基于CARS与PCA的高光谱煤岩特征信息检测方法 论文
针对采煤机智能化截割过程中煤岩识别精度低、稳定性差等问题，提出了一种基于高光谱成像技术的煤岩检测方案。在此方案中，研究人员使用了8种不同类型的煤岩样本，其中训练集包含800块样本，而预测集则有200块样本。通过竞争性自适应重加权算法（CARS），光谱全波段被降维至11个特征波长，以形成光谱特征向量。这一过程可以通过以下链接获取更多详细信息：竞争性自适应重加权。
研究人员使用灰度共生矩阵来描述煤岩的纹理特征，选取对比度、能量、同质性三个参数值作为纹理特征向量。为了进一步提高分析的准确性，通过主成分分析（PCA）融合剔除了光谱与纹理特征中解释能力较差的信息。随后，利用预测集样本分别对光谱全波段、CARS提取特征波长、图像纹理、CARS提取特征波长融合纹理特征、光谱全波段融合纹理特征和PCA融合特征波长与特征纹理特征的特征向量，建立了偏最小二乘回归模型（PLSR）。
通过对比上述六种特征向量的建模预测性能，研究结果显示，PCA算法融合后特征向量的预测性能达到了令人满意的水平。R2值为0.912，RMSE为0.201，平均绝对误差（MAE）为0.151，而准确率则高达94%。这些数值表明，该方法显著改善了煤岩特征信息检测的稳定性与可靠性，为实现采煤机的智能化开采提供了有效的特征信息支持。
想了解更多关于高光谱成像技术及其应用的研究成果，可以点击以下链接：
下载地址
用户评论
