CN103927528B - 基于紧邻域像素灰度联合分布特征的煤岩识别方法 - Google Patents
基于紧邻域像素灰度联合分布特征的煤岩识别方法 Download PDFInfo
- Publication number
- CN103927528B CN103927528B CN201410184275.5A CN201410184275A CN103927528B CN 103927528 B CN103927528 B CN 103927528B CN 201410184275 A CN201410184275 A CN 201410184275A CN 103927528 B CN103927528 B CN 103927528B
- Authority
- CN
- China
- Prior art keywords
- coal
- image
- rock
- vector
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 239000003245 coal Substances 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011435 rock Substances 0.000 title claims abstract description 49
- 238000009826 distribution Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000010606 normalization Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 7
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract 1
- 238000004445 quantitative analysis Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 8
- 238000001514 detection method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000007630 basic procedure Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于紧邻域像素灰度联合分布特征的煤岩识别方法,该方法用紧邻域像素灰度联合分布特征来描述煤、岩图像特征信息,用学习向量量化方法抽取煤岩特征信息空间关键字向量,用关键字向量直方图表征煤岩在不同形态下的模式;在识别时,待识别图像用与训练图像同样的方法抽取图像特征信息和建立直方图,然后和训练阶段学习到的模式进行比较,用G统计来度量,用最近邻准则来识别。该方法用了煤、岩在不同照度、不同视点下的图像作为训练样本,受照度和成像视点变化影响小,识别率高,稳定性好。
Description
技术领域
本发明涉及一种基于紧邻域像素灰度联合分布特征的煤岩识别方法,属于图像识别技术领域。
背景技术
煤岩识别即用一种方法自动识别出煤岩对象为煤或岩石。在煤炭生产过程中,煤岩识别技术可广泛应用于滚筒采煤、掘进、放顶煤开采、原煤选矸石等生产环节,对于减少采掘工作面作业人员、减轻工人劳动强度、改善作业环境、实现煤矿安全高效生产具有重要意义。
已有多种煤岩识别方法,如自然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,但这些方法存在以下问题:①需要在现有设备上加装各类传感器获取信息,导致装置结构复杂,成本高。②采煤机滚筒、掘进机等设备在生产过程中受力复杂、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对于不同类型机械设备,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。
通过对煤、岩石块状样本的观察,发现煤和岩石的表面纹理在粗糙程度、稀疏程度、纹理变化的均匀性、沟纹的深浅等方面都有很大差异,据此,利用煤岩图像纹理特征来识别煤岩的方法已提出,如基于灰度共生统计特征的煤岩识别方法,灰度共生统计方法将煤岩纹理表面看作二维纹理来处理,而事实上煤岩纹理表面凹凸不平,具有典型的三维纹理特征,三维纹理表面当视点和照度发生变化时,视觉表面会发生很大的变化。在煤炭生产中需要煤、岩识别的工作场合如工作面、掘进面等,照度变化往往很平常,成像传感器的视点也在较大范围内变化,而二维纹理模型对照度、视点变化不具备鲁棒性,因而识别不稳定,识别率不高。
需要一种解决或至少改善现有技术中固有的一个或多个问题的煤岩识别方法,以提高煤岩识别率和识别稳定性。
