電荷耦合頻響多光譜反演網絡的煤矸石檢測方法

摘 要：煤矸石作為煤炭開采的副產品，其處理與監測對環境保護和資源利用具有重要意義。傳統的煤矸石檢測方法存在效率低下、資源消耗大等問題。為解決這些問題，提出一種基于電荷耦合頻響多光譜反演網絡的煤矸石檢測方法。該方法利用無人機搭載高分辨率相機拍攝煤矸堆圖像，首先，通過構建光譜重建網絡模型MST++，實現對光譜數據的高效重建，彌補了RGB圖像在光譜信息上的不足；然后，利用Faster R-CNN模型處理重建后的光譜數據；最后，對矸石堆中的煤炭含量進行預測。結果表明：與原始RGB數據集相比，多光譜重建后的煤矸石與煤炭圖像的檢測準確率顯著提升至91.2%，將真實含碳量與預測結果進行比對，兩者誤差控制在5%以內，為煤炭資源的回收利用提供了科學依據。該方法充分利用了無人機遙感技術與深度學習算法的優勢，通過光譜重建與目標檢測的有機結合，實現了煤矸石的精準識別與定量分析，為煤矸石的高效處理與資源化利用提供了新的技術路徑，具有良好的應用前景。

關鍵詞：光譜重建；多光譜圖像；卷積神經網絡；目標檢測；煤矸石

中圖分類號：TD 849

"文獻標志碼：A 文章編號：1672-9315（2025）01-0117-12

DOI：10.13800/j.cnki.xakjdxxb.2025.0111

Gangue detection methods by charge-coupled frequency

response multispectral inversion network

ZHAO Shuanfeng¹，WANG Li¹，LI Xiaoyu¹，XING Zhizhong²

（1.College of Mechanical Engineering，Xi’an University of Science and Technology，Xi’an 710054，China；

2.School of Rehabilitation，Kunming Medical University，Kunming 650500，China）Abstract：As a by-product of coal mining，the treatment and monitoring of coal gangue is of great significance to environmental protection and resource utilisation.The traditional coal gangue detection methods have problems such as low efficiency and high resource consumption.For these，a coal gangue detection method based on charge-coupled frequency response multispectral inversion network is proposed.A UAV carrying a high-resolution camera was used to take images of the coal gangue.Firstly，by constructing a spectral reconstruction network model MST++，an efficient reconstruction of the spectral data was achieved，which makes up for the lack of spectral information in the RGB image.Secondly，the reconstructed spectral data were processed using the Faster R-CNN model，and finally the coal content in the gangue pile was also predicted.The results show that compared with the original RGB dataset，the detection accuracy of the multispectral reconstructed gangue and coal images is significantly improved by 91.2%，and the error between the real carbon content and the prediction results is controlled by less than 5%，which provides a scientific basis for the recycling of coal resources.The method makes full use of the advantages of UAV remote sensing technology and deep learning algorithms，with the accurate identification and quantitative analysis of coal gangue achieved through the organic combination of spectral reconstruction and target detection.The research provides a new technical path for efficient treatment and resourceful use of coal gangue，and has good application prospects.

Key words：spectral reconstruction；multispectral images；convolutional neural networks；target detection；gangue

0 引 言

煤矸石作為煤炭開采和洗選過程中產生的大量固體廢棄物，其露天堆存不僅占用土地資源，還可能引發次生環境災害，對礦區生態環境和居民生命財產安全構成威脅^[1]。對煤矸石堆進行有效監測和管理是煤炭行業綠色發展和生態文明建設的重要內容。準確估算煤矸石堆的含煤量對于矸石的資源化利用和環境治理具有重要意義。

傳統的煤矸石含煤量估算方法主要依賴人工經驗和抽樣檢測^[2]，存在效率低^[3]、精度不足^[4]等問題。近些年來，光譜成像技術和深度學習技術的快速發展為煤矸石含煤量估算提供了新的思路^[5]。光譜成像技術憑借其無損、快速、信息量豐富等優勢，在材料檢測領域得到廣泛應用。李瑞等利用可見-近紅外光譜技術對煤矸石進行分類識別，取得了良好效果，但光譜范圍較窄，特征信息不夠豐富^[6]；曹珍貫等采用熱成像技術對煤矸石的物質組成進行了表征，并結合深度學習算法實現了煤矸石圖像識別，但成像系統復雜，數據處理效率較低^[7]；來文豪等提出一種基于多光譜成像和深度學習的煤矸石檢測方法，在一定程度上提高了檢測精度和效率，但未充分利用光譜數據的高維特性^[8]。

