DeiT和图像深度学习驱动的粒子大小效应校正:改善NIRS-XRF煤炭质量分析精度的新方法
Jiaxin Yin1,2, Ruonan Liu1,2, Wangbao Yin1,2
1State Key Laboratory of Quantum Optics and Quantum Optics Devices, Institute of Laser Spectroscopy, Shanxi University, Taiyuan 030006, China.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
本研究引入了一种使用先进人工智能图像分析来纠正煤炭质量测试中的粒子大小效应的新方法. 这提高了光谱学灰含量测量的准确性和可靠性,有利于能源效率.
科学领域:
- 分析化学 分析化学
- 材料科学 材料科学 材料科学
- 人工智能的人工智能
背景情况:
- 准确的煤炭质量分析对于高效的发电和环境保护至关重要.
- 近红外光谱和X射线光 (NIRS-XRF) 对于煤炭分析至关重要,但受粒子大小的影响.
- 颗粒大小的影响导致煤炭NIRS-XRF的分析结果不稳定和不准确.
研究的目的:
- 开发一种用于煤炭NIRS-XRF分析中的粒子大小效应的新校正方法.
- 提高煤炭样本灰含量测量的准确性和一致性.
- 利用先进的图像处理和深度学习来提高分析可靠性.
主要方法:
- 利用分段任何模型 (SAM) 在微观煤炭图像中进行精确的粒子细分.
- 采用数据高效图像转换器 (DeiTs) 进行转移学习,以分析颗粒大小和灰测量错误.
- 从SAM生成二进制面具图像来描述粒子大小,并将它们输入DeiT模型进行校正.
主要成果:
- 在标准偏差 (SD) 和根平均平方误差 (RMSE) 中实现了22%的减少.
- 显著提高了煤炭样本中的灰预测的准确性和一致性.
- 已证明有效地减少亚毫米颗粒大小的影响.
结论:
- 提出的基于SAM和DeiT的方法有效地纠正了煤炭NIRS-XRF分析中的颗粒大小影响.
- 这种方法提高了煤炭质量评估的模型适应性和测量可靠性.
- 该方法显示出在分析复杂样品和推进自动化分析系统方面具有更广泛应用的潜力.