发明内容
因此,本发明的目的在于提供一种基于紧邻域像素灰度联合分布特征的煤岩识别方法,该识别方法受照度和成像视点变化影响小,能够实时、自动地识别出当前煤、岩石对象是煤或是岩石,为自动化采掘、自动化放煤、自动化选矸等生产过程提供了可靠的煤岩识别信息。
根据一种实施例形式,提供一种基于紧邻域像素灰度联合分布特征的煤岩识别方法,包括如下步骤:
A.将采集的煤、岩样本图像进行预处理并分成训练集SET_A和测试集SET_B
将采集的每一张煤、岩样本图像,在图像的中心截取像素大小为N的子图像,并将每张子图像的灰度归一化为零均值和单位方差(若是彩色图像先转换成灰度图像),选择处理过的一部分图像作为训练集SET_A,别一部分作为测试集SET_B;
B.提取训练集SET_A和测试集SET_B中图像的特征信息向量
分别提取训练集SET_A和测试集SET_B中每张煤图像Ic和每张岩图像Ir的特征信息向量{xi}c和{xi}r,所述特征信息向量xi∈Rn为该图像中像素的紧邻域内的n个像素灰度的联合分布,即xi={I1,..In-1,Ii},Ii为像素(i,j)的灰度值,I1,...,In-1为像素(i,j)邻域像素的灰度值,将xi归一化;
C.从图像特征信息向量空间中提取K个关键字向量{w1,w2,...wK},wi∈Rn
利用训练集中的特征信息向量{{xi}c,{xi}r}SET_A,首先用OLVQ1向量量化训练算法对关键字向量位置进行粗定位,再用LVQ2训练算法对关键字向量位置进行细调节,用测试集SET_B特征信息向量{{xi}c,{xi}r}SET_B对LVQ2的训练结果进行精度测试,直至所提取的K个关键字向量满足识别精度要求为止;
D.将煤、岩模式用关键字向量直方图表征
从训练集SET_A中分别选取煤、岩图像各M张,将选定的每一张图像的特征信息向量xi用与其最邻近的关键字向量标注,计算每个关键字向量出现的次数,作相对图像总标注像素的归一化直方图,煤的M张图像对应煤的M个模式{Hc}M,岩的M张图像对应岩的M个模式{Hr}M;
E.识别未知煤岩对象图像Ix
给定未知煤岩对象图像Ix,用与步骤A相同的方法进行预处理,用与步骤B中相同的方法提取Ix的特征信息{xi}x,用与D中相同的方法对xi进行标注,计算Ix关键字归一化直方图Hx,用对数似然率即G统计度量Hx与煤和岩石模式距离,计算公式如下:
其中,Hxk为待识别图像第k个关键字向量的概率,Hk为煤模式或者岩模式第k个关键字向量的概率。使G(Hx,H)最大的模式即为待识别对象的模式。
在进一步特定的但非限制性的形式中,步骤B中像素紧邻域大小为以该像素为中心的3×3或5×5或7×7像素区域。
优选地,步骤B中像素紧邻域大小为以该像素为中心的3×3像素区域。
优选地,步骤B中紧邻域内像素灰度联合分布归一化方法为
有利的是,步骤B中紧邻域内像素灰度联合分布归一化方法为
优选地,步骤D中最邻近关键字向量用余弦函数度量,即:
有利的是,步骤D中最邻近关键字向量用欧氏距离度量。
附图说明
通过以下说明,附图实施例变得显而已见,其仅以结合附图描述的至少一种优选但非限制性实施例的示例方式给出。
图1是本发明所述煤岩识别方法的基本流程。
图2是紧邻域内像素灰度联合分布的向量表示。
图3是K个关键字向量提取流程。
具体实施方式
图1是基于紧邻域像素灰度联合分布特征的煤岩识别方法的基本流程,参见图1进行具体描述。
A.将采集的煤、岩样本图像进行预处理并分成训练集SET_A和测试集SET_B
将从煤岩识别任务的现场如采煤工作面采集来的不同照度、不同视点的若干煤、岩样本图像,在图像的中心截取像素大小为N的子图像,如128×128像素大小,并将每张子图像的灰度归一化为零均值和单位方差,若是彩色图像,则用式I=0.299R+0.587G+0.114R先将其转换为灰度图像,处理后的图像对照度的线性变换具有一定的鲁棒性。进一步地将每张子图像分成不相交的子块,如64×64像素大小,煤、岩分别选择如一半数量的子块作为训练集SET_A,另一半作为测试集SET_B;
B.提取训练集SET_A和测试集SET_B中图像的特征信息向量
分别提取训练集SET_A和测试集SET_B中每张煤图像Ic和每张岩图像Ir的特征信息向量{xi}c和{xi}r,图像的特征信息向量xi∈Rn为该图像中像素的紧邻域内的n个像素灰度的联合分布,像素的紧邻域指以该像素为中心的方块区域内像素,如3×3或5×5或者7×7像素区域,优选3×3,因为小的像素邻域已包含了足够的纹理鉴别信息,低维空间数据在量化过程中不易出现过拟合。将像素(i,j)邻域内像素灰度值按行记录成向量如图2所示,即xi={I1...In-1,Ii},Ii为像素(i,j)的灰度值,I1,...,In-1为像素(i,j)邻域像素的灰度值,为增强信息的可鉴别性,将xi进行对比度归一化,归一化方法为但用单位范数归一化,即也能得到所需要的识别精度。
