CN102496004A - 一种基于图像的煤岩界面识别方法与系统 - Google Patents

Abstract

本发明公开了一种基于图像的煤岩界面识别方法与系统。在采煤工作面分别采集多幅煤、岩的彩色图像，对于每一幅图像，提取一个基于图像特征的向量作为样本特征向量，得到煤和岩的已知样本集，然后以煤和岩的已知样本集作为训练样本集，采用Fisher线性判别法建立煤岩分类器模型。采煤机工作时实时采集滚筒截割过的煤岩的彩色图像，提取特征向量输入到煤岩分类器模型，识别出煤岩类型。本系统由光源模块、成像模块、处理模块和防爆外壳构成。本发明所提出的煤岩界面识别方法与系统具有结构简单、易于布置、适应性强等特点，能够实时、自动地识别出滚筒截割处的煤岩类型，为采煤机滚筒自动调高提供可靠的煤岩界面信息。

Description

一种基于图像的煤岩界面识别方法与系统

技术领域

本发明涉及一种基于图像的煤岩界面识别方法与系统，用于识别煤矿井下采煤工作面煤层和顶底板岩层的分界面，属于图像识别技术领域。

背景技术

采煤机滚筒高度的调节主要依靠人工操作，即采煤机司机通过目视和听噪音的方式来判断采煤机滚筒是在割煤还是在割岩，然后调节滚筒的垂直位置。然而采煤工作面能见度低、噪声大，采煤机司机很难准确判断采煤机的截割状态，采煤机滚筒难免会截割到顶、底板岩石，由此造成一系列问题：①大量崩落的岩石混入原煤中，造成煤质下降和运输量增大；②增大了采煤机司机的劳动强度和危险性；③加剧截齿磨损，缩短截齿寿命；④截割坚硬顶底板可能会产生火花，对于高瓦斯矿极易引起瓦斯爆炸，形成恶性事故；⑤滚筒位置调节不当还可能造成顶底板煤剩留不均匀，降低回采率，同时顶底板表面不平整会使液压支架和刮板运输机推移困难，降低生产效率。

煤岩界面识别是实现采煤机滚筒自动调高的关键技术，即采用一种方法自动识别出采煤机在工作过程中截齿是否切入顶底板，或者识别出剩留顶底煤的厚度。煤岩界面识别对于减少采掘工作面作业人员直至实现工作面无人开采具有重要意义，既是煤矿安全高效生产的需要，又是减轻工人劳动强度和改善作业环境的需要。

世界各主要产煤国都十分重视煤岩界面识别方法的研究，提出了自然γ射线探测法、雷达探测法、应力截齿法、红外探测法、有功功率监测法、震动检测法、声音检测法、粉尘检测法、记忆截割法等20多种识别传感机理。目前，较为成熟的技术有自然γ射线探测法和记忆截割法，已经应用到采煤机上。自然γ射线探测法对页岩顶板有较好的适应性，而对于砂岩顶板则适应性极差，在中国仅有20％左右的矿井适宜采用自然γ射线探测法。记忆截割法适合于地质条件好、煤层比较平整的矿井，而且必须通过采煤机司机的手动操作来调整工作参数，应用效果存在一定的局限性。

中国专利申请号201010160335.1，公开日2010.9.22，公开了一种掘进机煤岩识别自动截割控制方法与系统，该方法根据掘进机截割头的受力状况、截割电机和回转油缸的参数来计算当前截割位置处矿岩的普氏系数，与标准普氏系数比较后判断矿岩类型为煤或者岩。

中国专利申请号201010251520.1，公开日2010.12.22，公开了一种煤岩界面识别方法、识别系统及识别探头，通过将能够穿透煤层而不能穿透岩层的特定能级的高压水射流向巷道上方的煤层喷射，并实时感知被煤层或岩层反射的反射流对喷嘴形成的不同作用力，据此判断采煤机滚筒截齿上端与煤岩界面的距离。

