CN202939619U - 一种基于图像离散多小波变换的煤岩识别系统 - Google Patents

Abstract

本实用新型公开了一种基于图像离散多小波变换的煤岩识别系统，系统包括处理单元、照相机、光源、步进电机、通信线路、防爆外壳、防爆玻璃窗、玻璃窗毛刷、摇臂控制器以及数据写入接口。照相机用于采集煤岩对象图像，光源用于照亮煤岩对象，步进电机用于带动毛刷清理防爆玻璃窗，防爆外壳及玻璃窗用于满足井下防爆要求，处理单元用于完成识别任务，通信线路用于将识别结果传输至摇臂控制器，摇臂控制器依据煤岩信息对摇臂的角度和位置进行调整。本实用新型利用图像信息识别煤岩对象类型，图像采集设备和图像处理设备安装方便，可靠性强，识别率高，能够实时识别煤岩对象，系统的适应性强，软硬件升级维护十分方便。

Description

一种基于图像离散多小波变换的煤岩识别系统

技术领域

本实用新型涉及一种基于图像离散多小波变换的煤岩识别系统，属于图像模式识别技术领域。 

背景技术

在煤矿井下生产过程中，许多生产环节需要判别煤层与岩层的分界面，如滚筒采煤、掘进机采掘、放顶煤开采、原煤选矸等。煤岩分界面识别结果可以作为依据来调节采煤机滚筒摇臂的高度或控制掘进机截割头的截割轨迹，对煤岩分界面的误判导致采煤机滚筒截割岩石后，会引起一系列的问题：如大量岩石碎片混入原煤造成煤质下降；采煤机滚筒截齿磨损加剧，缩短寿命；截割顶板或地板岩层可能会产生摩擦火花，在高瓦斯环境中很容易引起瓦斯爆炸事故等。 

目前煤矿生产时煤岩识别任务仍主要由人工完成，工人通过视觉和听觉信息进行判断。然而实际上工作面中能见度低且环境噪声大，工人仅依靠自身感觉很难在滚筒切割岩石瞬间做出及时反应，误判率较高。煤岩自动识别技术就是通过一定的技术手段实现煤层和岩层分界面的准确自动识别，无需人的干预。煤岩识别系统在具备可靠准确的识别性能的同时，还需要具有实时性。开发煤岩自动识别系统有利于保障工人安全、减少工作面作业人数、降低工人劳动量、改善作业环境，而且可以排除人的主观判断的缺陷提高煤岩识别结果的准确性。 

世界各主要产煤国家都十分重视对煤岩识别技术领域的研究，形成了一些研究成果，如：自然γ射线探测法、雷达探测法、红外探测法、有功功率监测法、震动检测法、声音监测法、粉尘检测法等。目前理论较为成熟的技术有γ射线探测法和记忆截割法，但这些技术均存在一定的局限性。γ射线探测法利用顶板岩石中的γ射线在穿透煤层时的衰减特性来确定煤层的厚度，仅适用于顶板岩石含有放射性元素的条件，由于砂岩顶板放射性元素含量较少，因而无法适用，在我国仅有20％左右的矿井可用。记忆截割法适用于煤层较为平整、地质条件好的矿井，而且必须通过采煤机司机的手动操作来调整工作参数，存在一定局限性。 

目前的煤岩识别系统大多以传感器获取信息为基础，利用多个传感器同时监测采煤机割煤时的各项参数，并对所获取的数据进行实时的分析，如基于主成分分析的煤岩界面识别方法、基于遗传神经网络的煤岩界面识别方法、基于支持向量机的煤岩界面识别方法等。这些 方法需要在现有设备上添加各类传感器，导致实际系统的构建成本高；为了采集采煤机、掘进机等的震动信息，需要在采煤机摇臂上加装相应的传感器，此时传感器线路易损坏，导致系统可靠性差；各种煤岩识别系统所需的原始数据各不相同，导致系统的灵活性较差。 

发明内容

为了克服现有煤岩识别系统存在的不足，本实用新型公开了一种基于图像离散多小波变换的煤岩识别系统，系统具有实时识别、识别率高、可靠性及灵活性强的特点，为采煤区自动化生产提供必要的信息。 