C.从图像特征信息向量空间中提取K个关键字向量{w1,w2,...wK},wi∈Rn
利用训练集中的特征信息向量{{xi}c,{xi}r}SET_A,首先用OLVQ1向量量化训练算法对关键字向量位置进行粗定位,再用LVQ2训练算法对关键字向量位置进行细调节,用测试集SET_B特征信息向量{{xi}c,{xi}r}SET_B对LVQ2的训练结果进行精度测试,直至所提取的K个关键字向量满足识别精度要求为止,其流程如图3所示。首先输入初始参数值,这些参数包括输入数据维数,输出的类别数,每类的关键字向量个数,初始关键字向量等,关键字向量个数根据训练样的大小,以及直方图统计稳定性要求等来设置,初始关键字向量可从训练样中选择;输入OLVQ1的学习速率、叠代次数,根据经验,优化的学习速率设置为0.1,叠代次数设置为1000;输入LVQ2的学习速率、叠代次数,优化的学习速率设置为0.08,叠代次数设置为2000;OLVQ1训练开始,当OLVQ1达到设定的叠代次数后,LVQ2开始训练,OLVQ1用来找与输入向量最靠近的关键字向量并且调节关键字向量位置,最近的关键字向量用余弦函数度量,即两个向量越相似,它们间的夹角越小,其余弦函数值越大,亦可用欧氏距离度量,调整规则是如果输入向量和关键字向量为同一类,则关键字向量向输入向量靠近,否则远离输入向量;LVQ2用来调整最近和次最近的关键字向量位置,当输入向量和最近的关键字向量不同类、和次最近的关键字向量同类并且位于决策边界错误的一边时,最近的关键字向量向远离输入向量的方向移动,次最近的关键字向量向靠近输入向量的方向移动;当LVQ2达到设定的叠代次数后,用测试集{{xi}c,{xi}r}SET_B检测训练的精度,若达到了所设定的识别精度,则输出关键字向量训练结束,若没有达到所设定的识别精度,则将每类关键字向量加1,继续训练,期望的精度可设置在98%~100%之间,一般只运行OLVQ1向量量化训练算法也能达到所要求的识别精度。
D.将煤、岩模式用关键字向量直方图表征
从训练集SET_A中分别选取煤、岩图像各M张,将选定的每一张图像的特征信息向量xi用与其最邻近的关键字向量标注,计算每个关键字向量出现的次数,作相对图像总标注像素的归一化直方图,煤的M张图像对应煤的M个模式{Hc}M,岩的M张图像对应岩的M个模式{Hr}M;
判断最邻近的关键字向量可用余弦函数度量,即:
两个向量越相似,它们间的夹角越小,其余弦函数值越大。为简少运算量,亦可用欧氏距离度量。
E.识别未知煤岩对象图像Ix
给定未知煤岩对象图像Ix,用与步骤A相同的方法进行预处理,用与步骤B中相同的方法提取Ix的特征信息{xi}x,用与D中相同的方法对xi进行标注,计算Ix关键字归一化直方图Hx,用对数似然率即G统计度量Hx与煤和岩石模式距离,计算公式如下:
其中,Hxk为待识别图像第k个关键字向量的概率,Hk为煤模式或者岩模式第k个关键字向量的概率。使G(Hx,H)最大的模式即为待识别对象的模式。
Claims (6)
1.一种基于紧邻域像素灰度联合分布特征的煤岩识别方法,其特征在于,包括以下步骤:
A.将采集的煤、岩样本图像进行预处理并分成训练集SET_A和测试集SET_B
将采集的每一张煤、岩样本图像,在图像的中心截取像素大小为N的子图像,并将每张子图像的灰度归一化为零均值和单位方差,选择处理过的一部分图像作为训练集SET_A,另一部分作为测试集SET_B;
B.提取训练集SET_A和测试集SET_B中图像的特征信息向量
分别提取训练集SET_A和测试集SET_B中每张煤图像Ic和每张岩图像Ir的特征信息向量{xi}c和{xi}r,所述{xi}c和{xi}r中的特征信息向量xi∈Rn为该图像中像素的紧邻域内的n个像素灰度的联合分布,即xi={I1,...,In-1,Ii},Ii为像素(i,j)的灰度值,I1,...,In-1为像素(i,j)邻域像素的灰度值,将xi归一化;
C.从图像特征信息向量空间中提取K个关键字向量{w1,w2,...,wK},ws∈Rn
利用训练集中的特征信息向量{{xi}c,{xi}r}SET_A,首先用OLVQ1向量量化训练算法对关键字向量位置进行粗定位,再用LVQ2训练算法对关键字向量位置进行细调节,用测试集SET_B特征信息向量{{xi}c,{xi}r}SET_B对LVQ2的训练结果进行精度测试,直至所提取的K个关键字向量{w1,w2,...,wK}满足识别精度要求为止;
D.将煤、岩模式用关键字向量直方图表征
从训练集SET_A中分别选取煤、岩图像各M张,将选定的每一张图像的特征信息向量xi用与其最邻近的关键字向量标注,计算每个关键字向量出现的次数,作相对该图像总标注像素的归一化直方图,煤图像的归一化直方图用Hc表示,岩图像的归一化直方图用Hr表示,煤模式为所选定的M张煤图像的归一化直方图Hc的集合,即{Hc}M,岩模式为所选定的M张岩图像的归一化直方图Hr的集合,即{Hr}M;
