基于可见光波段的燃烧与未燃烧矸石分类方法研究

我国煤矿数量众多,分布广泛,大量堆积的煤矸石对矿区环境造成严重影响,其中部分煤矸石处理不当可能引发自燃和爆炸,对矿区安全构成直接威胁。根据煤矸石的燃烧状态可以分为燃烧矸石和未燃烧矸石两类,其存在的安全隐患和对环境的危害性有所不同,同时其综合利用的途径亦不相同。因此,对煤矸石进行燃烧矸石和未燃烧矸石的分类识别与监测就显得尤为重要。目前的监测方法主要为实地勘查调研,其效率低、成本高,难以满足煤矸石监测的实际需求。选择辽宁省铁法矿区作为研究区,首先从矿区矸石山现场采集典型的煤矸石样本106个;然后,利用SVC HR1024光谱仪测试其可见光-近红外光谱,分析燃烧和未燃烧矸石的光谱特征,并基于可见光波段构建光谱指数NDGI,用于识别燃烧矸石和未燃烧矸石。选择实验室测试的光谱数据和实际卫星遥感数据对该指数进行了验证,并与随机森林法进行对比。结果显示：在350～760 nm燃烧矸石光谱曲线斜率整体较高,在550～630 nm反射率存在陡升现象,而未燃烧矸石在整个可见光波段光谱曲线斜率较低;以0.25作为NDGI指数阈值,可以很好地将燃烧矸石和未燃烧矸石区分开来,实验室样本验证结果显示,NDGI指数的分类精度可达99.1%,高于随机森林分类法的95.2%;现场的验证结果表明,使用铁法矿区的landsat8 OLI数据,并基于NDGI指数对矿区内的矸石山进行燃烧和未燃烧区域识别划分,所提取的燃烧和未燃烧矸石在形态和大小上与Google Earth具有很好地一致性,表明该指数对于矸石的燃烧状态具有很好识别效果。在上述研究基础上,分别取燃烧和未燃烧矸石进行矿物鉴定,通过对比矸石燃烧前后矿物种类的变化,分析造成燃烧和未燃烧矸石的光谱特征差异的原因。结果表明：燃烧使矸石中的Fe2+被氧化为Fe3+。Fe3+的大量增加造成光谱曲线在550nm处形成明显的波谷特征,在整个燃烧过程中生成的玻璃质在750nm处形成高反射率,二者综合造成燃烧和未燃烧矸石的NDGI指数差异。研究结果为煤矿区燃烧和未燃烧矸石的区分识别提供了一种快速、高效、较为准确的实用方法。     

基于XGBoost与可见-近红外光谱的煤矸识别方法

煤矸智能识别是实现综放开采智能化亟待研发的新技术;可见-近红外光谱技术具有环保、实时等优势,满足煤矸智能分选的要求。为解决基于可见-近红外光谱的煤矸识别问题,引入在数据科学竞赛中表现出色的极端梯度提升树（XGBoost）算法。搭建可见-近红外光谱实验平台采集来自山西西铭、陕西神木、内蒙古巴隆图煤矿的块状煤与矸石样品在370～1 049 nm波段的反射光谱;利用黑白校正、始末波段去除、SG卷积平滑和标准正态变量变换（SNV）对采集的原始光谱进行预处理,以减少光照不均、噪声以及光程差的影响。依据三个煤矿煤与矸石样品反射光谱的差异划分实验组和测试组,实验组差异微小,用于对比不同模型的性能,挑选最佳算法;测试组差异较明显,用于测试最佳算法在其他煤矿下的表现,检验算法对不同煤矿的适用性。在实验组的实验中,首先基于XGBoost算法建立煤与矸石分类模型,并引入常用的机器学习分类算法k近邻法（KNN）、随机森林（RF）、支持向量机（SVM）做对比,结果表明XGBoost的表现最佳,十折交叉验证的平均准确度（ACC₁₀）、分类准确度（ACC）与AUC值分别达到0.957 2,0.970 5与0.971 6,体现出较强的稳定性与分类能力。其次为降低数据维度减少模型运算量,使用递归特征选择（RFE）、连续投影算法（SPA）与竞争性自适应重加权算法（CARS）分别进行特征波长的选择并与上述四种分类算法结合构建简化分类模型,经测试RFE与XGBoost组合的简化模型表现最佳,ACC₁₀,ACC与AUC值分别为0.965 7,0.980 3与0.980 3且数据维度降至9,在降低数据维度的同时提高了模型的稳定性与分类能力。在测试组的实验中,基于优选出的XGBoost与RFE-XGB算法建立的模型,同样可以实现对其他矿区煤与矸石稳定精确地识别,且简化模型表现更好,与实验组结果一致。     

