一种基于高光谱成像的烧结矿混合料多成分在线检测方法

本发明涉及矿物成分检测，具体涉及一种基于高光谱成像的烧结矿混合料多成分在线检测方法，本检测方法融合多尺度注意力与领域自适应迁移，属于高光谱矿物智能检测、钢铁工业机器视觉。

背景技术：

1、钢铁烧结矿是高炉冶炼核心原料，混合料中tfe、sio2、cao、mgo、al2o3、tio2、mno七种组分含量直接决定烧结质量、高炉透气性与能耗，实时无接触在线检测是钢铁企业智能制造、低碳生产刚需。目前行业主流检测手段与传统分析方案存在多重固有缺陷：

2、行业主流检测手段有：（1）湿法化学分析、xrf均为离线检测，需人工取样、破碎研磨、压片制样，单次检测耗时数十分钟至数小时，数据严重滞后，无法实时调节烧结工艺；高温粉尘工况人工取样存在安全隐患，取样、制样全过程引入不可控人为误差。（2）libs激光在线检测仅单点采集，无法反映物料全域成分；高温高粉尘环境光学窗口极易污染，校准维护频繁，核心光学器件依赖进口、设备造价高昂；对mn、ti等低含量组分检测灵敏度不足，工况波动时测量重复性差。

3、现有传统高光谱检测技术存在以下短板：（1）预处理采用静态算法，仅适配单日单批次数据，无法消除跨日期、跨工况高温热辐射带来的基线漂移与粉尘混合噪声，光谱一致性差；（2）采用无监督pca降维提取特征，仅依靠方差筛选波段，易丢失微量元素敏感细微波段，线性pls模型抗基体效应、抗谱线耦合干扰能力弱，跨工况预测精度大幅下降；（3）采集、预处理、特征提取、建模各模块相互独立，无一体化自动化流水线，缺少成分异常可视化功能，难以落地生产线在线质检。

4、综上，现有技术无法同时兼顾实时性、全域检测、复杂工况自适应、低成本、全自动运行等工业需求，亟需一套从图谱采集到多元素输出完整的高光谱智能定量检测方案。

5、综上，目前烧结矿成分检测领域所采用的传统检测以及传统高光谱分析方案均存在各自难以克服的技术短板，各类现有技术方案均无法同时兼顾核心工业需求，因此亟须开发一套覆盖从原始高光谱图谱采集到多组分同步定量输出全链路的标准化智能检测方法，弥补现有检测技术的综合性能缺陷，满足烧结车间智能制造、稳定生产的实际应用要求。

技术实现思路

1、针对现有技术存在的数据滞后、检测成本高、稳定性差的不足，本发明的目的在于提出一种基于高光谱成像的烧结矿混合料多成分在线检测方法，旨在实现多组分无接触、全域同步定量检测，硬件投入低、自动化程度高，适配生产线在线检测需求。

2、本发明的技术方案是这样实现的：

3、一种基于高光谱成像的烧结矿混合料多成分在线检测方法，步骤如下，

4、1）高光谱数据集建立：获取不同的烧结矿混合料样本，所有烧结矿混合料样本均含有所有拟检测成分且成分含量已知，不同批次中任意一种拟检测成分含量互不相同；利用高光谱相机采集所有烧结矿混合料样本的高光谱数据；

5、2）数据预处理：将所有高光谱数据分别进行预处理，预处理包括依次执行的sg平滑滤波、msc多元散射校正和mnf最小噪声分离降噪；将预处理后高光谱数据划分为训练集和测试集；

6、3）构建预测用神经网络模型：所述预测用神经网络模型包括特征提取网络和反演网络；所述特征提取网络由多组结构相同的单元模块依次串联构成；每一组单元模块内部包括多尺度卷积块和se通道注意力模块，多尺度卷积块先采用不同尺寸的一维卷积分支进行并行特征提取，各分支输出的多尺度特征在通道维度进行拼接，拼接后的混合特征通过1×1一维卷积实现跨尺度特征融合；融合特征送入se通道注意力模块进行自适应特征加权，再经由最大池化完成下采样；原始光谱特征依次经过多组单元模块完成多粒度特征逐层抽象，最终输出固定维度的深度特征向量并提供给反演网络；

