CN113012179A - 煤矿井下防爆检测用煤粉尘图像识别方法 - Google Patents
煤矿井下防爆检测用煤粉尘图像识别方法 Download PDFInfo
- Publication number
- CN113012179A CN113012179A CN201911320323.8A CN201911320323A CN113012179A CN 113012179 A CN113012179 A CN 113012179A CN 201911320323 A CN201911320323 A CN 201911320323A CN 113012179 A CN113012179 A CN 113012179A
- Authority
- CN
- China
- Prior art keywords
- coal dust
- image
- coal
- overlapped
- computer
- 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
- 239000002817 coal dust Substances 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000003245 coal Substances 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 79
- 238000012545 processing Methods 0.000 claims abstract description 42
- 241000255581 Drosophila <fruit fly, genus> Species 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000003709 image segmentation Methods 0.000 claims abstract description 8
- 241000255588 Tephritidae Species 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 235000013305 food Nutrition 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 4
- 239000004071 soot Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种煤矿井下防爆检测用煤粉尘图像识别方法，包括以下步骤：一、煤粉尘红外图像采集及传输；二、图像增强处理；三、图像分割处理；四、进行煤尘重叠颗粒分离，识别出煤尘颗粒。本发明方法步骤简单，设计新颖合理，实现方便，采用果蝇算法进行煤尘重叠颗粒分离，能够合理地分离出煤尘重叠颗粒，获得较好的鲁棒性，识别效果良好稳定，速度快且对图像有极强的兼容性，提高了煤尘重叠颗粒识别的精度，有效性和鲁棒性好，适应性强，使用灵活方便，实用性强，使用效果好，推广应用价值高。
Description
技术领域
本发明属于煤矿环境监控技术领域，具体涉及一种煤矿井下防爆检测用煤粉尘图像识别方法。
背景技术
中国是一个产煤大国，在未来相当长的时间内，煤炭仍是主要能源结构。然而，我国煤矿大多数为井工开采，不安全因素很多，瓦斯煤尘和火灾等灾害事故频繁发生，灾害事故危害严重，伤害人员多，中断生产时间长，损毁井巷工程或生产设备。因此，如何加强矿灾防治工作，如何正确处理安全与生产、安全与效益的关系，如何准确、实时、快速履行煤矿安全监测职能，保证抢险救灾、安全救护的高效运行，成为煤矿工作的重要任务。实践证明，快速、准确地对煤矿井下环境进行探测，对减少矿井火灾与瓦斯爆炸是非常重要的。煤矿井下环境探测是保障煤矿安全的必须基础，是煤矿灾害预防、治理和救灾决策的根本依据。但是，现有技术中井下型的环境探测设备是需要工作人员携带监测仪器下井，在井下采集数据并分析处理得到结果，地面的工作人员想要知道井下的环境状况，还需要井下工作人员返回地上后才能得知。一方面，工作人员需要携带环境探测设备下井才能探测井下环境，使用操作不方便，耗费人力物力高，而且，一旦发生灾害事故，井下工作人员很难逃离，安全性低；另一方面，监测的实时性差，难以实现监测数据从井下到井上的同步传送，且现有技术中环境探测设备的功能单一，要获得综合的环境信息，就需要携带多个环境探测设备，操作繁琐，煤矿井下环境探测效率低。
