基于近红外光谱与双重门控高分辨率网络的煤种智能分类方法

陆成伟; 赵义杰; 张子豪; 韩祎陟

doi:10.12452/j.fxcsxb.26040901

您当前的位置：

首页 >

文章列表页 >

基于近红外光谱与双重门控高分辨率网络的煤种智能分类方法

更新时间：2026-08-19

- 基于近红外光谱与双重门控高分辨率网络的煤种智能分类方法
- Intelligent Coal Classification Method Based on Near-infrared Spectroscopy and Dual-gated High-resolution Network
- 分析测试学报 2026年45卷页码：1-10
- 作者机构：
  
  1.中国矿业大学信息与控制工程学院，江苏徐州 221116
  2.广州海关技术中心，广东广州 510423
  3.呼和浩特海关技术中心，内蒙古呼和浩特 010020
- 作者简介：
  
  赵义杰，硕士，研究方向：深度学习与光谱分析，E-mail：yijiezhao@cumt.edu.cn
- 基金信息：
- DOI：10.12452/j.fxcsxb.26040901
  中图分类号： O657.3
- 收稿：2026-04-09，
  
  修回：2026-05-11，
  
  录用：2026-05-14，
  
  网络首发：2026-05-25，
  
  纸质出版：2026-09-15
- 稿件说明：
移动端阅览
陆成伟,赵义杰,张子豪,韩祎陟.基于近红外光谱与双重门控高分辨率网络的煤种智能分类方法[J].分析测试学报,2026,45(09):1-10.

LU Cheng-wei,ZHAO Yi-jie,ZHANG Zi-hao,HAN Yi-zhi.Intelligent Coal Classification Method Based on Near-infrared Spectroscopy and Dual-gated High-resolution Network[J].Journal of Instrumental Analysis,2026,45(09):1-10.
陆成伟,赵义杰,张子豪,韩祎陟.基于近红外光谱与双重门控高分辨率网络的煤种智能分类方法[J].分析测试学报,2026,45(09):1-10. DOI： 10.12452/j.fxcsxb.26040901.

LU Cheng-wei,ZHAO Yi-jie,ZHANG Zi-hao,HAN Yi-zhi.Intelligent Coal Classification Method Based on Near-infrared Spectroscopy and Dual-gated High-resolution Network[J].Journal of Instrumental Analysis,2026,45(09):1-10. DOI： 10.12452/j.fxcsxb.26040901.

摘要

针对近红外光谱在煤种分类中存在谱峰严重混叠和非线性耦合，导致传统模型难以有效提取判别特征、分类精度受限的问题，该文提出了一种基于双重门控高分辨率网络（DG-HRNet）的智能分类方法。该方法首先结合正则化马氏距离与标准正态变换，对异常样本进行剔除并提升光谱数据质量；随后以Unet为骨干网络，引入双重门控高分辨率融合机制，以缓解深层网络中微弱细节特征丢失的问题；进一步结合改进的空洞空间卷积池化金字塔和压缩-激励注意力机制，实现对光谱长距离依赖信息的有效建模与关键特征的自适应筛选。实验结果表明，DG-HRNet在煤种四分类任务中的准确率、精确率、召回率和F1分数分别达到0.961 0、0.964 7、0.958 6和0.961 4，分类性能显著优于传统机器学习模型和主流深度学习模型。该研究为煤炭贸易和海关监管中的煤种快速、精准无损识别提供了新的技术路径。

Abstract

To address the problem that severe peak overlap and nonlinear coupling in near-infrared spectra make it difficult for traditional models to effectively extract discriminative features and thus limit classification accuracy in coal classification，this study proposes an intelligent classification method based on a dual-gated high-resolution network（DG-HRNet）. First，regularized Mahalanobis distance and standard normal variate transformation are combined to remove abnormal samples and improve spectral data quality. Then，Unet is employed as the backbone network，and a dual-gated high-resolution fusion mechanism is introduced to alleviate the loss of weak detailed features in deep networks. Furthermore，an improved atrous spatial pyramid pooling module and a squeeze-and-excitation attention mechanism are incorporated to enable effective modeling of long-range spectral dependencies and adaptive selection of key features. Experimental results show that，in the four-class coal classification task，DG-HRNet achieves an accuracy，precision，recall，and F1-score of 0.961 0，0.964 7，0.958 6，and 0.961 4，respectively，significantly outperforming traditional machine learning models and mainstream deep learning models. This study provides a new technical route for rapid，accurate，and non-destructive coal identification in coal trade and customs supervision.

关键词

Keywords

references

Vardar S ， Demirel B ， Onay T T . Environ. Sci. Pollut. Res. ， 2022 ， 29 （ 27 ）： 40302 - 40318 .

Midilli A ， Kucuk H ， Topal M E ， Akbulut U ， Dincer I . Int. J. Hydrogen Energy ， 2021 ， 46 （ 50 ）： 25385 - 25412 .

Rafieizonooz M ， Khankhaje E ， Rezania S . J. Build. Eng. ， 2022 ， 49 ： 104040 .

Zhou H X ， Bhattarai R ， Li Y K ， Si B C ， Dong X X ， Wang T F ， Yao Z T . Sci. Total Environ. ， 2022 ， 804 ： 149985 .