目前的煤岩界面识别方法存在以下问题：①信号获取装置结构复杂，成本高。在应力截齿法中，需要对采煤机滚筒进行机械改造，加装测力截齿和测力传感器，在振动测试法中，需要在采煤机上加装加速度、扭振和扭矩等传感器，装置结构复杂，改造成本高。②不易部署，可靠性差。采煤机滚筒在截割过程中受力复杂、滚筒振动剧烈、磨损严重、粉尘大，传感器部署比较困难，容易导致机械构件、传感器和电气线路受到损坏，装置可靠性差。③适应性差。对于不同类型的滚筒、截齿，传感器的最佳类型和信号拾取点的选择存在较大区别，需要进行个性化定制，系统的适应性差。

发明内容

为了克服现有煤岩界面识别方法存在的不足，本发明提供一种基于图像的煤岩界面识别方法与系统，能够实时、自动地识别出滚筒截割处的煤岩类型是煤还是岩，为采煤机滚筒自动调高提供可靠的煤岩界面信息。

本发明所述的煤岩界面识别方法采用如下技术方案实现，包括如下步骤：

A.在采煤工作面分别采集多幅煤、岩的彩色图像，对于每一幅图像，提取一个基于图像特征的向量作为样本特征向量，得到煤和岩的已知样本集；

B.以煤和岩的已知样本集作为训练样本集，采用Fisher线性判别法建立煤岩分类器模型，模型参数包括Fisher准则函数极大值解w^*和分界阈值y₀；

C.采煤机工作时实时采集滚筒截割过的煤岩的彩色图像，提取特征向量x，输入煤岩分类器模型，计算y＝(w^*)^Tx，如果y＞y₀，则识别煤岩类型为煤，如果y＜y₀，则识别煤岩类型为岩，如果y＝y₀，则拒绝识别。

基于灰度共生矩阵的特征参数有20种，以大量煤、岩图像样本数据为基础，采用主成分分析法(Principal ComponentAnalysis，PCA)分离出了四种对于区分煤岩贡献最大的特征值：显著聚类、对比度、能量和熵构成样本特征向量，有效地降低了数据维数。

所述步骤A中的样本特征向量的提取过程包括以下步骤：

A1.将采集的彩色图像转换成灰度图像；

A1.对灰度图像的灰度级进行粗量化处理；

A3.提取灰度图像在0°，45°，90°，135°四个方向的灰度共生矩阵；

A4.计算四个灰度共生矩阵的均值矩阵；

A5.对步骤A4得到的均值矩阵进行归一化处理；

A6.计算灰度共生矩阵的显著聚类、对比度、能量和熵，组成一个四维向量作为样本的特征向量。

所述步骤B包括以下步骤：

B1.分别计算煤、岩已知样本集的均值向量；

B2.分别计算煤、岩已知样本集的类内离散度矩阵；

B3.计算煤、岩两类样本集的总类内离散度矩阵；

B4.计算准则函数的极大值解w^*；

B5.计算分界阈值y₀。

煤岩识别系统的工作过程分为两个阶段：分类器模型建立阶段和自动识别阶段；在分类器模型建立阶段，识别系统在采煤机控制器的监视与控制下分别采集多幅煤和岩的彩色图像，提取出基于图像特征的样本特征向量，得到煤和岩的已知样本集，然后以已知样本集作为训练样本集建立煤岩分类器模型；在自动识别阶段，识别系统实时采集滚筒截割过的煤岩的彩色图像，提取出样本特征向量，输入煤岩分类器模型识别其类型。

本发明所述目的由以下提出的基于图像的煤岩界面识别系统得以实现。所述系统包括光源模块、成像模块、处理模块和防爆模块；所述光源模块用于辅助照射滚筒截割过的煤岩；所述成像模块用于采集煤岩的图像；所述处理模块用于完成煤岩识别任务；所述防爆模块用来满足井下防爆要求。

所述光源模块是由多组LED阵列组成的高亮度环形白光照明灯，LED阵列点亮的数量由处理模块控制，为采集煤岩图像提供合适的照明。所述成像模块是一个电荷耦合器件(CCD)相机，具有自动调焦和自动调节曝光功能，其采集动作由处理模块触发。所述处理模块负责光源调节、图像采集、图像处理、分类器模型建立和分类识别任务；处理模块由控制单元、成像单元、存储单元、图像处理与识别单元和通信接口组成；处理模块通过通信接口与采煤机控制器通信。

