CN113052208A - 基于视觉的煤岩识别方法、存储介质及电子设备 - Google Patents

基于视觉的煤岩识别方法、存储介质及电子设备 Download PDF

Info

Publication number
CN113052208A
CN113052208A CN202110259096.3A CN202110259096A CN113052208A CN 113052208 A CN113052208 A CN 113052208A CN 202110259096 A CN202110259096 A CN 202110259096A CN 113052208 A CN113052208 A CN 113052208A
Authority
CN
China
Prior art keywords
coal rock
coal
identified
data information
image information
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.)
Granted
Application number
CN202110259096.3A
Other languages
English (en)
Other versions
CN113052208B (zh
Inventor
杨俊哲
贺安民
伍云霞
关丙火
郭爱军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology Beijing CUMTB
Shenhua Shendong Coal Group Co Ltd
Original Assignee
China University of Mining and Technology Beijing CUMTB
Shenhua Shendong Coal Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology Beijing CUMTB, Shenhua Shendong Coal Group Co Ltd filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110259096.3A priority Critical patent/CN113052208B/zh
Publication of CN113052208A publication Critical patent/CN113052208A/zh
Application granted granted Critical
Publication of CN113052208B publication Critical patent/CN113052208B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于视觉的煤岩识别方法、存储介质及电子设备，该方法包括：采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息；根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数；根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别。实施本发明，通过降低被粉尘污染的煤岩图像信息的作用，从而提高识别煤岩类别的准确性。

