针对传统检测方式的食用油损耗大、操作烦琐、耗时长等缺陷，提出了一种食用油种类快速无损检测的新思路。实验选用包括混合油样在内的5种待测油样本，利用搭建出的激光诱导荧光系统采集数据500组，随机选取其中400组光谱数据作为训练集，余下的100组作为测试集。选用性能更为优异的堆栈自动编码器算法对获取的荧光光谱数据进行特征提取，通过极限学习机进行分类识别，最后利用不同时间测出的食用油样本验证模型的普适性。实验结果表明，在所构建的识别模型下，样本测试网络时间仅为0.2 ms，分类准确率可达到100%，用于验证的新油样同样可取得极好的分类效果，分类速度快，准确率高。所得结果证明所建立的模型是可靠的，能够在确保精准识别的同时，实现食用油类别的快速无损检测。

煤矿的现代化建设需要实现煤矸石的智能分选。设计了一个基于多光谱图像的煤矸石检测模型,其目的是快速、准确地为智能分选提供煤矸石位置。首先,采集煤和煤矸石的多光谱数据,利用最佳指数因子理论从多光谱图像的25个波段中选择3个构成伪RGB图像。其次,设计一个轻量的检测模型,记为YOLO mg。最后,基于伪RGB图像将设计的模型用于煤矸石检测研究,并通过非极大值抑制联合置信度阈值过滤冗余边界框。实验结果显示,YOLO mg在204 pixel×204 pixel的输入分辨率下,实现了煤矸石91.91%的平均检测精度,并且115张光谱图像的检测耗时仅为1.225 s。所设计的轻量检测模型能实现煤矸石最快速的识别和定位,这对煤矸石的智能分离操作具有重要意义。

针对现有葡萄酒检测技术无法快速、高效鉴别葡萄酒品质的问题,基于无需建立标签、调参简单的聚类算法,提出了一种利用激光诱导荧光技术获取葡萄酒光谱信息的方法,实现了酒样鉴别。选取三个品牌、两个年份的四个葡萄酒样本,在同一酒精度的前提下,与水进行1∶10体积配比后,对每个酒样采集100个光谱信息。利用K-均值、自组织竞争网络和自组织特征映射神经网络三个聚类算法进行酒样的鉴别,实验结果表明:在光谱信息分析中,三个聚类算法均表现出较优越的性能,识别准确率均达到99%以上,自组织特征映射神经网络的分类准确率更是达到了100%,平均用时5.875 s,具有较高的鲁棒性和泛化能力。研究结论证明聚类算法对葡萄酒品质的检测是切实可行的。

快速且准确识别矿井涌水水源对于防范煤矿水灾事故有着重大的研究意义。 利用激光诱导荧光(LIF)光谱融合智能分类算法进行矿井涌水水源识别打破了传统水化学方法耗时过长等不足, 具有灵敏度高、 响应速度快等特点； 然而目前这些已使用的算法仅能依靠分类准确率定性判别不同矿井涌水水样的种类。 把随机森林(RF)算法和竞争性自适应重加权(CARS)算法相结合, 基于激光诱导荧光的水样荧光光谱数据建立偏最小二乘回归(PLSR)模型来预测不同矿井涌水的含量, 实现水样的定量评估。 首先, 采集300组以老空水为基础混入不同含量砂岩水的矿井涌水样本, 将采集到的水样按4∶1比例随机划分成校正集和预测集, 校正集共240组用于建立回归模型, 预测集共60组用于预测不同水样, 搭建激光诱导荧光涌水光谱系统完成光谱数据的获取并生成荧光光谱图。 然后分别通过S-G卷积平滑法和Lowess平滑法对原始荧光光谱进行去噪处理, 发现处理后的荧光光谱较原始光谱更为分散, 适合光谱分析, 对比了两种去噪方法的预测精度, 选择Lowess平滑法作为最终去噪方法。 接着采用RF算法约简去噪后属性重要度较低的光谱属性, 依据最优回归模型的性能选择约简出的223个属性再用于CARS算法的二次属性精简, 根据CARS算法采样过程中交叉验证均方根误差值最小原则选择出的77个属性光谱数据建立PLSR模型。 最后与全光谱、 其他变量选择方法、 不同回归模型相比, RF-CARS算法属性精简效果最好, 较全光谱建模, 属性由2 048个减少到77个, 模型预测集判定系数R2pre由0.991 4增长到0.996 7, 预测均方根误差RMSEP由0.029 4减少到0.018 3, 预测精度得到提升, 其余评估指标也相对较好。 实验结果表明, RF-CARS结合激光诱导荧光光谱可快速、 精准预测矿井涌水, 精简出的光谱属性用来建立回归模型, 为实现矿井涌水含量的实时定量评估提供了一定的理论保障。

煤矸石分离对环境保护和资源高效利用具有重要意义,因此,提出了一种基于多光谱成像技术和目标检测的煤矸石智能分离方法。首先,在实验室搭建了煤矸石多光谱采集系统,共采集850组多光谱数据;其次,研究了多光谱中各波段煤矸石的识别率及相关性,从25个波段中选出3个波段构成伪RGB(Red,Green,Blue)图像;最后,用改进的目标检测模型YOLO v4.1检测煤矸石。实验结果表明,YOLO v4.1在测试集上检测煤和煤矸石的平均精度均值为98.26%,检测时间约为4.18 s。该方法不仅能准确识别出煤和煤矸石,还能获取两者的相对位置和大小,对煤矸石的分离操作具有重要意义。

