CN113505691A - 一种煤岩识别方法及识别可信度指示方法 - Google Patents

一种煤岩识别方法及识别可信度指示方法 Download PDF

Info

Publication number
CN113505691A
CN113505691A CN202110775586.9A CN202110775586A CN113505691A CN 113505691 A CN113505691 A CN 113505691A CN 202110775586 A CN202110775586 A CN 202110775586A CN 113505691 A CN113505691 A CN 113505691A
Authority
CN
China
Prior art keywords
image
coal
rock
mode
identification
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
CN202110775586.9A
Other languages
English (en)
Other versions
CN113505691B (zh
Inventor
伍云霞
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
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN202110775586.9A priority Critical patent/CN113505691B/zh
Publication of CN113505691A publication Critical patent/CN113505691A/zh
Application granted granted Critical
Publication of CN113505691B publication Critical patent/CN113505691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种煤岩识别方法及识别可信度指示方法，该方法从煤岩图像中学习表征煤岩的特征，因而具有很强的鉴别能力和对成像环境变化的鲁棒性，依据识别的类别及识别的可靠性程度，最终进行判定，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

一种煤岩识别方法及识别可信度指示方法
技术领域
本发明涉及一种煤岩识别方法及识别可信度指示方法，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，人工设计特征需要有丰富的经验和较深的领域知识，即便如此有时也难以正确获得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，同时由于现有识别方法仅给出了识别的类别，没有给出识别的可信度，因而仅依靠类别来决策错误率高。
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，并有利于正确决策的一种煤岩识别方法及识别可信度指示方法。
发明内容
因此，本发明的目的在于提供一种煤岩识别方法及识别可信度指示方法，该方法从煤岩图像中学习表征煤岩的特征，因而具有很强的鉴别能力和对成像环境变化的鲁棒性，依据识别的类别及识别的可靠性程度，最终进行判定，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，提供一种煤岩识别方法及识别可信度指示方法，包括如下步骤：
A.各采集若干张煤和岩对象的图像作为样本图像；
B.分别从煤和岩的每张样本图像中抽取大小为
Figure BDA0003155137890000021
图像块,然后分别从各自所抽取的所有图像块中随机抽取N个图像块；
C.分别用所抽取的图像块求取煤和岩各自所在空间的主元Dcorr＝[d1，d2，...dK]∈Rp×K，其中，P为主元维数，K为给定的主元个数；
D.级联Dc和Dr成D＝[Dc Dr]，分别求出煤岩样本集中各自所有图像块在D中每个主元上的投影uik，i，k分别表示图像块和主元的索引号，顺序级联该图像块在每个主元上的投影即为该图像块的模式ui；
E.分别求出煤和岩的模式zc和zr，zc or r＝[z1，z2，...z2K]，模式的第k个元素为
Figure BDA0003155137890000022
为归一化参数，M为煤岩各自图像块的总数；
F.对于待识别的煤岩图像，用与步骤B相同的方法抽取该图像所有图像块，用步骤D中相同的方法求每个图像块的模式；
G.用与步骤E相同的方法求出待识别煤岩图像模式
Figure BDA0003155137890000023
分别求出待识别图像模式
Figure BDA0003155137890000024
与煤模式zc和岩模式zr的差||Δ||2,其中的小值记为min||Δ||2所对应的模式即是待识别图像的模式，计算待识别图像所有图像块的模式与所属类别的模式差，统计模式差小于或等于min||Δ||2的图像块个数，其所占待识别图像总图像块个数的比率即为判别的可信度。
进一步特定但非限定的形式，步骤C中的主元通过解优化问题,
Figure BDA0003155137890000025
求得，其中λ1为给定的参数,vi为已知参量。
进一步特定但非限定的形式，步骤D中的图像块在D中每个主元上的投影uik通过解优化问题
Figure BDA0003155137890000026
求得,λ为给定的参数。
具体实施方案
具体实施步骤如下：
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，从中截取只包含煤和只包含岩的图像区域，然后统一归一化到合适的大小如32*32像素大小作为煤岩样本图像；
B.从每张样本图像中抽取大小为
Figure BDA0003155137890000031
的图像块；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
Figure BDA0003155137890000032
去掉图像亮度的均值，以消除亮度变化的影响，用
Figure BDA0003155137890000033
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，然后，再分别从煤和岩的样本图像块中各随机取N个图像块；
C.分别用所抽取的图像块求取煤和岩各自所在空间的主元Dc or r＝[d1，d2，...dK]∈Rp×K，其中，P为主元维数，K为给定的主元个数；求解方法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
Figure BDA0003155137890000034
求出所有参量vi；
C3.固定所有参量vi，求
Figure BDA0003155137890000035
C4.C2和C3交替进行直到迭代结束。
步骤C3的优化可采用块坐标下降算法，步骤如下，其中的X为图像块矩阵，V为参量矩阵：
1.B←XVT，C←VVT
2.For k＝1，2，...，K
Figure BDA0003155137890000036
Figure BDA0003155137890000037
3.重复2直到收敛。
D.级联Dc和Dr成D＝[Dc Dr]，分别求出煤岩样本集中各自所有图像块在D中每个主元上的投影uik，i，k分别表示图像块和主元的索引号，顺序级联该图像块在每个主元上的投影即为该图像块的模式ui，求解ui可用近似梯度算法，对每一个图像块xi对应的参量ui采用下列步骤优化：
1.给参量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；
Figure BDA0003155137890000041
λ为给定的参数，k为基元元素索引；
3.重复2直到迭代结束。
E.分别求出煤和岩的模式zc和zr，zc or r＝[z1，z2，...z2K]，模式的第k个元素为
Figure BDA0003155137890000042
为归一化参数，M为煤岩各自图像块的总数；
F.对于待识别的煤岩图像，用与步骤B相同的方法抽取该图像所有图像块，用步骤D中相同的方法求每个图像块的模式；
G.用与步骤E相同的方法求出待识别煤岩图像模式
Figure BDA0003155137890000043
分别求出待识别图像模式
Figure BDA0003155137890000044
与煤模式zc和岩模式zr的差||Δ||2,其中的小值记为min||Δ||2所对应的模式即是待识别图像的模式，计算待识别图像所有图像块的模式与所属类别的模式差，统计模式差小于或等于min||Δ||2的图像块个数，其所占待识别图像总图像块个数的比率即为判别的可信度。