Description

基于视觉的煤岩识别方法、存储介质及电子设备
技术领域
本发明涉及煤岩识别技术领域，尤其涉及一种基于视觉的煤岩识别方法。
背景技术
煤岩自动识别是指用一种方法自动识别出待识别对象是煤炭还是岩石。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。
随着视觉技术的发展，视觉技术越来越受到重视，为了简化煤岩识别设备的结构，降低成本，提高煤岩识别设备的稳定性，目前已研发出利用视觉技术进行煤岩识别的方法，然而现有的基于视觉技术的煤岩识别方法均没考虑粉尘影响，当待识别对象遭受粉尘污染时，如采煤机在截割煤壁或放顶煤跨落时产生了大量的粉尘，利用视觉技术识别新鲜截割面或跨落物的类别时，由于采集的待识别物的图像遭受了粉尘严重污染，使得图像数据不再是真实煤岩图像数据，造成识别出新鲜截割面或跨落物的类别不准确，甚至无法识别出新鲜截割面或跨落物的类别，不能满足用户需求。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于视觉的煤岩识别方法、存储介质及电子设备，通过降低待识别煤岩图像信息中被粉尘污染的煤岩图像信息的作用，从而提高识别煤岩类别的准确性。
本发明的技术方案提供一种基于视觉的煤岩识别方法，包括：
采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息；
根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数；
根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别。
进一步的，所述预先存储的煤岩样本数据信息具体采用以下步骤获得：
采集所述煤样本图像信息和所述岩石样本图像信息；
调整所述煤样本图像信息和所述岩石样本图像信息的大小，并进行向量化，生成第一子煤岩样本数据信息；
将所述第一子煤岩样本数据信息进行归一化，生成第二子煤岩样本数据信息；
将所述第二子煤岩样本数据信息按照煤岩类别的顺序作为数据矩阵的列，生成所述煤岩样本数据信息。
进一步的，所述采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息，具体包括：
采集所述待识别煤岩图像信息；
调整所述待识别煤岩图像信息的大小，并进行向量化，生成第一子待识别煤岩数据信息；
将所述第一子待识别煤岩数据信息进行归一化，生成所述待识别煤岩数据信息，所述待识别煤岩数据信息包括待识别煤岩向量。
进一步的，所述
根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数，具体包括：
将所述煤岩样本数据信息中的数据矩阵的列构建成煤岩样本向量；
根据所述煤岩样本向量和损失函数，利用下式计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数：
Figure BDA0002969207260000031
Figure BDA0002969207260000032
其中，
Figure BDA0002969207260000033
σ是核的大小，d＝[d1，...，di，...，dn]T，di＝||y-xi||2，λ是正则化参数，⊙表示对应元素相乘。
进一步的，所述根据所述煤岩样本向量和损失函数，利用下式计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数，具体包括：
利用下式计算所述煤岩表达系数的最小值：
s＝[s1，...，sj，...，Sm]T
Figure BDA0002969207260000034
其中，sj是辅助变量S的第j个元素，yj是待识别煤岩的第j个元素，xij是第i个煤岩样本的第j个元素；
固定β，计算S；
固定S，计算β；
利用下式计算所述核的大小：
Figure BDA0002969207260000035
其中，m是煤岩样本向量的维数，X是煤岩样本数据信息的数据矩阵，y是待识别煤岩向量，β是煤岩表达系数；
生成β*。
进一步的，所述固定S，计算β，具体包括：
固定S，利用下式计算所述β：
Figure BDA0002969207260000041
Figure BDA0002969207260000042
其中，
Figure BDA0002969207260000043
进一步的，所述将所述第一子待识别煤岩数据信息进行归一化，生成所述待识别煤岩数据信息，所述待识别煤岩数据信息包括待识别煤岩向量，之后还包括：
利用下式重构所述待识别煤岩数据信息：
Figure BDA0002969207260000044
其中，c是指示为煤或岩的类别符号，
Figure BDA0002969207260000045
中的元素是β*中对应类c的系数，Xc是由类c的训练样本构成的子矩阵。
进一步的，所述根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别，具体包括：
根据下式判断所述待识别煤岩图像信息的煤岩类别：
Figure BDA0002969207260000046
其中，nc是数据矩阵X中类c的训练样本数。
本发明的技术方案提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的基于视觉的煤岩识别方法的所有步骤。
本发明的技术方案提供一种电子设备，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息；
根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数；
根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别。
采用上述技术方案后，具有如下有益效果：通过采集待识别煤岩图像信息，并对待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息，根据预先存储的煤岩样本数据信息对待识别煤岩数据信息进行线性组合处理，计算煤岩样本数据信息中的煤岩样本与待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数，根据煤岩表达系数判断待识别煤岩图像信息的煤岩类别，降低被粉尘污染的煤岩图像信息的作用，从而提高识别煤岩类别的准确性。
