CN105350963A - 一种基于相关性度量学习的煤岩识别方法 - Google Patents

Abstract

本发明公开了一种基于相关性度量学习的煤岩识别方法，该方法从训练样本集有监督地学习到一种新的相关性度量函数来度量煤、岩图像样本的相关度，使得同类样本的相关性度量值越来越大，异类样本间的相关性度量值越来越小，从而提高了未知样本的分类率。本方法由图像预处理、训练过程和识别过程三大模块组成。预处理模块，对采集到的煤、岩图像进行简单的预处理，得到训练样本集。训练模块，用训练样本集学习到一个煤岩分类效果最优相关性度量函数。识别模块，利用最优相关性度量函数进行度量分类。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

一种基于相关性度量学习的煤岩识别方法

技术领域

本发明涉及一种基于相关性度量学习的煤岩识别方法，属于煤岩识别技术领域。

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相关性度量学习的煤岩识别方法，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，提供一种基于相关性度量学习的煤岩识别方法，包括如下步骤：

A.采集煤、岩石样本图像，并对图像进行预处理后提取每一幅图像的Uniform模式LBP统计直方图特征向量，构成煤、岩石样本集；

B.利用样本集求使得函数J(w)＝cs₁+cs₂-cs₃-α||w-w₀||²取得最大值的矩阵其中cs₁、cs₂、cs₃分别为煤、岩样本的自相关和互相关度量函数：

其中：x和y分别表示两个不同的样本，T表示转置，x_i和x_j分别表示属性是煤的两个不同的样本，y_i和y_j分别表示属性是岩石的两个不同的样本，x_i，、x_j、y_i、y_j∈R^L×1，L表示提取样本的LBP统计直方图的特征向量的维数，m表示属性是煤的样本数，n表示属性是岩石的样本数，α是常数，w₀为常数矩阵，w₀∈R^d×L，d为样本特征向量转换后所在空间的维数；

C.对于一幅待识别的样本图像，用与步骤A相同的方法进行预处理并提取其Uniform模式的LBP统计直方图特征向量，用cs₀(x，y，)度量其与样本集中每一幅图像的相关性，值越大越相关，按值从大到小排序，排在前五的图像中多数图像所属的类别即为待识别图像的类别。

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是本发明所述利用样本集学习相关性度量函数得到矩阵的过程。

具体实施方法

图1是基于相关性度量学习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提取Uniform模式LBP统计直方图特征向量。

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×N的非背景子图像，如64×64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+0.114B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重叠的子块，如8×8像素大小。提取每一个图像块的Uniform模式的LBP统计直方图，并且将它们级联到一起构成特征向量，并由||·||₁归一化。

B.利用样本集求使得函数J(w)＝cs₁+cs₂-cs₃-α||w-w₀||²取得最大值的矩阵其中cs₁、cs₂、cs₃分别为煤、岩样本的自相关和互相关度量函数：

其中：x和y分别表示两个不同的样本，T表示转置，x_i和x_j分别表示属性是煤的两个不同的样本，y_i和y_j分别表示属性是岩石的两个不同的样本，x_i，、x_j、y_i、y_j∈R^L×1，L表示提取样本的LBP统计直方图的特征向量的维数，m表示属性是煤的样本数，n表示属性是岩石的样本数，α是常数，w₀为常数矩阵，w₀∈R^d×L，d为样本特征向量转换后所在空间的维数。

优化求解矩阵具体过程包括如下步骤，见图2：

B1.令w₀＝[I_d×d，0]∈R^d×L，d≤L；

B2.α由粗到细取值，α＝α₁，α₂，α_3…；

B3.针对每一个特定的α，由样本集求得使函数J(w)取得最大值的矩阵w^α；

B4.利用8-折交叉验证法求取在每一个α值下的分类错误率cve(x，y，w^α)；

B5.当α取到一个恰当的值左右时，分类错误率cve(x，y，)收敛到一个最小值，此时取得的即为最优矩阵。

C.对于一幅待识别的样本图像，用与步骤A相同的方法进行预处理并提取其Uniform模式的LBP统计直方图特征向量，用cs₀(x，y，)度量其与样本集中每一幅图像的相关性，值越大越相关，按值从大到小排序，排在前五的图像中多数图像所属的类别即为待识别图像的类别。

Claims (1)

1.一种基于相关性度量学习的煤岩识别方法，其特征在于包括以下步骤：

A.采集煤、岩石样本图像，并对图像进行预处理后提取每一幅图像的Uniform模式LBP统计直方图特征向量，构成煤、岩石样本集；

B.利用样本集求使得函数J(w)＝cs₁+cs₂-cs₃-α||w-w₀||²取得最大值的矩阵w^*，其中cs₁、cs₂、cs₃分别为煤、岩样本的各自的自相关及互相关度量函数：

${\mathrm{cs}}_1=\frac{2}{m\×(m-1)}\underset{i=1}{\overset{m}{\Σ}}\underset{j\≠i,j\∈m}{\Σ}{{\mathrm{cs}}_0}^2(x_i,x_j,w)$

${\mathrm{cs}}_2=\frac{2}{n\×(n-1)}\underset{i=1}{\overset{n}{\Σ}}\underset{j\≠i,j\∈n}{\Σ}{{\mathrm{cs}}_0}^2(y_i,y_j,w)$

${\mathrm{cs}}_3=\frac{1}{m\×n}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{{\mathrm{cs}}_0}^2(x_i,y_j,w)$

其中：x和y分别表示两个样本，T表示转置，x_i和x_j分别表示属性是煤的两个样本，y_i和y_j分别表示属性是岩石的两个样本，x_i，、x_j、y_i、y_j∈R^L×1，L表示提取样本的LBP统计直方图的特征向量的维数，m表示属性是煤的样本数，n表示属性是岩石的样本数，α是常数，w₀为常数矩阵，w₀∈R^d×L，d为样本特征向量转换后所在空间的维数；

C.对于一幅待识别的样本图像，用与步骤A相同的方法进行预处理并提取其Uniform模式的LBP统计直方图特征向量，用cs₀(x，y，w^*)度量其与样本集中每一幅图像的相关性，值越大越相关，按值从大到小排序，排在前五的图像中多数图像所属的类别即为待识别图像的类别。