CN104751193A - 基于距离约束相似性的煤岩识别方法 - Google Patents

Abstract

本发明公开了一种基于距离约束相似性的煤岩识别方法，该方法直接面向煤岩识别任务，从煤岩数据中学习能辨别煤岩本质相似性的非线性相似性测度函数，具有适应煤岩图像数据变化的能力从而使得该方法具有高的识别稳定性和识别正确率，为自动化采掘、自动化放煤、自动化选矸等生产过程提供可靠的煤岩识别信息。

Description

基于距离约束相似性的煤岩识别方法

技术领域

本发明涉及一种基于距离约束相似性的煤岩识别方法，属于煤岩识别领域。

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。

为解决上述问题，图像技术越来越受到重视并研发了一些基于图像技术的煤岩识别方法，然而已有方法需要人工精心选择图像特征或者图像特征的组合，这往往需要很大的努力与偿试，然而所得方法并不总是对因成像条件变化引起的图像数据变化具有具鲁棒性，致使在识别稳定性和识别正确率上还有很大的不足。

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距离约束相似性的煤岩识别方法，该方法直接面向煤岩识别任务，从煤岩数据中学习能辨别煤岩本质相似性的测度函数，具有适应煤岩图像数据变化的能力从而使得该方法具有高的识别稳定性和识别正确率，为自动化采掘、自动化放煤、自动化选矸等生产过程提供可靠的煤岩识别信息。

根据一种实施例形式，提供一种基于距离约束相似性的煤岩识别方法，包括如下步骤：

A.对每一张煤、岩样本图像，以图像中每个像素为中心(边缘像素除外)，取N×N像素大小的图像块，将图像块内的像素按一定顺序排列，排序后的像素构成N²维向量，向量中每个元素的值为对应像素的灰度值，将每个向量进行标准化处理；

B.用聚类算法分别提取煤、岩样本图像的K个关键字向量，共2K个关键字向量按L₂范数大小从小到大标记；

C.将煤、岩样本图像中的每张图像的每个像素(边缘像素除外)标注为与其最邻近的关键字向量的标记值，统计每幅图中每个关键字出现的个数，用||·||₁归一化，得到每一幅图像的特征向量；

D.用次梯度投影方法求解如下优化问题：得到L，所述的L使得相同的类更近，不同类距离d，d在优化中求得

$\underset{L\∈p}{\min }\underset{i,j\∈S}{\mathrm{\Σ}}{\mathrm{\χ}}_L^2(x_i,x_j)+\mathrm{\μ}\underset{j,k\∈D}{\mathrm{\Σ}}{[d+{\mathrm{\χ}}_L^2(x_i,x_j)-{\mathrm{\χ}}_L^2(x_i,x_j)]}_{+}$

p＝{L∈R^2K×2K：∨x∈Q^2K，Lx∈Q^2K}

${\mathrm{\χ}}_L^2(x_i,x_j)={\mathrm{\χ}}^2({\mathrm{Lx}}_i,{\mathrm{Lx}}_j)$

${\mathrm{\χ}}^2(x_i,x_j)=\frac{1}{2}\underset{n=1}{\overset{2K}{\mathrm{\Σ}}}\frac{{({\left[x_i\right]}_n-{\left[x_j\right]}_n)}^2}{{\left[x_i\right]}_n+{\left[x_j\right]}_n}$

[t]₊＝max(0，t)

S表示两张图像有相同的标签，D表示两张图像有不同的标签；所求的优化解L使得相同的类更近，不同类距离为d，d在优化中求得；

E.对于待识别的图像，经过步骤A、C处理后得到该图像的特征x，用χ²(Lx_i，Lx)计算和样本集中每一幅图像的相似程度，值越小越相似，待识别的图像所属为最相似的类别。

在进一步特定的但非限制性的形式中，步骤A中图像块大小为7×7。

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。

具体实施方案

图1是本发明所述煤岩识别方法的基本流程，参见图1进行具体描述。

A.从煤岩识别任务的现场如采煤工作面采集不同照度、不同视点的煤、岩样本图像，在图像的中心截取大小合适如256*256的子图像作为样本图像，得到煤、岩样本各M张图像；对每一张样本图像，以图像中每个像素点为中心(边缘像素除外)，取N×N如7×7像素大小的图像块，将图像块内的像素按行记录成向量p_i，对每个图像块向量进行标准化处理，即按如下顺序进行处理： $p_i\←p_i-\left(\frac{1}{N^2}{\mathrm{\Σ}}_j^{N^2}{p}_i\right[j\left]\right)1_{N^2}$