Claims (3)

1.一种煤岩识别方法及识别可信度指示方法，其特征在于包括以下步骤：
A.各采集若干张煤和岩对象的图像作为样本图像；
B.分别从煤和岩的每张样本图像中抽取大小为
Figure FDA0003155137880000011
图像块，然后分别从各自所抽取的所有图像块中随机抽取N个图像块；
C.分别用所抽取的图像块求取煤和岩各自所在空间的主元Dcorr＝[d1，d2，...dK]∈Rp ×K，P为主元维数，K为给定的主元个数；
D.级联Dc和Dr成D＝[Dc Dr]，分别求出煤岩样本集中各自所有图像块在D中每个主元上的投影uik，i，k分别表示图像块和主元的索引号，顺序级联该图像块在每个主元上的投影即为该图像块的模式ui；
E.分别求出煤和岩的模式zc和zr，zcorr＝[z1，z2，...z2K]，模式的第k个元素为
Figure FDA0003155137880000012
为归一化参数，M为煤岩各自图像块的总数；
F.对于待识别的煤岩图像，用与步骤B相同的方法抽取该图像所有图像块，用步骤D中相同的方法求取每个图像块的模式；
G.用与步骤E相同的方法求出待识别煤岩图像模式
Figure FDA0003155137880000013
分别求出待识别图像模式
Figure FDA0003155137880000014
与煤模式zc和岩模式zr的差||Δ||2，其中的小值记为min||Δ||2所对应的模式即是待识别图像的模式，计算待识别图像所有图像块的模式与所属类别的模式差，统计模式差小于或等于min||Δ||2的图像块个数，其所占待识别图像总图像块个数的比率即为判别的可信度。
2.根据权利要求1所述的方法，其特征在于步骤C中的主元通过解优化问题，
Figure FDA0003155137880000015
求得，其中λ1为给定的参数，vi为已知参量。
3.根据权利要求1所述的方法，其特征在于步骤D中的图像块在D中每个主元上的投影uik通过解优化问题
Figure FDA0003155137880000016
求得，λ为给定的参数。
CN202110775586.9A 2021-07-09 2021-07-09 一种煤岩识别方法及识别可信度指示方法 Active CN113505691B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110775586.9A CN113505691B (zh) 2021-07-09 2021-07-09 一种煤岩识别方法及识别可信度指示方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110775586.9A CN113505691B (zh) 2021-07-09 2021-07-09 一种煤岩识别方法及识别可信度指示方法

