CN113486817B - 一种基于激光扫描的采煤工作面煤岩识别方法 - Google Patents

Abstract

一种基于激光扫描的采煤工作面煤岩识别方法，获取原始煤岩点云数据；用k‑d树法构建空间邻域关系并用最小二乘法估计原始煤岩点云数据中各点的法向量和曲率值；用八叉树法获取K‑Means聚类的初始聚类中心进行聚类；根据法向量和曲率值，提取每个聚类中的特征点；将所有特征点加入经过体素栅格精简法初步精简后的煤岩点云数据中；对精简后的煤岩点云数据进行处理，获取最佳强度阈值；从种子点选取准则和生长法则两方面改进传统区域生长算法，将满足预设条件的点云数据分别聚集为煤、岩两类，完成煤岩点云数据的分割，实现煤岩的精确识别。本发明能够解决由于工作面煤尘大、光线暗、噪声多等恶劣环境导致的煤岩识别精度不高的问题。

Description

一种基于激光扫描的采煤工作面煤岩识别方法

技术领域

本发明涉及一种煤岩识别方法，具体是一种基于激光扫描的采煤工作面煤岩识别方法，属于煤岩识别技术领域。

背景技术

煤岩识别是煤炭开采领域中的世界性难题，是采煤机实现智能化的关键技术，是制约综采工作面“无人化”或“少人化”发展的关键因素。在煤岩识别方法研究中，国内外学者主要以放射性射线探测法、振动探测法和图像探测法等为主。但由于工作面煤岩性状特征复杂多变，且煤尘大、光线暗、噪声多，导致上述方法实际应用效果并不理想。因此，迫切需要提供新的技术和方法来解决综采工作面的煤岩精准识别问题。

由于煤和岩的特性不同，在采煤机的滚筒截割过后，煤岩表面会留下不同的截割痕迹，煤质地较脆，截割过后，容易崩裂，而岩石质地坚硬，不易出现崩裂现象，且煤、岩对激光的反射强度不同；中国发明专利2014年11月5日公开的一种公开号为CN104134074B的“一种基于激光扫描的煤岩识别方法”，其是通过激光扫描来获取煤岩特性，对煤岩特性进行预处理，建立特征数据库，在现实生产中测量出未知煤或者岩石对象处于某一距离或者不同距离下对于激光的反射率，获得实际煤或者岩石的特征数据库，然后与煤样品或者岩石样品的特征数据库进行计算判别，从而实现煤岩识别；其需要建立标准特征数据，并将扫描数据与标准特征数据进行比较后得出煤岩类型，但是实时扫描数据会受煤矿下各种环境数据的影响，导致实时扫描数据精度低，误差较大，最后导致煤岩识别有误，精确率不高。

发明内容

本发明的目的是提供一种基于激光扫描的采煤工作面煤岩识别方法，能够解决由于工作面煤尘大、光线暗、噪声多等恶劣环境导致的煤岩识别精度不高的问题，进而为采煤机的智能控制提供技术支撑。

为了实现上述目的，本发明提供一种基于激光扫描的采煤工作面煤岩识别方法，包括以下步骤：

步骤1：利用安装在采煤机机身上的激光扫描仪探测采煤机前滚筒截割后的煤岩表面，获取原始煤岩截割表面点云数据，简称原始煤岩点云数据；

步骤2：利用k-d树法构建空间邻域关系并利用最小二乘法估计原始煤岩点云数据中各点的法向量和曲率值；同时，利用八叉树法获取K-Means聚类的初始聚类中心，进行聚类；根据法向量和曲率值，提取每个聚类中的特征点；将所有特征点加入经过体素栅格精简法初步精简后的煤岩点云数据中，实现煤岩截割表面点云数据的精简；

步骤3：采用改进的二维大律法对精简后的煤岩点云数据进行处理，获取煤岩点云数据的最佳强度阈值I₀；从种子点选取准则和生长法则两方面改进传统区域生长算法，将满足预设条件的煤岩点云数据分别聚集为煤、岩两类，完成煤岩点云数据的分割，实现煤岩的精确识别。

