Devido à severa sobreposição de picos espectrais e acoplamento não linear na classificação de tipos de carvão usando espectroscopia no infravermelho próximo, o que dificulta que modelos tradicionais extraiam efetivamente características discriminativas e limita a precisão da classificação, este artigo propõe um método inteligente de classificação baseado em rede de alta resolução com duplo controle (DG-HRNet). O método combina inicialmente a distância de Mahalanobis regularizada com uma transformação normal padrão para remover amostras anômalas e melhorar a qualidade dos dados espectrais; em seguida, utiliza o Unet como rede principal, introduzindo um mecanismo de fusão de alta resolução com duplo controle para mitigar a perda de detalhes fracos em redes profundas; além disso, combina uma pirâmide de pooling convolucional dilatado aprimorada com um mecanismo de atenção compressão-excitação para modelar efetivamente a dependência de longo alcance do espectro e selecionar adaptativamente características chave. Os resultados experimentais mostram que o DG-HRNet alcança uma precisão, precisão, recall e pontuação F1 de 0,9610, 0,9647, 0,9586 e 0,9614 respectivamente na tarefa de classificação de quatro tipos de carvão, superando significativamente os modelos tradicionais de aprendizado de máquina e os principais modelos de aprendizado profundo. Este estudo oferece um novo caminho técnico para o reconhecimento rápido, preciso e não destrutivo de tipos de carvão no comércio de carvão e na supervisão aduaneira.

classificação de tipos de carvão;espectroscopia no infravermelho próximo;aprendizado profundo;fusão de alta resolução;mecanismo de atenção