基于CARS与PCA的高光谱煤岩识别提升策略

本文主要探讨了一种基于竞争性自适应重加权(CARS)和主成分分析(PCA)的高光谱煤岩特征信息检测方法，针对采煤机智能化截割过程中存在的煤岩识别精度低和稳定性差的问题。研究者利用高光谱成像技术收集8种不同类型煤岩样本的数据，其中800块用于训练，200块用于测试。 首先，他们采用CARS算法对光谱全波段进行降维处理，将数据压缩到11个关键特征波长，形成光谱特征向量。这种方法有助于减少冗余信息，提高计算效率。接着，通过灰度共生矩阵来分析煤岩的纹理特性，选择对比度、能量和同质性这三个关键参数作为纹理特征向量，这些纹理特征能提供关于煤岩结构和质地的额外信息。 为了进一步提升特征提取的准确性，研究者将光谱特征与纹理特征结合，分别构建了六种不同的特征向量：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、光谱全波段融合纹理以及PCA融合光谱与纹理特征。然后，使用预测集样本，通过偏最小二乘回归模型评估这六种特征向量在煤岩识别上的性能。 经过比较，发现PCA融合后的特征向量表现出最佳的预测性能，其R²（决定系数）达到0.912，表示模型能够解释91.2%的变异；RMSE（均方根误差）为0.201，表明预测结果与实际值之间有较小的偏差；平均绝对误差MAE为0.151，显示出较低的预测误差；而准确率高达94%，证明了该方法在识别煤岩方面的高精度。 这项工作的重要性在于它改进了煤岩特征信息的检测稳定性和可靠性，为采煤机智能化开采提供了可靠的特征信息支持。通过集成CARS和PCA，研究者成功地减少了特征维度，提高了识别效率，这对于提升煤矿开采过程中的自动化水平和工作效率具有显著的意义。这篇论文为高光谱技术在煤炭工业中的应用提供了一个有效的解决方案。