另外，在煤尘粒径分布和煤尘浓度测量过程中煤尘颗粒的识别是最为关键的内容。在完成滤波去噪和图像分割的处理过程之后可获得煤尘的二值图像,接下来要实现对煤尘二值图像的识别工作，由于煤尘具有各种形状且煤尘之间还相互交叠，研究起来比较复杂，这就使得图像识别过程非常困难。
针对煤尘图像中存在的煤尘相互重叠的问题，那么要对煤尘图像识别前，首先应把重叠的煤尘进行分离。如何对原煤粉尘准确而有效分离，同时又不丢失信息，是一个经典的问题。近年来，研究人员一直通过改进现有的方法获得一些新的理论和算法，并从其他学科入手分离重叠颗粒，提出了很多新的探索。
目前大部分关于重叠颗粒的判别都在专业图像分析仪的帮助下进行，这个观测的过程是以肉眼识别为基础的，用鼠标划出重叠颗粒范围，其准确度具有一定的主观性，并且无法实现运用计算机自动分离重叠颗粒的目标。
基于对上述问题的考虑，许多学者对于重叠颗粒图像的分离问题通常从边缘跟踪和数学形态学两种不同思维出发进行归类，基于边缘跟踪算法常见的有链码差法、矢量夹角法、估算圆心法等，他们只适用于近圆形的粘连颗粒图像，局限性太大。而煤尘颗粒形状复杂，有块状、片状、针状、球状、线装等。显然应用边缘跟踪算法不能很好解决煤尘颗粒的识别问题，虽然数学形态学的方法不受到分析对象形状的限制，但其分割算法精度较低；聚类算法很难拟合重叠超过3个的颗粒；而通过分水岭变换算法获得的区域轮廓具有密闭性、连通性、单像素宽以及精确位置，但分水岭算法有过分割的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种煤矿井下防爆检测用煤粉尘图像识别方法，其方法步骤简单，设计新颖合理，实现方便，提高了煤尘重叠颗粒识别的精度，有效性和鲁棒性好，适应性强，使用灵活方便，实用性强，使用效果好，推广应用价值高。
为解决上述技术问题，本发明采用的技术方案是：一种煤矿井下防爆检测用煤粉尘图像识别方法，该方法包括以下步骤：
步骤一、煤粉尘红外图像采集及传输：红外图像采集仪对煤矿井下煤粉尘的红外图像进行拍摄并将拍摄到的煤粉尘红外图像传输给计算机；
步骤二、图像增强处理，具体过程为：
步骤201、计算机基于Retinex理论对煤粉尘红外图像进行图像增强处理；
步骤202、计算机采用直方图均衡化算法对经过步骤201处理得到的煤粉尘红外图像进行图像增强处理；
步骤三、图像分割处理：计算机采用区域生长分割算法对经过步骤二增强处理得到的煤粉尘红外图像进行图像分割处理；
步骤四、进行煤尘重叠颗粒分离，识别出煤尘颗粒，具体过程为：
步骤401、计算机对步骤三处理得到的煤粉尘红外图像进行二值化处理，得到二值化图像；
步骤402、计算机采用SIFT算法对步骤401处理得到的二值化图像进行特征点提取，提取出煤尘重叠颗粒图像边缘曲线的特征点；
步骤403、计算机采用调用重叠颗粒交点提取模块提取出步骤402中提取得到的煤尘重叠颗粒图像边缘曲线的特征点中的重叠颗粒交点；
步骤404、计算机采用果蝇算法进行煤尘重叠颗粒分离，识别出煤尘颗粒。
上述的煤矿井下防爆检测用煤粉尘图像识别方法，步骤201中所述计算机基于Retinex理论对煤粉尘红外图像进行图像增强处理的具体过程为：
步骤2011、首先，将煤粉尘红外图像灰度化，然后，根据Retinex理论将煤粉尘红外图像S(x,y)分解为反射物体图像R(x,y)和入射光图像L(x,y)；
步骤2012、采用取对数的方法将照射光分量和反射光分离，用公式表示为：
S(x,y)＝log(R(x,y))+log(L(x,y)) (A1)
步骤2013、采用高斯模板对煤粉尘红外图像S(x,y)做卷积进行低通滤波，得到低通滤波后的图像D(x,y)，用公式表示为：
D(x,y)＝S(x,y)*F(x,y) (A2)
其中，F(x,y)表示高斯滤波函数；
步骤2014、在对数域中，用原图像R(x,y)减去低通滤波后的图像D(x,y)，得到高频增强的图像G(x,y)，用公式表示为：
G(x,y)＝R(x,y)-log(D(x,y)) (A3)
步骤2015、对高频增强的图像G(x,y)取反对数，得到增强后的煤粉尘红外图像R′(x,y)：
R′(x,y)＝exp(G(x,y)) (A4)。
上述的煤矿井下防爆检测用煤粉尘图像识别方法，步骤404中所述计算机采用果蝇算法进行煤尘重叠颗粒分离，识别出煤尘颗粒的具体过程为：
步骤4041、在每相邻两个重叠区域交点之间的特征点中随机抽取6个，对每相邻两个重叠区域交点之间的特征点进行椭圆拟合，得到椭圆的表达式f(x,y)＝ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h的一组值；
步骤4042、设置迭代次数，初始化果蝇群体的位置；