7、4）模型训练：将训练集对应的高光谱数据输入预测用神经网络模型，通过训练集对应的高光谱数据不断训练调整神经网络模型参数，建立高光谱数据与拟检测成分含量的映射关系，并通过测试集验证模型性能，训练后的预测用神经网络模型即为成分预测模型；

8、5）利用高光谱相机采集待检测烧结矿混合料样本的高光谱数据并按步骤2）进行预处理，然后输入步骤4）训练得到的成分预测模型，成分预测模型即输出待检测烧结矿混合料中拟检测成分的含量。

9、进一步地，步骤2）中，所述sg平滑滤波具体如下，设单条原始光谱向量，窗口尺寸2m + 1 ，多项式阶数p，窗口内局部波长坐标；窗口中心第点平滑值：

10、

11、式中，为滤波窗口内，局部偏移量为t位置对应的卷积权重系数； xi+t为原始光谱向量中，以第i个波长采样点为窗口中心、偏移t位置处的原始光谱反射率数值。

12、进一步地，所述msc多元散射校正具体如下，

13、首先按下式计算全部样本的平均参考光谱，以此作为统一基准：

14、

15、式中m为样本总数量；为第i条原始样本光谱；

16、随后对单条原始样本光谱，构建一元线性回归模型，通过最小二乘拟合按下式求解每一样本独有的散射系数与基线偏移量：

17、

18、式中，为乘性散射偏移；为基线偏移量；

19、最后按照如下校正公式，完成散射补偿，消除样本间由物理形貌带来的光谱幅度差异，将全部样本光谱统一至相同基线尺度，大幅降低散射干扰对矿物吸收特征的掩盖作用：

20、msc 。

21、进一步地，步骤2）中，所述mnf最小噪声分离降噪具体如下，

22、设校正后原始光谱矩阵x ∈ m×n，式中m为样本总数量，n为光谱波段总数；首先将混合光谱拆分为纯净有用信号与噪声两部分，满足分解关系：

23、

24、式中s代表混合料组分对应的有效信号矩阵，γ代表环境、采集设备带来的噪声矩阵；分别求解信号、噪声各自的协方差矩阵；

25、

26、量化信号与噪声各自的数据分布离散程度；随后构建广义特征值求解方程：

27、

28、式中为特征值，为对应特征向量，特征值数值大小表征对应方向上信号与噪声的能量比值；将全部特征向量按照特征值从大至小排序，筛选累计方差占比不低于设定值的前组特征向量构成投影矩阵；

29、最终通过如下投影变换公式完成光谱降维：

30、

31、该变换完成噪声白化处理，过滤掉低信噪比、噪声占比过高的无效波段，在最大程度保留矿物光谱有效信息的前提下大幅压缩数据维度。

32、进一步地，步骤3）中，所述融合特征送入se通道注意力模块前依次执行批量归一化与relu非线性激活，表达式如下，

33、

34、其中，为融合特征；批量归一化将特征分布标准化，缓解深层网络训练时的梯度消失问题；relu非线性激活用于挖掘光谱波段间复杂的耦合关联；运算得到的即为多尺度卷积块的最终输出特征。

35、进一步地，步骤3）中，所述se通道注意力模块用于对多尺度卷积块输出的混合通道特征进行筛选和降噪，具体处理过程如下，

36、压缩：对多尺度卷积块输出的每一条特征通道，沿光谱波长维度执行全局平均池化，将长度为l的一维通道序列压缩为单个标量值，该标量值表征对应通道全局光谱信息，实现全波段信息聚合；

37、激励：将压缩后的全局特征送入两层全连接层学习通道重要性权重：第一层全连接层对通道数做压缩率可调整的降维压缩，搭配relu激活挖掘通道间依赖关系；第二层全连接层恢复原始通道数量即波段数，通过sigmoid激活函数将输出映射至[0,1]区间，得到各通道专属重要性权重系数；

38、特征加权：将各通道重要性权重系数与原始多尺度特征图逐通道相乘，对包含矿物敏感吸收波段的有效通道分配高权重放大特征响应；对噪声、无关波段通道分配低权重以抑制冗余干扰，完成特征筛选与降噪。