本发明步骤2中利用k-d树法构建空间邻域关系的步骤如下：

步骤2.1：首先，在原始煤岩点云数据中构建k-d树，利用公式(1)计算出原始煤岩点云数据在空间坐标系X轴、Y轴和Z轴上的方差和/>根据三轴上方差值的大小，选择方差值最大的坐标轴维度作为切分依据；

式中：N为原始煤岩点云数据个数；

x_i、y_i、z_i分别为第i个原始煤岩点云数据的x坐标、y坐标和z坐标的值；

步骤2.2：将原始煤岩点云数据按照步骤2.1所确定最大方差值的坐标轴维度进行排序，找到该序列的中值所对应的点作为切分节点，创建一个经过切分节点且垂直于该坐标轴的切分平面，将点云数据切分为2个子空间；

步骤2.3：对新切分的2个子空间，重复步骤2.1和步骤2.2，直到每一点都加入到k-d树中；

步骤2.4：k-d树法通过搜索距离某一点半径为r内的所有点实现对原始煤岩点云数据的近邻快速搜索。

在本发明步骤2中，由于原始煤岩点云数据量庞大，整体计算会导致效率低下，本发明通过最小二乘法拟合邻域点集的平面，以平面法向量作为所求点的法向量，设距离p点半径r内的k个点的点集为q_i＝{q₀，q₁，q₂...q_k-1}，其中k＞2，根据点集q_i拟合出一个曲面z(x,y)，进而求得点p的法向量(x_p，y_p，z_p)^T和曲率Hp。

在本发明的步骤2中，利用八叉树法提取原始煤岩点云数据的K个聚类中心，在每个聚类中以曲率值最小的点作为基准点p₀(x₀，y₀，z₀)，设置法向量夹角阈值δ₀，利用公式(2)计算同一聚类内基准点与其他点p_i(x_i，y_i，z_i)的法向量夹角δ_i；

若δ_i＞δ₀，则将该点作为特征点保存下来，最后，将所有特征点加入经体素栅格精简法初步精简后的煤岩点云数据中，得到精简后的煤岩点云数据。

在本发明的步骤3中，为了提高二维大律法(OTSU)的计算效率，本发明设计了一种通过改进的蚁群算法(IACO)对二维大律法(OTSU)进行优化(IACO-OTSU)得到改进的二维大律法，其中对蚁群算法(IACO)的改进措施包括：

①自适应调整信息素蒸发系数ρ，算法早期，信息素蒸发系数ρ较大，收敛速度快，全局搜索能力强；随着迭代次数的增加，信息素蒸发系数ρ随之变小，局部搜索能力逐渐增强，具体通过引入一个权重系数w(t)来实现信息素蒸发系数ρ的自适应调整，如公式(3)：

式中，t为当前迭代次数；

G为最大迭代次数；

调整后的信息素强度通过公式(4)进行更新：

T_i＝(1-w(t)ρ)*T_i′+f_i (4)

式中：T_i为第i只蚂蚁在更新位置后的信息素；

T_i′为第i只蚂蚁在更新位置前的信息素；

f_i为第i只蚂蚁在新位置的适应度值；

②增强蚁群位置的更新效率，由于基本蚁群算法在局部搜索中使用的是服从均匀分布的步长范围来更新蚁群的位置，在迭代后期局部搜索能力较差，因此通过引入服从高斯分布的ε^*代替服从均匀分布的随机系数ε，同时对局部步长Step添加迭代次数的倒数作为权重，来对更新步长加以限定，使蚂蚁更新步长随迭代次数的增加而减小，增强迭代后期的搜索能力，改进后的蚂蚁位置X通过公式(5)更新：