步骤4043、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离；
步骤4044、计算果蝇个体与原点之间的距离D和味道浓度S；
步骤4045、把S带入味道浓度判定函数；
步骤4046、求此果蝇群体中的味道浓度最高的果蝇；
步骤4047、记录最佳味道浓度值和对应最佳味道浓度值的果蝇位置；
步骤4048、根据味道浓度判定值计算果蝇群体的平均味道浓度判定值Fi，
其中，Si(r)为第r代中果蝇i的味道浓度判定值，N为迭代次数；
步骤4049、根据公式
计算果蝇群体平均味道浓度判定值的方差σ2；
步骤40410、根据公式
选取下一次迭代的步长，其中，hr为种群第r代搜索步长；
步骤40411、判定是否达到了预设的最大迭代次数，当达到最大的迭代次数时，结束，将最后一次迭代确定出的果蝇群体位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式f(x,y)＝ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h；否则，返回执行步骤4043至步骤40410；
步骤40412、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离，每个椭圆曲线内都围有一个识别出来的单个煤尘颗粒。
上述的煤矿井下防爆检测用煤粉尘图像识别方法，步骤401中所述二值化图像中，目标区域的标记为1，背景区域的标记为0。
上述的煤矿井下防爆检测用煤粉尘图像识别方法，步骤403、计算机采用调用重叠颗粒交点提取模块提取出步骤402中提取得到的煤尘重叠颗粒图像边缘曲线的特征点中的重叠颗粒交点的具体过程为：
步骤4031、令pc(xc,yc)为当前特征点，pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点，pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点，根据公式：
计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc)；
步骤4032、根据公式
求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I；
步骤4033、判断条件
是否成立，当条件
成立时，将当前特征点pc(xc,yc)判断为重叠颗粒的交点；其中，It为交点选择面积阈值。
上述的煤矿井下防爆检测用煤粉尘图像识别方法，步骤4033中所述It的取值为0.7。
上述的煤矿井下防爆检测用煤粉尘图像识别方法，步骤40411中所述预设的最大迭代次数为600次。
本发明与现有技术相比具有以下优点：
1、本发明的方法步骤简单，设计新颖合理，实现方便。
2、本发明先对煤尘重叠颗粒图像的边缘曲线进行特征点定位，再提取特征点中的重叠颗粒交点，提高了边缘的敏感性，同时降低了对噪声的敏感性，通过特征点定位降低了代表煤尘颗粒边缘的点数，也减少了后续交点提取的计算量，有利于寻找出真正的交点，能够提高重叠颗粒识别的精度。
3、本发明采用果蝇算法进行煤尘重叠颗粒分离，能够合理地分离出煤尘重叠颗粒，获得较好的鲁棒性，在对比度较低图像的二值化处理可获得较好效果；识别效果良好稳定，速度快且对图像有极强的兼容性。
4、本发明的实用性强，能够很好地应用于煤矿井下防爆检测中，使用效果好，便于推广使用。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程框图。
具体实施方式
如图1所示，本发明的煤矿井下防爆检测用煤粉尘图像识别方法，包括以下步骤：
步骤一、煤粉尘红外图像采集及传输：红外图像采集仪对煤矿井下煤粉尘的红外图像进行拍摄并将拍摄到的煤粉尘红外图像传输给计算机；
步骤二、图像增强处理，具体过程为：
步骤201、计算机基于Retinex理论对煤粉尘红外图像进行图像增强处理；
步骤202、计算机采用直方图均衡化算法对经过步骤201处理得到的煤粉尘红外图像进行图像增强处理；
步骤三、图像分割处理：计算机采用区域生长分割算法对经过步骤二增强处理得到的煤粉尘红外图像进行图像分割处理；
步骤四、进行煤尘重叠颗粒分离，识别出煤尘颗粒，具体过程为：
步骤401、计算机对步骤三处理得到的煤粉尘红外图像进行二值化处理，得到二值化图像；
步骤402、计算机采用SIFT算法对步骤401处理得到的二值化图像进行特征点提取，提取出煤尘重叠颗粒图像边缘曲线的特征点；
步骤403、计算机采用调用重叠颗粒交点提取模块提取出步骤402中提取得到的煤尘重叠颗粒图像边缘曲线的特征点中的重叠颗粒交点；