Publications (2)

Publication Number Publication Date
CN113505691A true CN113505691A (zh) 2021-10-15
CN113505691B CN113505691B (zh) 2024-03-15

Family

ID=78012343

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110775586.9A Active CN113505691B (zh) 2021-07-09 2021-07-09 一种煤岩识别方法及识别可信度指示方法

Country Status (1)

Country Link
CN (1) CN113505691B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279188A (zh) * 2013-05-29 2013-09-04 山东大学 一种基于Kinect无接触性操作控制PPT的方法
CN103530621A (zh) * 2013-11-04 2014-01-22 中国矿业大学(北京) 一种基于bp神经网络的煤岩图像识别方法
CN103714340A (zh) * 2014-01-09 2014-04-09 西安电子科技大学 基于图像分块的自适应特征提取方法
CN105354596A (zh) * 2015-11-10 2016-02-24 中国矿业大学(北京) 基于结构化稀疏编码的煤岩识别方法
CN105426909A (zh) * 2015-11-10 2016-03-23 中国矿业大学(北京) 基于协同稀疏编码的煤岩识别方法
CN107292229A (zh) * 2017-05-08 2017-10-24 北京三快在线科技有限公司 一种图像识别方法和装置
CN108764243A (zh) * 2018-05-30 2018-11-06 北京奇艺世纪科技有限公司 一种图像处理方法及装置
CN109145965A (zh) * 2018-08-02 2019-01-04 深圳辉煌耀强科技有限公司 基于随机森林分类模型的细胞识别方法和装置
CN109189876A (zh) * 2018-08-31 2019-01-11 深圳市元征科技股份有限公司 一种数据处理方法及装置
CN109815976A (zh) * 2018-12-14 2019-05-28 深圳壹账通智能科技有限公司 一种证件信息识别方法、装置及设备
CN109828576A (zh) * 2019-02-22 2019-05-31 北京京东尚科信息技术有限公司 用于无人配送机器人的手势控制方法、装置、设备及介质
CN112712119A (zh) * 2020-12-30 2021-04-27 杭州海康威视数字技术股份有限公司 确定目标检测模型的检测准确率的方法和装置
US20210140298A1 (en) * 2019-10-16 2021-05-13 Saudi Arabian Oil Company Determination of elastic properties of a geological formation using machine learning applied to data acquired while drilling