E.识别待识别图像
给定待识别图像,在图像的中心截取像素大小为N的子图像,并将子图像的灰度归一化为零均值和单位方差,记处理过后的子图像为Ix,用与步骤B中相同的方法提取Ix的特征信息向量{xi}x,用与D中相同的方法对xi进行标注,计算Ix关键字归一化直方图Hx,用对数似然率即G统计度量Hx与煤和岩石模式距离,计算公式如下:
其中,Hxk为待识别图像第k个关键字向量的概率,Hk为煤模式或者岩模式第k个关键字向量的概率,使G(Hx,H)最大的模式即为待识别图像模式。
2.根据权利要求1所述方法,其特征在于步骤B中像素紧邻域大小为以该像素为中心的3×3或5×5或7×7像素区域。
3.根据权利要求1所述方法,其特征在于步骤B中紧邻域内像素灰度联合分布归一化方法为
4.根据权利要求1所述方法,其特征在于步骤B中紧邻域内像素灰度联合分布归一化方法为
5.根据权利要求1所述方法,其特征在于步骤D中与特征信息向量xi最邻近的关键字向量用余弦函数
度量,其中,t为向量ws和xi的元素索引。
6.根据权利要求1所述方法,其特征在于步骤D中最邻近关键字向量用欧氏距离度量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184275.5A CN103927528B (zh) | 2014-05-05 | 2014-05-05 | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410184275.5A CN103927528B (zh) | 2014-05-05 | 2014-05-05 | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927528A CN103927528A (zh) | 2014-07-16 |
CN103927528B true CN103927528B (zh) | 2017-02-01 |
Family
ID=51145744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410184275.5A Expired - Fee Related CN103927528B (zh) | 2014-05-05 | 2014-05-05 | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927528B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN104751193B (zh) * | 2015-04-24 | 2018-02-13 | 中国矿业大学(北京) | 基于距离约束相似性的煤岩识别方法 |
CN104751192B (zh) * | 2015-04-24 | 2017-12-22 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
CN105350963B (zh) * | 2015-12-01 | 2017-10-10 | 中国矿业大学(北京) | 一种基于相关性度量学习的煤岩识别方法 |
CN109241867B (zh) * | 2018-08-16 | 2022-03-15 | 清能艾科(深圳)能源技术有限公司 | 采用人工智能算法识别数字岩心图像的方法及装置 |
CN112814678A (zh) * | 2020-12-31 | 2021-05-18 | 重庆大学 | 一种矿井综采工作面智能化放顶煤方法 |
CN113505690B (zh) * | 2021-07-09 | 2023-05-05 | 中国矿业大学(北京) | 一种实时的煤岩视觉识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN103530621A (zh) * | 2013-11-04 | 2014-01-22 | 中国矿业大学(北京) | 一种基于bp神经网络的煤岩图像识别方法 |
-
2014
- 2014-05-05 CN CN201410184275.5A patent/CN103927528B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521572A (zh) * | 2011-12-09 | 2012-06-27 | 中国矿业大学 | 一种煤和矸石的图像识别方法 |
CN103530621A (zh) * | 2013-11-04 | 2014-01-22 | 中国矿业大学(北京) | 一种基于bp神经网络的煤岩图像识别方法 |
Non-Patent Citations (3)
Title |
---|