针对现有的食用油检测技术无法快速、准确地识别市售食用油的问题,提出了一种快速辨识食用油的方法。采用激光诱导荧光技术(LIF)获取油样的荧光光谱数据,然后采用主成分分析法提取光谱数据的特征信息,之后采用飞蛾-扑火优化器和核极限学习机相结合的算法建立多元分类学习模型,最后用该模型识别油样的类别。实验油样选取5种样本,每种样本采集150组荧光光谱,然后随机抽取600个样本用于学习模型的训练,剩余的150个用于测试训练好的模型。结果表明:在测试集上的平均分类准确率方面,该模型与极限学习机、反向传播神经网络相差不大,但该模型分类准确率的标准差远小于其他两种模型。这说明所建模型具有较稳定的分类性能,可以满足快速鉴别食用油的要求。

快速准确的识别突水类型和突水来源对煤矿安全开采具有重要意义, 激光诱导荧光(LIF)技术在检测中具有快速性和灵敏性, 将LIF应用于煤矿突水的检测, 再结合模式识别算法, 可快速识别出突水来源。 目前用于识别水样光谱的算法过于依赖预先建立的水样光谱数据库, 当突水水源不在该库中时, 易引发误识别。 无监督学习算法DBSCAN在聚类时不需样本集的标签和类别信息, 能降低对未知类别的误识别, 因此把DBSCAN算法用于突水的激光诱导荧光光谱识别, 并将MVO用于DBSCAN的参数寻优, 省去繁琐的人工参数寻优过程。 实验中, 从谢桥煤矿采水点获取四个水样, 利用像素为2 048的USB2000+光谱仪采集水样的荧光光谱, 每种水样采集30组光谱数据。 首先, 利用无监督学习算法自动编码器(AE)对原始光谱数据降维, 以减少光谱数据中冗余信息对聚类的影响, 设计的AE的结构是介于浅层和深层之间的多层网络模型, 可将原始光谱数据降到2维; 为使降维模型具有稀疏性, 在传统的AE算法中加入一个Dropout层, 由实验可知, 加入Dropout层后的降维模型具有较快的收敛速度。 将多元宇宙优化(MVO)算法用于DBSCAN参数寻优, 在参数寻优过程中, DBSCAN对降维后的水样光谱识别率最高为97.5%, 此时参数所对应的取值范围为［0.023 66 0.040 65］; 为验证AE对水样光谱数据降维的有效性, 把归一化后的未降维的光谱数据用于DBSCAN聚类识别, DBSCAN对原始水样光谱的识别率最高为95%, 比降维后的后水样光谱识别率低了2.5%, 结果表明, 使用AE降维光谱数据, 可提高DBSCAN对不同光谱的识别率。 最后, 用监督学习算法K最近邻(KNN)识别降维后的水样光谱, 将识别结果和无监督学习算法DBSCAN的识别结果对比, 其中训练集选用三种水样, 测试集使用四种水样; 在测试集中, 监督学习算法只能准确地识别训练集所包含的水样类别, 但把训练集没有的类别全部识别错误, 而DBSCAN能准确的识别出训练集中没有的水样光谱。 非线性降维算法AE能实现对高维的水样光谱数据降维, 把MVO-DBSCAN用于煤矿突水水源的LIF光谱识别, 可有效降低因矿井水源光谱数据库建立不完备而引起的误识别。

矿井突水一直威胁着煤矿井下施工人员的生命安全, 准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。 激光诱导荧光(LIF)光谱技术识别矿井突水水源, 有效避免了常规的水化学法需要测定多种化学参数, 水源识别时间过长的缺点。 提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法, iPLS算法常应用于光谱波段优选和模型的回归分析, PSO-SVC则在机器学习领域有着重要的应用, 激光诱导荧光技术具有快速的时间响应、 测量精度高等特点, iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析, 进而可以对突水水源类型识别分类。 首先, 用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验, 对老空水、 灰岩水、 灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。 比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率, 采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。 其次, 用iPLS算法将全光谱波段依次按10～25波段区间进行等分, 选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段, 结合光谱图对比分析了划分10和14个子区间的建模结果, 发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。 最后, 在不进行去噪、 降维等预处理条件下, 根据iPLS划分不同区间数的评价指标统计数据, 选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入, 以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、 直接观察得到波段建模准确率相比, 训练集与测试集的分类准确率高达100%, PSO寻优到的最佳惩罚系数c为1.367 0, 核函数参数g为0.576 2。 从实验结果可以看出, 利用iPLS进行荧光光谱的特征波段筛选是切实可行的, 提取出的特征波段能充分反映出全光谱波段的有效信息, 为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。

随着生活水平的提高, 人们越来越重视食品安全问题, 假酒是食品安全中无法绕开的一个话题, 不同品牌白酒的快速准确辨识, 对假酒识别和食品安全都具有较大的现实意义。基于此, 提出一种将XGBoost算法结合激光诱导荧光技术(Laser-induced fluorescence, LIF)的不同品牌白酒快速识别方法, 把激光诱导荧光技术用于采集白酒的荧光光谱, 然后将获取的白酒原始光谱数据用XGBoost算法识别。实验以40°和45°白酒为研究对象, 选取6种酒样, 每种酒样采集40组光谱, 随机选取30组用于XGBoost模型的训练, 剩余10组用于训练好的模型测试, 实验中, XGBoost算法的训练用时为0.172 s, 训练好的模型测试识别率为98.33%。实验结果表明, XGBoost算法结合激光诱导荧光技术可快速准确识别不同品牌白酒。