空洞卷积自注意力机制的煤岩显微组分组识别方法及系统

本发明涉及煤岩识别，尤其涉及一种空洞卷积自注意力机制的煤岩显微组分组识别方法及系统。

背景技术：

1、煤是一种有机的沉积岩石，利用研究岩石的方法来研究煤就产生了煤炭科学的一个分支——煤岩学。煤岩分析是指以光学显微镜为主兼具肉眼等其他手段，对煤的岩石组成、结构、性质、煤化程度作定性描述和定量测定的方法，是研究煤岩学的重要手段。最常规的分析项目是煤岩显微组分组和矿物质的测定、镜质组反射率测定、显微煤岩类型测定和宏观描述，这三项已有国际标准或国际标准草案，中国也已经制订了相应的国家标准(gb6948)。由于在不同时间和地质条件下形成的煤岩，其显微组分组在灰度值、结构、大小、各向异性、突出度和形状等方面具有很大的随机性和复杂性，因此对于识别煤岩显微组分组这样复杂的任务，现有技术还存在改进的空间。

2、传统技术对于煤岩显微组分组的测定是由人工进行的，主要是根据显微组分组的反射率、形态结构等指标的差异来进行。人工方式存在的弊端就是不仅需要测试人员具备很强的专业性，而且耗时费力、主观性强、还不可重复。随后普遍使用的是基于传统图像处理的分割方法，不仅省时省力，分析结果也更客观。但是传统图像处理方法进行分析时大多建立在图像像素灰度值单一的特征基础上，无法准确识别到所有的煤岩显微组分组。随着机器学习的发展，多层感知机、最近邻等方法被应用于煤岩显微组分组的分类中，取得了不错的效果。但是由于煤岩显微组分组结构复杂，形态各异，呈现多样性和渐变性，反映在煤岩显微图像上表现为低对比度、弱边缘等现象，在使用机器学习的方法时采用手工设计特征的方式不仅泛化性能差且无法实现端到端的识别，不能满足工业生产中的应用需求。此后，深度学习的飞速发展使得基于深度学习的识别模型逐渐成为煤岩显微组分组识别任务中的主流方法之一。此类模型主要是利用深度卷积神经网络对煤岩显微图像进行特征提取，进而实现煤岩显微组分组的自动分割。基于深度学习的方法可以从训练样本中自动学习到更加抽象的特征表达，具有较好的识别效果。

3、基于深度学习的语义分割方法开始被广泛关注，u-net利用u型结构和跳跃连接方式在保证分割准确率的同时，将训练数据量需求降低。现有技术在u-net的基础上，提出融合attention gate，抑制无关信息和噪声的方法，进一步提高了煤岩显微组分组分割的效果。现有技术使用多种变体u-net对煤岩显微组分组的颗粒形貌、粒度、解离特性和密度分离过程进行了研究。但基于u-net的优化模型都有着感受野固定的限制，对高分辨率的煤岩显微组分组图像处理较弱。为此，现有技术提出将deeplabv3+模型用于煤岩显微组分组识别任务，通过空洞卷积扩大了模型在煤岩显微图像上的感受野，组分组的分割准确率有了明显改善。但deeplabv3+为了捕捉更多的上下文信息，会产生过高的计算复杂度，使得处理高分辨率的煤岩显微图像较为困难。

4、近几年，现有技术基于vit设计了swin-transformer，利用移位窗口，实现了对高分辨率图像的处理。另外，现有技术将deeplabv3+和swin-transformer结合提出改进的煤岩显微组分组自动化测试模型，提高了复杂煤岩显微图像的识别效果。但由于swin-transformer中的自注意力机制会将图像转化成一维序列进行处理，过程中损失了煤岩显微图像的二维空间特征信息。为此，研究者们提出用大卷积核的卷积自注意力代替传统自注意力的方法，这种方法可以通过自注意力机制保留煤岩显微组分组全局像素间的长程依赖关系，同时，保留卷积提取得到的煤岩显微图像局部特征信息。但也会带来参数过大、计算成本高的新困扰。

5、通过上述分析，现有技术存在的问题及缺陷为：现有的煤岩显微组分组识别模型在计算过程中参数不断堆叠，导致模型的算力需求增加，模型训练效率降低，在处理高分辨率的煤岩显微图像时较为困难。

技术实现思路

1、针对现有技术存在的问题，本发明提供了一种空洞卷积自注意力机制的煤岩显微组分组识别方法及系统。

2、本发明是这样实现的，一种空洞卷积自注意力机制的煤岩显微组分组识别方法，包含编码和解码两个阶段，具体为：

3、s1，输入图像进入模型后首先进行图像块嵌入层的处理，将图像切分成多个小图像块并在通道维度方向展平成48维度的向量传入后续处理；

4、s2，随后需要依次通过四个网络结构相似的阶段，其中阶段1和阶段2提取煤岩显微组分组的边界、纹理、形状，阶段3和阶段4提取煤岩显微组分组的整体结构、语义信息；

5、s3，在编码过程的四层金字塔结构中，特征图的分辨率大小不断逐层递减，四个阶段的特征图大小分别为h/4×w/4×c、h/8×w/8×2c、h/16×w/16×4c和h/32×w/32×8c，其中h和w分别为煤岩显微图像高、宽的分辨率大小，c代表通道的维度，在输入特征图分辨率大小减少的同时，通道的维度则不断增加；