步骤404、计算机采用果蝇算法进行煤尘重叠颗粒分离，识别出煤尘颗粒。
本方法中，步骤201中所述计算机基于Retinex理论对煤粉尘红外图像进行图像增强处理的具体过程为：
步骤2011、首先，将煤粉尘红外图像灰度化，然后，根据Retinex理论将煤粉尘红外图像S(x,y)分解为反射物体图像R(x,y)和入射光图像L(x,y)；
步骤2012、采用取对数的方法将照射光分量和反射光分离，用公式表示为：
S(x,y)＝log(R(x,y))+log(L(x,y)) (A1)
步骤2013、采用高斯模板对煤粉尘红外图像S(x,y)做卷积进行低通滤波，得到低通滤波后的图像D(x,y)，用公式表示为：
D(x,y)＝S(x,y)*F(x,y) (A2)
其中，F(x,y)表示高斯滤波函数；
步骤2014、在对数域中，用原图像R(x,y)减去低通滤波后的图像D(x,y)，得到高频增强的图像G(x,y)，用公式表示为：
G(x,y)＝R(x,y)-log(D(x,y)) (A3)
步骤2015、对高频增强的图像G(x,y)取反对数，得到增强后的煤粉尘红外图像R′(x,y)：
R′(x,y)＝exp(G(x,y)) (A4)。
本方法中，步骤404中所述计算机采用果蝇算法进行煤尘重叠颗粒分离，识别出煤尘颗粒的具体过程为：
步骤4041、在每相邻两个重叠区域交点之间的特征点中随机抽取6个，对每相邻两个重叠区域交点之间的特征点进行椭圆拟合，得到椭圆的表达式f(x,y)＝ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h的一组值；
步骤4042、设置迭代次数，初始化果蝇群体的位置；
步骤4043、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离；
步骤4044、计算果蝇个体与原点之间的距离D和味道浓度S；
步骤4045、把S带入味道浓度判定函数；
步骤4046、求此果蝇群体中的味道浓度最高的果蝇；
步骤4047、记录最佳味道浓度值和对应最佳味道浓度值的果蝇位置；
步骤4048、根据味道浓度判定值计算果蝇群体的平均味道浓度判定值Fi，
其中，Si(r)为第r代中果蝇i的味道浓度判定值，N为迭代次数；
步骤4049、根据公式
计算果蝇群体平均味道浓度判定值的方差σ2；
步骤40410、根据公式
选取下一次迭代的步长，其中，hr为种群第r代搜索步长；
步骤40411、判定是否达到了预设的最大迭代次数，当达到最大的迭代次数时，结束，将最后一次迭代确定出的果蝇群体位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式f(x,y)＝ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h；否则，返回执行步骤4043至步骤40410；
步骤40412、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离，每个椭圆曲线内都围有一个识别出来的单个煤尘颗粒。
本方法中，步骤401中所述二值化图像中，目标区域的标记为1，背景区域的标记为0。
本方法中，步骤403、计算机采用调用重叠颗粒交点提取模块提取出步骤402中提取得到的煤尘重叠颗粒图像边缘曲线的特征点中的重叠颗粒交点的具体过程为：
步骤4031、令pc(xc,yc)为当前特征点，pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点，pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点，根据公式：
计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc)；
步骤4032、根据公式
求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I；
步骤4033、判断条件
是否成立，当条件
成立时，将当前特征点pc(xc,yc)判断为重叠颗粒的交点；其中，It为交点选择面积阈值。
本方法中，步骤4033中所述It的取值为0.7。
本方法中，步骤40411中所述预设的最大迭代次数为600次。
综上所述，本发明先对煤尘重叠颗粒图像的边缘曲线进行特征点定位，再提取特征点中的重叠颗粒交点，提高了边缘的敏感性，同时降低了对噪声的敏感性，通过特征点定位降低了代表煤尘颗粒边缘的点数，也减少了后续交点提取的计算量，有利于寻找出真正的交点，能够提高重叠颗粒识别的精度；采用果蝇算法进行煤尘重叠颗粒分离，能够合理地分离出煤尘重叠颗粒，获得较好的鲁棒性，在对比度较低图像的二值化处理可获得较好效果；识别效果良好稳定，速度快且对图像有极强的兼容性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