本实用新型所述的基于图像离散多小波变换的煤岩识别系统由处理单元，照相机，光源，步进电机，通信线路，防爆外壳，防爆玻璃窗，玻璃窗毛刷，摇臂控制器以及数据写入接口组成。所述处理单元包括控制模块、图像处理与识别模块、数据存储模块和通信模块；其中控制模块又包括步进电机控制模块、光源控制模块以及图像采样控制模块；所述图像处理与识别模块用于对照相机采集得到的煤岩对象图像利用基于图像离散多小波变换的煤岩识别方法进行处理和识别；所述通信模块用于将所述图像处理与识别模块处理得到结果传输至所述摇臂控制器。所述步进电机控制模块用于向步进电机提供输入信号以控制步进电机转动；所述光源控制模块用于调节光源亮度；所述图像采样控制模块用于提供照相机采集煤岩对象图像的触发信号。所述处理单元是整个煤岩识别系统的核心部件，用于控制光源亮度、提供照相机拍摄煤岩对象的触发控制信号、控制步进电机定时清理防爆玻璃窗、对煤岩对象的图像进行处理和识别；所述照相机，用于采集采掘工作面煤岩对象的图像，能够由处理单元触发其采集图像样本；所述光源是紧凑型荧光灯，具有尺寸小、显色性好、光效高及寿命长的优点，用于照亮待采集煤岩对象以获取清晰的煤岩图像；所述步进电机是一种能够将电脉冲信号转换成为角位移或线位移的机电元件，本实用新型选用多相步进电动机，能直接接收处理单元的数字量输入，在处理单元控制下带动毛刷转动一定角度，用于清洁防爆玻璃窗，清洁完成后能够将毛刷角度调整至防爆玻璃窗上端以避免遮挡防爆玻璃窗；所述通信线路，在处理单元通信模块的控制下，利用异步串行I/O方式进行数据的传输，将传输数据的每个字符一位接一位传送，数据各个不同位可以分时使用同一传输通道进行传输，线路利用率高，最少仅需用一对线路即可进行通信，通信线路将处理单元对煤岩对象的识别结果信息传递至摇臂控制器，摇臂控制器依据识别结果对摇臂的角度和位置进行调整，以防止采煤机滚筒截割岩石；所述防爆外壳及防爆玻璃窗用于井下电气防爆；所述数据写入接口，用于在系统初始化时，将样本特征训练阶段获取的煤和岩石的平均多尺度纹理能量分布向量写入处理单元的数据存储模块。 

所述基于图像离散多小波变换的煤岩识别系统工作流程包括以下步骤： 

系统第一次工作时，需要利用数据写入接口将样本特征训练阶段获取的煤和岩石的平均多尺度纹理能量分布向量写入处理单元的数据存储模块； 

系统正常启动后运行流程如下： 

(1)由控制模块初始化系统运行环境：(a)步进电机控制模块控制步进电机带动毛刷清理防爆玻璃窗表面；(b)光源控制模块控制点亮光源；(c)图像采集控制模块初始化照相机设备； 

(2)图像采样控制模块设定采样间隔，触发照相机拍摄煤岩对象图片，并将拍摄的煤岩图片存入数据存储模块中的图像缓存区； 

(3)图像处理与识别模块从图像缓存区读取图像数据以及从数据区读取样本特征训练阶段获取的煤和岩石的平均多尺度纹理能量分布向量，并对煤岩对象图像利用基于图像离散多小波变换的煤岩识别方法进行处理和识别，以确定其成分为煤炭或岩石； 

(4)通信模块将图像处理与识别模块处理的结果传输至摇臂控制器，摇臂控制器进而对摇臂的角度和位置进行调整，以避免采煤机滚筒截割到岩石； 

在系统运行过程中每隔一定的时间间隔，步进电机控制模块控制步进电机带动玻璃窗毛刷清理一次防爆玻璃窗表面。 

本实用新型的有益效果是，利用图像信息识别煤岩对象类型，图像采集设备和图像处理设备安装方便，识别系统独立于采煤机、掘进机，煤岩识别系统不易损坏可靠性强，识别率高，能够实时识别煤岩对象，且系统的适应性强，软硬件升级维护十分方便，为煤矿生产的自动化提供重要的可靠的信息。 