附图说明
参见附图，本发明的公开内容将变得更易理解。应当理解：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围构成限制。图中：
图1是本发明一实施例提供的一种基于视觉的煤岩识别方法的工作流程图；
图2是本发明可选实施例提供的一种基于视觉的煤岩识别方法的工作流程图；
图3是本发明第四实施例提供的一种执行基于视觉的煤岩识别方法的电子设备的硬件结构示意图。
具体实施方式
下面结合附图来进一步说明本发明的具体实施方式。
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或视为对发明技术方案的限定或限制。
在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于各附图中所示的构造进行定义的，它们是相对的概念，因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。
实施例一
如图1所示，图1是本发明一实施例提供的一种基于视觉的煤岩识别方法的工作流程图，包括：
步骤S101：采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息；
步骤S102：根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数；
步骤S103：根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别。
具体来说，首先，采集待识别煤岩图像信息，对待识别煤岩图像信息进行处理，生成第一待识别煤岩数据信息；再次，执行步骤S103对第一煤岩样本数据信息进行优化处理，使第二煤岩样本数据信息和第一待识别煤岩数据信息尽可能相似；然后，执行步骤S104对第一待识别煤岩数据信息进行重构，降低第一待识别煤岩数据信息中被粉尘污染的煤岩数据信息的作用，生成第二待识别煤岩数据信息；最后，执行步骤S105判断出待识别煤岩图像信息的类别。
本发明提供的基于视觉的煤岩识别方法，通过采集待识别煤岩图像信息，并对待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息，根据预先存储的煤岩样本数据信息对待识别煤岩数据信息进行线性组合处理，计算煤岩样本数据信息中的煤岩样本与待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数，根据煤岩表达系数判断待识别煤岩图像信息的煤岩类别，降低被粉尘污染的煤岩图像信息的作用，从而提高识别煤岩类别的准确性。
实施例二
如图2所示，图2是本发明可选实施例提供的一种基于视觉的煤岩识别方法的工作流程图，包括：
步骤S201：采集所述煤样本图像信息和所述岩石样本图像信息；
具体的，采集无粉尘污染的煤和岩石样本图像，这些图像尽可能包含有不同视点、不同光照度、不同拍摄距离等成像条件下的图像。
步骤S202：调整所述煤样本图像信息和所述岩石样本图像信息的大小，并进行向量化，生成第一子煤岩样本数据信息；
步骤S203：将所述第一子煤岩样本数据信息进行归一化，生成第二子煤岩样本数据信息；
具体的，采用l2-norm对第一子煤岩样本数据信息进行归一化，生成第二子煤岩样本数据信息。
步骤S204：将所述第二子煤岩样本数据信息按照煤岩类别的顺序作为数据矩阵的列，生成所述煤岩样本数据信息；
具体的，将第二子煤岩样本数据信息按照类别顺序排列作为数据矩阵X的列，
Figure BDA0002969207260000071
m表示煤岩样本向量的维数，n表示煤、岩的总样本数。
步骤S205：采集所述待识别煤岩图像信息；
步骤S206：调整所述待识别煤岩图像信息的大小，并进行向量化，生成第一子待识别煤岩数据信息；
具体的，将待识别煤岩图像信息的大小调整为与煤样本图像信息和岩石样本图像信息的大小相同，并进行向量化，生成第一子待识别煤岩数据信息。
步骤S207：将所述第一子待识别煤岩数据信息进行归一化，生成所述待识别煤岩数据信息，所述待识别煤岩数据信息包括待识别煤岩向量；
具体的，采用l2-norm对第一子待识别煤岩数据信息归一化为待识别煤岩数据信息y＝[y1，y2，...，yj，...，ym]T。
步骤S208：将所述煤岩样本数据信息中的数据矩阵的列构建成煤岩样本向量；
具体的，将数据矩阵X的列xi的线性组合成向量B＝(∑iχi1βi，...，∑iχimβi)T。
步骤S209：根据所述煤岩样本向量和损失函数，利用下式计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数：
Figure BDA0002969207260000081
Figure BDA0002969207260000082
其中
Figure BDA0002969207260000083
σ是核的大小，d＝[d1，...，di，...，dn]T，di＝||y-xi||2，λ是正则化参数，⊙表示对应元素相乘。
具体的，在损失函数φσ(χ)＝1-kσ(χ)损失判据下，找一个表达向量β＝(β1，...，βn)T，使向量B和y尽可能相似，即解优化问题：
Figure BDA0002969207260000091
其中，kσ(·)是核函数，σ是核的大小，kσ(·)满足Mercer理论，考虑高斯核的平滑性和严格正定性，这里
Figure BDA0002969207260000092
从(2)式的表达中可以看出，
Figure BDA0002969207260000093
差值较大时，损失函数会饱和，也就是说，损失函数φσ(χ)＝1-kσ(χ)对大的误差不敏感，可以抑制大误差对优化带来的不可靠，当煤岩图像被粉尘污染后，其灰度值大的畸变正是由粉尘所引入，实现鲁棒的煤岩识别。
步骤S210：利用下式计算所述煤岩表达系数的最小值：
s＝[s1，...，sj，...，Sm]T (3)式
Figure BDA0002969207260000094
其中，sj是辅助变量S的第j个元素，yj是待识别煤岩的第j个元素，χij是第i个煤岩样本的第j个元素；
具体的，上述(1)式满足半二次分析条件，因此，采用半二次分析优化(1)式。根据凸共轭函数的性质，φσ(χ)存在一个共轭函数γ，使得
