CN105373797A - 基于平均池化稀疏编码的煤岩识别方法 - Google Patents
基于平均池化稀疏编码的煤岩识别方法 Download PDFInfo
- Publication number
- CN105373797A CN105373797A CN201510758329.9A CN201510758329A CN105373797A CN 105373797 A CN105373797 A CN 105373797A CN 201510758329 A CN201510758329 A CN 201510758329A CN 105373797 A CN105373797 A CN 105373797A
- Authority
- CN
- China
- Prior art keywords
- coal
- image
- rock
- image block
- coal rock
- 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.)
- Pending
Links
Classifications
-
- 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
-
- 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
- G06V10/513—Sparse representations
Abstract
本发明公开了一种基于平均池化稀疏编码的煤岩识别方法,该方法从煤岩图像数据中学习煤岩的结构基元,所学习到结构基元捕捉到了煤岩图像本质的结构特征,因而具有很强的鉴别能力和对成像环境变化的鲁棒性,从而使得该方法具有很高的识别稳定性和识别正确率,能为自动化采掘、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平均池化稀疏编码的煤岩识别方法,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或者实现无人化作业、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。
有多种方法已应用于煤岩识别,如自然γ射线探测、雷达探测、应力截齿、红外探测、有功功率监测、震动检测、声音检测、粉尘检测、记忆截割等,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,图像技术也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,然而已有方法都是用人工主观设计的图像特征或者图像特征的组合来进行煤岩识别,人工设计的特征往往并不能准确抓住煤岩图像本质结构致使对因成像条件变化引起的图像数据变化不具有具鲁棒性,因而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平均池化稀疏编码的煤岩识别方法,该方法从煤岩图像数据中学习煤岩的结构基元,所学习到结构基元捕捉到了煤岩图像本质的结构特征,因而具有很强的鉴别能力和对成像环境变化的鲁棒性,从而使得该方法具有很高的识别稳定性和识别正确率,能为自动化采掘、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,提供一种基于平均池化稀疏编码的煤岩识别方法,包括如下步骤:
A.采集一张已知煤(或岩)对象的图像;
B.从采集的图像中抽取N个图像块[x1,x2,...xN]=X∈Rp×N,p为图像块向量化后的维数;
C.用抽取的煤(或岩)图像块xi通过解优化问题求出煤(或岩)图像的基元矩阵D=[d1,d2,...dK]∈Rp×K和N个图像块的稀疏系数矩阵U=[u1,u2,...uN]∈RK×N,ui=[ui1,ui2,...uiK]T;
D.求煤(或岩)图像的基元响应分布z=[z1,z2,...zK],第k个基元响应zk为
E.对于待识别的煤岩图像,用与步骤B相同的方法抽取N个图像块yi,用步骤C中求得的D表达图像块yi,通过解优化问题求出每一个图像块的系数
F.用与步骤D相同的方法求出待识别煤岩图像的基元响应分布
G.用度量与已知煤(或岩)对象的相似性,当距离大于设定的阈值时,判定为煤(或岩),否则为岩(或煤);
进一步特定的但非限制性地,步骤C的优化方法为:
C1.给D赋初值,设置迭代次数;
C2.固定D,用求出所有图像块的系数U;
C3.固定U,求
C4.C2和C3交替进行直到迭代结束。
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原理示意图。
具体实施方案
图1是本发明所述煤岩识别方法的原理示意图,主要包含3层:图像层,编码层及池化层,图像层给编码层提供输入,本实施例用从灰度图像中抽取图像块作为编码层的输入,也可以从图像中抽取图像特征集合如sift特征作为输入;编码层计算每个图像块用从图像数据中学习到的K个基元表达时的表达系数,若采用的计算方法使得表达系数中的非零元素很少,则称为稀疏编码,本实施例用l1-norm优化计算表达系数,因而所得的系数是稀疏的;池化层计算所有表达系数的统计特性进而获得输入图像的特征表达,本实施例用了均值统计特性,具体的实施步骤如下:
A.从煤岩识别任务的现场如采煤工作面采集包含煤和岩的图像,从中截取只包含煤或者岩的图像区域,然后归一化到合适的大小如32*32像素大小作为样本图像;
B.从样本图像中抽取N个图像块[x1,x2,...xN]=X∈Rp×N,p为图像块向量化后的维数,如图像块大小取6*6像素,以步长为2个像素在样本图像中滑动采样图像块,对每个图像块向量进行标准化处理:用去掉图像亮度的均值,以消除亮度变化的影响,用对图像块向量进行归一化处理,其中,1p表示p维全1向量,η为常数值;
C.用抽取的煤(或岩)图像块xi通过解优化问题求出煤(或岩)图像的基元矩阵D=[d1,d2,...dK]∈Rp×K和N个图像块的稀疏系数矩阵U=[u1,u2,...uN]∈RK×N,ui=[ui1,ui2,...uiK]T;由于采用的是l1-norm优化,求出的ui非常稀疏,即非零元素很少。
求解方法可采用交替最小化D和U的方法,即按下列步骤进行处理:
C1.给D赋初值,设置迭代次数;
C2.固定D,用求出所有图像块的稀疏系数U;
C3.固定U,求
C4.C2和C3交替进行直到迭代结束。
步骤C2的优化可用近似梯度算法,对每一个图像块xi对应的系数ui采用下列步骤优化:
1.给系数u赋初值,设置迭代次数;
2.在每一次迭代:
u←u+ξDT(x-Du),ξ为迭代步长;
3.重复2直到迭代结束。
步骤C3的优化可采用块坐标下降算法,用下列步骤优化:
1.B←XUT,C←UUT
2.Fork=1,2,...,K
3.重复2直到收敛。
D.求煤(或岩)图像的基元响应分布z=[z1,z2,...zK],将每个基元对所有图像块的响应求平均,即为该基元的响应,其中,为归一化常数;
E.对于待识别的煤岩图像,用与步骤B相同的方法抽取N个图像块yi,用步骤C中求得的D表达图像块yi,通过解优化问题求出每一个图像块的系数
F.用与步骤D相同的方法求出待识别煤岩图像的基元响应分布
G.用度量与已知煤(或岩)对象的相似性,当距离大于设定的阈值时,判定为煤(或岩),否则为岩(或煤)。
Claims (2)
1.一种基于均值池化稀疏编码的煤岩识别方法,其特征在于包括以下步骤:
A.采集一张已知煤(或岩)对象的图像;
B.从采集的图像中抽取N个图像块[x1,x2,...xN]=X∈Rp×N,p为图像块向量化后的维数;
C.用抽取的煤(或岩)图像块xi通过解优化问题求出煤(或岩)图像的基元矩阵D=[d1,d2,...dK]∈Rp×K和N个图像块的稀疏系数矩阵U=[u1,u2,...uN]∈RK×N,ui=[ui1,ui2,...uiK]T;
