En raison d'un chevauchement sévère des pics spectraux et d'un couplage non linéaire dans la classification des types de charbon à l'aide du spectre proche infrarouge, ce qui rend difficile pour les modèles traditionnels d'extraire efficacement des caractéristiques discriminantes et limite la précision de classification, cet article propose une méthode de classification intelligente basée sur un réseau à double porte et haute résolution (DG-HRNet). Cette méthode combine d'abord la distance de Mahalanobis régularisée avec une transformation normale standard pour éliminer les échantillons aberrants et améliorer la qualité des données spectrales ; elle utilise ensuite Unet comme réseau principal, introduisant un mécanisme de fusion à double porte haute résolution pour atténuer la perte de détails faibles dans les réseaux profonds ; enfin, elle combine un pyramid pooling dilaté spatial amélioré avec un mécanisme d'attention compression-excitation pour modéliser efficacement les dépendances à longue distance dans le spectre et filtrer adaptativement les caractéristiques clés. Les résultats expérimentaux montrent que DG-HRNet atteint des taux de précision, de rappel et un score F1 respectivement de 0,9610, 0,9647, 0,9586 et 0,9614 dans la tâche de classification à quatre classes de types de charbon, surpassant nettement les modèles traditionnels d'apprentissage automatique et les principaux modèles d'apprentissage profond. Cette étude fournit une nouvelle approche technologique pour une identification rapide, précise et non destructive des types de charbon dans le commerce du charbon et la surveillance douanière.

classification des types de charbon;spectre proche infrarouge;apprentissage profond;fusion haute résolution;mécanisme d'attention