Gou W ， Zhang X K . Distrib . Energy （苟伟，张勋奎. 分布式能源）， 2025 ， 10 （ 5 ）： 1 - 9 .

National Bureau of Statistics of China . Statistical Communique of the People's Republic of China on the 2025 National Economic and Social Development（国家统计局 . 中华人民共和国2025年国民经济和社会发展统计公报） . ［ 2026-04-09 ］. https：//www.stats.gov.cn/sj/zxfbhjd/202602/t20260228_1962662.html https://www.stats.gov.cn/sj/zxfbhjd/202602/t20260228_1962662.html .

Sun C K ， Cao Q . Fuel Chem . Processes （孙春凯，曹强. 燃料与化工）， 2025 ， 56 （ 3 ）： 1 - 5，10 .

Lü H W ， Qiu M D ， Chen P . Inf. Syst. Eng. （吕汉闻，仇明达，陈鹏 . 信息系统工程）， 2025 ，（ 10 ）： 73 - 75 .

Wang H L ， Guo X ， Zhang Y F ， Zhang J S . Coal Sci . Technol. （王洪磊，郭鑫，张亦凡，张俊升.煤炭科学技术）， 2024 ， 52 （ 2 ）： 219 - 237 .

Du H ， Ke S ， Zhang W ， Qi D F ， Sun T F . Anal. Sci. ， 2024 ， 40 （ 9 ）： 1709 - 1722 .

Tian Q ， Ouyang Z ， Qu Q ， Guan S . Metall. Anal. （田琼，欧阳政，曲强，管嵩. 冶金分析）， 2024 ， 44 （ 10 ）： 64 - 71 .

Roy T ， Shukla S ， Kashyap Y ， More M R ， Shukla M ， Singh P . Radiat. Phys. Chem. ， 2024 ， 222 ： 111830 .

Ozturk S ， Bowler A ， Rady A ， Watson N J . J. Food Eng. ， 2023 ， 341 ： 111339 .

Xu Y P ， Liu D ， Chen P ， Li J Y ， Chu X L . J. Instrum. Anal. （许育鹏，刘丹，陈瀑，李敬岩，褚小立. 分析测试学报）， 2025 ， 44 （ 10 ）： 2026 - 2033 .

Vasconcelos L ， Dias L G ， Leite A ， Ferreira I ， Pereira E ， Silva S ， Rodrigues S ， Teixeira A . Foods ， 2023 ， 12 （ 3 ）： 470 .

Ye W X ， Yan T Y ， Zhang C ， Duan L ， Chen W ， Song H ， Zhang Y F ， Xu W ， Gao P . Foods ， 2022 ， 11 （ 11 ）： 1609 .

Bian X H ， Li S J ， Fan M R ， Guo Y G ， Chang N ， Wang J J . Anal. Methods ， 2016 ， 8 （ 23 ）： 4674 - 4679 .

Ding Y H ， Yan Y L ， Li J ， Chen X ， Jiang H . Foods ， 2022 ， 11 （ 11 ）： 1658 .

Wang L S ， Huang Z L ， Wang R J . Infrared Phys. Technol. ， 2021 ， 115 ： 103731 .

Wang Y Y ， Li B Y ， Li H Y ， Xiao D . ACS Omega ， 2024 ， 9 ： 47756 - 47764 .

Zou L ， Yu X ， Li M ， Lei M ， Yu H . IEEE Trans. Instrum. Meas. ， 2020 ， 69 （ 10 ）： 8043 - 8052 .

Li S T ， Liao F ， Wu J Z ， Zhang J ， Xu M Y ， Ding W ， Li Y S ， Li S B ， He W M ， Wang H ， Bi Y M . J. Instrum. Anal. （李石头，廖付，吴继忠，张军，徐梦瑶，丁伟，李永生，李淑彪，何文苗，王辉，毕一鸣. 分析测试学报）， 2025 ， 44 （ 3 ）： 514 - 520 .

Li Y ， Ren Z ， Zhao C Y ， Liang G Q . Foods ， 2025 ， 14 （ 3 ）： 484 .

Zhou H C ， Guan H O ， Ma X D ， Wei B X ， Zhang Y F ， Lu Y X . Microchem. J. ， 2024 ， 206 ： 111542 .

Yang Y ， Wang S Q ， Zhu Q B ， Qin Y ， Zhai D D ， Lian F Y . J. Food Compos. Anal. ， 2024 ， 136 ： 106736 .

Liu T ， Li J L ， Xia R ， Wang X W ， Li B . Int. J. Coal Prep. Util. ， 2024 ， 44 （ 8 ）： 1017 - 1038 .

Wang Y D ， Jia J W ， Tan W J ， Lei M . J. Instrum. Anal. （王亚栋，贾俊伟，谭韦君，雷萌. 分析测试学报）， 2024 ， 43 （ 4 ）： 607 - 613 .

Zou L ， Qiao J H ， Yu X H ， Chen X ， Lei M . IEEE Trans. Artif. Intell. ， 2024 ， 5 （ 3 ）： 1398 - 1410 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

深度学习与开普勒优化算法结合近红外光谱测定烟草烟碱含量

深度学习驱动的近红外光谱技术在中药质量评价中的研究进展

基于非标准物质及小样本的近红外光谱设备选型方法研究

纳塑料的超分辨光学成像研究进展

水环境pH驱动微塑料老化的机制、效应与分析表征技术瓶颈