体；并将所述下采样数据体作为下一最大值池化下采样处理层的输入数据；对输入数据依次进行二重卷积处理以及最大值池化MaxPool处理的方式以及过程可均与现有相一致。
对第一最大值池化下采样处理层而言，输入数据即为标准煤炭样本的微波频谱信息或水分含量待测量煤炭标本的微波频谱信息；其余最大值池化下采样处理层的输入数据依据上述方式生成的下采样数据体，如对第二最大值池化下采样处理层，微波频谱信息先经第一个最大值池化下采样处理层的二重卷积处理，再进行最大值池化MaxPool处理后的下采样数据体即为第二个最大值池化下采样处理层的输入数据，其他最大值池化下采样处理层的输入数据情况可参考此处说明，此处不再一一列举。
上采样结构内包括若干依次连接的数据融合上采样处理层，数据融合上采样处理层的数量与最大值池化下采样处理层的数量相一致，也即上采样结构内的数据融合上采样处理层与下采样结构内的最大值池化下采样处理层呈一一对应，连接过渡结构与上采样结构内的一数据融合上采样处理层连接，其中，与连接过渡结构连接的数据融合上采样处理层可作为上采样结构内的第一数据融合上采样处理层或底层的数据融合上采样处理层，其他的数据融合上采样处理层与第一数据融合上采样处理层或底层的数据融合上采样处理层依次连接，最后一个数据融合上采样处理层作为U-Net卷积神经网络的输出层，也即作为特征提取模块的输出层。
下采样结构内的一最大值池化下采样处理层与上采样结构内一相应的数据融合上采样处理层通过一卷积块注意力机制层连接，由此，多个卷积块注意力机制层形成卷积注意力机制模块。如上述说明，第一个最大值池化下采样处理层通过一卷积块注意力机制层与最后一个数据融合上采样处理层连接，最后一个最大值池化下采样处理层通过一相应的卷积块注意力机制层与第一个数据融合上采样处理层连接，其余的情况可参考图3以及此处说明，此处不再一一列举说明。
深度学习中，通常把池化操作(最大值池化、平均池化)称为下采样；下采样即对输入数据进行采样压缩，得到尺寸被压缩后的数据；而上采样则相反，是将数据尺寸进行放大。
卷积块注意力机制层用于对所连接最大值池化下采样处理层生成的二重卷积处理数据体处理，以在处理后生成CABM(Convolutional Block Attention Module)数据体，以作为每个数据融合上采样处理层输入数据的一部分，每个数据融合上采样处理层输入数据的另一部分为基本数据体经ConvTranspose(反卷积)处理后形成的上采样数据体。
由上述说明可知，第一数据融合上采样处理层或底层的数据融合上采样处理层与连接过渡结构连接，且下采样结构内底层最大值池化下采样处理层生成的下采样数据体作为连接过渡结构的输入数据，连接过渡结构对输入数据依次进行二重卷积处理以形成一基本数据体，所述基本数据体进行ConvTranspose上采样处理以生成第一数据融合上采样处理层或底层的数据融合上采样处理层待融合的上采样数据体。
第一层数据融合上采样处理层将CABM数据体以及上采样数据体进行融合后，再进行二重卷积处理，以生成第二层数据融合上采样处理层所需的数据基本体。后续的每个数据融合上采样处理层重复第一层数据融合上采样处理层的运算，具体过程可参考第一层数据融合上采样处理层的说明，此处不再赘述。
下面以图3中的实施例，对整个特征提取模块的参数配置情况进行说明，图3中，下采样结构内包括三个最大值池化下采样处理层，同时，上采样结构内包括三个数据融合上采样处理层，此时，卷积块注意力机制模块内包括三个卷积块注意力机制层，三个卷积块注意力机制层分别与三个最大值池化下采样处理层以及三个数据融合上采样处理层对应适配连接。
图3中，三个二重卷积层分别作为U-Net网络的第一层、第二层以及第三层，连接过渡结构作为U-Net网络的第四层，三个数据融合上采样处理层分别作为U-Net网络的第五层、第六层以及第七层，第一层～第七层依次连接，且输入的微波频谱信息沿第一层指向第七层的方向依次传递，并实现对微波频谱信息的特征提取。
图3中，DC1即为第一层最大值池化下采样处理层所进行的二重卷积处理，也即第一次进行的二重卷积处理，MP1即为对第一层最大值池化下采样处理层内二重卷积处理提进行最大值池化MaxPool处理，，也即第一次进行的最大值池化MaxPool处理。CT1即为ConvTranspose处理，也即第一次进行的ConvTranspose处理；CBAM1为对第三层的下采样数据体进行基于卷积块注意力机制层的处理。图3中的其他标识可参考此处的说明，此处不再一一列举。
下面通过表1对特征提取模块内的关键参数的设置情况进行一种举例说明。
表1关键参数设置