深度學習在光譜圖像處理和目標檢測領域取得了突破性進展。齊永鋒等提出了融合Gabor濾波與3D/2D卷積的高光譜圖像分類方法，通過端到端的特征學習和分類識別，大幅提升了分類精度^[9]；DUAN等針對高光譜數據體量大、冗余度高等特點，設計一種基于深度自編碼網絡的光譜圖像重建模型，在壓縮數據量的同時保持了關鍵光譜特征^[10]；張德鈞將Faster R-CNN引入到高光譜目標檢測領域，通過深度特征提取和區域候選網絡實現了復雜背景下的精確檢測^[11]。

鑒于以上研究背景，提出一種結合電荷耦合頻響多光譜成像和深度學習技術的煤矸石含煤量估算方法。首先，在矸石堆上劃分場景，通過相機采集高質量的煤矸石和煤炭樣本圖像。鑒于實時性需求和RGB圖像光譜信息不足的問題，引入光譜重建網絡模型MST++，對原始光譜數據進行了重建處理。接著，利用Faster R-CNN模型對重建后的光譜數據進行煤炭區域檢測，并通過與RGB數據集對比試驗，評估了多光譜重建對檢測性能的影響。

采用無人機攜帶相機對不同地區進行數據采集，并進行光譜重建和煤炭區域檢測。結果顯示，重建圖像的檢測效果更好。通過進一步對煤炭區域進行輪廓提取和面積計算，確定了含煤量，也驗證了方法的準確性。這一方法降低了實地測量成本，提高了估算效率，為資源化利用和生態治理提供一定的依據。利用深度學習光譜重建和目標檢測技術，為煤炭行業的智能化和綠色化發展提供了新技術。這些成果有望在煤礦生產、環境監測、資源評估等領域得到應用，從而推動煤炭行業的可持續發展。

1 材料與方法

1.1 數據集準備

1.1.1 數據采集

數據于榆家梁煤礦的矸石堆進行采集。根據矸石堆的面積和地形特點，采用網格法對矸石堆進行規則劃分^[12]。具體而言，將矸石堆劃分為若干個大小相等的網格，并將每個網格的交點作為一個采樣點，每個采樣點對應一個場景。根據矸石堆的面積大小，共布設3個場景。在每個場景中，采集一定量的矸石樣本，一般而言，每個采樣點處采集1～3 kg的樣本。

采樣完成后，將樣本帶回實驗室，使用RGB相機對樣本進行數據采集。RGB相機能夠捕捉矸石樣本的可見光波段信息，為后續的圖像分析奠定基礎。圖1展示部分采集的數據集樣例，直觀地呈現了不同場景下的矸石樣本圖像。通過規范化的采樣和數據采集流程，確保數據的代表性和可靠性，為后續的煤矸石含煤量估算研究提供高質量的數據支持。

1.1.2 數據集處理

當光照強度較大時，采集到的數據集可能會出現失真，從而會影響重建效果。為保證數據集的可靠性，可以根據式（1）使用2種參考色（白色和深色）來對多光譜數據進行校準，目的是消除光照條件對數據的影響，使得數據在不同條件下具有可比性和一致性。

Ic=Ir－IdIw－Id

（1）

式中 Ic，Ir分別為校準后的多光譜圖像和原始多光譜圖像；Iw為白色圖像；Id為深色圖像。

采集到的數據集圖像為1 280×1 300的像素，然而，這些圖像作為光譜重建的輸入時，網絡模型會因為圖片尺寸過大而報錯。為減輕網絡負擔，將采集到的數據集進行處理至700×800的像素。處理的數據集圖像可以滿足網絡模型的輸入要

求，并減少計算負荷，提高重建網絡的運行穩定性。

1.2 光譜重建方法

多光譜成像技術具有更寬的帶寬，受可見光的影響較小^[13]，提供更多的光譜信息，在目標檢測中具有良好的應用潛力。然而，多光譜相機成本相當高，便攜性較差，不適用于現場煤矸石檢測。因此，提出一種使用單個RGB圖像重建多光譜圖像的方法，并將該方法應用于煤矸石檢測。

1.2.1 采樣成像原理

RGB圖像是包含3個波段的圖像，RGB圖像通過將紅綠藍3種顏色的光進行糅合進而得到其他顏色^[14]。當光源為日光時，光譜是連續的，此時RGB圖像的輸出如下式

pk=∫Ωo

（λ）ck（λ）dλ

（2）

式中 Ck為R、G、B這3個通道；λ為波長；o為入射光。

RGB相機是一種以光學成像原理進行記錄影像的成像設備，通過光學鏡頭傳遞目標影像路徑，通過電荷耦合器對目標影像進行接收^[15]。光源會發出一定波長的電磁波，不同物體對電磁波有著不同的反射率，當光源照射到目標物體上，由相機捕捉到目標物體表面的反射光譜，并通過相機的成像設備進行轉換，得到RGB圖像，在不考慮影響因素的情況下^[16]，RGB圖像的形成過程可以由式（3）表示