高光谱成像的煤与矸石分类

煤与矸石分选是煤矿生产的必要工序,现有的人工分选与机械分选,存在效率低,易造成资源浪费以及环境污染等问题.鉴于可见/近红外高光谱成像具有分析速度快、样品无需预处理、无污染等诸多优势,旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性,并基于特征波长筛选算法简化模型,为构建多光谱煤与矸石分选系统提...     

典型块状煤的可见-近红外光谱特征研究

因可见-近红外波段反射光谱测试方便,仪器成本较低,适用于在线分析,为此针对煤在可见-近红外波段的反射光谱曲线特征规律及其产生机理进行了研究分析。从晋、鲁、宁、吉地区煤矿收集了无烟煤、烟煤、褐煤三大类型中的12种典型煤样,按煤阶从高到低具体包括无烟煤一号、无烟煤二号、贫煤、贫瘦煤、瘦煤、焦煤、肥煤、1/3焦煤、气肥煤、气煤、褐煤一号、褐煤二号,在实验室利用地物光谱仪采集了块状煤样在可见-近红外波段的反射光谱曲线。通过对光谱曲线特征分析,发现无烟煤的反射光谱曲线整体上趋于水平方向,吸收谷特征不明显,随煤阶的降低,光谱反射率、近红外波段光谱斜率整体上呈增加趋势,较明显的吸收谷特征增多且吸收强度增加,有13个较明显的吸收谷特征波段。通过X射线衍射分析（XRD）测定了煤样的碳材料结构和矿物成分,煤非晶质性分子结构的芳构化趋势对煤阶升高时光谱反射率降低、反射曲线趋于平缓起到主要作用。当煤阶降低时,以脂肪侧链为主的有机吸收基团的中红外波段基频在近红外波段的倍频和合频产生众多吸收叠加,绝大多数吸收谷特征不明显,相对较为明显的吸收谷产生在1 700和2 300 nm附近。同时含Fe等过渡金属的矿物、H₂O、粘土矿物等无机物成分也是煤反射光谱曲线吸收谷特征增多的因素。通过对实验煤样X射线荧光分析（XRF）和工业分析测定了煤样中Fe和Al等矿物元素成分含量和空气干燥基水分、灰分、挥发分、固定碳含量,得出煤反射光谱曲线的近红外波段光谱斜率与挥发分产率、固定碳含量分别呈正、负相关性。H₂O谱带吸收深度之和与内在水分含量线性相关性较好,Fe和Al含量与相关波段吸收谷深度之和基本呈线性关系,而主要由有机基团倍频和合频所产生的1 700和2 300 nm附近两处吸收谷深度之和与挥发分产率线性相关性较差。获得典型块状煤种的可见-近红外波段反射光谱特征,为煤矿区高光谱遥感以及煤光谱数据库的建立提供依据,也为直接利用可见-近红外波段的反射光谱曲线波形特征快速、低成本、定性地识别煤种类提供参考;同时对煤矿用煤炭探测光谱传感器的研制具有重要意义。     