上述表1中，Stride为步幅、Padding为填充、激活函数、核函数Kernel等均为卷积神经网络的通用的参数。由上述表1可知，丢弃处理模块内的丢弃概率p可设置为0.2。对DC1的最大值池化下采样处理层，所述最大值池化下采样处理层内的核函数Kernel分别为[1,8,3]、[8,8,3]，其中，核函数的表达式一般为[输入通道数，输出通道数，卷积核大小]，如[1,8,3]，即为输入通道数为1、输出通道数为8，卷积核大小为3；两个核的步幅Stride均可为1，两次数据填充Padding均可为1，相应的激活函数均可为ReLU。对MP1，最大值池化MaxPool处理的Kernel数量可为2，相应的步幅Stride可为2，填充Padding可为0，此外，池化操作后不需要进行激活，也即表1中的“\”表示为空缺。
其他最大值池化下采样处理层、卷积块注意力机制层以及数据融合上采样处理层相应的参数配置情况，均可参考表1以及上述说明，具体参数配置的情况还可以根据实际需要选择，以能满足对煤炭水分含量测量需求为准。
具体实施时，根据实际的应用场景，搭建煤炭水分含量测量模型，并基于表1的实例以及上述说明，对特征提取模块以及应用训练输出模块内的参数进行选择配置，此后，通过第一训练阶段以及第二训练阶段进行训练，最终可得到所需的煤炭水分含量测量模型。一般地，在训练时，还需配置优化器，优化器可选为Adam，利用优化器可对网络的参数进行优化，优化器的配置以及作用等均与现有相一致，具体以能满足训练需求为准。
图3中，箭头表征数据的传递方向，每个条形框表征数据状态，所述数据状态包括通道数以及数据维数，如频谱输入所在的条形框中，801即为频谱信息的数据维数，1即为1通道，也即频谱输入中微波频谱的频点数为801。标注第一层的条形框，即为将频谱输入进行二重卷积运算处理(DC1)后形成的数据状态，此时，第一层的下采样数据体的维数为801，通道数为8，也即第一层的下采样数据体的维数、通道数与DC1的参数设置相关。
图3中条形框中数据状态的具体情况，可参考表1中的参数设置以及上述说明，此处不再一一列举说明。下面结合表1中的参数配置，以及上述说明，对特征提取模块的工作过程进行举例说明。
将微波频率信息作为输入，并对微波频谱信息进行二重卷积处理(DC1)，以得到第一二重卷积处理数据体(也即第一层数据)，对第一二重卷积处理体进行最大值池化MaxPool处理(MP1)即生成2倍下采样的第一个下采样数据体；
对第一个下采样数据体进行二重卷积处理(DC2)，得到2倍下采样的第二二重卷积处理数据体，也即第二层数据。对2倍下采样的第二层数据进行最大值池化MaxPool处理(MP2)，即生成4倍下采样的第二个下采样数据体。
对4倍下采样的下采样数据体进行二重卷积处理(DC3)，得到4倍下采样的第三二重卷积处理数据体，也即第三层数据。对4倍下采样的第三层数据进行最大值池化MaxPool处理(MP3)，即生成8倍下采样的第三个下采样数据体。
对8倍下采样的下采样数据体进行二重卷积处理(DC4)，得到8倍下采样的第四二重卷积处理数据体，也即第四层数据。
对8倍下采样的第四数据体进行ConvTranspose处理(CT1)，同时对4倍下采样的第三层数据进行CBAM处理(CBAM1)，并将CT1、CBAM1进行融合，并再融合后进行DoubleConv处理(DC5)，得到第五层数据；
对第五层数据进行ConvTranspose处理(CT2)，同时对2倍下采样的第二层数据进行CBAM处理(CBAM2)，并将CT2、CBAM2得到的数据进行融合，并再融合进行DoubleConv处理(DC6)，得到第六层数据；
对第六层数据进行ConvTranspose处理(CT3)，同时对第一层数据进行CBAM处理(CBAM1)，并将CT3、CBAM1进行融合，并再融合后进行DoubleConv处理(DC7)，得到第七层数据；
对第七层数据进行卷积处理(Conv)，以得到微波频谱数据的细化特征数据。也即对上采样结构内最后一个数据融合上采样处理层，在得到融合数据体后，进行卷积处理，而非进行二重卷积处理，此时，可形成微波频谱数据的细化特征数据，细化特征数据的具体情况可参考上述说明，此处不再赘述。
综上，可得到基于卷积神经网络的煤炭水分含量快速测量系统，包括测量控制器，其中，
对一水分含量待测量的煤炭标本，获取所述水分含量待测量煤炭标本的微波频谱信息，测量控制器基于所述微波频谱信息采用上述所述的测量方法对所述煤炭标本进行水分含量测量。
具体地，测量控制器可采用计算机等设备，对水分含量待测量的煤炭标本，需要获取微波频谱信息，而在获取微波频谱信息时，不需要对水分含量待测量的煤炭标本破损，也即可实现无损下的水分含量快速测量，水分含量测量的具体方式以及过程可参考上述说明，此处不再赘述。
Claims (10)
1.一种基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，所述煤炭水分含量快速测量方法包括：
构建基于卷积神经网络的煤炭水分含量测量模型，其中，所述煤炭水分含量模型包括特征提取模块以及与所述特征提取模块适配连接的训练应用输出模块；
所述特征提取模块包括U-Net卷积神经网络以及与所述U-Net卷积神经网络适配连接的卷积块注意力机制模块，其中，利用U-Net卷积神经网络进行有用特征的提取，并利用卷积块注意力机制模块将所提取的有用特征沿通道与空间两个独立的维度依次推断注意力图；
