买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于多输出U‑Net的煤质参数快速检测方法，属于煤质参数分析及人工智能领域。煤质分析主要对煤炭水分、灰分、挥发分和发热量四种参数的测量。现有技术无法精准地同时检测多个参数。本发明根据采集的煤炭光谱数据以及对应样本参比值建立样本数据库；基于拉依达准则和欧氏距离的迭代方法剔除异常样本，采用Savizkg‑Golag平滑和二阶求导进行光谱预处理；搭建基于多输出U‑Net的煤质参数快速检测模型，采用梯度归一化算法进行优化；并行输出煤炭的水分、灰分、挥发分和发热量的值。相较于单参数分析，本发明能够利用多个参数之间的相关性实现多种煤质参数的并行检测，提高了模型的鲁棒性和检测精度。

主权项：1.一种基于多输出U-Net的煤质参数快速检测方法，包括如下步骤：数据集搭建：采集煤炭样本的光谱数据，通过煤炭工业分析方法测定煤炭样本的原始煤质参数，构建煤质数据集S1；构建煤质数据集S1步骤为：先对煤炭样本进行研磨加工，再将煤炭样本置于近红外光谱采集平台上，采集近红外光谱信息，采用煤炭工业分析方法测定S1中煤炭水分、灰分、挥发分和发热量4种工业分析参数数值，并与光谱数据一一对应；异常样本剔除和预处理：采取迭代法剔除煤质数据集S1中的异常值，得到样本集S2，对S2进行预处理，得到最终训练样本集S3；所述迭代法剔除S1中的异常值的方法为：设光谱数据集S1为Xm×n＝[x1,x2,...,xm]，由公式1计算光谱数据集S1的平均光谱 其中，m为样本数，xi为光谱数据集S1中第i个样本，i为样本序号，i＝1,2,3...,m；根据公式2计算各样本光谱到平均光谱的欧氏距离其中，n为样本的维度，xj为光谱数据集S1中第j个样本，j为样本序号，j＝1,2,3...,m；k为样本光谱的第k个维度，k＝1,2,3...,n，xi,k表示光谱数据集S1中第i个样本的第k个维度，xj,k表示光谱数据集S1中第j个样本的第k个维度；利用公式3和4计算由公式2得出的欧氏距离的平均值μ以及标准差σ； 最后，当时，判定xi为异常值，将xi剔除光谱数据集，重复上述操作，直到无异常值，迭代结束，得到光谱数据集S2；所述数据预处理的方法为：对光谱数据集S2的近红外光谱信息依次进行二阶求导和Savizkg-Golag卷积平滑的预处理，得到近红外光谱数据集S3；建立多输出U-Net模型：搭建初始煤质参数快速检测模型M1，M1包括权重参数共享模块和多任务输出模块；权重参数共享模块采用U-Net网络结构，分为编码器部分和解码器部分；左侧编码器包含4次下采样，每次下采样由两层卷积层和一层最大池化层构成，在下采样过程中，特征尺寸逐渐变小，特征信息逐渐增多；右侧解码器包含四次上采样以及特征拼接部分，每次上采样由两层卷积层和一层转置卷积构成，在上采样过程中，特征尺寸逐渐恢复为原来的尺寸；权重参数共享具体步骤中，将U-Net网络作为特征提取网络，加入CBAM注意力机制模块和多尺度融合模块；加入CBAM注意力机制模块的方法为：在第1个两层卷积层向第9个两层卷积层的跳跃连接过程中，以及在第2个两层卷积层向第8个两层卷积层的跳跃连接过程中，分别添加CBAM注意力模块；多尺度特征融合方式为：第四层解码器经过两层卷积层后的特征，第三层解码器经过两层卷积层后的特征，第二层解码器经过上采样后的特征以及第一层编码器经过两层卷积和添加CBAM注意力的跳跃连接处理后的特征拼接起来；多任务输出模块由四个全连接层组成：首先，将第9个两层卷积层的输入分别通过一个两层卷积和一个1×1的卷积层进行处理，获得权重参数共享模块的输出；这些输出将输入到多任务输出模块，其中设计了四个全连接层；模型训练：将最终训练样本集S3分为训练集A、验证集B和测试集C，利用训练集A和验证集B中的光谱数据，对初始煤质参数快速检测模型M1进行六折交叉验证训练，训练完成后，得到最终煤质参数快速检测模型M2；采用六折交叉验证将训练集按照4：1：1划分为训练样本、验证样本和测试样本；每一折采用数据循环的方式进行，取交叉验证在评估指标上的六次均值来对模型和超参数进行调整，然后将所有样本作为训练样本对模型参数进行训练，最后采用在相同环境条件下采集的样本对模型进行测试，将样本预处理后输入训练好的模型，输出最终的预测值，预测值即为检测值；对最初煤质参数快速检测模型M1进行训练时，采用梯度归一化算法进行优化；具体步骤如下：首先，初始化每个任务损失权重wi为1，初始化最后一层共享网络层的权重参数W，利用公式5前向传播计算总损失Loss： 其中，M表示任务的个数，lossi表示第i个任务前向传播的损失；然后，利用公式6计算梯度损失Grad_Loss： 其中，表示实际的梯度值；表示理想的梯度值，即所有任务实际梯度值的均值的缩放；和定义为： 其中，ri表示第i个任务的相对反向训练速度；α是一个超参，表示对不同任务之间训练速度的平衡限制能力；计算Grad_loss的梯度并更新每个任务的损失权重wi，利用Loss反向传播更新网络参数；参数检测：将测试集C中的光谱数据，输入最终煤质参数快速检测模型M2，快速检测水分、灰分、挥发分和发热量。

全文数据：

权利要求：

百度查询： 中国矿业大学 基于多输出U-Net的煤质参数快速检测方法