基于可见光-近红外光谱的煤种分类方法

doi:10.12068/j.issn.1005-3026.2017.10.021

东北大学学报:自然科学版 ›› 2017, Vol. 38 ›› Issue (10): 1473-1476.DOI: 10.12068/j.issn.1005-3026.2017.10.021

基于可见光-近红外光谱的煤种分类方法

宋亮，刘善军，毛亚纯，李天子

(东北大学资源与土木工程学院，辽宁沈阳110819)

收稿日期:2016-07-25 修回日期:2016-07-25 出版日期:2017-10-15 发布日期:2017-10-13
通讯作者: 宋亮
作者简介:宋亮(1989-)，男，山西长治人，东北大学博士研究生；刘善军(1965-)，男，河北涿鹿人，东北大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(41371437).

Coal Classification Based on Visible and Near-Infrared Spectrum

SONG Liang， LIU Shan-jun， MAO Ya-chun， LI Tian-zi

School of Resources & Civil Engineering， Northeastern University， Shenyang 110819. China.

Received:2016-07-25 Revised:2016-07-25 Online:2017-10-15 Published:2017-10-13
Contact: LIU Shan-jun
About author:-
Supported by:
-

摘要/Abstract

摘要： 利用便携式地物光谱仪SVC HR-1024对92个烟煤和58个褐煤样本进行光谱测试，烟煤和褐煤在可见光-近红外波段光谱特征差异明显，褐煤的光谱反射率及其斜率均明显高于烟煤.在光谱特征分析的基础上，利用MAO模型法、随机森林法、BP神经网络法和ELM算法进行煤种分类.结果表明:MAO模型法和随机森林法的分类结果较优.若进行大面积、快速遥感识别时，对分类时间要求较高，应选择MAO模型法;若是小面积单一矿区分类，对分类准确率要求较高，选择随机森林法较为恰当.

关键词: 烟煤, 褐煤, 可见光-近红外, 遥感, 分类

Abstract: The portable spectrometer SVC HR-1024 was used to carry out spectral tests on the 92 bituminite and 58 lignite coal samples from various coal mines. By comparing their spectral curves， the differences between bituminite and lignite samples can be observed visibly in spectral characteristics. The reflectance of lignite samples is obviously higher than that of bituminite samples， as well as the slope of spectral curves. On the basis of spectral characteristics analysis， the MAO model algorithm， random forests， BP neural networks and ELM-neural network were selected for the classification of bituminite and lignite samples. The results indicated that the MAO model algorithm and random forest algorithm outperform other algorithms on classification. For large-area and rapid recognition by remote sensing， the MAO model algorithm has a great advantage in the classification time. While the random forest algorithm can be used for classification in small mining areas.

Key words: bituminite, lignite, visible and near-infrared, remote sensing, classification

中图分类号:

P237

宋亮，刘善军，毛亚纯，李天子. 基于可见光-近红外光谱的煤种分类方法[J]. 东北大学学报:自然科学版, 2017, 38(10): 1473-1476.

SONG Liang， LIU Shan-jun， MAO Ya-chun， LI Tian-zi. Coal Classification Based on Visible and Near-Infrared Spectrum[J]. Journal of Northeastern University Natural Science, 2017, 38(10): 1473-1476.