空间分辨光谱和可见/近红外光谱的番茄颜色等级判别

比较分析空间分辨光谱和单点可见/近红外光谱（可见/短波近红外光谱和中波近红外光谱）对番茄颜色的识别能力。根据番茄表面和内部颜色将600个样品分为6个等级（green, breaker, turning, pink, light red和red）。分别利用新型空间分辨光谱系统（550~1 650 nm）,可见/短波近红外光谱仪（400~1 100 nm）和中波近红外光谱仪（900~1 700 nm）采集番茄的空间分辨（spatially-resolved, SR）光谱和单点可见/近红外（SP Vis/NIR）光谱,建立番茄等级的偏最小二乘判别（PLSDA）模型,比较其对番茄颜色等级的预测效果。结果表明, SR光谱组合可在最佳单一SR光谱基础上进一步提高番茄颜色的识别能力,对番茄表面颜色和内部颜色的识别率可分别达到98.8%和84.6%。光源-检测器距离较近的SR光谱对番茄表面颜色的识别有帮助,而光源-检测器距离较远的SR光谱能较好的判别番茄内部颜色。SP NIR光谱在对番茄表面颜色判别中与SR光谱具有一定可比性,其分类准确率可达到95%,但SP Vis/NIR光谱在对番茄内部颜色识别中具有较低的分类准确率,分类结果远不如SR光谱,说明SR光谱比SP Vis/NIR光谱对番茄颜色的判别更具潜力。     

水稻土可见-近红外-中红外光谱特性与有机质预测研究

土壤有机质是农田肥力评估的重要指标,要实现快速获取大面积土壤有机质的含量需要建立高效、稳健的预测模型。光谱技术能够快速诊断土壤有机质,以水稻土为例,从校正样本选择方法的对比,研究了可见-近红外、中红外和可见-近红外-中红外三种不同波段光谱对土壤有机质的预测能力。可见-近红外和中红外区域的光谱反射率转换成吸收率后通过Savitzky-Golay平滑法去噪,通过三种校正样本选择方法建立相应的偏最小二乘回归预测模型。通过Rank-KS法建立的三种波段的有机质预测模型均优于Rank法和KS法,中红外波段光谱的模型预测能力强于可见-近红外和可见-近红外-中红外波段的预测模型,基于Rank-KS法建立的中红外波段有机质预测模型取得了最好的预测效果,RMSE_P仅为3.25 g·kg-1,RPD达到4.24,依据VIP得分筛选出可见-近红外和中红外波段的水稻土有机质重要建模波段。因此,中红外光谱建模技术能够对水稻土有机质进行快速定量分析,Rank-KS法可提高模型的预测能力,为今后农田肥力评价和科学施肥提供技术支持。     

典型煤的近红外反射光谱特征的方向性研究

高光谱遥感是煤矿区探测的有效方法,对于煤炭资源调查、矿区环境监测等具有重要意义,其中煤、矸石、植被、水体等被遥测物各个方向的反射光谱特征是煤矿高光谱遥感的基础,为此有必要针对典型煤的方向反射光谱特征进行研究.从我国不同矿区收集了无烟煤、烟煤、褐煤三大类煤中的4种典型煤样,4种煤样按煤阶由高到低顺序包括无烟煤一号、贫煤、...     

可见/近红外联合UVE-PLS-LDA鉴别压榨和浸出山茶油

山茶油是我国特有的优质食用油,而压榨山茶油营养品质优于浸出山茶油。采用可见/近红外光谱技术对压榨和浸出山茶油进行鉴别研究。在350～1 800 nm波段范围内采集压榨和浸出山茶油样本的透射光谱,利用无信息变量消除(UVE)方法进行波长变量优选,剔除无用波长变量,并应用偏最小二乘-线性判别分析(PLS-LDA)建立鉴别分类模型。最后,利用鉴别分类模型对未参与建模的26个预测集样本进行鉴别。研究结果表明,UVE-PLS-LDA是一种有效的鉴别分类方法,所建立的鉴别分类模型能较好地对压榨和浸出山茶油进行鉴别,校正集和预测集样本的鉴别正确率均为100%。因此,可见/近红外光谱联合UVE-PLS-LDA方法鉴别压榨和浸出山茶油是可行的。     

