CN104751193B - 基于距离约束相似性的煤岩识别方法 - Google Patents
基于距离约束相似性的煤岩识别方法 Download PDFInfo
- Publication number
- CN104751193B CN104751193B CN201510197810.5A CN201510197810A CN104751193B CN 104751193 B CN104751193 B CN 104751193B CN 201510197810 A CN201510197810 A CN 201510197810A CN 104751193 B CN104751193 B CN 104751193B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- image
- coal
- msup
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 239000011435 rock Substances 0.000 title claims abstract description 23
- 239000003245 coal Substances 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000005065 mining Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 238000011524 similarity measure Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 14
- 238000001514 detection method Methods 0.000 description 4
- 238000007630 basic procedure Methods 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
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
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尝 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
[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(Lxi，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pi，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：
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：
[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(Lxi，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：
<mrow>
<munder>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
<mrow>
<mi>L</mi>
<mo>&Element;</mo>
<mi>p</mi>
</mrow>
</munder>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mi>S</mi>
</mrow>
</munder>
<msubsup>
<mi>&chi;</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&mu;</mi>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>k</mi>
<mo>&Element;</mo>
<mi>D</mi>
</mrow>
</munder>
<msub>
<mrow>
<mo>&lsqb;</mo>
<mi>d</mi>
<mo>+</mo>
<msubsup>
<mi>&chi;</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msubsup>
<mi>&chi;</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mo>+</mo>
</msub>
</mrow>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mo>{</mo>
<mi>L</mi>
<mo>&Element;</mo>
<msup>
<mi>R</mi>
<mrow>
<mn>2</mn>
<mi>K</mi>
<mo>&times;</mo>
<mn>2</mn>
<mi>K</mi>
</mrow>
</msup>
<mo>:</mo>
<mo>&ForAll;</mo>
<mi>x</mi>
<mo>&Element;</mo>
<msup>
<mi>Q</mi>
<mrow>
<mn>2</mn>
<mi>K</mi>
</mrow>
</msup>
<mo>,</mo>
<mi>L</mi>
<mi>x</mi>
<mo>&Element;</mo>
<msup>
<mi>Q</mi>
<mrow>
<mn>2</mn>
<mi>K</mi>
</mrow>
</msup>
<mo>}</mo>
</mrow>
<mrow>
<msubsup>
<mi>&chi;</mi>
<mi>L</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>&chi;</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>Lx</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>Lx</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msup>
<mi>&chi;</mi>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mn>2</mn>
<mi>K</mi>
</mrow>
</munderover>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>n</mi>
</msub>
<mo>-</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>n</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>n</mi>
</msub>
<mo>+</mo>
<msub>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mi>n</mi>
</msub>
</mrow>
</mfrac>
</mrow>
[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(Lxi，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510197810.5A CN104751193B (zh) | 2015-04-24 | 2015-04-24 | 基于距离约束相似性的煤岩识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510197810.5A CN104751193B (zh) | 2015-04-24 | 2015-04-24 | 基于距离约束相似性的煤岩识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104751193A CN104751193A (zh) | 2015-07-01 |
| CN104751193B true CN104751193B (zh) | 2018-02-13 |
Family
ID=53590846
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510197810.5A Expired - Fee Related CN104751193B (zh) | 2015-04-24 | 2015-04-24 | 基于距离约束相似性的煤岩识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104751193B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110145353B (zh) * | 2019-06-14 | 2024-06-14 | 中国矿业大学(北京) | 一种基于rfid的自动化放煤控制系统及方法 |
| CN113435294B (zh) * | 2021-06-23 | 2023-05-23 | 中国矿业大学(北京) | 基于图像与声音融合的煤岩界面定位识别方法 |
| CN114219049B (zh) * | 2022-02-22 | 2022-05-10 | 天津大学 | 一种基于层级约束的细粒度笔石图像分类方法和装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
| CN103927528A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
| CN103971136A (zh) * | 2014-05-04 | 2014-08-06 | 南京师范大学 | 一种面向大规模数据的并行结构化支持向量机分类方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7734107B2 (en) * | 2006-02-24 | 2010-06-08 | Sony Corporation | System and method for performing wavelet-based texture feature extraction and classification |
-
2015
- 2015-04-24 CN CN201510197810.5A patent/CN104751193B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
| CN103971136A (zh) * | 2014-05-04 | 2014-08-06 | 南京师范大学 | 一种面向大规模数据的并行结构化支持向量机分类方法 |
| CN103927528A (zh) * | 2014-05-05 | 2014-07-16 | 中国矿业大学(北京) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 改进投影梯度非负矩阵分解的单训练样本特征提取研究;高涛等;《电子与信息学报》;20100622;第32卷(第5期);第1121-1125页 * |
| 结合KPCA和稀疏表示的SAR目标识别方法研究;韩萍等;《信号处理》;20140214;第29卷(第12期);第1696-1701页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104751193A (zh) | 2015-07-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390691B (zh) | 一种基于深度学习的矿石尺度测量方法及应用系统 | |
| CN104751192B (zh) | 基于图像块共生特征的煤岩识别方法 | |
| CN104751193B (zh) | 基于距离约束相似性的煤岩识别方法 | |
| CN103927514B (zh) | 一种基于随机局部图像特征的煤岩识别方法 | |
| US9396404B2 (en) | Robust industrial optical character recognition | |
| CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
| CN112001878A (zh) | 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统 | |
| 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 | |
| CN111161292A (zh) | 一种矿石尺度测量方法及应用系统 | |
| CN103996239A (zh) | 一种基于多线索融合的票据定位识别方法及系统 | |
| CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
| CN106845509A (zh) | 一种基于曲波域压缩特征的煤岩识别方法 | |
| CN103942576B (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
| KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
| CN104778461B (zh) | 基于相似测度学习的煤岩识别方法 | |
| CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
| CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
| CN108154076A (zh) | 一种机器学习算法级联的铁轨行人检测方法 | |
| CN116664817A (zh) | 基于图像差分的电力装置状态变化检测方法 | |
| Srinivasan et al. | Machine learning-based climate time series anomaly detection using convolutional neural networks | |
| CN105354596B (zh) | 基于结构化稀疏编码的煤岩识别方法 | |
| CN113505691B (zh) | 一种煤岩识别方法及识别可信度指示方法 | |
| CN108956617A (zh) | 一种基于微形变智能分类器的电子器件焊点热循环失效的检测方法 | |
| CN112686215B (zh) | 一种运载车的轨迹跟踪监测预警系统及方法 | |
| US20240212372A1 (en) | Objects automatic labeling method and system applying the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| 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: 20180213 Termination date: 20200424 |