前述对本发明的具体示例性实施方案的描述是为了说明和例证的目的。这些描述并非想将本发明限定为所公开的精确形式，并且很显然，根据上述教导，可以进行很多改变和变化。对示例性实施例进行选择和描述的目的在于解释本发明的特定原理及其实际应用，从而使得本领域的技术人员能够实现并利用本发明的各种不同的示例性实施方案以及各种不同的选择和改变。本发明的范围意在由权利要求书及其等同形式所限定。
Claims (7)
1.一种煤矿井下防爆检测用煤粉尘图像识别方法，其特征在于，该方法包括以下步骤：
步骤一、煤粉尘红外图像采集及传输：红外图像采集仪对煤矿井下煤粉尘的红外图像进行拍摄并将拍摄到的煤粉尘红外图像传输给计算机；
步骤二、图像增强处理，具体过程为：
步骤201、计算机基于Retinex理论对煤粉尘红外图像进行图像增强处理；
步骤202、计算机采用直方图均衡化算法对经过步骤201处理得到的煤粉尘红外图像进行图像增强处理；
步骤三、图像分割处理：计算机采用区域生长分割算法对经过步骤二增强处理得到的煤粉尘红外图像进行图像分割处理；
步骤四、进行煤尘重叠颗粒分离，识别出煤尘颗粒，具体过程为：
步骤401、计算机对步骤三处理得到的煤粉尘红外图像进行二值化处理，得到二值化图像；
步骤402、计算机采用SIFT算法对步骤401处理得到的二值化图像进行特征点提取，提取出煤尘重叠颗粒图像边缘曲线的特征点；
步骤403、计算机采用调用重叠颗粒交点提取模块提取出步骤402中提取得到的煤尘重叠颗粒图像边缘曲线的特征点中的重叠颗粒交点；
步骤404、计算机采用果蝇算法进行煤尘重叠颗粒分离，识别出煤尘颗粒。
2.按照权利要求1所述的煤矿井下防爆检测用煤粉尘图像识别方法，其特征在于：步骤201中所述计算机基于Retinex理论对煤粉尘红外图像进行图像增强处理的具体过程为：
步骤2011、首先，将煤粉尘红外图像灰度化，然后，根据Retinex理论将煤粉尘红外图像S(x,y)分解为反射物体图像R(x,y)和入射光图像L(x,y)；
步骤2012、采用取对数的方法将照射光分量和反射光分离，用公式表示为：
S(x,y)＝log(R(x,y))+log(L(x,y)) (A1)
步骤2013、采用高斯模板对煤粉尘红外图像S(x,y)做卷积进行低通滤波，得到低通滤波后的图像D(x,y)，用公式表示为：
D(x,y)＝S(x,y)*F(x,y) (A2)
其中，F(x,y)表示高斯滤波函数；
步骤2014、在对数域中，用原图像R(x,y)减去低通滤波后的图像D(x,y)，得到高频增强的图像G(x,y)，用公式表示为：
G(x,y)＝R(x,y)-log(D(x,y)) (A3)
步骤2015、对高频增强的图像G(x,y)取反对数，得到增强后的煤粉尘红外图像R′(x,y)：
R′(x,y)＝exp(G(x,y)) (A4)。
3.按照权利要求1所述的煤矿井下防爆检测用煤粉尘图像识别方法，其特征在于：步骤404中所述计算机采用果蝇算法进行煤尘重叠颗粒分离，识别出煤尘颗粒的具体过程为：
步骤4041、在每相邻两个重叠区域交点之间的特征点中随机抽取6个，对每相邻两个重叠区域交点之间的特征点进行椭圆拟合，得到椭圆的表达式f(x,y)＝ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h的一组值；
步骤4042、设置迭代次数，初始化果蝇群体的位置；
步骤4043、初始化的果蝇个体利用嗅觉搜寻食物的随机方向与飞行距离；
步骤4044、计算果蝇个体与原点之间的距离D和味道浓度S；
步骤4045、把S带入味道浓度判定函数；
步骤4046、求此果蝇群体中的味道浓度最高的果蝇；
步骤4047、记录最佳味道浓度值和对应最佳味道浓度值的果蝇位置；
步骤4048、根据味道浓度判定值计算果蝇群体的平均味道浓度判定值Fi，
其中，Si(r)为第r代中果蝇i的味道浓度判定值，N为迭代次数；
步骤4049、根据公式
计算果蝇群体平均味道浓度判定值的方差σ2；
步骤40410、根据公式
选取下一次迭代的步长，其中，hr为种群第r代搜索步长；
步骤40411、判定是否达到了预设的最大迭代次数，当达到最大的迭代次数时，结束，将最后一次迭代确定出的果蝇群体位置对应的椭圆的6个参数确定为最终进行椭圆拟合的椭圆的表达式f(x,y)＝ax2+bxy+cy2+dx+ey+h＝0中的6个参数a、b、c、d、e、h；否则，返回执行步骤4043至步骤40410；