本发明的有益效果是，结构简单、易于布置、适应性强、识别率高，能够实时、自动地识别出滚筒截割处的煤岩类型，为采煤机滚筒自动调高提供可靠的煤岩界面信息。

附图说明

下面结合附图和具体实施方式对本发明作进一步的详细描述。

图1是本发明所述煤岩界面识别系统的工作原理框图；

图2是煤岩界面识别系统处理模块的结构框图；

图3是图像样本特征向量提取流程图；

图4是煤岩分类器模型建立流程图；

图5是煤岩分类器模型识别决策流程图。

图中，1.岩层，2.煤层，3.采煤机滚筒，4.煤岩截割面，5.成像模块，6.光源模块，7.处理模块，8.防爆外壳，9.视窗，10.采煤机控制器，21.控制单元，22.图像处理与识别单元，23.采集单元，24.存储单元，25.通信接口。

具体实施方式

首先对基于图像的煤岩界面识别系统的工作原理进行描述。参照图1，在采煤工作面，采煤机滚筒3截割由岩层1与煤层2构成的煤壁，煤岩识别系统实时采集滚筒截割过的煤岩割截面4的图像，根据图像纹理特征的不同来识别当前截割的对象是煤层还是岩层。煤岩识别系统由光源模块6，成像模块5，处理模块7和防爆外壳8组成。所述光源模块6是由多组LED阵列组成的高亮度环形白光照明灯，LED阵列点亮的数量由处理模块7控制，为采集煤岩图像提供合适照明。所述成像模块5是一个电荷耦合器件(CCD)相机，用于采集煤岩截割面4的图像，具有自动调焦和自动调节曝光功能，其采集动作由处理模块7触发；所述处理模块7负责光源调节、图像采集、图像处理、分类器模型建立和分类识别任务。所述防爆外壳8是为了满足煤矿井下的防爆要求，其中镶嵌的视窗9是高透光的。处理模块通过通信接口与采煤机控制器10通信，接收采煤机的控制指令。煤岩识别系统的工作过程分为两个阶段：分类器模型建立阶段和自动识别阶段。在分类器模型建立阶段，识别系统在采煤机控制器的监视与控制下分别采集多幅煤和岩的彩色图像，提取图像特征得到煤和岩的已知样本集，然后以已知样本集作为训练样本集获得分类器模型的参数；在自动识别阶段，识别系统实时采集滚筒截割过的煤岩的彩色图像，提取出样本特征向量，输入煤岩分类器模型识别其类型。

图2是处理模块的结构框图，处理模块由控制单元、成像单元、存储单元、图像处理与识别单元和通信接口组成。控制单元21是处理模块的控制核心，通过通信接口25与采煤机控制器10通信，根据采煤机控制器10的指令启动或关闭煤岩识别任务。图像处理与识别单元22控制采集单元23采集相机5所采集的图像数据并存储到存储单元24，图像处理与识别单元22再从存储单元24读取图像进行图像处理与识别。采集的图像可由通讯接口25传至采煤机控制器10上进行显示。相机5的采集动作由控制单元21触发，光源6中LED点亮数量由控制单元21控制。在分类器模型建立阶段，作业人员借助采煤机控制器10的监视器查看识别系统传回的工作面现场图像，调整滚筒高度，分别采集多幅煤和岩的彩色图像，然后建立煤岩分类器模型。在自动识别阶段，识别系统自动采集滚筒截割过的煤岩的彩色图像，输入到煤岩分类器模型识别出煤岩类型，识别结果经由通信接口传至采煤机控制器，采煤机控制器据此调节滚筒高度。图3是图像样本特征向量的提取流程，具体步骤包括：

(1)将采集的彩色图像转换成灰度图像(301)。设所采集的彩色数字图像为f，其R，G，B分量分别为f_R，f_G，f_B，f的数据形式为三维数组，f_R，f_G，f_B的数据形式为二维数组，数组元素的位置(x，y)对应图像中像素点的坐标，数组元素的值为图像(x，y)处像素点的灰度值，灰度值取区间[0，255]内的整数，其中0对应黑色，255对应白色。f_R，f_G，f_B与f的关系为：

f_R＝f(：，：，1)；f_G＝f(：，：，2)；f_B＝f(：，：，3)；

将彩色图像f转换为灰度图像F的计算公式为：

F(x，y)＝0.299f_R(x，y)+0.587f_G(x，y)+0.114f_B(x，y)