$p_i\←\frac{1}{\max ({\left|\right|p_i\left|\right|}_2,\mathrm{\η})}{p}_i$

表示为N²维全1向量，η为常数值；

B.用k-means聚类算法从煤样本图像的图像块中提取K个关键字向量，从岩样本图像的图像块中提取K个关键字向量，将这2K个关键图像块按L₂范数大小从小到大标记，由此得到标记值为1，2，...2k；

C.对煤、岩样本图像进行标注，即将图像中的每个像素(边缘像素除外)标注为与其最邻近的关键字向量的标记值，最邻近判据为欧式距离最小。

对每一张标注后的图像，统计每个标记值出现的个数，用||·||₁归一化，即用每个标记值的个数除以图像的总像素个数(边缘像素除外)，得到该图像的特征向量；

D.用样本集数据解如下优化问题：

$\underset{L\∈p}{\min }\underset{i,j\∈S}{\mathrm{\Σ}}{\mathrm{\χ}}_L^2(x_i,x_j)+\mathrm{\μ}\underset{j,k\∈D}{\mathrm{\Σ}}{[d+{\mathrm{\χ}}_L^2(x_i,x_j)-{\mathrm{\χ}}_L^2(x_i,x_j)]}_{+}$

p＝{L∈R^2K×2K：∨x∈Q^2K，Lx∈Q^2K}

${\mathrm{\χ}}_L^2(x_i,x_j)={\mathrm{\χ}}^2({\mathrm{Lx}}_i,{\mathrm{Lx}}_j)$

${\mathrm{\χ}}^2(x_i,x_j)=\frac{1}{2}\underset{n=1}{\overset{2K}{\mathrm{\Σ}}}\frac{{({\left[x_i\right]}_n-{\left[x_j\right]}_n)}^2}{{\left[x_i\right]}_n+{\left[x_j\right]}_n}$

[t]₊＝max(0，t)

S表示两张图像有相同的标签，D表示两张图像有不同的标签；所求的优化解L使得相同的类更近，不同类距离为d，d在优化中求得；由于L是元素敏感的非负值，即L≥0，并且每一列是归一化的即∑_iL_ij＝1，∨j，所以这个约束相对于L是线性的，用次梯度投影可以有效求解。

E.对于待识别的图像，经过步骤A、C的处理后得到该图像的特征x，用χ²(Lx_i，Lx)计算和样本集中每一幅图像的相似程度，值越小越相似，待识别的图像所属为最相似的类别。

Claims (2)

1.一种基于距离约束相似性的煤岩识别方法，其特征在于包括以下步骤：

A.对每一张煤、岩样本图像，以图像中每个像素为中心(边缘像素除外)，取N×N像素大小的图像块，将图像块内的像素按一定顺序排列，排序后的像素构成N²维向量，向量中每个元素的值为对应像素的灰度值，将每个向量进行标准化处理；

B.用聚类算法分别提取煤、岩样本图像的K个关键字向量，共2K个关键字向量按L₂范数大小从小到大标记；

C.将煤、岩样本图像中的每张图像的每个像素(边缘像素除外)标注为与其最邻近的关键字向量的标记值，统计每幅图中每个关键字出现的频率，用||·||₁归一化，得到每一幅图像的特征向量；

D.用次梯度投影方法求解如下优化问题：

$\underset{L\∈p}{\min }\underset{i,j\∈S}{\mathrm{\Σ}}{\mathrm{\χ}}_L^2(x_i,x_j)+\mathrm{\μ}\underset{j,k\∈D}{\mathrm{\Σ}}[d+{\mathrm{\χ}}_L^2(x_i,x_j)-{\mathrm{\χ}}_L^2(x_i,x_k){]}_{+}$

p＝{L∈R^2K×2K：∨x∈Q^2K，Lx∈Q^2K}

${\mathrm{\χ}}_L^2(x_i,x_j)={\mathrm{\χ}}^2(L{x}_i,L{x}_j)$

${\mathrm{\χ}}^2(x_i,x_j)=\frac{1}{2}\underset{n=1}{\overset{2K}{\mathrm{\Σ}}}\frac{{({\left[x_i\right]}_n-{\left[x_j\right]}_n)}^2}{{\left[x_i\right]}_n+{\left[x_j\right]}_n}$

[t]₊＝max(0，t)

S表示两张图像有相同的标签，D表示两张图像有不同的标签；所求的优化解L使得相同的类更近，不同类距离为d，d在优化中求得；

E.对于待识别的图像，经过步骤A、C处理后得到该图像的特征x，用χ²(Lx_i，Lx)计算和样本集中每一幅图像的相似程度，值越小越相似，待识别的图像所属为最相似的类别。

2.根据权利要求1所述方法，其特征在于步骤A中图像块大小为7×7。