I=∫ΩE（λ）S（λ）CSS（λ）dλ

（3）

式中 E（λ）為光源的光譜能量分布；S（λ）為物體的光譜反射率；CSS為相機的光譜響應函數；λ為電磁波波長，其范圍一般為400 nm到700 nm的可見光。

RGB相機的成像過程可以看作是物體表面的光譜與RGB相機的光譜響應函數的乘積^[17]。而式（3）中E（λ）與S（λ）相乘即為物體表面的光譜值，可得到式（4）

I=∫ΩHSI（nλ）×CSS（nλ）dλ

（4）

式中 HSI為物體表面光譜；CSS為RGB相機光譜響應函數。根據式（4）可知，進行光譜重建最重要的是獲取RGB相機的光譜響應曲線。

1.2.2 相機光譜響應曲線的獲取

在RGB相機進行成像時，一些因素會對相機光譜響應曲線產生影響，例如白平衡（AWB）和曝光時間等^[18]，這些因素會對后續網絡訓練產生影響。白平衡（AWB）會影響拍攝的RGB值，從而導致RGB值與對應光譜之間的映射不確定。在校準過程中，將RGB增益設置為1∶1∶1，并固定相機的曝光時間。

搭建的采集裝置平臺如圖2（a）所示。平臺由標準光源、凸透鏡和三棱鏡以及用于采集光譜圖像 通過搭建試驗平臺獲取到不同光強下該CCD相機的色條，色條上的每個顏色塊都代表著特定波長光的反射或透射特性。將色條進行測量，并將得到的光譜數據轉換為標準化的光譜響應曲線。

對光譜數據進行數據處理和曲線擬合，得到該CCD相機的光譜響應曲線，如圖3所示。

1.3 光譜重建與煤矸石檢測框架

整體框架如圖4所示。通過上述試驗獲取到所使用相機的光譜響應曲線。首先，利用煤矸石光譜重建網絡模型對原始RGB數據進行訓練；其次，將原始煤矸石與煤炭RGB圖像輸入到光譜重建網絡中，得到重建后的HSI圖像；隨后，將重建后的煤炭和煤矸石HSI圖像和未進行光譜重建的原始RGB圖像，輸入到檢測網絡中，通過對比試驗的結果，最終得到檢測結果。

1.3.1 光譜重建神經網絡

光譜重建的原理是一個具有RGB和HSI配對的監督數據集來學習從RGB到HSI的映射。通過RGB圖像重建多光譜圖像的過程中，面臨的最大困難是信息丟失。傳統的光譜重建方法，如主成分分析（PCA）和非負矩陣壓縮（NMF）^[19]，雖然可以對光譜數據進行降維和壓縮處理，但存在對噪聲敏感、受限于線性假設以及模型復雜程度低的局限性。對于煤矸石與煤炭等特定數據集，傳統方法的性能可能不盡人意。

近年來，深度學習在計算機視覺中得到廣泛應用，并且在光譜重建中也有應用，通過大量的訓練數據，深度學習網絡可以學習RGB圖像與多光譜圖像之間的映射關系^[20]。基于CNN的方法可以學習從三維RGB像素值到高維高光譜信號的有效映射函數，但基于CNN的網絡模型應用于光譜重建中會存在數據不平衡和計算量問題等限制^[21]，以及在捕捉長程依賴性和自相似性先驗方面存在局限性。近年來，Transformer模型在自然語言處理（NLP）領域取得了成功，并被應用于計算機視覺中。相較于循環神經網絡（RNN）和卷積神經網絡（CNN）^[22]，Transformer模型引入自注意力機制來解決信息丟失或梯度消失等問題^[23]。Transformer中的多頭自注意（MSA）機制在建模遠程依賴和非局部自相似方面優于CNN，可以緩解基于CNN的光譜重建算法的局限性^[24]。

然而，在光譜重建中直接使用Transformer模型會面臨一些問題。首先，MSA計算復雜度較高；其次，MSA對于輸入序列長度有限制^[25]。為解決上述問題，引入基于Transformer框架的多級頻譜智能Transformer模型（MST++）^[26]。MST++通過將RGB圖像作為輸入，并利用其空間特征以及與光譜信息的關聯性^[27]，重建對應的多光譜圖像。RGB圖像作為輸入經過編碼器，提取出特征，隨后將特征輸送到S-MSA模塊中，利用自注意力機制，對RGB圖像的空間特征與光譜信息進行融合，將所得的特征圖輸送到解碼器中，利用上采樣操作將其還原為多光譜圖像。

