煤与矸石分选是煤矿生产的必要工序, 现有的人工分选与机械分选, 存在效率低, 易造成资源浪费以及环境污染等问题。 鉴于可见/近红外高光谱成像具有分析速度快、 样品无需预处理、 无污染等诸多优势, 旨在探讨基于可见/近红外高光谱成像对黑色背景下块状煤与矸石准确分类的可行性, 并基于特征波长筛选算法简化模型, 为构建多光谱煤与矸石分选系统提供理论参考。 首先, 搭建高光谱成像系统并采集山西西铭矿的85个煤样本与83个矸石样本在400~1 000 nm(Vis/NIR)与1 000~2 500 nm(NIR)两个范围内的高光谱图像, 基于图像处理方法去除背景信息, 选取Vis/NIR范围内100×100像素和NIR范围内50×50像素区域内的平均光谱作为该样本在对应波段范围的一条光谱, 重复10次, 最终在两个波段各获得煤与矸石光谱850条和830条。 其次, 对光谱先后进行Savitzky-Golay卷积平滑和标准正态变量变换, 以减少噪音和误差对光谱的影响。 基于全波段光谱建立支持向量机(SVM), k近邻法(KNN), 偏最小二乘判别分析(PLS-DA)三种模型, 每个模型针对预测集的分类准确度均大于0.95, 结果表明, 基于煤和矸石的光谱信息可将二者区分。 随后根据竞争性自适应重加权算法(CARS)和连续投影算法(SPA)选择的特征波长建立简化模型, 综合考虑精度与成本等因素, 在Vis/NIR范围内基于SPA筛选的3个特征波长所建立的SVM模型效果最好, 不仅能有效减少波长数量, 还能提高模型的分类效果, 对应的灵敏度, 特异度, 准确度分别为1, 0.965 2, 0.983 3。 基于判别模型与样本的平均光谱还可实现煤和矸石的分类可视化。 研究结果对开发基于特征波长的低成本煤和矸石多光谱分选系统, 实现煤矸快速、 准确的无损检测具有借鉴意义。

煤矸智能识别是实现综放开采智能化亟待研发的新技术; 可见-近红外光谱技术具有环保、 实时等优势, 满足煤矸智能分选的要求。 为解决基于可见-近红外光谱的煤矸识别问题, 引入在数据科学竞赛中表现出色的极端梯度提升树(XGBoost)算法。 搭建可见-近红外光谱实验平台采集来自山西西铭、 陕西神木、 内蒙古巴隆图煤矿的块状煤与矸石样品在370~1 049 nm波段的反射光谱; 利用黑白校正、 始末波段去除、 SG卷积平滑和标准正态变量变换(SNV)对采集的原始光谱进行预处理, 以减少光照不均、 噪声以及光程差的影响。 依据三个煤矿煤与矸石样品反射光谱的差异划分实验组和测试组, 实验组差异微小, 用于对比不同模型的性能, 挑选最佳算法; 测试组差异较明显, 用于测试最佳算法在其他煤矿下的表现, 检验算法对不同煤矿的适用性。 在实验组的实验中, 首先基于XGBoost算法建立煤与矸石分类模型, 并引入常用的机器学习分类算法k近邻法(KNN)、 随机森林(RF)、 支持向量机(SVM)做对比, 结果表明XGBoost的表现最佳, 十折交叉验证的平均准确度(ACC₁₀)、 分类准确度(ACC)与AUC值分别达到0.957 2, 0.970 5与0.971 6, 体现出较强的稳定性与分类能力。 其次为降低数据维度减少模型运算量, 使用递归特征选择(RFE)、 连续投影算法(SPA)与竞争性自适应重加权算法(CARS)分别进行特征波长的选择并与上述四种分类算法结合构建简化分类模型, 经测试RFE与XGBoost组合的简化模型表现最佳, ACC₁₀, ACC与AUC值分别为0.965 7, 0.980 3与0.980 3且数据维度降至9, 在降低数据维度的同时提高了模型的稳定性与分类能力。 在测试组的实验中, 基于优选出的XGBoost与RFE-XGB算法建立的模型, 同样可以实现对其他矿区煤与矸石稳定精确地识别, 且简化模型表现更好, 与实验组结果一致。

针对现有可逆信息隐藏嵌入率低，无法一次隐藏多张不同图像问题，提出一种密文域光学多图像可逆信息隐藏方法。将多张不同类型、不同大小图像进行数据报重组得到重组多图像，无需提供任何信息可在一定噪声下重构多图像。载体图像经非对称双随机相位编码得到加密图像，再将重组多图像光强缩小1 000倍，与加密图像级联干涉得到载密图像，利用级联矢量分解可从载密图像中无损还原重组多图像和加密图像。载密图像可用解密密钥进行解密，也可用隐藏密钥无损还原重组多图像，当同时具有解密密钥与隐藏密钥时可无损还原载体图像，实现完全可逆、可分离。实验表明，当嵌入率为128比特/像素时，载密图像峰值信噪比大于32 dB，且可无损还原隐藏图像与载体。在1/2剪切或0.2的各种噪声下，各还原图像峰值信噪均大于11 dB，具有鲁棒性。3 s内可实现32比特/像素的嵌入、还原和解密，具有高效性。