步骤40412、绘制椭圆并通过椭圆曲线将煤尘重叠颗粒分离，每个椭圆曲线内都围有一个识别出来的单个煤尘颗粒。
4.按照权利要求1所述的煤矿井下防爆检测用煤粉尘图像识别方法，其特征在于：步骤401中所述二值化图像中，目标区域的标记为1，背景区域的标记为0。
5.按照权利要求1所述的煤矿井下防爆检测用煤粉尘图像识别方法，其特征在于：步骤403、计算机采用调用重叠颗粒交点提取模块提取出步骤402中提取得到的煤尘重叠颗粒图像边缘曲线的特征点中的重叠颗粒交点的具体过程为：
步骤4031、令pc(xc,yc)为当前特征点，pc-1(xc-1,yc-1)为当前特征点pc(xc,yc)的前一特征点，pc+1(xc+1,yc+1)为当前特征点pc(xc,yc)的后一特征点，根据公式：
计算煤尘重叠颗粒图像的边缘曲线在特征点pc(xc,yc)处的曲度C(pc)；
步骤4032、根据公式
求解当前特征点pc(xc,yc)、当前特征点pc(xc,yc)的前一特征点pc-1(xc-1,yc-1)和当前特征点pc(xc,yc)的后一特征点pc+1(xc+1,yc+1)组成的三角形的面积I；
步骤4033、判断条件
是否成立，当条件
成立时，将当前特征点pc(xc,yc)判断为重叠颗粒的交点；其中，It为交点选择面积阈值。
6.按照权利要求5所述的煤矿井下防爆检测用煤粉尘图像识别方法，其特征在于：步骤4033中所述It的取值为0.7。
7.按照权利要求5所述的煤矿井下防爆检测用煤粉尘图像识别方法，其特征在于：步骤40411中所述预设的最大迭代次数为600次。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911320323.8A CN113012179A (zh) | 2019-12-19 | 2019-12-19 | 煤矿井下防爆检测用煤粉尘图像识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911320323.8A CN113012179A (zh) | 2019-12-19 | 2019-12-19 | 煤矿井下防爆检测用煤粉尘图像识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113012179A true CN113012179A (zh) | 2021-06-22 |
Family
ID=76382269
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911320323.8A Pending CN113012179A (zh) | 2019-12-19 | 2019-12-19 | 煤矿井下防爆检测用煤粉尘图像识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113012179A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114582093A (zh) * | 2022-01-27 | 2022-06-03 | 宁夏安普安全技术咨询有限公司 | 一种用于预防矿山粉尘爆炸的安全预警方法及系统 |
| CN116258715A (zh) * | 2023-05-15 | 2023-06-13 | 北京中超伟业信息安全技术股份有限公司 | 一种粉尘回收方法、装置及电子设备 |
| CN116563799A (zh) * | 2023-07-11 | 2023-08-08 | 山东昆仲信息科技有限公司 | 基于视频监控的粉尘在线监测方法 |
| CN116645363A (zh) * | 2023-07-17 | 2023-08-25 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
-
2019
- 2019-12-19 CN CN201911320323.8A patent/CN113012179A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114582093A (zh) * | 2022-01-27 | 2022-06-03 | 宁夏安普安全技术咨询有限公司 | 一种用于预防矿山粉尘爆炸的安全预警方法及系统 |
| CN116258715A (zh) * | 2023-05-15 | 2023-06-13 | 北京中超伟业信息安全技术股份有限公司 | 一种粉尘回收方法、装置及电子设备 |