coal-rock interface detection on the basis of image texture features;Sun Jiping,Su Bo;《international journal of mining science and technology》;20130905;第23卷;第681-687页 * |
discriminative dictionary design using lvq for hyperspectral image classification;Yi Chen et al;《2012 4th workshop on hyperspectral image and signal processing(WHISPERS)》;20121231;第1-4页 * |
基于支持向量机的煤岩图像特征抽取与分类识别;孙继平,佘杰;《煤炭学报》;20130930;第38卷;第508-512页 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
CN108090434B (zh) * | 2017-12-13 | 2020-06-23 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927528A (zh) | 2014-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
CN103927514B (zh) | 一种基于随机局部图像特征的煤岩识别方法 | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
CN104751192B (zh) | 基于图像块共生特征的煤岩识别方法 | |
CN103927553B (zh) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 | |
CN104463199A (zh) | 基于多特征及分割再校正的矿岩块度分类方法 | |
CN105279772A (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN104318254A (zh) | 一种基于dct低频分量特征的快速煤岩识别方法 | |
Li et al. | An image recognition approach for coal and gangue used in pick-up robot | |
CN103149087B (zh) | 一种基于随动视窗与数字图像的非接触式实时应变测量方法 | |
CN103942576A (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
US11670073B2 (en) | System and method for detection of carbonate core features from core images | |
CN109002792B (zh) | 基于分层多模型度量学习的sar图像变化检测方法 | |
CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
Amin* et al. | A novel approach for salt dome detection using a dictionary-based classifier | |
CN104751193B (zh) | 基于距离约束相似性的煤岩识别方法 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN104778461A (zh) | 基于相似测度学习的煤岩识别方法 | |
CN106951924B (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统 | |
CN114373079A (zh) | 一种快速准确的探地雷达目标检测方法 | |
Huang et al. | Superpixel-based change detection in high resolution sar images using region covariance features | |
CN108154076A (zh) | 一种机器学习算法级联的铁轨行人检测方法 | |
CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
CN106682668A (zh) | 一种使用无人机标记影像的输电线路地质灾害监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170201 Termination date: 20190505 |