所述训练应用输出模块包括对特征提取模块训练用的训练输出层以及基于偏最小二乘回归的应用输出层，其中，
训练时，提供第一训练样本集，并利用第一训练样本集对特征提取模块以及训练应用输出模块内的训练输出层训练，以在达到第一目标训练状态时，得到处于目标状态的特征提取模块；
提供第二训练样本集，并利用第二训练样本集对处于目标状态特征提取模块以及训练应用输出模块内的应用输出层训练，以在达到第二目标训练状态时，得到所构建的煤炭水分含量测量模型；
第一训练样本集、第二训练样本集包括若干标准煤炭样本的微波频谱信息以及每个标准煤炭样本相应的水分含量标签；
提供水分含量待测量的煤炭标本，并将所述水分含量待测量煤炭标本的微波频谱信息加载至所构建的煤炭水分含量测量模型，以通过所述煤炭水分含量模型内的应用输出层输出所述煤炭标本的水分含量，其中，
所述水分含量待测量煤炭标本的微波频谱信息与第一训练样本集、第二训练样本集内标准煤炭样本相应的微波频谱信息生成方式相一致。
2.根据权利要求1所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，所述训练输出层包括依次连接的丢弃处理块、线性激活函数块以及全连接层，其中，
所述线性激活函数块所采用的线性激活函数包括ReLU；
在训练时，利用特征提取模块生成的训练样本细化特征信息依次经丢弃处理块、线性激活函数块以及全连接层处理，以经由全连接层输出训练输出标准煤炭样本的水分含量预测值。
3.根据权利要求2所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，利用第一训练样本集训练时，基于每个标准煤炭样本的水分含量预测值与第一训练样本集内所述标准煤炭样本的水分含量标签确定训练损失；
在训练过程中，训练损失呈降低趋势且趋于稳定时，达到第一目标训练状态；
对训练损失，则有：
其中，Loss为训练损失，Smooth_L1为Smooth L1型损失函数，L2为L2型损失函数，为第i个标准煤炭样本的水分含量预测值，yi为第i个标准煤炭样本的水分含量标签，m为当前已训练使用的标准煤炭样本的数量。
4.根据权利要求1所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，对提供的第一训练样本集与第二训练样本集，第一训练样本集的制作方法与第二训练样本集的制作方法相同，所述制作方法包括：
选取若干标准煤炭样本，并采集所选取标准煤炭样本的微波频谱信息，其中，所选取的标准煤炭样本的水分含量不完全相同；
对上述采集后的标准煤炭样本进行水分含量测量，以基于所测量的水分含量生成相应标准煤炭样本的水分含量标签。
5.根据权利要求4所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，所述标准煤炭样本的平均粒度为6mm或13mm。
6.根据权利要求1至5任一项所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，利用微波频谱采集装置采集标准煤炭样本的微波频谱信息，其中，所述微波频谱采集装置包括微波收发天线组、置于所述微波收发天线组内的采集收纳容器、与所述微波收发天线组电连接的矢量网络分析仪以及与所述矢量网络分析仪适配电连接的采集处理器；
采集收纳容器位于微波收发天线组内的微波收发天线之间，标准煤炭标本或水分含量待测量的煤炭标本置于采集收纳容器内，通过微波收发天线组以及矢量网络分析仪配合收发微波信号，并将所收发的微波信号传输至采集处理器，以生成相应的微波频谱信息。
7.根据权利要求6所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，所述采集收纳容器呈矩形状，所述采集收纳容器的材料包括聚甲基丙烯酸甲酯。
8.根据权利要求6所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，所述微波收发天线组包括两个微波收发天线，其中，
微波收发天线包括波导型喇叭状天线，两个微波收发天线的喇叭口呈对应放置；
微波收发天线通过微波同轴传输线与矢量网络分析仪连接，矢量网络分析仪通过微波收发天线收发微波信号的频率为2.5GHz～5.5GHz。
9.根据权利要求1至5任一项所述的基于卷积神经网络的煤炭水分含量快速测量方法，其特征是，所述U-Net卷积神经网络包括下采样结构、连接过渡结构以及上采样结构，其中，
上采样结构通过连接过渡结构与下采样结构适配连接，以形成U型网络；
下采样结构包括若干依次连接的最大值池化下采样处理层，上采样结构包括若干依次连接的数据融合上采样处理层，其中，上采样结构内数据融合上采样处理层数量与下采样结构内的最大值池化下采样处理层的数量相一致，下采样结构内的一最大值池化下采样处理层通过卷积块注意力机制模块的一卷积块注意力机制层与正对应的数据融合上采样处理层连接；