式中：X^*为蚂蚁当前的位置；

ε^*为服从高斯分布[0,1]的随机系数；

Step为搜索步长。

在本发明的步骤3中，获取煤岩点云数据的最佳强度阈值I₀是基于改进的二维大律法得到的，过程如下：

步骤3.1：初始化蚂蚁种群参数m、G、ρ、转移概率常数P₀、Step等关键参数；

步骤3.2：输入精简后的煤岩点云数据，以精简后的煤岩点云数据的强度值范围作为m只蚂蚁的位置范围；

步骤3.3：计算点云强度直方图，将离散度测试函数作为改进蚁群算法的适应度函数f；

步骤3.4：在煤岩点云数据的强度值范围内，随机产生蚂蚁的初始位置，以适应度函数值为初始信息素，计算状态转移概率P；

步骤3.5：更新蚂蚁位置，若P＜P₀，进行局部搜索，采用公式(5)更新蚂蚁位置；反之，则进行全局搜索，采用X＝X^*+a×Step来更新蚂蚁位置，其中，a为一常数，根据实际情况设定，同时保证蚂蚁新位置限制在点云强度值范围内；

步骤3.6：计算蚂蚁在新位置的适应度值，判断蚂蚁是否移动并更新信息素；

步骤3.7：重复上述步骤，直到满足停止条件，输出最佳强度阈值I₀。

在本发明的步骤3中，基于改进传统区域生长算法的煤岩识别过程如下：

步骤a：设置法向量夹角阈值δ₀、最佳强度阈值I₀和最小聚类点数量阈值M₀；

步骤b：计算点云的曲率、法向量，将曲率值最小的点作为初始种子点，计算初始种子点的法向量与邻域内各点法向量的夹角δ_i；

步骤c：比较法向量夹角δ_i与法向量夹角阈值δ₀的大小，初始种子点强度值I^*、邻域内各点的强度值I_i与最佳强度阈值I₀的关系，若满足式(6)，则将此该点归入种子点所在的类；

步骤d：以新归入的点再次作为初始种子点，计算初始种子点的法向量与邻域内各点法向量夹角δ_i，比较法向量夹角δ_i与法向量夹角阈值δ₀的大小，初始种子点强度值I^*、邻域内各点的强度值I_i与最佳强度阈值I₀的关系，若满足式(6)，则将此该点归入种子点所在的类；重复步骤d，直到没有满足条件的点时，此聚类生长完成；

步骤e：重新选择精简后的煤岩点云数据中一个未归类的且曲率值最小的点作为初始种子点，重复步骤c至步骤e，直到每个点都确定了自己所在的类，此时算法结束，区域生长完成；

步骤f：统计每个聚类中点的个数，若小于最小聚类点数量阈值M₀，则将此聚类归入距离其最近的类中；

步骤g：若在同一个煤岩点云数据中存在多个煤层和岩层的边界，在区域生长完成之后，会形成多个聚类，每个聚类分别为煤层或岩层，这取决于每个聚类的初始种子点的强度值I^*，若强度值大于最佳强度阈值I₀，该聚类为岩层；反之，该聚类为煤层。

与现有技术相比，本发明利用安装在采煤机机身上的激光扫描仪探测采煤机前滚筒截割后的煤岩表面，获取原始煤岩点云数据；利用k-d树法构建空间邻域关系并利用最小二乘法估计原始煤岩点云数据中各点的法向量和曲率值；同时，利用八叉树法获取K-Means聚类的初始聚类中心，进行聚类；根据法向量和曲率值，提取每个聚类中的特征点；将所有特征点加入经过体素栅格精简法初步精简后的煤岩点云数据中，实现煤岩截割表面点云数据的精简；采用改进二维大律法对精简后的煤岩点云数据进行处理，获取煤岩点云数据的最佳强度阈值I₀；从种子点选取准则和生长法则两方面改进传统区域生长算法，将满足预设条件的点云数据分别聚集为煤、岩两类，完成煤岩点云数据的分割，实现煤岩的精确识别。本发明基于激光扫描技术，提供一种煤岩识别方法，能够解决由于工作面煤尘大、光线暗、噪声多等恶劣环境导致的煤岩识别精度不高的问题，为实现采煤机智能化提供技术支持，对实现综采工作面的“无人化”或“少人化”开采具有重要的意义。

