基于改进的U-Net3+和近红外光谱技术的煤炭地理来源智能识别

《International Journal of Crowd Science》：Intelligent Identification of Coal Geographical Origin Based on Improved U-Net3+ and Near-Infrared Spectroscopy

　　

摘要：

确定煤炭的地理来源对于评估煤炭质量以及改进进出口检验至关重要。传统的确定煤炭地理来源的方法主要依赖于耗时、劳动密集且成本高昂的化学实验，因此需要优化以提高效率。近红外光谱（NIRS）技术凭借其准确性、快速性和非破坏性，在检测化学成分方面展现出了良好的效果，并已在多个研究领域取得成功。本研究提出了一种将NIRS与深度学习相结合的非破坏性技术，用于识别煤炭的地理来源，从而克服了传统方法的局限性。为了解决异常近红外（NIR）数据的问题，研究采用基于欧几里得距离的数据清洗方法来识别并剔除异常值。实验中还利用标准正态变量变换从NIR数据中提取特征。此外，通过将残差模块集成到编码器中，并加入同时处理空间信息和通道信息的注意力机制，改进了U-Net3+模型，增强了模型的特征捕获能力。实验结果表明，优化后的U-Net3+模型达到了97.45%的识别准确率，优于其他算法。该方法为煤炭质量评估和检验领域提供了一种有前景的解决方案。