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103279188A (zh) * 2013-05-29 2013-09-04 山东大学 一种基于Kinect无接触性操作控制PPT的方法
CN103530621A (zh) * 2013-11-04 2014-01-22 中国矿业大学(北京) 一种基于bp神经网络的煤岩图像识别方法
CN103714340A (zh) * 2014-01-09 2014-04-09 西安电子科技大学 基于图像分块的自适应特征提取方法
CN105354596A (zh) * 2015-11-10 2016-02-24 中国矿业大学(北京) 基于结构化稀疏编码的煤岩识别方法
CN105426909A (zh) * 2015-11-10 2016-03-23 中国矿业大学(北京) 基于协同稀疏编码的煤岩识别方法
CN107292229A (zh) * 2017-05-08 2017-10-24 北京三快在线科技有限公司 一种图像识别方法和装置
CN108764243A (zh) * 2018-05-30 2018-11-06 北京奇艺世纪科技有限公司 一种图像处理方法及装置
CN109145965A (zh) * 2018-08-02 2019-01-04 深圳辉煌耀强科技有限公司 基于随机森林分类模型的细胞识别方法和装置
CN109189876A (zh) * 2018-08-31 2019-01-11 深圳市元征科技股份有限公司 一种数据处理方法及装置
CN109815976A (zh) * 2018-12-14 2019-05-28 深圳壹账通智能科技有限公司 一种证件信息识别方法、装置及设备
CN109828576A (zh) * 2019-02-22 2019-05-31 北京京东尚科信息技术有限公司 用于无人配送机器人的手势控制方法、装置、设备及介质
US20210140298A1 (en) * 2019-10-16 2021-05-13 Saudi Arabian Oil Company Determination of elastic properties of a geological formation using machine learning applied to data acquired while drilling
CN112712119A (zh) * 2020-12-30 2021-04-27 杭州海康威视数字技术股份有限公司 确定目标检测模型的检测准确率的方法和装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LIU BIN等: "Surrounding Rock Classification in Deep Roadway of Coal Mine", 《ADVANCED MATERIALS RESEARCH》, vol. 181, pages 242 - 246 *
伍云霞等: "基于最大池化稀疏编码的煤岩识别方法", 《工程科学学报》, vol. 39, no. 7, pages 981 - 987 *
刘进等: "车号定位识别与可信度估计", 《红外与激光工程》, vol. 31, no. 3, pages 199 - 207 *
王海舰等: "考虑截齿损耗的多传感信息融合煤岩界面感知识别", 《煤炭学报》, vol. 46, no. 6, pages 1996 - 2008 *

Also Published As

Publication number Publication date
CN113505691B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN103927528B (zh) 基于紧邻域像素灰度联合分布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
CN110781266A (zh) 一种基于时空因果关系的城市感知数据处理方法
CN113204914B (zh) 一种基于多架次飞行数据表征建模的飞行数据异常判读方法
CN105243401A (zh) 基于煤岩结构元学习的煤岩识别方法
Zhou et al. An adaptive data driven model for characterizing rock properties from drilling data
CN111860277A (zh) 基于颜色直方图特征的民航飞机空速管套安全警示方法
CN104751193B (zh) 基于距离约束相似性的煤岩识别方法
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
CN104778461B (zh) 基于相似测度学习的煤岩识别方法
CN112991438B (zh) 煤矸检测识别系统、智能放煤系统和模型的训练方法
CN112883836B (zh) 一种煤矿井下巷道形变视频检测方法
CN113505691A (zh) 一种煤岩识别方法及识别可信度指示方法
CN116645329A (zh) 一种仪器仪表柜的异常监测方法
CN105350963A (zh) 一种基于相关性度量学习的煤岩识别方法
CN109544545A (zh) 一种基于卷积神经网络的盐矿智能检测方法及系统
CN116186910A (zh) 一种钻具磨损预测模型的建立方法及钻具磨损预测系统
CN112990350B (zh) 目标检测网络训练方法及基于目标检测网络煤矸识别方法
CN104732239A (zh) 基于小波域非对称广义高斯模型的煤岩分类方法
CN105354596B (zh) 基于结构化稀疏编码的煤岩识别方法
CN105426909A (zh) 基于协同稀疏编码的煤岩识别方法
Khojasteh et al. Automatic detection of formations using images of oil well drilling cuttings
Lemy et al. Image analysis of drill core
CN112906709A (zh) 一种基于opd-s的信息融合算法
CN107169524B (zh) 基于完备局部二值模式重构残差的煤岩识别方法

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