MST++網絡結構如圖5所示。圖5（a）描述了提出的MST++模型，網絡輸入為煤矸石的RGB圖像，并重建其HSI對應物^[28]，利用長身份映射來簡化訓練過程。圖5（b）展示了U形SST，由編碼器、瓶頸和解碼器組成。嵌入和映射塊是單個Conv 3×3層。編碼器中的特征圖依次經歷下采樣操作、一個下采樣操作和N2個SABs。瓶頸由N3個SABs組成。解碼器采用對稱結構。上采樣操作是一個Deconv 2×2層。為避免下采樣中的信息丟失，編碼器和解碼器之間使用跳躍連接。圖5（c）說明了SAB的組成部分。

1.3.2 煤矸石檢測神經網絡

Faster RCNN是一種由4個部分組成的網絡結構，分別為特征提取網絡（Feature Extraction）、區域候選網絡（Region Proposal Network）、生成ROI（Region Proposal）及分類和回歸（Classification and Regression）。其中特征提取網絡模塊由Conv+Relu+Pool層構成，將輸入的圖片的特征進行提取，即為特征圖^[29]，用于后續的RPN網絡；區域候選網絡模塊將特征圖作為輸入，輸出為多個興趣區域（ROI），每個候選區域都表示為一個概率值，并且通過分類器進行分類；生成ROI模塊將RPN輸出的區域和特征提取網絡兩者輸出的特征圖作為輸入，綜合兩者的區域特征，并輸入到全連接網絡中進行分類；分類和回歸模塊將所有特征圖作為輸入，輸出物體的類別以及物體在圖像中的位置，并通過邊界框對物體位置的修正。該網絡結構如圖6所示^[30]。

1.4 模型訓練

使用Anaconda3（Python 3.6）、PyTorch庫等進行光譜重建算法的實現。光譜重建網絡的訓練和測試在intel i7-12700kCPU（3.60 GHz）、32 gb內存和NVIDIA RTX3080（CUDA 11.4）顯卡下進行。在進行光譜重建網絡模型訓練時，采用NTIRE 2020光譜數據集作為基礎數據集。該數據集包括450張訓練圖像、10張驗證圖像和10張測試圖像，光譜波段數為31，光譜范圍在400～700 nm之間。RGB圖像是通過將對應的多光譜圖像經過使用的RGB相機的光譜響應曲線作為映射函數生成的，其過程如圖7所示。

為進一步擴充數據集規模并提高模型的泛化能力，對原始數據集進行數據增強。具體而言，對每張訓練圖像，隨機應用旋轉、翻轉、縮放等變換，生成多個增強樣本。同時，為模擬不同光照條件下的影像，對圖像的亮度、對比度和飽和度進行隨機調整。通過這些數據增強技術，將原始的450張訓練圖像擴展為45 000張，將10張驗證圖像擴展為1 000張，將10張測試圖像擴展為1 000張。擴展后的數據集規模達到了原始數據集的100倍，大大豐富了訓練樣本的多樣性。

在數據增強的過程中，需要注意保持原始光譜信息的完整性和一致性。為此，對多光譜圖像和對應的RGB圖像采用相同的變換參數，確保二者之間的映射關系不被破壞。擴展后的數據集為模型訓練提供了更加充足的樣本支持，有助于提高模型的魯棒性和泛化性能。通過大規模數據集上的訓練，模型能夠更好地學習到煤矸石的光譜特征，為后續的含煤量估算任務奠定了堅實的基礎。

在訓練過程中，需要對RGB圖像進行歸一化處理，重新縮放至[0，1]，使用Adam優化器進行參數優化，其中超參數默認設置為0.9和0.999。采用余弦退火法來將初始學習率進行衰減，初始學習率為0.004。當學習率沒有明顯的衰退時，停止訓練，采用的評價指標為Loss、MRAE、RMSE。

對于煤矸石檢測網絡，輸入為光譜重建網絡的輸出即為重建后的HSI圖像以及對照組的RGB煤矸石照片，訓練集和預測集比例為10∶1。引入評價指標，包括準確率（Precision）、精度（Accuracy）、召回率（Recall）、Loss。

1.5 評價指標

將平均相對誤差（MRAE）和均方根誤差（RMSE）作為光譜重建的評價指標，將準確率和Loss作為檢測模型的評價指標。在光譜重建中，平均相對誤差（MRAE）用來衡量重建光譜與實際光譜之間的平均相對誤差，定義為式（5），MRAE的值會直接反映光譜重建的預測誤差，MRAE的值越小，說明光譜重建的效果越好；均方根誤差（RMSE）用來衡量重建光譜與實際光譜的差異程度，定義為式（6），MRSE的值越小，說明光譜重建的預測誤差小，這也證明光譜重建模型的性能越好。但是使用RMSE進行模型評估時，需要注意比較對象是否為相同的光譜范圍，不同的光譜范圍會導致RMSE的值變化，從而造成影響。