参考文献

[1]李新萍，郝多虎，段朋，等.遥感技术在新疆东部主要含煤区地址解译中的应用［J］.水土保持研究，2012，19(2):253-263.(Li Xin-ping，Hao Duo-hu，Duan Peng，et al.Application of remote sensing technology in the main area of coal geological interpretation in eastern Xinjiang Uygur autonomous region［J］.Research of Soil and Water Conservation，2012，19(2):253-263.)
[2]郭晓波，管海晏，吴查查.中巴卫星遥感找煤技术研究［J］.中国煤炭，2012，38 (4):29-31.(Guo Xiao-bo，Guan Hai-yan，Wu Cha-cha.Research on CBERS remote sensing technique for coal exploration［J］.China Coal， 2012，38(4):29-31.)
[3]Tan K L，Wan Y Q，Sun S X，et al.Prospecting for coal in China with remote sensing ［J］.Journal of China University of Mining & Technology，2008，18 (4):0537-0545.
[4]Mao Y C，Ma B D，Liu S J，et al.Study and validation of a remote sensing model for coal extraction based on reflectance spectrum features ［J］.Canadian Journal of Remote Sensing，2014，40(5):327-335.
[5]程术希，孔汶汶，张初，等.高光谱与机器学习结合的大白菜种子品种鉴定［J］.光谱学与光谱分析，2014，34(9):2519-2522.(Cheng Shu-xi，Kong Wen-wen，Zhang Chu，et al.Variety recognition of Chinese cabbage by hyperspectral imaging combined with machine learning ［J］.Spectroscopy and Spectral Analysis，2014，34(9):2519-2522.)
[6]宋亮，刘善军，虞茉莉，等.基于可见光-近红外和热红外光谱联合分析的煤和矸石分类方法研究［J］.光谱学与光谱分析，2017，34(9):2519-2522.(Song Liang，Liu Shan-jun，Yu Mo-li，et al.A classification method based on the combination of visible，near-infrared and thermal infrared spectrum for coal and gangue distinguishment［J］.Spectroscopy and Spectral Analysis，2017，34(9):2519-2522.)
[7]Chang C W，Laird D A，Mausbach M J，et al.Near-infrared reflectance spectroscopy—principal components regression analyses of soil properties［J］.Soil Science Society of America Journal，2001，6(2):480-490.
[8]Breiman L.Random forests［J］.Machine Learning，2001，45(1):5-32.
[9]Daniel R G，Wade A W，Andrew J F，et al.Predicting USCS soil classification from soil property variables using random forest［J］.Journal of Terramechanics，2016，65(1):85-92.
[10]Huang G B，Zhu Q Y，Siew C K.Extreme learning machine:theory and applications［J］.Neurocomputing，2006，70:489-501.
[11]Diamantidis N A，Karlis D，Giakoumakis E A.Unsupervised stratification of cross-validation for accuracy estimation ［J］.Artificial Intelligence，2000，116(1):1-4.(上接第1472页)
[12]Luan Q Z，Liu H P，Xiao Z Q.Comparison between algorithms of ortho rectification for remote sensing images［J］.Remote Sensing Technology Application，2007，22(6):743-747.
[13]杨彬，李旭东，晏磊，等.航空遥感图像拼接算法及其精度评价［J］.计算机工程，2014，40(3):253-257.(Yang Bin，Li Xu-dong，Yan Lei，et al.Mosaic algorithm for aerial remote sensing image and its accuracy evaluation［J］.Computer Engineering，2014，40 (3):253-257.)

[1]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[2]	李大鹏，赵琪珲，邢铁军，赵大哲. 基于分层注意力循环神经网络的司法案件刑期预测[J]. 东北大学学报（自然科学版）, 2022, 43(3): 344-349.
[3]	闫康，黄训江，张强，王登. 基于At-LSTM的产品创新特征识别[J]. 东北大学学报（自然科学版）, 2022, 43(10): 1506-1512.
[4]	方亮，周云，唐志泉. 基于优化的残差网络的锈蚀钢筋图像分类[J]. 东北大学学报（自然科学版）, 2021, 42(11): 1625-1633.
[5]	张毅博，孙志礼，赵中强，赵经武. 基于GPC的环肋耐压圆柱壳结构失稳概率分析[J]. 东北大学学报:自然科学版, 2020, 41(9): 1268-1273.
[6]	郭甲腾，张紫瑞，毛亚纯，刘善军. 基于三维点云的岩体结构面自动分类与参数计算[J]. 东北大学学报:自然科学版, 2020, 41(8): 1161-1166.
[7]	徐忠印，刘善军，吴立新，车德福. 天空冷背景下受力岩石微波辐射特征实验研究[J]. 东北大学学报:自然科学版, 2020, 41(8): 1180-1187.
[8]	李晨，张家伟，张昊，汪茜. 基于生成对抗网络的低分化宫颈癌病理图像分类[J]. 东北大学学报:自然科学版, 2020, 41(7): 1054-1061.
[9]	李强，李瑶坤，夏书月，康雁. 一种改进的医疗文本分类模型:LS-GRU[J]. 东北大学学报:自然科学版, 2020, 41(7): 938-943.
[10]	冯宝，李昌林，李智，刘壮盛. 基于活动轮廓模型和影像组学的乳腺癌LVI状态预测[J]. 东北大学学报:自然科学版, 2020, 41(2): 193-199.
[11]	刘振宇，宋晓莹. 一种可用于分类型属性数据的多变量决策树算法[J]. 东北大学学报:自然科学版, 2020, 41(11): 1521-1527.
[12]	刘鹏，杜佳芝，吕伟刚，窦明武. 面向不平衡数据集的一种改进的k-近邻分类器[J]. 东北大学学报:自然科学版, 2019, 40(7): 932-936.
[13]	王洋，刘积仁，赵大哲，邱道云. 卷积神经网络在MRI图像诊断中的应用[J]. 东北大学学报:自然科学版, 2019, 40(2): 169-173.
[14]	王生生，王萌，王光耀. 基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 东北大学学报:自然科学版, 2019, 40(2): 174-179.
[15]	毛文飞，吴立新，刘善军，徐忠印. 干、湿沙层对岩石受力微波辐射影响的实验对比[J]. 东北大学学报:自然科学版, 2018, 39(5): 710-715.

基于可见光-近红外光谱的煤种分类方法

Coal Classification Based on Visible and Near-Infrared Spectrum

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价