下采样结构内的任一最大值池化下采样处理层，对加载至所述最大值池化下采样处理层内的输入数据依次进行二重卷积处理与最大值池化MaxPool处理，其中，所述输入数据经二重卷积处理后生成二重卷积处理数据体，二重卷积处理数据体经最大值池化MaxPool处理后生成下采样数据体，且所生成的下采样数据体作为下一最大值池化下采样处理层的输入数据；
对上采样结构内的任一数据融合上采样处理层，对加载至所述数据融合上采样处理层的输入数据进行融合，以生成相对应的融合数据体，其中，
加载至所述数据融合层的输入数据包括一二重卷积处理数据体经所对应卷积块注意力机制层处理后生成的CABM数据体以及一基本数据体经ConvTranspose上采样处理后形成的上采样数据体，所述二重卷积处理数据体由与当前数据融合上采样处理层所对应的最大值池化下采样处理层生成；所生成的融合数据体作为下一数据融合上采样处理层的基本数据体；
对连接过渡结构，用于连接下采样结构内底层的最大值池化下采样处理层以及上采样结构内底层的数据融合上采样处理层，其中，
所述连接过渡结构的输入数据为下采样结构内底层最大值池化下采样处理层生成的下采样数据体；
连接过渡结构对输入数据进行二重卷积处理，以形成加载至上采样结构内底层的数据融合上采样处理层的基本数据体。
10.一种基于卷积神经网络的煤炭水分含量快速测量系统，其特征是，包括测量控制器，其中，
对一水分含量待测量的煤炭标本，获取所述水分含量待测量煤炭标本的微波频谱信息，测量控制器基于所述微波频谱信息采用上述权利要求1～权利要求9中任一项所述的测量方法对所述煤炭标本进行水分含量测量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866097.3A CN116844658B (zh) | 2023-07-13 | 2023-07-13 | 基于卷积神经网络的煤炭水分含量快速测量方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310866097.3A CN116844658B (zh) | 2023-07-13 | 2023-07-13 | 基于卷积神经网络的煤炭水分含量快速测量方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116844658A true CN116844658A (zh) | 2023-10-03 |
| CN116844658B CN116844658B (zh) | 2024-01-23 |
Family
ID=88174166
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310866097.3A Active CN116844658B (zh) | 2023-07-13 | 2023-07-13 | 基于卷积神经网络的煤炭水分含量快速测量方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116844658B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117723568A (zh) * | 2023-11-20 | 2024-03-19 | 中国矿业大学 | 基于微波谱自适应融合的煤炭含水率预测方法及系统 |
| CN118130391A (zh) * | 2024-01-05 | 2024-06-04 | 中国矿业大学 | 基于多输出U-Net的煤质参数快速检测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160018378A1 (en) * | 2013-03-07 | 2016-01-21 | Siemens Aktiengesellschaft | Systems and methods for boosting coal quality measurement statement of related cases |
| CN108489912A (zh) * | 2018-05-11 | 2018-09-04 | 东北大学 | 一种基于煤炭光谱数据的煤炭成分分析方法 |
| CN110084717A (zh) * | 2019-03-25 | 2019-08-02 | 华电电力科学研究院有限公司 | 一种基于bp神经网络的电站锅炉入炉煤水分计算方法 |
| US20210012487A1 (en) * | 2019-07-12 | 2021-01-14 | Mayo Foundation For Medical Education And Research | Deep Learning-Based Medical Image Quality Evaluation and Virtual Clinical Trial |
