CN105447517A - 基于稀疏编码的空域金字塔匹配识别煤岩的方法 - Google Patents
基于稀疏编码的空域金字塔匹配识别煤岩的方法 Download PDFInfo
- Publication number
- CN105447517A CN105447517A CN201510801311.2A CN201510801311A CN105447517A CN 105447517 A CN105447517 A CN 105447517A CN 201510801311 A CN201510801311 A CN 201510801311A CN 105447517 A CN105447517 A CN 105447517A
- Authority
- CN
- China
- Prior art keywords
- image
- coal
- rock
- expression
- feature
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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稀疏编码的空域金字塔匹配识别煤岩的方法,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,进一步考虑了不同尺度下煤岩结构的空域信息,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稀疏编码的空域金字塔匹配识别煤岩的方法,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稀疏编码的空域金字塔匹配识别煤岩的方法,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,进一步考虑了不同尺度下煤岩结构的空域信息,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,提供一种基于稀疏编码的空域金字塔匹配识别煤岩的方法,包括如下步骤:
A.采集若干张已知煤和岩对象的图像;
B.以相同的方法抽取每张图像的特征[x1,x2,...xN]=X∈Rp×N,p为特征维数,N为所有特征个数;
C.用抽取的煤和岩图像的特征xi通过解优化问题
求出煤和岩图像的基元矩阵D=[d1,d2,...dK]∈Rp×K;
D.将每一张煤岩样本图像分成2l×2ll=0,1,2的块,对每一尺度下的每一图像块:
1)用与B相同的方法抽取图像块特征;
2)用步骤C中求得的D表达所抽取的每一个特征yi,通过解优化问题
E.将每一张图像在不同尺度下的图像块的表达级联构成该图像的表达;
F.用样本图像的图像表达训练二分类线性支撑向量机分类器,得到分类器模型参数;
G.对于待识别的煤岩图像,用与步骤D和E相同的方法求出图像表达,用训练好的分类器进行分类识别。
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原理示意图。
图2是本发明图像金字塔示意图。
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sift图像特征集合作为输入;编码层计算每个图像特征用从煤岩图像混合数据中学习到的K个基元表达时的表达系数,本实施例用l1-norm优化计算表达系数,所得的系数非零元素很少,称为稀疏编码;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,本实施例采用了图像在空域金字塔上的极大值统计特性即在不同尺度上不同位置处的极大值。具体方法如下:
A.从煤岩识别任务的现场如采煤工作面采集若干煤和岩的图像,去掉背景,将所有图像统一缩放到300*300像素大小;
B.抽取每张图像的特征[x1,x2,...xN]=X∈Rp×N,p为特征维数,N为所有特征个数;抽取方法是以16*16像素,步长8像素样本图像中滑动采样图像块,再抽取每个图像块的sift特征;
C.用抽取的煤和岩图像的sift特征xi通过解优化问题
求出煤和岩图像的基元矩阵D=[d1,d2,...dK]∈Rp×K,K取200大小;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,用求出所有图像特征的稀疏系数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,对每一个图像特征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.将每一张煤岩样本图像分成2l×2ll=0,1,2的块,当l=0时有1块,即原图像大小,
当l=1有4块,当l=2时有16块,共计21块,如图2所示。对每一图像块:
1)用与B相同的方法抽取图像块sift特征;
2)用步骤C中求得的D表达所抽取的每一个sift特征yi,通过解优化问题
E.将每一张图像的21个图像块的表达级联构成该图像的表达,即每张图像的特征维数为4200;
F.用样本图像的图像表达训练二分类线性支撑向量机分类器,即分类器核函数k(zi,zj)=<zi,zj>,<·>表示内积操作,zi,zj表示两个不同的样本,得到分类器模型参数;
G.对于待识别的煤岩图像,用与步骤D和E相同的方法求出图像表达,用训练好的分类器进行分类识别。
Claims (1)
1.一种基于稀疏编码的空域金字塔匹配识别煤岩的方法,其特征在于包括以下步骤:
A.采集若干张已知煤和岩对象的图像;
B.以相同的方法抽取每张图像的特征[x1,x2,...xN]=X∈Rp×N,p为特征维数,N为所有特征个数;
C.用抽取的煤和岩图像的特征xi通过解优化问题
求出煤和岩图像的基元矩阵D=[d1,d2,...dK]∈Rp ×K;
D.将每一张煤岩样本图像分成2l×2ll=0,1,2的块,对每一尺度下的每一图像块:
1)用与B相同的方法抽取图像块特征;
2)用步骤C中求得的D表达所抽取的每一个特征yi,通过解优化问题
E.将每一张图像在不同尺度下的图像块的表达级联构成该图像的表达;
F.用样本图像的图像表达训练二分类线性支撑向量机分类器,得到分类器模型参数;
G.对于待识别的煤岩图像,用与步骤D和E相同的方法求出图像表达,用训练好的分类器进行分类识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510801311.2A CN105447517A (zh) | 2015-11-20 | 2015-11-20 | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510801311.2A CN105447517A (zh) | 2015-11-20 | 2015-11-20 | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105447517A true CN105447517A (zh) | 2016-03-30 |
Family
ID=55557676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510801311.2A Pending CN105447517A (zh) | 2015-11-20 | 2015-11-20 | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105447517A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197630A (zh) * | 2018-03-19 | 2018-06-22 | 中国矿业大学(北京) | 一种基于自学习的煤岩识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364497A (zh) * | 2011-05-06 | 2012-02-29 | 北京师范大学 | 一种应用于电子导盲系统的图像语义提取方法 |
