В связи с серьезной интерференцией пиков спектра и нелинейной взаимосвязью в классификации типов угля на основе ближнего инфракрасного спектра, что затрудняет традиционным моделям эффективно извлекать дискриминационные признаки и ограничивает точность классификации, в статье предложен интеллектуальный метод классификации на основе двойной управляемой высокоразрешающей сети (DG-HRNet). Метод сначала сочетает регуляризованное расстояние Махаланобиса с нормальным стандартным преобразованием для удаления аномальных образцов и улучшения качества спектральных данных; затем использует Unet в качестве основной сети с введением механизма двойного управляемого высокоразрешающего слияния для снижения потери слабых детальных признаков в глубоких сетях; далее интегрирует усовершенствованную дилатированную пространственную свертку с пирамидой пуллинга и механизмом внимания сжатия-возбуждения для эффективного моделирования длинных зависимостей в спектре и адаптивного отбора ключевых признаков. Результаты экспериментов показывают, что DG-HRNet достигает точности, прецизионности, полноты и F1-меры в задаче четырехклассовой классификации угля на 0.9610, 0.9647, 0.9586 и 0.9614 соответственно, значительно превосходя традиционные модели машинного обучения и ведущие модели глубокого обучения. Исследование открывает новый технический путь для быстрого, точного и безразрушительного распознавания типов угля в торговле углем и таможенном контроле.

классификация угля; ближний инфракрасный спектр; глубокое обучение; высокоразрешающее слияние; механизм внимания