附图说明

图1是本发明的煤岩点云数据精简流程图；

图2是本发明煤岩点云数据的最佳强度阈值优化流程图；

图3是本发明煤岩识别流程图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，一种基于激光扫描的采煤工作面煤岩识别方法，包括以下步骤：

步骤1：利用安装在采煤机机身上的激光扫描仪探测采煤机前滚筒截割后的煤岩表面，获取原始煤岩截割表面点云数据，简称原始煤岩点云数据；激光扫描仪安装在采煤机机身上能够扫描到滚筒截割后的煤壁即可；

步骤2：利用k-d树法构建空间邻域关系并利用最小二乘法估计原始煤岩点云数据中各点的法向量和曲率值；同时，利用八叉树法获取K-Means聚类的初始聚类中心，进行聚类；根据法向量和曲率值，提取每个聚类中的特征点；将所有特征点加入经过体素栅格精简法初步精简后的煤岩点云数据中，实现煤岩截割表面点云数据的精简；

步骤3：采用改进二维大律法对精简后的煤岩点云数据进行处理，获取煤岩点云数据的最佳强度阈值I₀；从种子点选取准则和生长法则两方面改进传统区域生长算法，将满足预设条件的点云数据分别聚集为煤、岩两类，完成煤岩点云数据的分割，实现煤岩的精确识别。

如图2所示，步骤2中利用k-d树法构建空间邻域关系的步骤如下：

步骤2.1：首先，在原始煤岩点云数据中构建k-d树，利用公式(1)计算出原始煤岩点云数据在空间坐标系X轴、Y轴和Z轴上的方差和/>根据三轴上方差值的大小，选择方差值最大的坐标轴维度作为切分依据；

式中：N为原始煤岩点云数据个数；

x_i、y_i、z_i分别为第i个原始煤岩点云数据的x坐标、y坐标和z坐标的值；

步骤2.2：将点云数据按照步骤2.1所确定最大方差值的坐标轴维度进行排序，找到该序列的中值所对应的点作为切分节点，创建一个经过切分节点且垂直于该坐标轴的切分平面，将点云数据切分为2个子空间；

步骤2.3：对新切分的2个子空间，重复步骤2.1和步骤2.2，直到每一点都加入到k-d树中；

步骤2.4：k-d树法通过搜索距离某一点半径为r内的所有点实现对原始煤岩点云数据的近邻快速搜索。

在步骤2中，由于原始煤岩点云数据量庞大，整体计算会导致效率低下，本发明通过最小二乘法拟合邻域点集的平面，以平面法向量作为所求点的法向量，设距离p点半径r内的k个点的点集为q_i＝{q₀，q₁，q₂...q_k-1}，其中k＞2，根据点集q_i拟合出一个曲面z(x,y)，进而求得点p的法向量(x_p，y_p，z_p)^T和曲率Hp。

在步骤2中，利用八叉树法提取原始煤岩点云数据的K个聚类中心，在每个聚类中以曲率值最小的点作为基准点p₀(x₀，y₀，z₀)，设置法向量夹角阈值δ₀，利用公式(2)计算同一聚类内基准点与其他点p_i(x_i，y_i，z_i)的法向量夹角δ_i；

若δ_i＞δ₀，则将该点作为特征点保存下来，最后，将所有特征点加入经体素栅格精简法初步精简后的煤岩点云数据中，得到精简后的煤岩点云数据。

在步骤3中，为了提高二维大律法(OTSU)的计算效率，本发明设计了一种通过改进的蚁群算法(IACO)对二维大律法进行优化(IACO-OTSU)得到改进后的二维大律法，其中蚁群算法(IACO)的改进措施包括：

①自适应调整信息素蒸发系数ρ，算法早期，信息素蒸发系数ρ较大，收敛速度快，全局搜索能力强；随着迭代次数的增加，信息素蒸发系数ρ随之变小，局部搜索能力逐渐增强，具体通过引入一个权重系数w(t)来实现信息素蒸发系数ρ的自适应调整，如式(3)：