Figure BDA0002969207260000101
将上述(3)式和(4)式引入(1)式，对煤岩样本数据信息进行优化处理，得到：
Figure BDA0002969207260000102
Figure BDA0002969207260000103
其中，diag(·)是将S对角化矩阵操作。
步骤S211：固定β，计算S；
具体的，保持β的数值不变，计算出S。
步骤S212：固定S，利用拉格朗日函数法计算所述β：
Figure BDA0002969207260000104
Figure BDA0002969207260000105
其中，
Figure BDA0002969207260000106
具体的，保持S的数值不变，计算出β。
步骤S213：利用下式计算所述核的大小：
Figure BDA0002969207260000107
其中，m是煤岩样本向量的维数，X是煤岩样本数据信息的数据矩阵，y是待识别煤岩向量，β是煤岩表达系数；
步骤S214：生成β*。
步骤S215：利用下式重构所述待识别煤岩数据信息：
Figure BDA0002969207260000111
其中，c是指示为煤或岩的类别符号，
Figure BDA0002969207260000112
中的元素是β*中对应类c的系数，Xc是由类c的训练样本构成的子矩阵。
步骤S216：根据下式判断所述待识别煤岩图像信息的煤岩类别：
Figure BDA0002969207260000113
其中，nc是数据矩阵X中类c的训练样本数。
本发明提供的基于视觉的煤岩识别方法，通过采集待识别煤岩图像信息，并对待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息，根据预先存储的煤s岩样本数据信息对待识别煤岩数据信息进行线性组合处理，计算煤岩样本数据信息中的煤岩样本与待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数，根据煤岩表达系数判断待识别煤岩图像信息的煤岩类别，降低被粉尘污染的煤岩图像信息的作用，从而提高识别煤岩类别的准确性。
实施例三
本发明第三实施例提供了一种存储介质，存储介质存储计算机指令，当计算机执行计算机指令时，用于执行如前所述的基于视觉的煤岩识别方法的所有步骤。
实施例四
如图3所示，图3是本发明第四实施例提供的一种执行基于视觉的煤岩识别方法的电子设备的硬件结构示意图，其主要包括：至少一个处理器301；以及，与至少一个处理器301通信连接的存储器302；其中，所述存储器302存储有可被一个处理器301执行的指令，指令被至少一个处理器301执行，以使至少一个处理器301能够执行如图1和图2所示的方法流程。
执行基于视觉的煤岩识别方法的电子设备还可以包括：输入装置303和输出装置304。
处理器301、存储器302、输入装置303及输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器302作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的基于视觉的煤岩识别方法对应的程序指令/模块，例如，图1和图2所示的方法流程。处理器301通过运行存储在存储器302中的非易失性软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述实施例中的基于视觉的煤岩识别方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储基于视觉的煤岩识别方法的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至执行基于视觉的煤岩识别方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置303可接收输入的用户点击，以及产生与基于视觉的煤岩识别方法的用户设置以及功能控制有关的信号输入。输出装置304可包括显示屏等显示设备。
在所述一个或者多个模块存储在存储器302中，当被一个或者多个处理器301运行时，执行上述任意方法实施例中的基于视觉的煤岩识别方法。
上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本发明实施例的电子设备以多种形式存在，包括但不限于:
(1)电子控制单元(Electronic Control Unit，ECU)又称“行车电脑”、“车载电脑”等。主要由微处理器(CPU)、存储器(ROM、RAM)、输入/输出接口(I/O)、模数转换器(A/D)以及整形、驱动等大规模集成电路组成。
(2)移动通信设备：这类设备的特点是具备移动通信功能，并且以提供话音、数据通信为主要目标。这类终端包括：智能手机(例如iPhone)、多媒体手机、功能性手机，以及低端手机等。
(3)超移动个人计算机设备：这类设备属于个人计算机的范畴，有计算和处理功能，一般也具备移动上网特性。这类终端包括：PDA、MID和UMPC设备等。
(4)便携式娱乐设备：这类设备可以显示和播放多媒体内容。该类设备包括：音频、视频播放器(例如iPod)，掌上游戏机，电子书，以及智能玩具和便携式车载导航设备。
(5)服务器：提供计算服务的设备，服务器的构成包括处理器、硬盘、内存、系统总线等，服务器和通用的计算机架构类似，但是由于需要提供高可靠的服务，因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。
(6)其他具有数据交互功能的电子装置。
此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台移动终端(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件服务器的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明实施例的技术方案，而非对其限制；尽管参照前述实施例对本发明实施例进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
以上所述的仅是本发明的原理和较佳的实施例。应当指出，对于本领域的普通技术人员来说，在本发明原理的基础上，还可以做出若干其它变型，也应视为本发明的保护范围。

