Debido a la grave superposición de picos espectrales y al acoplamiento no lineal en la clasificación de tipos de carbón mediante espectroscopía de infrarrojo cercano, lo que dificulta que los modelos tradicionales extraigan eficazmente características discriminativas y limita la precisión de clasificación, este documento propone un método inteligente de clasificación basado en redes de alta resolución con doble control (DG-HRNet). El método primero combina la distancia de Mahalanobis regularizada con una transformación normal estándar para eliminar muestras atípicas y mejorar la calidad de los datos espectrales; luego utiliza Unet como red base, introduciendo un mecanismo de fusión de alta resolución con doble control para aliviar la pérdida de detalles débiles en redes profundas; además, combina una pirámide de pooling convolucional dilatada mejorada y un mecanismo de atención de compresión-excitación para modelar eficazmente la dependencia a largo plazo en el espectro y seleccionar adaptativamente características clave. Los resultados experimentales muestran que DG-HRNet alcanza una precisión, exactitud, sensibilidad y puntuación F1 de 0,9610, 0,9647, 0,9586 y 0,9614 respectivamente en la tarea de clasificación de cuatro tipos de carbón, superando significativamente a los modelos tradicionales de aprendizaje automático y los principales modelos de aprendizaje profundo. Este estudio ofrece una nueva vía técnica para la identificación rápida, precisa y no destructiva de tipos de carbón en el comercio del carbón y la supervisión aduanera.

clasificación de tipos de carbón;espectroscopía de infrarrojo cercano;aprendizaje profundo;fusión de alta resolución;mecanismo de atención