Aufgrund der starken Überlappung von Spektren peaks und nichtlinearer Kopplung bei der Kohleartenklassifizierung mittels Nahinfrarotspektroskopie, was es traditionellen Modellen erschwert, diskriminierende Merkmale effektiv zu extrahieren und die Klassifikationsgenauigkeit begrenzt, schlägt dieser Artikel eine intelligente Klassifizierungsmethode basierend auf einem doppelt gesteuerten hochauflösenden Netzwerk (DG-HRNet) vor. Die Methode kombiniert zunächst regulierte Mahalanobis-Distanz mit einer standardnormalen Transformation zur Entfernung anomaler Proben und Verbesserung der Spektraldatenqualität; anschließend wird Unet als Rückgratnetzwerk verwendet und ein doppelt gesteuerter hochauflösender Fusionsmechanismus eingeführt, um den Verlust schwacher Detailmerkmale in tiefen Netzwerken zu mindern; weiter wird eine verbesserte dilatierte räumliche Faltungspooling-Pyramide mit einem Kompressions-Erregungs-Attentionsmechanismus kombiniert, um die Langzeitabhängigkeiten im Spektrum effektiv zu modellieren und wichtige Merkmale adaptiv auszuwählen. Experimentelle Ergebnisse zeigen, dass DG-HRNet bei der Vier-Klassen-Kohleartenklassifizierungsaufgabe eine Genauigkeit, Präzision, Rückrufrate und F1-Score von 0,9610, 0,9647, 0,9586 bzw. 0,9614 erreicht und die Klassifikationsleistung deutlich besser ist als bei traditionellen maschinellen Lernmodellen und gängigen tiefen Lernmodellen. Die Studie bietet einen neuen technischen Ansatz für die schnelle, präzise und zerstörungsfreie Erkennung von Kohlearten im Kohlehandel und der Zollüberwachung.

Kohleartenklassifizierung;Nahinfrarotspektroskopie;Deep Learning;hochauflösende Fusion;Aufmerksamkeitsmechanismus