| CN113177965A (zh) * | 2021-04-09 | 2021-07-27 | 上海工程技术大学 | 基于改进U-net网络的煤岩全组分提取方法及其应用 |
| CN113449743A (zh) * | 2021-07-12 | 2021-09-28 | 西安科技大学 | 一种煤尘颗粒特征提取方法 |
| WO2021197933A1 (de) * | 2020-03-31 | 2021-10-07 | Siemens Aktiengesellschaft | Vorrichtung und automatisiertes verfahren zur auswertung von sensormesswerten und verwendung der vorrichtung |
| CN114354654A (zh) * | 2022-01-07 | 2022-04-15 | 中国矿业大学 | 基于dw-knn的煤炭水分含量快速无损检测方法 |
| CN114677325A (zh) * | 2022-01-25 | 2022-06-28 | 安徽农业大学 | 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法 |
| US20220223230A1 (en) * | 2019-08-28 | 2022-07-14 | Ventana Medical Systems, Inc. | Assessing antigen retrieval and target retrieval progression with vibrational spectroscopy |
-
2023
- 2023-07-13 CN CN202310866097.3A patent/CN116844658B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160018378A1 (en) * | 2013-03-07 | 2016-01-21 | Siemens Aktiengesellschaft | Systems and methods for boosting coal quality measurement statement of related cases |
| CN108489912A (zh) * | 2018-05-11 | 2018-09-04 | 东北大学 | 一种基于煤炭光谱数据的煤炭成分分析方法 |
| CN110084717A (zh) * | 2019-03-25 | 2019-08-02 | 华电电力科学研究院有限公司 | 一种基于bp神经网络的电站锅炉入炉煤水分计算方法 |
| US20210012487A1 (en) * | 2019-07-12 | 2021-01-14 | Mayo Foundation For Medical Education And Research | Deep Learning-Based Medical Image Quality Evaluation and Virtual Clinical Trial |
| US20220223230A1 (en) * | 2019-08-28 | 2022-07-14 | Ventana Medical Systems, Inc. | Assessing antigen retrieval and target retrieval progression with vibrational spectroscopy |
| WO2021197933A1 (de) * | 2020-03-31 | 2021-10-07 | Siemens Aktiengesellschaft | Vorrichtung und automatisiertes verfahren zur auswertung von sensormesswerten und verwendung der vorrichtung |
| CN113177965A (zh) * | 2021-04-09 | 2021-07-27 | 上海工程技术大学 | 基于改进U-net网络的煤岩全组分提取方法及其应用 |
| CN113449743A (zh) * | 2021-07-12 | 2021-09-28 | 西安科技大学 | 一种煤尘颗粒特征提取方法 |
| CN114354654A (zh) * | 2022-01-07 | 2022-04-15 | 中国矿业大学 | 基于dw-knn的煤炭水分含量快速无损检测方法 |