式中，t为当前迭代次数；

G为最大迭代次数；

调整后的信息素强度通过公式(4)进行更新：

T_i＝(1-w(t)ρ)*T_i′+f_i (4)

式中：T_i为第i只蚂蚁在更新位置后的信息素；

T_i′为第i只蚂蚁在更新位置前的信息素；

f_i为第i只蚂蚁在新位置的适应度值；

②增强蚁群位置的更新效率，由于基本蚁群算法在局部搜索中使用的是服从均匀分布的步长范围来更新蚁群的位置，在迭代后期局部搜索能力较差，因此通过引入服从高斯分布的ε^*代替服从均匀分布的随机系数ε，同时对局部步长Step添加迭代次数的倒数作为权重，来对更新步长加以限定，使蚂蚁更新步长随迭代次数的增加而减小，增强迭代后期的搜索能力，改进后的蚂蚁位置X通过公式(5)进行更新：

式中：X^*为蚂蚁当前的位置；

ε^*为服从高斯分布[0,1]的随机系数；

Step为搜索步长。

在步骤3中，获取煤岩点云数据的最佳强度阈值I₀是基于改进的二维大律法得到的，过程如下：

步骤3.1：初始化蚂蚁种群参数m、G、ρ、转移概率常数P₀、Step等关键参数；

步骤3.2：输入精简后的煤岩点云数据，以精简后的煤岩点云数据的强度值范围作为m只蚂蚁的位置范围；

步骤3.3：计算点云强度直方图，将离散度测试函数作为改进蚁群算法的适应度函数f；

步骤3.4：在煤岩点云数据的强度值范围内，随机产生蚂蚁的初始位置，以适应度函数值为初始信息素，计算状态转移概率P；

步骤3.5：更新蚂蚁位置，若P＜P₀，进行局部搜索，采用公式(5)更新蚂蚁位置；反之，则进行全局搜索，采用X＝X^*+a×Step来更新蚂蚁位置，其中，a为一常数，根据实际情况设定，同时保证蚂蚁新位置限制在点云强度值范围内；

步骤3.6：计算蚂蚁在新位置的适应度值，判断蚂蚁是否移动并更新信息素；

步骤3.7：重复上述步骤，直到满足停止条件，输出最佳强度阈值I₀。

如图3所示，在步骤3中，基于改进传统区域生长算法的煤岩识别过程如下：

步骤a：设置法向量夹角阈值δ₀、最佳强度阈值I₀和最小聚类点数量阈值M₀；

步骤b：计算点云的曲率、法向量，将曲率值最小的点作为初始种子点，计算初始种子点的法向量与邻域内各点法向量的夹角δ_i；

步骤c：比较法向量夹角δ_i与法向量夹角阈值δ₀的大小，初始种子点强度值I^*、邻域内各点的强度值I_i与最佳强度阈值I₀的关系，若满足式(6)，则将此该点归入种子点所在的类；

步骤d：以新归入的点再次作为初始种子点，计算初始种子点的法向量与邻域内各点法向量夹角δ_i，比较法向量夹角δ_i与法向量夹角阈值δ₀的大小，初始种子点强度值I^*、邻域内各点的强度值I_i与最佳强度阈值I₀的关系，若满足式(6)，则将此该点归入种子点所在的类；重复步骤d，直到没有满足条件的点时，此聚类生长完成；

步骤e：重新选择精简后的煤岩点云数据中一个未归类的且曲率值最小的点作为初始种子点，重复步骤c至步骤e，直到每个点都确定了自己所在的类，此时算法结束，区域生长完成；

步骤f：统计每个聚类中点的个数，若小于最小聚类点数量阈值M₀，则将此聚类归入距离其最近的类中；

步骤g：若在同一个煤岩点云数据中存在多个煤层和岩层的边界，在区域生长完成之后，会形成多个聚类，每个聚类分别为煤层或岩层，这取决于每个聚类的初始种子点的强度值I^*，若强度值大于最佳强度阈值I₀，该聚类为岩层；反之，该聚类为煤层。