39、进一步地，步骤3）中，所述反演网络整体采用多组结构完全统一的模块化基础单元串行堆叠架构；单个基础单元内部依次串联线性全连接层、bn批归一化层、leakyrelu激活层、dropout正则层；其中，线性全连接层完成特征维度映射；bn批归一化层约束单元内特征分布区间，削弱光谱基线漂移、散射噪声带来的特征偏移，加速模型收敛；leakyrelu激活层为网络引入非线性拟合能力，规避神经元死亡缺陷，适配光谱与矿物组分间复杂的非线性映射关系；沿特征前向传播方向，各基础单元的特征通道维度、dropout丢弃概率逐级衰减；随机屏蔽部分神经元输出，分层抑制模型对训练集噪声、无关波段特征的过拟合记忆。

40、进一步地，步骤4）中，预测用神经网络模型训练过程引入smoothl1多任务回归损失约束预测误差，采用最大均值差异损失对齐不同批次光谱特征分布，构建加权联合损失函数优化模型；

41、smoothl1多任务回归损失ltask按下式计算：

42、

43、式中：m为样本总数量；p为拟检测成分数；为第个样本第种组分真实含量；为第个样本第种组分预测值；

44、最大均值差异损失lmmd按下式计算：

45、

46、式中高斯核函数 ；分别为源域、目标域样本数量；为对应域深度特征；为核带宽；

47、加权融合smoothl1多任务回归损失与最大均值差异损失，得预测用神经网络模型总损失ltotal，如下式所示：

48、

49、式中：为最大均值差异损失权重系数，用于平衡组分预测误差与特征分布对齐强度。

50、进一步地，步骤4）中，预测用神经网络模型训练时，将烧结矿矿物光谱物理先验知识嵌入网络损失函数，完成多元素重叠谱线解耦；对应先验损失函数如下：

51、

52、其中，为第 k种矿物已知的标准特征峰位置，为网络学习到的对应峰位响应， 为各先验约束的权重系数；

53、则预测用神经网络模型总损失ltotal如下式所示：

54、

55、式中：为矿物光谱先验约束损失权重系数，调节物理先验约束在整体训练中的约束强度。

56、与现有技术相比，本发明具有如下有益效果：

57、1. 构建递进式多级复合自适应光谱预处理，有效消除跨日期、跨工况引发的非线性基线漂移与混合噪声，解决了传统静态预处理算法跨批次光谱一致性差的技术难题。

58、2. 设计并行多尺度一维卷积神经网络与se通道注意力机制，克服了传统无监督降维易丢失微量元素敏感波段、线性模型抗谱线耦合干扰能力弱的缺陷。

59、3. 构建多模态融合网络，引入mmd最大均值差异损失构建领域自适应迁移学习框架，搭配回归头有效抑制矿物基体效应干扰，显著提升了模型在多变工业工况下的跨域泛化能力与多种组分同步预测精度。同时将烧结矿矿物光谱物理先验知识嵌入网络损失函数，从光谱机理层面完成多元素重叠谱线解耦，降低基体效应干扰。

60、本发明将sg+msc+mnf三级递进复合校正流水线、适配一维光谱的多尺度 se 单注意力轻量化网络、融合域自适应与矿物机理约束的三重加权联合损失、逐级衰减正则多层反演网络有机结合，形成一套面向多变工业烧结产线的一体化在线检测方案。各环节相互配合、协同增效，共同解决跨日期工况基线漂移、微量组分检测灵敏度不足、跨批次泛化能力差、模型易过拟合、推理延迟无法满足产线实时检测等多重耦合技术缺陷，实现了烧结生产线无接触、连续、实时在线、全域、高精度多成分同步在线检测。

61、实验表明，本方法在跨天多批次烧结矿高光谱测试集上，sio2、cao、mgo、al2o3、tio2五类组分平均绝对误差均满足工业静态精度要求，tfe、mno也基本满足工业静态精度要求，整体性能优于传统无迁移、等权重单输出卷积模型，验证了其在烧结现场无损快速检测场景中的有效性与先进性。