| CN114677325A (zh) * | 2022-01-25 | 2022-06-28 | 安徽农业大学 | 水稻茎秆截面分割模型的构建方法及基于该模型的检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| ZOU K 等: "Power Line Scene Recognition Based on Convolutional Capsule Network with Image Enhancement", 《ELECTRONICS》, vol. 11, no. 18, pages 1 - 15 * |
| 冷思雨: "基于近红外光谱技术的羊毛含量定性分析方法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 2023, pages 014 - 2942 * |
| 雷萌 等: "煤质近红外光谱分析系统设计", 《煤炭技术》, no. 02, pages 297 - 299 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117723568A (zh) * | 2023-11-20 | 2024-03-19 | 中国矿业大学 | 基于微波谱自适应融合的煤炭含水率预测方法及系统 |
| CN117723568B (zh) * | 2023-11-20 | 2024-07-19 | 中国矿业大学 | 基于微波谱自适应融合的煤炭含水率预测方法及系统 |
| CN118130391A (zh) * | 2024-01-05 | 2024-06-04 | 中国矿业大学 | 基于多输出U-Net的煤质参数快速检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116844658B (zh) | 2024-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116844658B (zh) | 基于卷积神经网络的煤炭水分含量快速测量方法及系统 | |
| CN114354654B (zh) | 基于dw-knn的煤炭水分含量快速无损检测方法 | |
| CN107038457B (zh) | 一种基于主分量信噪比的遥测数据压缩批处理方法 | |
| CN103744005A (zh) | 一种基于紫外成像法下放电强度换算方法 | |
| CN113743355B (zh) | 开关装置状态校核方法、装置、系统和计算机设备 | |
| CN112147444B (zh) | 一种电力变压器工作状态监测方法及系统 | |
| CN109115708B (zh) | 一种苹果内部多品质一体化无损检测系统及方法 | |
| CN113466706A (zh) | 基于卷积神经网络的锂电池梯次利用剩余寿命预测方法 | |
| CN113253069A (zh) | 一种基于多光谱强度的局部放电危险度评估方法 | |
| Phate et al. | Classification and weighing of sweet lime (Citrus limetta) for packaging using computer vision system | |
| CN114646649A (zh) | 一种基于毫米波雷达的粮库粮食在线水分监测方法 | |
| Kandala | Moisture determination in single peanut pods by complex RF impedance measurement | |
| CN117173100B (zh) | 聚合物锂离子电池生产控制系统及其方法 | |
| CN116580285B (zh) | 铁路绝缘子夜间目标识别检测方法 | |
| KR102608545B1 (ko) | 스펙트럼 라이브러리 생성 방법 및 장치 | |
| CN114821309A (zh) | 一种室内变电站开关及指示灯状态识别方法及系统 | |
| CN1269201C (zh) | 太阳电池少数载流子寿命分析仪 | |
| CN117723568B (zh) | 基于微波谱自适应融合的煤炭含水率预测方法及系统 | |
| CN115326780A (zh) | 离子电池界面特性综合检测方法及装置 | |
| CN118447981B (zh) | 一种滤波天线设计方法 | |
| CN113358584B (zh) | 一种利用光谱估算土壤有机质含量的方法 | |
| CN112905697B (zh) | 一种高速网络数据包捕获方法及系统 | |
| CN115931828B (zh) | 适应复杂土壤基体的成分分析与预测方法、单元及系统 | |
| CN117074437B (zh) | 无损检测方法及其在新能源汽车锂电池回收中的应用 | |
| CN118152763B (zh) | 配网数据采样方法、装置和电子设备 |
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 |