Claims (4)

1.一种基于激光扫描的采煤工作面煤岩识别方法，其特征在于，包括以下步骤：

步骤1：利用安装在采煤机机身上的激光扫描仪探测采煤机前滚筒截割后的煤岩表面，获取原始煤岩截割表面点云数据，简称原始煤岩点云数据；

步骤2：利用k-d树法构建空间邻域关系并利用最小二乘法估计原始煤岩点云数据中各点的法向量和曲率值；同时，利用八叉树法获取K-Means聚类的初始聚类中心，进行聚类；根据法向量和曲率值，提取每个聚类中的特征点；将所有特征点加入经过体素栅格精简法初步精简后的煤岩点云数据中，实现煤岩截割表面点云数据的精简；

步骤3：采用改进的二维大律法对精简后的煤岩点云数据进行处理，获取煤岩点云数据的最佳强度阈值I₀；从种子点选取准则和生长法则两方面改进传统区域生长算法，将满足预设条件的煤岩点云数据分别聚集为煤、岩两类，完成煤岩点云数据的分割，实现煤岩的精确识别；

在步骤3中，改进的二维大律法是通过改进的蚁群算法进行优化的，其中蚁群算法的改进措施包括：

①自适应调整信息素蒸发系数ρ，算法早期，信息素蒸发系数ρ较大，收敛速度快，全局搜索能力强；随着迭代次数的增加，信息素蒸发系数ρ随之变小，局部搜索能力逐渐增强，通过引入一个权重系数w(t)来实现信息素蒸发系数ρ的自适应调整，如公式(3)：

式中：t为当前迭代次数；

G为最大迭代次数；

调整后的信息素强度通过公式(4)进行更新：

T_i＝(1-w(t)ρ)*T_i′+f_i (4)

式中：T_i为第i只蚂蚁在更新位置后的信息素；

T_i′为第i只蚂蚁在更新位置前的信息素；

f_i为第i只蚂蚁在新位置的适应度值；

②增强蚁群位置的更新效率，通过引入服从高斯分布的ε^*代替服从均匀分布的随机系数ε，同时对局部搜索步长Step添加迭代次数的倒数作为权重，来对更新步长加以限定，使蚂蚁更新步长随迭代次数的增加而减小，增强迭代后期的搜索能力，改进后的蚂蚁位置X通过公式(5)更新：

式中：X^*为蚂蚁当前的位置；

ε^*为服从高斯分布[0,1]的随机系数；

Step为局部搜索步长；

在步骤3中，获取煤岩点云数据的最佳强度阈值I₀是基于改进的二维大律法得到的，过程如下：

步骤3.1：初始化蚂蚁种群参数m、G、ρ、转移概率常数P₀、Step关键参数；

步骤3.2：输入精简后的煤岩点云数据，以精简后的煤岩点云数据的强度值范围作为m只蚂蚁的位置范围；

步骤3.3：计算点云强度直方图，将离散度测试函数作为改进蚁群算法的适应度函数f；

步骤3.4：在煤岩点云数据的强度值范围内，随机产生蚂蚁的初始位置，以适应度函数值为初始信息素，计算状态转移概率P；

步骤3.5：更新蚂蚁位置，若P＜P₀，进行局部搜索，采用公式(5)更新蚂蚁位置；反之，则进行全局搜索，采用X＝X^*+a×Step来更新蚂蚁位置，其中，a为一常数，根据实际情况设定，同时保证蚂蚁新位置限制在点云强度值范围内；