D.求煤(或岩)图像的基元响应分布z=[z1,z2,...zK],第k个基元响应zk为
其中,为归一化常数;
E.对于待识别的煤岩图像,用与步骤B相同的方法抽取N个图像块yi,用步骤C中求得的D表达图像块yi,通过解优化问题求出每一个图像块的系数
F.用与步骤D相同的方法求出待识别煤岩图像的基元响应分布
G.用度量与已知煤(或岩)对象的相似性,当距离大于设定的阈值时,判定为煤(或岩),否则为岩(或煤)。
2.根据权利要求1所述方法,其特征在于步骤C的优化方法为:
C1.给D赋初值,设定迭代次数;
C2.固定D,用求出所有图像块的稀疏系数U;
C3.固定U,求
C4.C2和C3交替进行直到迭代结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510758329.9A CN105373797A (zh) | 2015-11-10 | 2015-11-10 | 基于平均池化稀疏编码的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510758329.9A CN105373797A (zh) | 2015-11-10 | 2015-11-10 | 基于平均池化稀疏编码的煤岩识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105373797A true CN105373797A (zh) | 2016-03-02 |
Family
ID=55375979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510758329.9A Pending CN105373797A (zh) | 2015-11-10 | 2015-11-10 | 基于平均池化稀疏编码的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373797A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040296A1 (en) * | 2008-08-15 | 2010-02-18 | Honeywell International Inc. | Apparatus and method for efficient indexing and querying of images in security systems and other systems |
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
CN104751192A (zh) * | 2015-04-24 | 2015-07-01 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
CN104778476A (zh) * | 2015-04-10 | 2015-07-15 | 电子科技大学 | 一种图像分类方法 |
-
2015
- 2015-11-10 CN CN201510758329.9A patent/CN105373797A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100040296A1 (en) * | 2008-08-15 | 2010-02-18 | Honeywell International Inc. | Apparatus and method for efficient indexing and querying of images in security systems and other systems |
CN102968635A (zh) * | 2012-11-23 | 2013-03-13 | 清华大学 | 一种基于稀疏编码的图像视觉特征提取方法 |
CN104778476A (zh) * | 2015-04-10 | 2015-07-15 | 电子科技大学 | 一种图像分类方法 |
CN104751192A (zh) * | 2015-04-24 | 2015-07-01 | 中国矿业大学(北京) | 基于图像块共生特征的煤岩识别方法 |
Non-Patent Citations (3)
Title |
---|
INGRID DAUBECHIES等: "An Iterative Thresholding Algorithm for Linear Inverse Problems with a Sparsity Constraint", 《COMMUNICATIONS ON PURE AND APPLIED MATHEMATICS》 * |
JULIEN MAIRAL等: "Online Learning for Matrix Factorization and Sparse Coding", 《THE JOURNAL OF MACHINE LEARNING RESEARCH》 * |
张鹏等: "基于稀疏特征的交通流视频检测算法", 《南京大学学报(自然科学)》 * |
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 | |
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 | |
CN112434695B (zh) | 一种基于深度学习的上拉杆故障检测方法 | |
CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
CN102509087A (zh) | 一种基于图像灰度共生矩阵的煤岩识别方法 | |
CN106056607A (zh) | 一种基于鲁棒主成分分析的监控图像背景建模方法 | |
CN103780899A (zh) | 一种检测摄像机是否被干扰的方法、装置及视频监控系统 | |
CN104123734A (zh) | 基于可见光和红外检测结果融合的运动目标检测方法 | |
CN104658008A (zh) | 一种基于视频图像的人员聚集检测方法 | |
CN104573713A (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
CN104537651A (zh) | 一种路面图像中裂缝比例检测算法及系统 | |
KR102140606B1 (ko) | 가상공간을 이용한 영상정보 기반 급경사지 위험 감시 방법 | |
CN103942576B (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
CN106845509A (zh) | 一种基于曲波域压缩特征的煤岩识别方法 | |
CN104778461B (zh) | 基于相似测度学习的煤岩识别方法 | |
Awrangjeb et al. | Classifier-free detection of power line pylons from point cloud data | |
CN104751193B (zh) | 基于距离约束相似性的煤岩识别方法 | |
CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
CN105426909A (zh) | 基于协同稀疏编码的煤岩识别方法 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN105354596A (zh) | 基于结构化稀疏编码的煤岩识别方法 | |
CN105373797A (zh) | 基于平均池化稀疏编码的煤岩识别方法 | |
CN105447517A (zh) | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160302 |