MRAE=1N∑Ni=1IiR－IiGIiG

（5）

RMSE=（1N∑Ni=1（IiR－IiG）2）

（6）

式中 N為總像元數；IiR和IiG分別為重建的光譜圖像和真實圖像的第i個像素值。

準確率是用來衡量模型在所有預測為正例的樣本中正例實際所占的比例，見下式

Precision=TPTP+FP

（7）

式中 TP為模型正確預測為正例的樣本數量；FP為模型錯誤地將負例預測為正例的樣本數量。

在Faster RCNN網絡中，損失函數分類問題中常用的交叉熵損失函數，其用來衡量分類網絡中輸出的概率分布與真實類別之間的差異。當誤差處于平穩時，即輸出與真實之間的差異越小，表明模型的預測能力得到提升；當Loss曲線在訓練后期處于平穩時，表明模型已經收斂到一個較好的狀態。損失值的計算公式如下

L（{pi}，{ui}）=

1Ncls∑iLcls（pi，pi）+λ1Nreg∑ipiLreg（ti，ti）

（8）

式中 pi為候選框內物體預測為目標的概率；ti={tx，ty，tw，tn}為向量，為候選框的4個頂點的坐標；Lcls為目標和非目標的對數損失；Lreg為回歸損失。

2 試驗結果與分析

2.1 光譜重建質量評估

為評估光譜重建效果，使用NTIRE 2020光譜數據集比較MST++網絡模型與當前先進的重建網絡模型，包括HSCNN+、HRNET、和MIRNET。評價模型性能的指標包括Loss、MRAE、和RMSE。試驗結果表明，MST++模型在重建質量上展現出顯著優勢。由表1可知，MST++的MRAE僅為0.158 5，低于HSCNN+的0.171 7、HRNET的0.165 5和MIRNET的0.191 5，分別下降了7.6%、4.2%和17.2%；同樣，在RMSE指標上，MST++也表現最佳，為0.019 2，較其他模型分別降低9.4%、4.2%、14.7%。這些成果不僅證實了MST++在光譜重建方面的卓越性能，也為煤矸石檢測提供了更精確和可靠的技術基礎。

選取NTIRE 2020光譜數據集中的若干樣本，通過4種網絡模型包括MST++在內，進行光譜重建。圖8展示其中4個波段的多光譜圖像重建結果，并在最后一行對比了真實的光譜圖像（Ground Truth）。從結果中可以清楚地看出，MST++模型的光譜重建質量顯著優于其他模型，尤其是在細節恢復和光譜信息還原方面。從而檢測更準確、可靠，使模型能夠更精確地識別和定位煤矸石區域。

為進一步驗證光譜重建的精確性，在選定圖像上隨機選擇2個坐標點，對比MST++網絡模型與其他3種網絡模型（HSCNN+、HRNET、MIRNET）的重建結果和真實光譜（Ground truth）。如圖9所示，隨機選定的坐標點包括P1（419、170）和P2（324、250），以及P3（254、235）和P4（43、273）。圖9中的黑色實線代表真實光譜，紫色實線（MST++）、紅色實線（MIRNET）、藍色實線（HRNET）和綠色實線（HSCNN+）分別表示各網絡模型的重建譜線。從圖9可以看出，紫色實線（MST++的重建結果）在大多數情況下與黑色實線（真實光譜）的吻合度更高，說明MST++模型能夠更準確地還原具體坐標點的光譜信息，與真實光譜的一致性更強。這一發現不僅進一步證實了MST++模型在光譜重建方面的優異性能，也為將來基于真實煤矸石數據的光譜重建工作提供了堅實的技術支持。

為驗證光譜重建網絡的效果，將所采集到的部分煤炭和煤矸石及其混合體數據集輸入到MST++模型中進行重建，挑選4個波段下的多光譜圖像，如圖10所示。圖中可以清楚地看到，重建的圖像很好地保留了煤矸石和煤炭的光譜細節，并且能清晰地區分煤矸石與煤炭，因此可以有效應用于多光譜圖像的檢測。

為進一步探尋光譜重建后煤矸石與煤炭之間的差異，對煤炭和煤矸石進行混合，并進行光譜重建。通過將重建后的多光譜數據映射到三維空間，可以很清楚地看到每個煤炭、煤矸石與路面之間的區別，為后續的煤矸石檢測提供了強有力的支持。圖11展示清晰的煤矸石重建以及三維映射的結果。從圖11可以看出，煤炭與煤矸石之間的差異，并且通過將光譜重建與三維映射相結合，可以更全面地了解煤矸石的特征，更準確地定位和區分煤矸石和煤炭，這對于后續進一步檢測提供了強有力的支撐。