CN103020647A (zh) * | 2013-01-08 | 2013-04-03 | 西安电子科技大学 | 基于级联的sift特征和稀疏编码的图像分类方法 |
CN103116762A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于自调制字典学习的图像分类方法 |
US20130148881A1 (en) * | 2011-12-12 | 2013-06-13 | Alibaba Group Holding Limited | Image Classification |
CN103761537A (zh) * | 2014-02-07 | 2014-04-30 | 重庆市国土资源和房屋勘测规划院 | 基于低秩优化特征字典模型的图像分类方法 |
CN103942576A (zh) * | 2014-04-09 | 2014-07-23 | 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 |
CN103984966A (zh) * | 2014-05-29 | 2014-08-13 | 西安电子科技大学 | 基于稀疏表示的sar图像目标识别方法 |
CN104778476A (zh) * | 2015-04-10 | 2015-07-15 | 电子科技大学 | 一种图像分类方法 |
CN105069481A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于空间金字塔稀疏编码的自然场景多标记分类方法 |
-
2015
- 2015-11-20 CN CN201510801311.2A patent/CN105447517A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102364497A (zh) * | 2011-05-06 | 2012-02-29 | 北京师范大学 | 一种应用于电子导盲系统的图像语义提取方法 |
US20130148881A1 (en) * | 2011-12-12 | 2013-06-13 | Alibaba Group Holding Limited | Image Classification |
CN103020647A (zh) * | 2013-01-08 | 2013-04-03 | 西安电子科技大学 | 基于级联的sift特征和稀疏编码的图像分类方法 |
CN103116762A (zh) * | 2013-03-20 | 2013-05-22 | 南京大学 | 一种基于自调制字典学习的图像分类方法 |
CN103761537A (zh) * | 2014-02-07 | 2014-04-30 | 重庆市国土资源和房屋勘测规划院 | 基于低秩优化特征字典模型的图像分类方法 |
CN103942576A (zh) * | 2014-04-09 | 2014-07-23 | 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 |
CN103984966A (zh) * | 2014-05-29 | 2014-08-13 | 西安电子科技大学 | 基于稀疏表示的sar图像目标识别方法 |
CN104778476A (zh) * | 2015-04-10 | 2015-07-15 | 电子科技大学 | 一种图像分类方法 |
CN105069481A (zh) * | 2015-08-19 | 2015-11-18 | 西安电子科技大学 | 基于空间金字塔稀疏编码的自然场景多标记分类方法 |
Non-Patent Citations (2)
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》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197630A (zh) * | 2018-03-19 | 2018-06-22 | 中国矿业大学(北京) | 一种基于自学习的煤岩识别方法 |
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 | |
CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
CN108038850A (zh) | 一种基于深度学习的排水管道异常类型自动检测方法 | |
CN104751192A (zh) | 基于图像块共生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 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN105005787A (zh) | 一种基于灵巧手触觉信息的联合稀疏编码的材质分类方法 | |
CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
CN104318254A (zh) | 一种基于dct低频分量特征的快速煤岩识别方法 | |
CN103927553A (zh) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 | |
CN105718954A (zh) | 一种基于视触觉融合的目标属性和类别的识别方法 | |
CN100463001C (zh) | 一种类球形果蔬的识别方法 | |
CN113158829A (zh) | 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警系统 | |
CN114913606A (zh) | 一种基于yolo的深度学习的工业现场生产工作区域的违规检测方法 | |
CN103942576B (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
CN104778461B (zh) | 基于相似测度学习的煤岩识别方法 | |
CN105447517A (zh) | 基于稀疏编码的空域金字塔匹配识别煤岩的方法 | |
CN106600905A (zh) | 一种有效的地质灾害监测系统 | |
Chu et al. | Deep learning method to detect the road cracks and potholes for smart cities | |
CN106529600A (zh) | 一种基于svm的高分辨率光学影像建筑物角点识别方法 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN117292148A (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
CN105426909A (zh) | 基于协同稀疏编码的煤岩识别方法 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN105354596A (zh) | 基于结构化稀疏编码的煤岩识别方法 |
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 |
Application publication date: 20160330 |
|
RJ01 | Rejection of invention patent application after publication |