步骤3.6：计算蚂蚁在新位置的适应度值，判断蚂蚁是否移动并更新信息素；

步骤3.7：重复上述步骤，直到满足停止条件，输出最佳强度阈值I₀；

在步骤3中，基于改进传统区域生长算法的煤岩识别过程如下：

步骤a：设置法向量夹角阈值δ₀、最佳强度阈值I₀和最小聚类点数量阈值M₀；

步骤b：计算点云的曲率、法向量，将曲率值最小的点作为初始种子点，计算初始种子点的法向量与邻域内各点法向量的夹角δ_i；

步骤c：比较法向量夹角δ_i与法向量夹角阈值δ₀的大小，初始种子点强度值I^*、邻域内各点的强度值I_i与最佳强度阈值I₀的关系，若满足式(6)，则将此该点归入种子点所在的类；

步骤d：以新归入的点再次作为初始种子点，计算初始种子点的法向量与邻域内各点法向量夹角δ_i，比较法向量夹角δ_i与法向量夹角阈值δ₀的大小，初始种子点强度值I^*、邻域内各点的强度值I_i与最佳强度阈值I₀的关系，若满足式(6)，则将此该点归入种子点所在的类；重复步骤d，直到没有满足条件的点时，此聚类生长完成；

步骤e：重新选择精简后的煤岩点云数据中一个未归类的且曲率值最小的点作为初始种子点，重复步骤c至步骤e，直到每个点都确定了自己所在的类，此时算法结束，区域生长完成；

步骤f：统计每个聚类中点的个数，若小于最小聚类点数量阈值M₀，则将此聚类归入距离其最近的类中；

步骤g：若在同一个煤岩点云数据中存在多个煤层和岩层的边界，在区域生长完成之后，会形成多个聚类，每个聚类分别为煤层或岩层，这取决于每个聚类的初始种子点的强度值I^*，若强度值大于最佳强度阈值I₀，该聚类为岩层；反之，该聚类为煤层。

2.根据权利要求1所述的一种基于激光扫描的采煤工作面煤岩识别方法，其特征在于，步骤2中利用k-d树法构建空间邻域关系的步骤如下：

步骤2.1：首先，在原始煤岩点云数据中构建k-d树，利用公式(1)计算出原始煤岩点云数据在空间坐标系X轴、Y轴和Z轴上的方差和/>根据三轴上方差值的大小，选择方差值最大的坐标轴维度作为切分依据；

式中：N为原始煤岩点云数据个数；

x_i、y_i、z_i分别为第i个原始煤岩点云数据的x坐标、y坐标和z坐标的值；

步骤2.2：将原始煤岩点云数据按照步骤2.1所确定最大方差值的坐标轴维度进行排序，找到该序列的中值所对应的点作为切分节点，创建一个经过切分节点且垂直于该坐标轴的切分平面，将原始煤岩点云数据切分为2个子空间；

步骤2.3：对新切分的2个子空间，重复步骤2.1和步骤2.2，直到每一点都加入到k-d树中；

步骤2.4：k-d树法通过搜索距离某一点半径为r内的所有点实现对原始煤岩点云数据的近邻快速搜索。

3.根据权利要求1或2所述的一种基于激光扫描的采煤工作面煤岩识别方法，其特征在于，在步骤2中，通过最小二乘法拟合邻域点集的平面，以平面法向量作为所求点的法向量，设距离p点半径r内的k个点的点集为q_i＝{q₀，q₁，q₂…q_k-1}，其中k＞2，根据点集q_i拟合出一个曲面z(x,y)，进而求得点p的法向量(x_p，y_p，z_p)^T和曲率Hp。

4.根据权利要求3所述的一种基于激光扫描的采煤工作面煤岩识别方法，其特征在于，在步骤2中，利用八叉树法提取原始煤岩点云数据的K个聚类中心，在每个聚类中以曲率值最小的点作为基准点p₀(x₀，y₀，z₀)，设置法向量夹角阈值δ₀，利用公式(2)计算同一聚类内基准点与其他点p_i(x_i，y_i，z_i)的法向量夹角δ_i；

若δ_i＞δ₀，则将该点作为特征点保存下来，最后，将所有特征点加入经体素栅格精简法初步精简后的煤岩点云数据中，得到精简后的煤岩点云数据。