[发明专利]一种多光谱图像信息和CNN的煤矸识别方法

权利要求书

1.一种多光谱图像信息和CNN的煤矸识别方法，包括以下步骤：

(1)煤和矸石多光谱图像信息获取；

(2)煤和矸石多光谱图像样本划分；

(3)卷积神经网络多光谱图像特征提取；

(4)极限学习机煤矸识别模型构建；

所述步骤(1)中，利用多光谱成像技术获取煤和矸石的多光谱图像信息，得到煤和矸石的多光谱图像数据集；

所述步骤(2)中，采用随机抽样法将煤和矸石多光谱图像数据按照一定的比例划分为独立的训练集和测试集；

所述步骤(3)中，用于提取多光谱图像特征的卷积神经网络CNN是一种包含单个Inception-Res模块的网络结构，包含卷积层、标准化层、池化层和全连接层，具体说明如下：

201：卷积层使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为16；

202：标准层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入一致；

203：池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为2×2；

204：Inception单元使用Keras中的卷积层和池化层构成，具体说明如下：

301：卷积层A使用Keras中的2D卷积层Conv2D，卷积核尺寸为1×1，卷积核数量为16；

302：卷积层B使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为16；

303：卷积层C使用Keras中的2D卷积层Conv2D，卷积核尺寸为5×5，卷积核数量为16；

304：池化层使用Keras中的2D最大池化MaxPooling2D，池化尺寸为3×3；

特别地，在Inception单元中，所有卷积层的padding方式设置为same；

205：Residual单元使用Keras中的卷积层和池化层构成，具体说明如下：

401：卷积层D使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为16；

402：标准层使用Keras中的批量标准化层BatchNormalization，其输出尺寸与输入一致；

403：卷积层E使用Keras中的2D卷积层Conv2D，卷积核尺寸为3×3，卷积核数量为32；

206：全连接层使用Keras中的Dense对输入进行展平、点乘操作；

207：输出的CNN提取得到的多光谱图像特征将作为ELM的输入，用于构建模型和测试模型；

所述步骤(4)中，利用CNN提取的多光谱图像特征在训练集上构建极限学习机(Extremelearning machine,ELM)煤矸识别模型，确定ELM煤矸识别模型的参数，然后利用测试集来测试识别的效果，验证模型性能。