煤与矸石分选是煤矿生产的必要工序, 现有的人工分选与机械分选, 存在效率低, 易造成资源浪费以及环境污染等问题。 鉴于可见/近红外高光谱成像具有分析速度快、 样品无需预处理、 无污染等诸多优势, 旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性, 并基于特征波长筛选算法简化模型, 为构建多光谱煤与矸石分选系统提供理论参考。 首先, 搭建高光谱成像系统并采集山西西铭矿的85个煤样本与83个矸石样本在400~1 000 nm(Vis/NIR)与1 000~2 500 nm(NIR)两个范围内的高光谱图像, 基于图像处理方法去除背景信息, 选取Vis/NIR范围内100×100像素和NIR范围内50×50像素区域内的平均光谱作为该样本在对应波段范围的一条光谱, 重复10次, 最终在两个波段各获得煤与矸石光谱850条和830条。 其次, 对光谱先后进行Savitzky-Golay卷积平滑和标准正态变量变换, 以减少噪音和误差对光谱的影响。 基于全波段光谱建立支持向量机(SVM), k近邻法(KNN), 偏最小二乘判别分析(PLS-DA)三种模型, 每个模型针对预测集的分类准确度均大于0.95, 结果表明, 基于煤和矸石的光谱信息可将二者区分。 随后根据竞争性自适应重加权算法(CARS)和连续投影算法(SPA)选择的特征波长建立简化模型, 综合考虑精度与成本等因素, 在Vis/NIR范围内基于SPA筛选的3个特征波长所建立的SVM模型效果最好, 不仅能有效减少波长数量, 还能提高模型的分类效果, 对应的灵敏度, 特异度, 准确度分别为1, 0.965 2, 0.983 3。 基于判别模型与样本的平均光谱还可实现煤和矸石的分类可视化。 研究结果对开发基于特征波长的低成本煤和矸石多光谱分选系统, 实现煤矸快速、 准确的无损检测具有借鉴意义。

煤矸智能识别是实现综放开采智能化亟待研发的新技术; 可见-近红外光谱技术具有环保、 实时等优势, 满足煤矸智能分选的要求。 为解决基于可见-近红外光谱的煤矸识别问题, 引入在数据科学竞赛中表现出色的极端梯度提升树(XGBoost)算法。 搭建可见-近红外光谱实验平台采集来自山西西铭、 陕西神木、 内蒙古巴隆图煤矿的块状煤与矸石样品在370~1 049 nm波段的反射光谱; 利用黑白校正、 始末波段去除、 SG卷积平滑和标准正态变量变换(SNV)对采集的原始光谱进行预处理, 以减少光照不均、 噪声以及光程差的影响。 依据三个煤矿煤与矸石样品反射光谱的差异划分实验组和测试组, 实验组差异微小, 用于对比不同模型的性能, 挑选最佳算法; 测试组差异较明显, 用于测试最佳算法在其他煤矿下的表现, 检验算法对不同煤矿的适用性。 在实验组的实验中, 首先基于XGBoost算法建立煤与矸石分类模型, 并引入常用的机器学习分类算法k近邻法(KNN)、 随机森林(RF)、 支持向量机(SVM)做对比, 结果表明XGBoost的表现最佳, 十折交叉验证的平均准确度(ACC₁₀)、 分类准确度(ACC)与AUC值分别达到0.957 2, 0.970 5与0.971 6, 体现出较强的稳定性与分类能力。 其次为降低数据维度减少模型运算量, 使用递归特征选择(RFE)、 连续投影算法(SPA)与竞争性自适应重加权算法(CARS)分别进行特征波长的选择并与上述四种分类算法结合构建简化分类模型, 经测试RFE与XGBoost组合的简化模型表现最佳, ACC₁₀, ACC与AUC值分别为0.965 7, 0.980 3与0.980 3且数据维度降至9, 在降低数据维度的同时提高了模型的稳定性与分类能力。 在测试组的实验中, 基于优选出的XGBoost与RFE-XGB算法建立的模型, 同样可以实现对其他矿区煤与矸石稳定精确地识别, 且简化模型表现更好, 与实验组结果一致。

光谱质量、 样本个体差异、 检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。 采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s^-1运行速度在线获取了“富士”苹果全透射光谱信号。 不同姿态获取的透射光谱强度差异明显, 但曲线走势相近, 均在920 nm波段具有最大的光谱强度, 在850 nm波段存在波谷。 采用移动平均平滑、 标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差, 减小了样本检测姿态引起的光谱差异。 为分析不同检测姿态对苹果整果糖度预测模型的影响, 构建了单一姿态局限模型和多姿态通用模型, 结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性, 而多姿态通用模型预测能力较单一检测姿态相当, 但却对不同的检测姿态具有更强的适用能力。 为进一步提高光谱信号质量, 优化模型预测能力, 采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化, 发现移除中央位点获取的透射光谱信号, 有利于提高苹果整果糖度预测模型精度。 多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性, 有效提升了通用信号强度优化模型的预测能力和稳定性, 当多姿态通用模型中信号强度阈值为5 000时, 模型预测性能最佳, 其预测参数R_p, RMSEP和RPD分别为0.79, 0.84%和1.58。 表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的, 多姿态通用模型的建立, 扩大了模型在不同姿态的预测稳健性, 短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。

基于可见-近红外光谱分析技术开发了手持式水果糖度检测装置, 并用于水果糖度的现场实时分析。 硬件系统主要包括微型光谱仪、 卤素灯、 OLED显示屏、 单片机及驱动电路等。 采用Keil 5开发工具, 用C语言开发单片机程序。 配合上位机以LabView编写的光谱采集程序, 实现光谱信息的采集。 以苹果和大桃作为检测对象, 对装置的检测精度和模型在2台装置(主机、 从机)间的传递效果进行了探讨。 在实验室和果园环境下, 分别获取了苹果、 大桃样本在600~950 nm范围的可见-近红外光谱。 对实验室条件下采集的主机校正集光谱进行分析, 经过平滑、 最大值归一化、 二阶导数等预处理后, 利用偏最小二乘算法分别建立了苹果、 大桃的糖度检测模型。 模型导入主机装置后, 对预测集样本进行检验。 对苹果、 大桃的预测集相关系数和预测均方根误差分别为0.925, 0.587%和0.821, 0.613%。 采用分段直接校正和基于典型相关分析算法的模型传递方法将模型由主机传递到从机。 对比后发现, 基于典型相关分析算法取得了更好的模型传递结果。 从机对苹果、 大桃糖度的预测集相关系数和预测均方根误差分别为0.883, 0.641%和0.805, 0.626%。 将实验室条件下建立的模型用于树上采集到的水果光谱数据分析, 得到预测集相关系数和预测均方根误差分别为0.866, 0.741%和0.816, 0.627%。 整体检测结果表明, 该装置可以满足对苹果、 大桃糖度的有效检测, 借助模型传递算法, 实现了模型在不同装置间的共享和有效传递, 且实验室环境下采集的数据建立的模型可以用于树上水果糖度的有效检测, 该装置具有较大的经济价值和应用前景。