Claims (10)

1.一种基于视觉的煤岩识别方法，其特征在于，包括：
采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息；
根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数；
根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别。
2.如权利要求1所述的基于视觉的煤岩识别方法，其特征在于，所述预先存储的煤岩样本数据信息具体采用以下步骤获得：
采集所述煤样本图像信息和所述岩石样本图像信息；
调整所述煤样本图像信息和所述岩石样本图像信息的大小，并进行向量化，生成第一子煤岩样本数据信息；
将所述第一子煤岩样本数据信息进行归一化，生成第二子煤岩样本数据信息；
将所述第二子煤岩样本数据信息按照煤岩类别的顺序作为数据矩阵的列，生成所述煤岩样本数据信息。
3.如权利要求2所述的基于视觉的煤岩识别方法，其特征在于，所述采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息，具体包括：
采集所述待识别煤岩图像信息；
调整所述待识别煤岩图像信息的大小，并进行向量化，生成第一子待识别煤岩数据信息；
将所述第一子待识别煤岩数据信息进行归一化，生成所述待识别煤岩数据信息，所述待识别煤岩数据信息包括待识别煤岩向量。
4.如权利要求3所述的基于视觉的煤岩识别方法，其特征在于，所述根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数，具体包括：
将所述煤岩样本数据信息中的数据矩阵的列构建成煤岩样本向量；
根据所述煤岩样本向量和损失函数，利用下式计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数：
Figure FDA0002969207250000021
其中，
Figure FDA0002969207250000022
σ是核的大小，
Figure FDA0002969207250000024
Figure FDA0002969207250000025
λ是正则化参数，⊙表示对应元素相乘。
5.如权利要求4所述的基于视觉的煤岩识别方法，其特征在于，所述根据所述煤岩样本向量和损失函数，利用下式计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数，具体包括：
利用下式计算所述煤岩表达系数的最小值：
Figure FDA0002969207250000026
Figure FDA0002969207250000023
其中，sj是辅助变量S的第j个元素，
Figure FDA0002969207250000027
是待识别煤岩的第j个元素，xij是第i个煤岩样本的第j个元素；
固定β，计算S；
固定S，计算β；
利用下式计算所述核的大小：
Figure FDA0002969207250000031
其中，m是煤岩样本向量的维数，X是煤岩样本数据信息的数据矩阵，
Figure FDA0002969207250000037
是待识别煤岩向量，β是煤岩表达系数；
生成β*。
6.如权利要求5所述的基于视觉的煤岩识别方法，其特征在于，所述固定S，计算β，具体包括：
固定S，利用下式计算所述β：
Figure FDA0002969207250000032
Figure FDA0002969207250000033
其中，
Figure FDA0002969207250000034
7.如权利要求6所述的基于视觉的煤岩识别方法，其特征在于，所述将所述第一子待识别煤岩数据信息进行归一化，生成所述待识别煤岩数据信息，所述待识别煤岩数据信息包括待识别煤岩向量，之后还包括：
利用下式重构所述待识别煤岩数据信息：
Figure FDA0002969207250000035
其中，c是指示为煤或岩的类别符号，
Figure FDA0002969207250000036
中的元素是β*中对应类c的系数，Xc是由类c的训练样本构成的子矩阵。
8.如权利要求7所述的基于视觉的煤岩识别方法，其特征在于，所述根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别，具体包括：
根据下式判断所述待识别煤岩图像信息的煤岩类别：
Figure FDA0002969207250000041
其中，nc是数据矩阵X中类c的训练样本数。
9.一种存储介质，其特征在于，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如权利要求1～8任一项所述的基于视觉的煤岩识别方法的所有步骤。
10.一种电子设备，其特征在于，包括：
至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
采集待识别煤岩图像信息，并对所述待识别煤岩图像信息进行预处理，生成待识别煤岩数据信息；
根据预先存储的煤岩样本数据信息对所述待识别煤岩数据信息进行线性组合处理，并计算所述煤岩样本数据信息中的煤岩样本与所述待识别煤岩图像信息中的待识别煤岩的比例，生成煤岩表达系数；
根据所述煤岩表达系数判断所述待识别煤岩图像信息的煤岩类别。
CN202110259096.3A 2021-03-10 2021-03-10 基于视觉的煤岩识别方法、存储介质及电子设备 Active CN113052208B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110259096.3A CN113052208B (zh) 2021-03-10 2021-03-10 基于视觉的煤岩识别方法、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110259096.3A CN113052208B (zh) 2021-03-10 2021-03-10 基于视觉的煤岩识别方法、存储介质及电子设备

Publications (2)

Publication Number Publication Date
CN113052208A true CN113052208A (zh) 2021-06-29
CN113052208B CN113052208B (zh) 2023-08-25