作物和杂草叶片的可见-近红外反射光谱特性

为了进行快速实时的杂草识别,研究了作物和杂草叶片的可见-近红外反射光谱特性.选择了两种常见的 田间作物大豆(Glycine max)和玉米(Zea mays),以及铁苋菜(Acalypha australis L.)和田字草(Marsilea quadrifolia L.)两种杂草作为研究对象.每种各30个样本.共120个样本.采用ASD Fieldspec便携式光谱仪进行光谱采集.在对400～1000 nm的光谱数据进行平滑和-阶求导预处理、.通过主成份分析.去除了一个奇异样本.最后用79个样本组成的建模集进行偏最小二乘法建模.对剩余的40个样本进行预测.预测模型结果的相关性达到0.986,识别率达到100%.说明研究中选用的作物和杂草叶片的可见-近红外反射光谱特性之19有较大的区别,町以用于 进行杂草和作物的区分.     

基于置信学习机与近红外光谱的煤种快速分类方法

基于近红外光漫反射谱技术的检测分析具有简单,快捷,安全等优势而被广泛应用于各行各业。应用近红外光谱分析技术实现不同煤种的快速分类,该方法可以替代费时费力费财的传统化学分析方法。同时首次将置信学习机(confidence machine)引入近红外分析中,实现了对分析结果的风险评估。采集了来自不同矿区共四种不同煤种(肥煤,焦煤,瘦煤和贫瘦煤)的199个煤样本的近红外光谱,通过机器学习的方法针对煤的近红外光谱构建了煤种分类器来实现煤种的快速分类。在近红外分析中引入了置信学习机的分析方式,结合支持向量机(SVM),构建了离线和在线的CM-SVM分类器。置信学习机是一种概率方法,使用概率(CM-SVM)来取代分类超平面(SVM)进行分类,不仅分类效果好于传统的SVM,达到了95.48%的分类率,还能同时给出每个样本分类结果的置信度,可靠度等风险信息。另外,CM-SVM通过对置信水平的设定,得到不同置信度下预测区间,该区间的预测正确率是与置信水平严格对应的,对于产品质量控制有非常重要的意义。置信学习机同时是一种在线的学习模型,新样本的不断加入会提高模型的性能,非常适合于工业现场的在线分析。在线的CM-SVM模型随着样本数的增加,预测结果的置信度有所提高,对工业现场近红外分析有重要意义。     

光谱技术在草地土壤检测中的应用和展望

光谱技术检测具有、省时、成本低、可以无损伤、直接分析等特点,可以同时检测多种土壤成分、在野外检测具有实时性。文章对光谱技术应用于检测草地土壤水分含量、土壤有机质、各种营养元素、土壤质地等方面进行了总结,使用该技术可以及时快捷获取各种土壤数据,有效提高草地管理水平。当前需要解决的问题是对草地植物地下生物量的检测,这对于预测牧草生长状况具有重要作用。另外,能够应用于野外检测草地土壤的光谱仪器还不多,需要开发更多便携式、可野外使用的实时检测仪器。     

模拟月壤发射率光谱测量实验及精度评定

基于月球样品反射光谱的月表矿物识别和成分反演能力受到月球环境的严重影响,仅限于月球表面5％的成熟度较低的区域。相比之下,包含大量硅酸盐矿物的月球样品发射光谱不仅光谱特征明显,而且受月表大气、温差和真空等环境的影响较小,是研究月表成分和物理特性的新途径。因此,对于嫦娥五号月球探测器采集的月球实地样品的发射光谱测量不仅可用于月表硅酸盐类矿物的成分分析,而且可以作为遥感研究中可见光-近红外光谱的有效补充。但是,实验室发射光谱测量中最大的难题是寻找最佳的实验方法和仪器,以便获得准确可靠的光谱数据。研究以模拟月壤样品为测量对象,分别在实验室大气、氮气冷背景和模拟真空环境中,利用TurboFT 102F和Bruker VERTEX 70V两种仪器,设计和实施了傅里叶光谱法、独立黑体法和反射率法三种发射率测量实验,并利用误差传播定律和已有Apollo样品发射率光谱对实验获得的发射率光谱进行了精度分析与评定。发现在异常复杂和困难的模拟月球真空测量环境构建完成之前,密闭实验室环境中的反射率法发射率光谱特征最明显,测量精度最高,可以作为目前月球样品发射率光谱测量的最佳选择。研究希望能为嫦娥五号采集的月球样品发射率光谱测量实验提供理论基础和技术参数。     