灰度图像F的数据形式为二维数组，F(x，y)表示图像F中(x，y)处的灰度值，灰度值取区间[0，255]内的整数，其中0对应黑色，255对应白色。

(2)对灰度图像F的灰度级进行粗量化处理(302)。如果一幅图像的灰度级为256，灰度共生矩阵的大小为256×256，计算量大，为节省计算时间，一般将灰度级粗量化，如将256级灰度图像变换成16级的灰度图像。经过粗量化处理后的图像虽有失真，但对纹理特征的影响不大。设灰度图像F的灰度级为N，粗量化处理后变为L级，灰度范围为[0，L-1]。其中灰度级0对应图像F的实际最小灰度值，L-1对应图像F的实际最大灰度值，其它灰度级均匀划分。

(3)提取灰度图像F在0°，45°，90°，135°四个方向的灰度共生矩阵(303)。灰度共生矩阵P_(δ，θ)各个元素的计算公式为：

p_(δ，θ)(i，j)＝#{[(x₁，y₁)，(x₂，y₂)]∈F|F(x₁，y₁)＝i&F(x₂，y₂)＝j}

#表示像素对的个数，i，j∈[0，L-1]，x₂＝x₁+δcosθ，y₂＝y₁+δsinθ，δ取值为1，θ取值分别为0°，45°，90°，135°，得到的四个灰度共生矩阵分别为P_(1，0°)，P_(1，45°)，P_(1，90°)，P_(1，135°)。

(4)计算四个灰度共生矩阵的均值矩阵(304)。在采煤工作面，煤层和岩层图像的纹理没有明显的方向性，因此求出四个矩阵的均值矩阵作为图像的灰度共生矩阵，计算公式为：

(5)对灰度共生矩阵P进行归一化处理(305)。

灰度共生矩阵均一化方法是原矩阵的每一项除以矩阵所有项的和，均一化矩阵P_N每一项p_N(i，j)的计算公式为：

$p_N(i,j)=\frac{p(i,j)}{\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}p(i,j)}$

其中p(i，j)为灰度共生矩阵P在(i，j)处元素的值。

(6)计算灰度共生矩阵P_N的特征参数：显著聚类、对比度、能量和熵，组成一个四维向量作为该图像的样本特征向量(306)，所选特征参数的计算公式如下：

(a)显著聚类

$f_1=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{(i+j-{\mathrm{\μ}}_x-{\mathrm{\μ}}_y)}^4{p}_N(i,j)$

(b)对比度

$f_2=\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}\left[{(i-j)}^2{p}_N(i,j)\right]$

(c)能量

$f_3=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_N{(i,j)}^2$

(d)熵

$f_4=-\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}\underset{j=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_N(i,j)\ln \left(p_N(i,j)\right)$

其中

分别为灰度共生矩阵P_N行、列的平均偏差。

图4是煤岩分类器模型建立流程图。在分类器模型建立阶段，系统分别采集N₁幅煤图像和N₂幅岩图像，通过特征提取得到N₁个煤样本特征向量和N₂个岩样本特征向量。设煤训练样本集为X₁，样本数为N₁，岩训练样本集为X₂，样本数为N₂。煤岩识别分类器模型的建立步骤包括：

(a)输入煤训练样本集X₁(401)和岩训练样本集X₂(402)，求煤训练样本集的均值向量m₁(403)和岩训练样本集的均值向量m₂(404)，计算公式为：

$m_i=\frac{1}{N_i}\underset{x{\∈X}_i}{\mathrm{\Σ}}x,$ i＝1，2

(b)求煤样本类内离散度矩阵S₁(405)和岩样本类内离散度矩阵S₂(406)，计算公式为：

$S_i=\underset{x{\∈X}_i}{\mathrm{\Σ}}{(x-m_i)\left({x-m}_i\right)}^T,$ i＝1，2

(c)求总类内离散度矩阵S_w(407)，计算公式为：

S_w＝S₁+S₂

(d)求Fisher准则函数极大值解w^*(408)，计算公式为：

w^*＝S_w ^-1(m₁-m₂)