6、s4，采用一个在分割任务中具有强大的特征还原能力的轻量级解码头，同时在解码器部分添加跳跃连接，通过融合阶段2至阶段4得到的特征信息来提高解码效果；

7、s5，经过多层感知机得到输出结果。

8、进一步，s2中，每个阶段都由若干个基于空洞卷积自注意力机制的transformer模块和一个标准化及图像块嵌入层组成，前者用来捕捉煤岩显微图像中不同像素范围间的依赖关系，层标准化操作可以稳定数据的分布，图像块嵌入层则是为了改变图像块大小和数量，达到展平之后变换维度的目的。

9、进一步，空洞卷积自注意力机制将大卷积核分解为三部分，分别为短程信息卷积，中程空洞卷积和长程空洞卷积，其中ho和wo分别代表大卷积核高和宽的分辨率大小，c为通道数；通过空洞卷积自注意力机制，可以保留多方向的连续空间信息，在保留自注意力长程依赖性的同时，加强了对图像二维信息的获取，能够获取不同范围的长程信息，一起融合计算得到注意力图。

10、进一步，空洞卷积自注意力计算得到的注意力图att表达式为：

11、

12、根据att与输入加权得到的结果为：

13、

14、其中convs×s表示卷积核大小为s×s的卷积，r为扩张率，为矩阵逐元素乘法运算。

15、本发明的另一目的在于提供一种应用所述空洞卷积自注意力机制的煤岩显微组分组识别方法的空洞卷积自注意力机制的煤岩显微组分组识别系统，包括：

16、图像切分模块，用于在输入图像进入模型后首先进行图像块嵌入层的处理，将图像切分成多个小图像块并在通道维度方向展平成48维度的向量传入后续处理；

17、信息提取模块，用于依次通过四个网络结构相似的阶段，其中阶段1和阶段2提取煤岩显微组分组的边界、纹理、形状，阶段3和阶段4提取煤岩显微组分组的整体结构、语义信息；

18、解码模块，用于采用一个在分割任务中具有强大的特征还原能力的轻量级解码头，同时在解码器部分添加跳跃连接，通过融合阶段2至阶段4得到的特征信息来提高解码效果；

19、输出模块，用于经过多层感知机得到输出结果。

20、本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的空洞卷积自注意力机制的煤岩显微组分组识别方法的步骤。

21、本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的空洞卷积自注意力机制的煤岩显微组分组识别方法的步骤。

22、本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的空洞卷积自注意力机制的煤岩显微组分组识别系统。

23、结合上述的技术方案和解决的技术问题，本发明所要保护的技术方案所具备的优点及积极效果为：

24、第一，针对上述现有技术存在的技术问题，解决问题之后带来的一些具备创造性的技术效果，具体描述如下：

25、s1:输入图像首先通过图像块嵌入层进行处理。这一步骤将图像切分为多个小图像块，并在通道维度方向展平成48维度的向量。这种处理方式可以使模型在处理大量数据时更加高效，并且保证每个图像块都可以被独立地处理。

26、s2:下一步是通过四个网络结构相似的阶段进行处理。阶段1和阶段2负责提取煤岩显微组分组的边界、纹理和形状，而阶段3和阶段4则负责提取整体结构和语义信息。这种分阶段处理的方式可以充分提取出图像的各种特征。

27、s3:在编码过程中，使用了四层金字塔结构，特征图的分辨率大小逐层递减，同时通道的维度逐渐增加。这种设计可以在保持计算效率的同时，逐步提取出更高层次的特征。

28、s4:在解码阶段，使用了一个在分割任务中具有强大的特征还原能力的轻量级解码头，并在解码器部分添加了跳跃连接，通过融合阶段2至阶段4得到的特征信息，提高了解码效果。这种设计可以有效地恢复原始图像的各种特征，提高模型的识别精度。

29、s5:最后，通过多层感知机得到输出结果。这一步骤将前面提取的各种特征进行整合，得出最终的识别结果。多层感知机的使用使得模型可以在处理复杂任务时具有更好的性能。

30、第二，煤炭作为我国能源消费的主体，随着碳中和策略的逐渐推进，优化煤炭供给结构、实现低碳化、高效利用煤炭已经成为实现碳中和目标的关键。本技术方案解决了传统煤岩显微图像人工分析鉴定过程中存在的高效、高精度、人员技术经验要求高、时间成本高等难题，实现煤岩显微组分组的自动分类。同时，本技术方案具有提高煤炭分析工艺水平的意义，可以为炼焦、钢铁冶炼、煤化工等行业的自动化改造提供强有力的支持，进一步推动我国煤炭行业的升级和转型，促进我国煤岩显微组分组分析工艺产业的发展，为钢铁冶金、煤化工事业发展贡献了力量。

31、第三，本发明的技术方案转化后的预期收益和商业价值为：煤岩显微组分组分析是对煤炭煤质进一步研究和评价的重要环节。在生产中该技术往往用于决定煤的品级，从而直接影响生产成本和燃煤效率。本技术方案的使用，可将现有的煤岩组分组人工分析煤样数量从每天(按8小时算)可处理2个提升至25个，同时将分析精度由80％提升至93％。按照每50吨一个煤样计算，每天可多处理1150吨煤。按照每人每月6000元工资计算，一个月30天，人工处理100个煤样，该项目可4天完成。效率提高1250％，成本节约90万/年，每年可多处理1150*30*12＝41.4万吨煤。以煤炭500元/吨计，每年可完成对价值2.07亿煤炭的组分组分析。根据使用该发明专利后带来的效果分析，将大幅提升经济效益。