植物叶片可见与近红外光谱反射率数据库的建立与主成分分析

可见与近红外波段光谱反射率数据库是颜色科学与技术和遥感目标地物分类识别领域等研究与应用的基础数据。主成分分析(PCA)在光谱数据分析、光谱重建、高光谱数据降维以及遥感图像分类等方面有广泛应用。测量并建立了云南公园常见绿化植物柳树、樟、红花檵木、蓝花楹等48种植物150条叶片从可见光到近红外波段光谱反射率数据库,波长范围400～1 000 nm、间隔4 nm。并且分别对可见与可见到近红外两种波段范围进行PCA研究。结果表明：不同植物叶片按照红、绿、黄相同色相的光谱反射率曲线基本相似;但对于同一种植物,在可见光波段400～700 nm,因为体内叶绿素、叶黄素、叶红素和花青苷含量的不同,光谱反射率曲线有较大的差异;在近红外波段700～1 000 nm,所有植物叶片光谱反射率仅仅是大小不同,而同一植物光谱反射率基本不随波长变化。PCA分析表明：在可见光和可见与近红外波段前三个主成分的累积贡献率分别达到98.62%和94.97%。数据库及其PCA分析结果将为自然物体光谱重建、多光谱成像技术和遥感目标地物分类识别等领域应用提供支撑。     

基于分形脊波神经网络的遥感图像分类研究

在分形理论和脊波神经网络的基础上，综合利用彩色遥感图像的光谱、纹理和形状特征，提出了一种彩色遥感图像的分类新方法．该方法把彩色图像的蓝、绿、红波段作为3个光谱特征，由分形理论计算的DBC维和多重分形维数作为2个纹理特征，平均不变矩作为1个形状特征，并利用对曲线具有极强方向识别能力的脊波神经网络作为分类器．实验结果表明，提出的彩色遥感图像分类方法具有较高的分类准确率和较强的抗噪音能力．     

颗粒度对不同煤种可见光-近红外光谱的影响

煤炭是我国最主要的能源,在开采、运输、洗选加工、精煤储运等过程中都需要及时了解煤的成分、含量以及混矸程度,以便掌握和监控煤炭质量。目前,基于可见光-近红外反射光谱的煤炭原位测试技术已经成为一个研究热点。颗粒度是影响光谱特征的重要因素,开展颗粒度对不同煤种反射光谱特征的影响研究,对于深刻认识煤的光谱特征,进而提高煤光谱识别精度具有重要意义。为此,选取我国主要煤炭富集区（包括内蒙古乌海、新疆哈密、山西阳泉）的褐煤、烟煤、无烟煤为研究对象,利用SVC HR-1024光谱仪对不同颗粒度煤样的可见光-近红外光谱进行测试,分析了颗粒度对煤样光谱反射率的影响规律,以及颗粒度对于不同煤种光谱影响的差异。在此基础上,对实验现象背后的物理机理进行了分析讨论。研究表明,变质程度不同的煤反射光谱特征基本相似,即在可见光波段反射率较低且随波长增加出现缓慢下降趋势,在近红外波段快速上升。当煤样颗粒度>0.10 mm时,颗粒度大小对光谱特征的影响较小,煤样反射光谱特征随颗粒度变化规律不明显;当颗粒度<0.10 mm时,颗粒度对煤样的光谱影响增大,且影响主要体现在近红外波段的反射率光谱曲线的斜率大小,颗粒度越小,光谱反射率曲线斜率越大。0.10 mm颗粒度可作为颗粒度对煤的光谱特征影响的敏感界限。不同煤种可见光-近红外光谱曲线受颗粒度的影响程度不同,褐煤的影响最大,烟煤次之,无烟煤影响最小。实验表明,利用反射光谱进行煤质分析和煤种识别时需要考虑颗粒度的影响,同时,选择颗粒度小于0.10 mm的粉末状样品效果要好于大颗粒或块状样品。