(e)确定分界阈值y₀(409)，计算公式为：

$y_0=\frac{{\left(w^{*}\right)}^T{m}_1+{\left(w^{*}\right)}^T{m}_2}{2}$

图5是煤岩分类器模型识别决策流程图。系统实时采集滚筒截割过的煤岩的彩色图像(501)，提取出图像的一个四维特征向量x(502)，将其输入到煤岩识别分类器模型，计算y＝(w^*)^Tx(503)。将y与分界阈值y₀进行比较(504)，如果y＞y₀，则识别煤岩类型为煤(505)；如果y＜y₀，则识别煤岩类型为岩(507)；如果y＝y₀，则拒绝识别(506)。

Claims (10)

1.一种基于图像的煤岩界面识别方法，特征在于，包括以下步骤：

A.在采煤工作面分别采集多幅煤、岩的彩色图像，对于每一幅图像，提取一个基于图像特征的向量作为样本特征向量，得到煤和岩的已知样本集；

B.以煤和岩的已知样本集作为训练样本集，采用Fisher线性判别法建立煤岩分类器模型，模型参数包括Fisher准则函数极大值解w^*和分界阈值y₀；

C.实时采集采煤机滚筒截割过的煤岩的彩色图像，提取出样本特征向量x，输入到煤岩分类器模型，计算y＝(w^*)^Tx，如果y＞y₀，则识别煤岩类型为煤，如果y＜y₀，则识别煤岩类型为岩，如果y＝y₀，则拒绝识别。

2.根据权利要求1所述的方法，其特征在于，所述图像特征是基于图像灰度共生矩阵的纹理特征，包括：显著聚类、对比度、能量和熵。

3.根据权利要求1所述的方法，其特征在于，所述步骤A中的样本特征向量的提取过程包括以下步骤：

A1.将采集的彩色图像转换成灰度图像；

A2.对灰度图像的灰度级进行粗量化处理；

A3.提取灰度图像在0°，45°，90°，135°四个方向的灰度共生矩阵；

A4.计算四个灰度共生矩阵的均值矩阵；

A5.对步骤A4得到的均值矩阵进行归一化处理；

A6.计算灰度共生矩阵的显著聚类、对比度、能量和熵，组成一个四维向量作为样本的特征向量。

4.根据权利要求1所述的方法，其特征在于，所述步骤B包括以下步骤：

B1.分别计算煤、岩训练样本集的均值向量；

B2.分别计算煤、岩训练样本集的类内离散度矩阵；

B3.计算煤、岩两类训练样本集的总类内离散度矩阵；

B4.计算准则函数的极大值解w^*；

B5.计算分界阈值y₀。

5.一种基于图像的煤岩界面识别系统，其特征在于，所述系统包括光源模块、成像模块、处理模块和防爆外壳；所述光源模块用于辅助照射滚筒截割过的煤岩；所述成像模块用于采集煤岩的图像；所述处理模块用于完成煤岩识别任务；所述防爆外壳用来满足井下防爆要求。

6.根据权利要求5所述的系统，其特征在于，所述光源模块是由多组LED阵列组成的高亮度环形白光照明灯，LED阵列点亮的数量由处理模块控制，为采集煤岩图像提供合适的照明。

7.根据权利要求5所述的系统，其特征在于，所述成像模块是一个电荷耦合器件(CCD)相机，具有自动调焦和自动调节曝光功能，其采集动作由处理模块触发。

8.根据权利要求5所述的系统，其特征在于，所述处理模块负责光源调节、图像采集、图像处理、分类器模型建立和分类识别任务；处理模块由控制单元、成像单元、存储单元、图像处理与识别单元和通信接口组成；处理模块通过通信接口与采煤机控制器通信。

9.根据权利要求5所述的系统，其特征在于，煤岩界面识别系统的工作过程分为两个阶段：分类器模型建立阶段和自动识别阶段；在分类器模型建立阶段，识别系统在采煤机控制器的监视与控制下分别采集多幅煤和岩的彩色图像，提取出基于图像特征的样本特征向量，得到煤和岩的已知样本集，然后以已知样本集作为训练样本集建立煤岩分类器模型；在自动识别阶段，识别系统实时采集滚筒截割过的煤岩的彩色图像，提取出样本特征向量，输入煤岩分类器模型识别其类型。

10.根据权利要求5所述的系统，其特征在于，所述防爆外壳是为了满足煤矿井下的防爆要求，其中镶嵌的视窗是高透光的。

Images