| CN116563799A (zh) * | 2023-07-11 | 2023-08-08 | 山东昆仲信息科技有限公司 | 基于视频监控的粉尘在线监测方法 |
| CN116563799B (zh) * | 2023-07-11 | 2023-09-22 | 山东昆仲信息科技有限公司 | 基于视频监控的粉尘在线监测方法 |
| CN116645363A (zh) * | 2023-07-17 | 2023-08-25 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
| CN116645363B (zh) * | 2023-07-17 | 2023-10-13 | 山东富鹏生物科技有限公司 | 一种基于视觉的淀粉生产质量实时检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113012179A (zh) | 煤矿井下防爆检测用煤粉尘图像识别方法 | |
| CN108596930B (zh) | 基于天牛须算法和数学形态学的射线图像焊缝提取方法 | |
| CN109145742B (zh) | 一种行人识别方法及系统 | |
| Zhang et al. | Matched filtering algorithm for pavement cracking detection | |
| CN106203377B (zh) | 一种煤粉尘图像识别方法 | |
| CN111428631B (zh) | 无人机飞控信号可视化识别分选方法 | |
| CN105426840A (zh) | 一种基于多特征融合的红外森林火灾判定方法 | |
| CN102298698A (zh) | 基于角点与边缘信息融合的遥感图像飞机检测方法 | |
| CN105046259B (zh) | 基于多特征融合的日冕物质抛射检测方法 | |
| CN108960185A (zh) | 基于YOLOv2的车辆目标检测方法及系统 | |
| CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 | |
| CN115409778A (zh) | 一种用于红外小目标背景抑制后图像的阈值分割方法 | |
| CN105550646B (zh) | 基于对数梯度直方图的广义光照不变人脸特征描述方法 | |
| CN117197700B (zh) | 智能化无人巡检接触网缺陷识别系统 | |
| CN108520252B (zh) | 基于广义霍夫变换和小波变换的路标识别方法 | |
| CN114092814A (zh) | 基于深度学习的无人机脐橙树影像目标识别与统计方法 | |
| CN113011434A (zh) | 一种基于多传感器数据采集的煤矿井下安全防爆方法 | |
| JP2016115084A (ja) | 対象物検出装置及びプログラム | |
| Liu et al. | APHS-YOLO: A Lightweight Model for Real-Time Detection and Classification of Stropharia Rugoso-Annulata | |
| CN103577808A (zh) | 一种蛙人识别方法 | |
| Reddy et al. | Separation of gangue from coal based on histogram thresholding | |
| Deufemia et al. | Segmentation and recognition of petroglyphs using generic Fourier descriptors | |
| Adedayo et al. | Real-time automated detection and recognition of Nigerian license plates via deep learning single shot detection and optical character recognition | |
| CN113011229A (zh) | 基于视觉信息下的选煤厂煤尘爆炸预警方法 | |
| CN104915682A (zh) | 一种豆科种子识别系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210622 |
|
| WD01 | Invention patent application deemed withdrawn after publication |