Family

ID=76511254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110259096.3A Active CN113052208B (zh) 2021-03-10 2021-03-10 基于视觉的煤岩识别方法、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN113052208B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581785A (zh) * 2022-05-09 2022-06-03 中国科学院自动化研究所 多源异构数据融合的高炉煤气流分布状态识别方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130184853A1 (en) * 2012-01-17 2013-07-18 Mineral Separation Technologies, Inc. Multi-Franctional Coal Sorter and Method of Use Thereof
CN104778461A (zh) * 2015-04-24 2015-07-15 中国矿业大学(北京) 基于相似测度学习的煤岩识别方法
CN106845509A (zh) * 2016-10-19 2017-06-13 中国矿业大学(北京) 一种基于曲波域压缩特征的煤岩识别方法
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
US20180246241A1 (en) * 2016-02-02 2018-08-30 China University Of Mining & Technology, Beijing Method and apparatus for identifying collapsed coal column
CN109784389A (zh) * 2019-01-03 2019-05-21 中国矿业大学 一种基于Adaboost和Gabor算法的煤岩识别检测方法
WO2019096008A1 (zh) * 2017-11-20 2019-05-23 腾讯科技（深圳）有限公司 身份识别方法、计算机设备及存储介质
CN110685687A (zh) * 2018-07-06 2020-01-14 华安奥特（北京）科技股份有限公司 一种基于雷达波-图像复合式煤岩识别的采煤方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130184853A1 (en) * 2012-01-17 2013-07-18 Mineral Separation Technologies, Inc. Multi-Franctional Coal Sorter and Method of Use Thereof
CN104778461A (zh) * 2015-04-24 2015-07-15 中国矿业大学(北京) 基于相似测度学习的煤岩识别方法
US20180246241A1 (en) * 2016-02-02 2018-08-30 China University Of Mining & Technology, Beijing Method and apparatus for identifying collapsed coal column
CN106845509A (zh) * 2016-10-19 2017-06-13 中国矿业大学(北京) 一种基于曲波域压缩特征的煤岩识别方法
WO2019096008A1 (zh) * 2017-11-20 2019-05-23 腾讯科技（深圳）有限公司 身份识别方法、计算机设备及存储介质
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
CN110685687A (zh) * 2018-07-06 2020-01-14 华安奥特（北京）科技股份有限公司 一种基于雷达波-图像复合式煤岩识别的采煤方法
CN109784389A (zh) * 2019-01-03 2019-05-21 中国矿业大学 一种基于Adaboost和Gabor算法的煤岩识别检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HE YAQUN ETAL.: "Research on Identification of Coal and Waste Rock Based on PCA and GA-ANN", 《HTTPS://WWW.RESEARCHGATE.NET/PUBLICATION/224172767》 *
尹力等: "采煤机智能化煤岩识别关键技术与应用", 《冶金管理》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114581785A (zh) * 2022-05-09 2022-06-03 中国科学院自动化研究所 多源异构数据融合的高炉煤气流分布状态识别方法及系统
CN114581785B (zh) * 2022-05-09 2022-07-22 中国科学院自动化研究所 多源异构数据融合的高炉煤气流分布状态识别方法及系统

Also Published As

Publication number Publication date
CN113052208B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US11151725B2 (en) Image salient object segmentation method and apparatus based on reciprocal attention between foreground and background
CN110020592B (zh) 物体检测模型训练方法、装置、计算机设备及存储介质
CN110232373A (zh) 人脸聚类方法、装置、设备和存储介质
CN112966742A (zh) 模型训练方法、目标检测方法、装置和电子设备
CN115063875B (zh) 模型训练方法、图像处理方法、装置和电子设备
CN110443350B (zh) 基于数据分析的模型质量检测方法、装置、终端及介质
CN107832794A (zh) 一种卷积神经网络生成方法、车系识别方法及计算设备
CN110991506A (zh) 一种车辆品牌识别方法、装置、设备及存储介质
CN112836756A (zh) 图像识别模型训练方法、系统和计算机设备
CN114694158A (zh) 票据的结构化信息的提取方法及电子设备
CN112232506A (zh) 网络模型训练方法、图像目标识别方法、装置和电子设备
CN113052208A (zh) 基于视觉的煤岩识别方法、存储介质及电子设备
CN114861635A (zh) 一种中文拼写纠错方法、装置、设备及存储介质
CN110674397A (zh) 年龄点预测模型的训练方法及装置、设备与可读介质
CN111179129A (zh) 课件质量的评价方法、装置、服务器及存储介质
CN110929499A (zh) 文本相似度获取方法、装置、介质及电子设备
CN113947154A (zh) 一种目标检测方法、系统、电子设备及存储介质
CN114240992A (zh) 对帧序列中目标对象的标注方法及系统
CN110414845B (zh) 针对目标交易的风险评估方法及装置
CN112381458A (zh) 项目评审方法、项目评审装置、设备及存储介质
CN114049518A (zh) 图像分类方法、装置、电子设备和存储介质
CN113490954A (zh) 神经网络、运算方法以及程序
CN112800971A (zh) 神经网络训练及点云数据处理方法、装置、设备和介质
CN117774963B (zh) 前向碰撞预警方法、装置、电子设备及智能驾驶车辆
US20220178814A1 (en) Method for calculating a density of stem cells in a cell image, electronic device, and storage medium

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant