CN105350963B - 一种基于相关性度量学习的煤岩识别方法 - Google Patents
一种基于相关性度量学习的煤岩识别方法 Download PDFInfo
- Publication number
- CN105350963B CN105350963B CN201510856503.3A CN201510856503A CN105350963B CN 105350963 B CN105350963 B CN 105350963B CN 201510856503 A CN201510856503 A CN 201510856503A CN 105350963 B CN105350963 B CN 105350963B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- coal
- rock
- image
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000005259 measurement Methods 0.000 title claims abstract description 13
- 239000003245 coal Substances 0.000 claims abstract description 44
- 239000013598 vector Substances 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000005286 illumination Methods 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 3
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000000523 sample Substances 0.000 description 20
- 230000006870 function Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 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
- 238000010606 normalization Methods 0.000 description 2
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C39/00—Devices for testing in situ the hardness or other properties of minerals, e.g. for giving information as to the selection of suitable mining tools
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21C—MINING OR QUARRYING
- E21C35/00—Details of, or accessories for, machines for slitting or completely freeing the mineral from the seam, not provided for in groups E21C25/00 - E21C33/00, E21C37/00 or E21C39/00
- E21C35/24—Remote control specially adapted for machines for slitting or completely freeing the mineral
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Geology (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
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
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w*,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分别表示两个样本,T表示转置,xi和xj分别表示属性是煤的两个样本,yi和yj分别表示属性是岩石的两个样本,xi、xj、yi、yj∈RL×1,R表示实数域,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,wo为常数矩阵,wo∈Rd×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。
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w*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w*,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分别表示两个样本,T表示转置,xi和xj分别表示属性是煤的两个不同的样本,yi和yj分别表示属性是岩石的两个不同的样本,xi、xi、yi、yj∈RL×1,R表示实数域,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,wo为常数矩阵,wo∈Rd×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w*具体过程包括如下步骤,见图2:
B1.令wo=[Id×d,0]∈Rd×L,d≤L;
B2.α由粗到细取值,α=α1,α2,α3...;
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wα;
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,wα);
B5.当α取到一个恰当的值α*左右时,分类错误率cve(x,y,w*)收敛到一个最小值,此时取得的w*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,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。
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:
<mrow>
<msub>
<mi>cs</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mi>m</mi>
</mrow>
</munder>
<msup>
<msub>
<mi>cs</mi>
<mn>0</mn>
</msub>
<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>
<mi>w</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>cs</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>2</mn>
<mrow>
<mi>n</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<munder>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>&Element;</mo>
<mi>n</mi>
</mrow>
</munder>
<msup>
<msub>
<mi>cs</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>cs</mi>
<mn>3</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<msub>
<mi>cs</mi>
<mn>0</mn>
</msub>
<mn>2</mn>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>,</mo>
<mi>w</mi>
<mo>)</mo>
</mrow>
</mrow>
其中:x和y分别表示两个样本,T表示转置,xi和xj分别表示属性是煤的两个样本,yi和yj分别表示属性是岩石的两个样本,xi,、xj、yi、yj∈RL×1,R表示实数域,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∈Rd×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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510856503.3A CN105350963B (zh) | 2015-12-01 | 2015-12-01 | 一种基于相关性度量学习的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510856503.3A CN105350963B (zh) | 2015-12-01 | 2015-12-01 | 一种基于相关性度量学习的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105350963A CN105350963A (zh) | 2016-02-24 |
CN105350963B true CN105350963B (zh) | 2017-10-10 |
Family
ID=55327009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510856503.3A Expired - Fee Related CN105350963B (zh) | 2015-12-01 | 2015-12-01 | 一种基于相关性度量学习的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105350963B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169524B (zh) * | 2017-05-31 | 2020-05-22 | 中国矿业大学(北京) | 基于完备局部二值模式重构残差的煤岩识别方法 |
CN110424964B (zh) * | 2019-08-21 | 2021-05-07 | 中国矿业大学(北京) | 一种煤岩界面识别方法 |
CN110503147B (zh) * | 2019-08-22 | 2022-04-08 | 山东大学 | 基于相关性学习的多模图像分类系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509087B (zh) * | 2011-11-24 | 2013-09-25 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
CN103927514B (zh) * | 2014-04-09 | 2017-07-25 | 中国矿业大学(北京) | 一种基于随机局部图像特征的煤岩识别方法 |
CN103942576B (zh) * | 2014-04-09 | 2017-06-16 | 中国矿业大学(北京) | 一种用空域多尺度随机特征识别煤岩的方法 |
CN103927528B (zh) * | 2014-05-05 | 2017-02-01 | 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 |
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 |
-
2015
- 2015-12-01 CN CN201510856503.3A patent/CN105350963B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN105350963A (zh) | 2016-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927514B (zh) | 一种基于随机局部图像特征的煤岩识别方法 | |
CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
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 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN104850854A (zh) | 一种滑石矿品分选处理方法及滑石矿品分选系统 | |
CN108197630A (zh) | 一种基于自学习的煤岩识别方法 | |
CN104952754B (zh) | 基于机器视觉的镀膜后硅片分选方法 | |
CN116825169B (zh) | 一种基于测试设备的异常存储芯片检测方法 | |
CN104318254A (zh) | 一种基于dct低频分量特征的快速煤岩识别方法 | |
CN104134074B (zh) | 一种基于激光扫描的煤岩识别方法 | |
CN103942576B (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
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 | |
Saeidi et al. | Use of digital image processing techniques for evaluating wear of cemented carbide bits in rotary drilling | |
CN104751193B (zh) | 基于距离约束相似性的煤岩识别方法 | |
CN104778461B (zh) | 基于相似测度学习的煤岩识别方法 | |
Puno et al. | Vision system for soil nutrient detection using fuzzy logic | |
CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
CN104966074A (zh) | 基于变换域广义伽玛分布的煤岩识别方法 | |
CN104732239A (zh) | 基于小波域非对称广义高斯模型的煤岩分类方法 | |
Budzan et al. | Grain size determination and classification using adaptive image segmentation with shape-context information for indirect mill faults detection | |
CN107239783B (zh) | 基于扩展局部二值模式和回归分析的煤岩识别方法 | |
CN105354596B (zh) | 基于结构化稀疏编码的煤岩识别方法 | |
CN111899221A (zh) | 一种面向外观缺陷检测的自迁移学习方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
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: 20171010 Termination date: 20191201 |