基于圖像與XRF光譜信息融合的煤巖識別方法及系統(tǒng) 技術(shù)領(lǐng)域 [0001] 本公開涉及地質(zhì)巖石識別分類技術(shù)領(lǐng)域，具體涉及基于圖像與XRF光譜信息融合的煤巖識別方法及系統(tǒng)。 背景技術(shù) [0002] 本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。 [0003] 當(dāng)前，綜合機械化采煤（綜采）已成為煤炭生產(chǎn)的主導(dǎo)開采方式。為了推動煤炭開采朝著更安全、更高效的方向發(fā)展，煤礦開采的少人化乃至無人化成為未來的必然趨勢。然而，綜采工作面所面臨的煤層分布狀況復(fù)雜多變，煤巖的硬度和厚度分布不均，且常受地質(zhì)構(gòu)造影響，導(dǎo)致煤層賦存狀態(tài)出現(xiàn)斷裂、褶曲等現(xiàn)象，這無疑增加了采煤機精準(zhǔn)割煤的難度。因此，現(xiàn)場煤巖識別技術(shù)對于提升其精準(zhǔn)割煤能力而言，顯得尤為重要。 [0004] 早期常用的煤巖識別方法是天然γ射線法，目前煤巖識別方法主要涉及紅外熱成像識別技術(shù)、圖像識別技術(shù)、光譜識別技術(shù)、雷達(dá)探測技術(shù)、振動識別技術(shù)等。 [0005] 但是，研究表明射線法具有一定的危害性，且放射性元素含量低時難以推廣應(yīng)用； 另外，采煤工作面環(huán)境惡劣，噪聲大、粉塵濃度高及濕度較大等因素均會對紅外、光譜、振動及雷達(dá)探測等方式產(chǎn)生不同程度的影響，識別效果并不理想，難以普及應(yīng)用。 發(fā)明內(nèi)容 [0006] 本公開為了解決上述問題，提出了基于圖像與XRF光譜信息融合的煤巖識別方法及系統(tǒng)，將圖像特征和元素特征進(jìn)行融合，聯(lián)合使用圖像類識別方法和融合識別方法，提高系統(tǒng)識別效率，實現(xiàn)對煤矸石的準(zhǔn)確識別。 [0007] 根據(jù)一些實施例，本公開采用如下技術(shù)方案： [0008] 基于圖像與XRF光譜信息融合的煤巖識別方法，包括： [0009] 獲取待檢測的煤巖圖像； [0010] 將所述煤巖圖像輸入至圖像檢測模型，獲取可疑煤矸石及其位置信息； [0011] 對可疑煤矸石進(jìn)行XRF光譜元素測試，獲取元素信息，將元素信息以及可疑煤矸石圖像輸入至融合分類模型，再分別經(jīng)過元素特征提取模塊提取元素特征，經(jīng)過圖像特征提取模塊提取圖像特征，將圖像特征和元素特征在初融模塊中進(jìn)行矩陣相乘，形成相似度矩陣，將相似度矩陣與圖像特征再進(jìn)行深度融合得到初融特征，利用初融特征得到煤和煤矸石的分類結(jié)果。 [0012] 根據(jù)一些實施例，本公開采用如下技術(shù)方案： [0013] 基于圖像與XRF光譜信息融合的煤巖識別系統(tǒng)，包括： [0014] 數(shù)據(jù)獲取模塊，用于獲取待檢測的煤巖圖像； [0015] 初步檢測模塊，用于將所述煤巖圖像輸入至圖像檢測模型，獲取可疑煤矸石及其位置信息； [0016] 深度識別模塊，用于將可疑煤矸石進(jìn)行XRF光譜元素測試，獲取元素信息，將元素信息以及可疑煤矸石圖像輸入至融合分類模型，所述融合分類模型分別經(jīng)過元素特征提取模塊提取元素特征，經(jīng)過圖像特征提取模塊提取圖像特征，將圖像特征和元素特征在初融模塊中進(jìn)行矩陣相乘，形成相似度矩陣，將相似度矩陣與圖像特征再進(jìn)行深度融合得到初融特征，利用初融特征得到煤和煤矸石的分類結(jié)果。 [0017] 根據(jù)一些實施例，本公開采用如下技術(shù)方案： [0018] 一種計算機程序產(chǎn)品，包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)基于圖像與XRF光譜信息融合的煤巖識別方法。 [0019] 根據(jù)一些實施例，本公開采用如下技術(shù)方案： [0020] 一種非暫態(tài)計算機可讀存儲介質(zhì)，所述非暫態(tài)計算機可讀存儲介質(zhì)用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，實現(xiàn)基于圖像與XRF光譜信息融合的煤巖識別方法。 [0021] 根據(jù)一些實施例，本公開采用如下技術(shù)方案： [0022] 一種電子設(shè)備，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當(dāng)電子設(shè)備運行時，所述處理器執(zhí)行所述存儲器存儲的計算機程序，以使電子設(shè)備執(zhí)行實現(xiàn)基于圖像與XRF光譜信息融合的煤巖識別方法。 [0023] 與現(xiàn)有技術(shù)相比，本公開的有益效果為： [0024] 本公開的一種基于圖像與XRF光譜信息融合的煤巖識別方法，提出了一種融合識別方法，同時將圖像特征和元素特征作為輸入，實現(xiàn)對煤矸石的準(zhǔn)確識別，解決粉塵污染、光照不均等影響純圖像類識別方法準(zhǔn)確率的問題；聯(lián)合使用圖像類識別方法和融合識別方法構(gòu)建識別模型，提高模型識別效率。 [0025] 本公開的一種基于圖像與XRF光譜信息融合的煤巖識別方法，構(gòu)建了智能分揀系統(tǒng)，其具有設(shè)備自動化程度高、識別速度快、巖性識別準(zhǔn)確度高等優(yōu)點，具有較好的應(yīng)用前景；同時減少勞動量，節(jié)約成本，減少塵肺等職業(yè)病的產(chǎn)生。 [0026] 本公開的一種基于圖像與XRF光譜信息融合的煤巖識別方法，由于兩種數(shù)據(jù)的分布特征不同，采用傳統(tǒng)方法中的拼接類特征融合易造成特征丟失而且相關(guān)特征提取模塊難以訓(xùn)練，而本公開所提相似度矩陣可以度量兩類特征的相似性，可以幫助模塊調(diào)整關(guān)注重點，不會造成特征丟失，方法實現(xiàn)簡單、效果好。

1.基于圖像與XRF光譜信息融合的煤巖識別方法，其特征在于，包括： 獲取待檢測的煤巖圖像； 將所述煤巖圖像輸入至圖像檢測模型，獲取可疑煤矸石及其位置信息； 將可疑煤矸石進(jìn)行XRF光譜元素測試，獲取元素信息，將元素信息以及可疑煤矸石圖像輸入至融合分類模型，所述融合分類模型分別經(jīng)過元素特征提取模塊提取元素特征，經(jīng)過圖像特征提取模塊提取圖像特征，將圖像特征和元素特征在初融模塊中進(jìn)行矩陣相乘，形成相似度矩陣，將相似度矩陣與圖像特征再進(jìn)行深度融合得到初融特征，利用初融特征得到煤和煤矸石的分類結(jié)果； 將圖像特征和元素特征在初融模塊中進(jìn)行矩陣相乘，形成相似度矩陣，將相似度矩陣與圖像特征再進(jìn)行融合得到初融特征，包括：圖像特征和元素特征首先進(jìn)行乘法運算，形成相似度矩陣，之后使用softmax對相似度矩陣進(jìn)行歸一化，最后，將歸一化后的相似度矩陣與圖像特征相乘得到初融后的特征； 相似度矩陣計算公式： Softmax計算公式： 其中，i，j分別為相似度矩陣的行標(biāo)和列標(biāo)，e為自然數(shù)，n為相似度矩陣的列數(shù)，為相似度矩陣中的第i行第j列的數(shù)值； 為從圖像中提取的特征， 為從元素中提取的特征。 2.如權(quán)利要求1所述的基于圖像與XRF光譜信息融合的煤巖識別方法，其特征在于，所述圖像特征提取模塊為卷積神經(jīng)網(wǎng)絡(luò)，包括：使用點卷積將從不同距離處提取的特征初步融合： f1?=?DWConv7×1(x)?+?DWConv3×3(x)?+?DWConv1×7(x) f2?=?BN(Conv1×1(f1))×x f3?=?f2?+?x 其中，DWConv7×1代表卷積核尺寸為7×1的深度分離式卷積，Conv1×1代表尺寸為1×1的點卷積，DWConv3×3(x)代表卷積核尺寸為3×3的深度分離式卷積，DWConv1×7(x)?代表卷積核尺寸為1×7的深度分離式卷積；f1與f2為中間變量值；f3為長短距離特征聯(lián)合提取塊輸出的特征； 所述元素特征提取模塊為Fcs，F(xiàn)cs中的激活函數(shù)為TanH函數(shù)。 3.如權(quán)利要求1所述的基于圖像與XRF光譜信息融合的煤巖識別方法，其特征在于，將相似度矩陣與圖像特征再進(jìn)行深度融合得到初融特征，包括： 其中， 為從圖像中提取的特征，S為相似度矩陣。