2.2 煤矸石檢測模型在不同場景下的對比

針對劃分的3個場景，使用無人機進行

不同角度和高度的拍攝，確保覆蓋每個場景的各個部分，并且保證拍攝精度，確保拍攝的圖像具備足夠的分辨率和特征度。圖12為場景的數據樣本。

考慮到煤矸石和煤炭的數據集有限，對數據進行增強，從而成功擴展了訓練數據集。圖像增強后的部分樣本展示如圖13所示，可以看出增強操作豐富了數據集的多樣性，為模型學習提供了更為全面和多變的特征信息^[31]。通過這種方法，提高了模型在實際應用中的魯棒性和準確性，為后續的煤矸石檢測提供了堅實的數據基礎和方法支持。

檢測結果如圖14和圖15所示。在處理檢測結果時，為了獲取到最為可靠的類別識別結果，選擇最高預測框作為最終的分類，并且將預測結果與真實類別進行比對，得到最終的準確度，挑選60張為預測集。

類別預測結果在圖形中通過不同的符號進行區分，其中煤矸石、煤炭分別用紅色圓圈和黑色正方形表示。根據RGB預測集所預測結果，從圖16可以很清晰地看到在對應的03、05預測集數據中，煤矸石的錯誤達到7張，煤炭達到4張，2類樣品的整體預測準確度為81.2%。

重建后的矸石數據的預測類別結果在結果中通過不同的符號進行區分，其中煤矸石、煤炭分別用紅色圓圈和黑色正方形表示。根據RGB預測集所預測結果，圖17可以很清晰地看到在對應的03、05預測集數據中，煤矸石錯誤達到3張，煤炭2張，總體類別預測正確率為91.7%，相比于RGB的正確率，重建后的多光譜檢測準確度得到巨大提升。

為體現2種圖像的檢測差異，引入查準率和查全率，表2為RGB圖像以及HSI圖像的查準率和查全率，這些指標旨在反映2類圖像在檢測性能上的差異。

由表2可知，HSI圖像的查準率結果中煤矸石、煤炭分別為81.2%、91.7%均明顯高于RGB圖像中煤炭（56.7%）、煤矸石（74.2%）的查準率；同樣查全率也是明顯高于RGB圖像。結果表明使用光譜重建后的圖像效果更佳，說明光譜重建的HSI圖像比起傳統的RGB圖像更適用于煤矸石檢測，并且效果更佳，準確度更高。

2.3 矸石堆煤炭含量預測

針對榆家梁煤礦的一個矸石堆進行了圖像采集和含碳量評估。首先，將矸石堆分成3個場景，并對每個場景進行真實含碳量的人工分揀。然后，統計每個場景中煤矸石和煤炭的數量。具體來說，在場景1中，分揀115塊煤矸石和8塊煤炭；在場景2中，分揀為52塊煤矸石和3塊煤炭；在場景3中，分揀為63塊煤矸石和5塊煤炭。最后，對這3個場景的樣本進行稱重，可得真實含碳量分別為6.65%、5.47%和7.38%。

利用光譜重建技術和目標檢測技術對這3個場景的煤矸石和煤炭進行數據采集和分析。對已經檢測出的煤炭區域，運用邊緣檢測算法提取煤炭的輪廓，并利用圖像處理中的形狀分析方法計算了煤炭的面積占比。輪廓提取如圖18所示，煤炭含量占比見表3。

經過輪廓提取和面積計算后，得出這3個場景的含碳量分別為4.25%、8.16%和5.48%。將這些結果與真實含碳量進行比較，發現含碳量結果的誤差分別為2.4%、2.69%和1.9%。這些結果充分證明了對于矸石堆含碳量評估的準確性。

通過光譜重建、目標檢測、樣點劃分以及數據采集，將采集到的樣點數據進行光譜重建，將重建后的矸石數據進行檢測和網格化處理，對于樣點的含碳量與真實含碳量進行比較，證實了該方法的準確性。基于此，未來可以對于大規模的矸石山進行含碳量評估，從而降低矸石山實地測量的成本并提高效率；還可以通過對矸石山煤炭含量的評估，更好地評估其對環境的潛在影響。

3 結 論

1）提出一種基于光譜重建技術和深度學習的創新性煤矸石含煤量估算方法。通過將電荷耦合頻響多光譜成像與深度學習算法相結合，實現了煤矸石堆的高效、準確檢測和含煤量評估。該方法克服了傳統人工抽樣檢測的局限性，為矸石堆

的資源化利用和環境治理提供了重要的技術支持。

2）MST++模型在MRAE和RMSE這2個評價指標上均優于對比模型。實現了像素級重建、煤矸石與煤炭的RGB圖像重建以及三維重建，直觀地展現了煤矸石與煤炭之間的光譜差異，為后續的檢測工作奠定了堅實的基礎。

3）基于重建后的多光譜圖像的檢測準確度顯著優于原始RGB圖像。對重建后的煤矸石數據進行含碳量預測，結合檢測結果和輪廓提取，對3個場景的含碳量進行估算。估算結果與實測含碳量的誤差均在5%以內，驗證了該方法的準確性。這為后續針對整個矸石山的含煤量評估奠定了良好的基礎具有重要的實踐意義。

參考文獻（References）：

[1] 王世林，牛文靜，張攀，等.煤矸石的研究現狀與應用[J].江西化工，2019（5）：69-71.WANG Shilin，NIU Wenjing，ZHANG Pan，et al.Research status and application of coal gangue[J].Jiangxi Chemical Industry，2019（5）：69-71.

[2]王小云，牛艷霞.煤矸石研究綜述：分類、危害及綜合利用[J].化工礦物與加工，2023，52（11）：18-25.WANG Xiaoyun，NIU Yanxia.Review of research on coal gangue with its classification，hazards and comprehensive utilization[J].Industrial Minerals and Processing，2023，52（11）：18-25.

[3]鄭道能.一種改進的tiny YOLO v3煤矸石快速識別模型[J].工礦自動化，2023，49（4）：113-119.ZHENG Daoneng.An improved tiny YOLO v3 rapid recognition model for coal gangue[J].Journal of Mine Automation，2023，49（4）：113-119.

[4]顧霖駿，申艷軍，王念秦，等.煤矸石堆積區土壤重金屬潛在危害評價及污染特征[J].西安科技大學學報，2022，42（5）：942-949.GU Linjun，SHEN Yanjun，WANG Nianqin，et al.Pollution characteristic and potential risk accessment of heavy metals in soil of coal gangue accumulation areas[J].Journal of Xi’an University of Science and Technology，2022，42（5）：942-949.

[5]龍超，黃德軍，方成剛，等.基于深度學習的煤矸石檢測技術研究[J].煤礦機械，2023，44（11）：61-64.LONG Chao，HUANG Dejun，FANG Chenggang，et al.Research on coal gangue detection technology based ondeep learning[J].Coal Machinery，2023，44（11）：61-64.

[6]李瑞，李博，王學文，等.基于XGBoost與可見-近紅外光譜的煤矸識別方法[J].光譜學與光譜分析，2022，42（9）：2947-2955.LI Rui，LI Bo，WANG Xuewen，et al.A classification method of coal and gangue based on XGBoost and visible-near infrared spectroscopy[J].Spectroscopy and Spectral Analysis，2022，42（9）：2947-2955.

[7]曹珍貫，呂旻姝，張宗唐.基于熱成像技術和深度學習的煤矸石識別方法[J].湖南工程學院學報（自然科學版），2021，31（1）：48-52.CAO Zhenguan，LV Minshu，ZHANG Zongtang.Coal gangue recognition method based on thermal imaging technology and deep learning[J].Journal of Hunan Institute of Engineering（Natural Science Edition），2021，31（1）：48-52.

[8]來文豪，周孟然，胡鋒，等.基于多光譜成像和改進YOLOv4的煤矸石檢測[J].光學學報，2020，40（24）：72-80.LAI Wenhao，ZHOU Mengran，HU Feng，et al.Coal gangue detection based on multi-spectral imaging and improved YOLOv4[J].Acta Optica Sinica，2020，40（24）：72-80.

[9]齊永鋒，陳靜，火元蓮.一種融合Gabor濾波與3D/2D卷積的高光譜圖像分類算法[J].光電子激光，2021，32（5）：477-484.QI Yongfeng，CHEN Jing，HUO Yuanlian.A hyperspectral image classification algorithm combining gabor filtering and 3D/2D convolution[J].Journal of Optoelectronics Laser，2021，32（5）：477-484.

[10]DUAN S，LI J，SONG R，et al.Unmixing-Guided convolutional transformer for spectral reconstruction[J].Remote Sensing，2023，15（10）：2619.

[11]張德鈞.基于Faster R-CNN和多光譜圖像的漂浮HNS檢測與分類研究[D].杭州：浙江大學，2019.

ZHANG Dejun.Detection and classification of HNS on water surface based on

Faster R-CNN and multispectral imaging[D].Hangzhou：Zhejiang University，2019.

[12]陳彪，盧兆林，代偉，等.基于輕量化HPG-YOLOX-S模型的煤矸石圖像精準識別[J].工礦自動化，2022，48（11）：33-38.CHEN Biao，LU Zhaolin，DAI Wei，et al.Accurate recognition of coal gangue image based on lightweight HPG-YOLOX-S model[J].Journal of Mine Automation，2022，48（11）：33-38.

[13]李定川.數碼單反相機的成像原理[J].影像技術，2007（2）：29-33.LI Dingchuan.Imaging mechanism of digital single lensreflex cameras[J].Imaging Technology，2007（2）：29-33.

[14]FU Y，ZHENG Y，ZHANG L，et al.Spectral reflectance recovery from a single RGB image[J].IEEE Transactions on Computational Imaging，2018，4（3）：382-394.

[15]GAO X，WANG T，YANG J，et al.Deep-learning-based hyperspectral imaging through a RGB camera[J].Journal of Electronic Imaging，2021，30（5）：053014.

[16]張飛，劉珩，楊潔，等.基于相機RGB值的光譜反射率重建方法研究[J].兵器裝備工程學報，2024，45（2）：284-290.ZHANG Fei，LIU Heng，YANG Jie，et al.Research on spectral reflectance reconstruction method based on camera RGB value[J].Journal of Ordnance Equipment Engineering，2024，45（2）：284-290.

[17]TRAN V L，LIN H Y.A Structured light RGB-D camera system for accurate depth measurement[J].International Journal of Optics，2018，2018（8）：1-7.

[18]胡欣，劉瑞杰.基于光譜重建技術的遙感圖像復原方法[J].激光雜志，2023，44（11）：72-76.HU Xin，LIU Ruijie.Remote sensing image restoration method based on spectral reconstruction technology[J].Laser Journal，2023，44（11）：72-76.

[19]LIU X，GHERBI A，LI W，et al.TaijiGNN：A new cycle-consistent generative neural network for high-quality bidirectional transformation between RGB and multispectral domains[J].Sensors，2021，21（16）：5394.

[20]宋玲，夏智敏.人體關鍵點檢測的Mask R-CNN網絡模型改進研究[J].計算機工程與應用，2021，57（1）：150-160.SONG Ling，XIA Zhimin.Research on improved Mask R-CNN network model for human keypoint detection[J].Computer Engineering and Applications，2021，57（1）：150-160.

[21]陳杰，馬靜，李曉峰，等.基于DR-Transformer模型的多模態情感識別研究[J].情報科學，2022，40（3）：117-125.CHEN Jie，MA Jing，LI Xiaofeng，et al.Multi-model emotion recognition based on DR-Transformer model[J].Information Science，2022，40（3）：117-125.

[22]BASTARD P，BERTRAND P，MEUNIER M.A transformer model for winding fault studies[J].IEEE Transactions on Power Delivery，1994，9（2）：690-699.

[23]TORO C，ARIAS L，TORRES S，et al.Flame spectra-temperature estimation based on a color imaging camera and a spectral reconstruction technique[J].Applied Optics，2014，53（28）：6351-6361.

[24]LI S，LI F，GAO M，et al.A new method for winter wheat map based on spectral reconstruction technology[J].Remote Sensing，2021，13（9）：1810.

[25]WANG X，LI Y，QIU J，et al.RetroPrime：A diverse，plausible and transformer-based method for single-step retrosynthesis predictions[J].Chemical Engineering Journal，2021，420：129845.

[26]馮耀澤，萬仕文，潘勝，等.基于RGB圖像光譜重建的魚糜摻假定量檢測研究[J].農業工程學報，2023，39（20）：275-282.FENG Yaoze，WAN Shiwen，PAN Sheng，et al.Quantitative detection of surimi adulteration based on spectral reconstruction of RGB images[J].Transactionsof the Chinese Society of Agricultural Engineering，2023，39（20）：275-282.

[27]CAI Y，LIN J.Mst++：Multi-stage spectral-wise transformer for efficient spectral reconstruction[C]]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition，2022：745-755.

[28]謝奇芳，姚國清，張猛.基于Faster R-CNN的高分辨率圖像目標檢測技術[J].國土資源遙感，2019，31（2）：38-43.XIE Qifang，YAO Guoqing，ZHANG Meng.Research on high resolution image object detection technology based on Faster R-CNN[J].Remote Sensing for Land amp; Resources，2019，31（2）：38-43.

[29]FANG F，LI L，ZHU H，et al.Combining faster R-CNN and model-driven clustering for elongated object detection[J].IEEE Transactions on Image Processing，2019，29：2052-2065.

[30]FAN Q，BROWN L，SMITH J.A closer look at Faster R-CNN for vehicle detection[C]//2016 IEEE intelligent vehicles symposium（Ⅳ），IEEE，2016：124-129.

[31]火久元，李宇峰，常琛，等.基于混合裁剪失衡數據增強與SwinNet網絡的滾動軸承故障診斷[J].振動與沖擊，2024，43（6）：64-74.HUO Jiuyuan，LI Yufeng，CHANG Chen，et al.Fault diagnosis of rolling bearings based on mixed-cutout imba-lance data augmentation and the SwinNet network[J].Journal of Vibration and Shock，2024，43（6）：64-74.

（責任編輯：高佳）