附图说明

下面结合附图和具体实施方式对本实用新型作进一步的详细描述。 

图1基于图像离散多小波变换的煤岩识别系统结构图； 

图2系统处理单元各模块工作流程图； 

图3是基于图像离散多小波变换的煤岩识别流程图； 

图4是图像多小波变换的基本流程图； 

图5是提取多尺度纹理能量分布向量流程图； 

图6是煤岩判别流程图。 

图中，1、处理单元；2、照相机；3、光源；4、步进电机；5、通信线路；6、防爆外壳；7、防爆玻璃窗；8、玻璃窗毛刷；9、摇臂控制器；10、数据写入接口。 

具体实施方式

煤主要由碳、氢、氧、氮、硫和磷等元素组成，其反光特征随着变质程度的加深而增强。由于在物理性质上与岩石不同，煤炭和岩石对可见光的反射程度存在较明显的差异。利用图像采集设备采集的煤岩图像在像素的灰度分布、纹理特征上有较为明显的区别。为通过图像区分煤岩对象，需要寻找能够反映煤和岩石图像稳定差异的特征。由于亮度信息仅与像素点自身的特性以及受光照程度有关，在煤矿井下环境中光线相对较暗淡，仅利用灰度信息区分煤岩对象较困难。从直观上可以通过图像纹理的稀疏程度和深浅程度区分出煤和岩石，而且图像的纹理特征可以反应出相邻像素之间的灰度关系，受到对象所处环境的光线亮度的影响较小，适合井下昏暗环境实施。纹理特征提取是图像处理和模式识别领域重要的研究课题，目前纹理特征提取方法主要由统计法和滤波法。统计法中较为典型的方法如利用灰度共生矩阵的纹理分析具有计算量小的特点，虽然由灰度共生矩阵获取的特征值识别煤岩图像能够得到比较满意的结果，但是由于此特征值忽略了纹理特征中的较次要的信息，制约了识别率的进一步提高。利用频谱提取图像的纹理信息，实际是将纹理基元及其在图像区域中的不同形式出现的副本用不同尺度和方向上的子波能量分布表示出来。利用小波变换可以得到图像在多个频带的信息，低频子带主要携带的是图像的平均信息，图像大部分能量集中在低频带，而图像的纹理信息的分布具有拟周期性的特点，其能量主要集中在中高频带。多小波变换具有更多的分频段，使得子带的能量特征进一步得到细化，因此多小波更适合纹理信息的分类识别。本实用新型在对我国主要煤种和岩种的图像进行实验分析的基础上，提出了一种基于图像离散多小波变换的煤岩纹理能量识别系统，该系统可有效识别煤岩对象。 

首先对基于图像离散多小波变换的煤岩识别系统的结构进行描述。参照图1，所述煤岩识别系统由处理单元1，照相机2，光源3，步进电机4，通信线路5，防爆外壳6，防爆玻璃窗7，玻璃窗毛刷8，摇臂控制器9以及数据写入接口10组成。所述处理单元1包括控制模块、图像处理与识别模块、数据存储模块和通信模块；其中控制模块又包括步进电机控制模块、光源控制模块以及图像采样控制模块；所述处理单元1是整个煤岩识别系统的核心部件，其主要有三个方面的功能：(1)对系统外围设备，如步进电机，光源，照相机的控制；(2)对采集样本图像的处理和识别；(3)向摇臂控制器传输识别结果；所述照相机2，用于采集采掘工作面煤岩图像，能够由处理单元触发其采集图像样本；所述光源3是紧凑型荧光灯，具有尺寸小、显色性好、光效高及寿命长的优点，用于照亮待采集煤岩对象获取清晰的煤岩对象图像；所述步进电机4是一种能够将电脉冲信号转换成为角位移或线位移的机电元件，本实用新型选用多相步进电动机，能直接接收处理单元的数字量输入，在处理单元控制下带动毛刷8转动一定角度， 用于清洁防爆玻璃窗，清洁完成后能够将毛刷角度调整至防爆玻璃窗上端以避免遮挡玻璃窗；所述通信线路5，在处理单元通信模块的控制下，利用异步串行I/O方式进行数据的传输，将传输数据的每个字符一位接一位传送，数据各个不同位可以分时使用同一传输通道进行传输，线路利用率高，最少仅需用一对线路即可进行通信，通信线路将处理单元对煤岩对象的识别结果信息传递至摇臂控制器9，摇臂控制器依据识别结果对摇臂的角度和位置进行调整，以防止采煤机滚筒截割岩石；所述防爆外壳6及防爆玻璃窗7用于井下电气防爆；所述数据写入接口10，用于在系统初始化时，将样本特征训练阶段获取的煤和岩石的平均多尺度纹理能量分布向量写入处理单元的数据存储模块。 

图2是基于图像离散多小波变换的煤岩识别系统处理单元的各模块工作流程图： 

系统第一次工作时，需要利用数据写入接口将样本特征训练阶段获取的煤和岩石的平均多尺度纹理能量分布向量写入处理单元的数据存储模块； 

系统正常启动后运行流程如下： 

(1)由控制模块初始化系统运行环境：(a)步进电机控制模块控制步进电机带动毛刷清理防爆玻璃窗表面；(b)光源控制模块控制点亮光源；(c)图像采集控制模块初始化照相机设备； 

(2)图像采样控制模块设定采样间隔，触发照相机拍摄煤岩对象图片，并将拍摄的煤岩图片存入数据存储模块中的图像缓存区； 

(3)图像处理与识别模块从图像缓存区读取图像数据以及从数据区读取样本特征训练阶段获取的煤和岩石的平均多尺度纹理能量分布向量，并对煤岩对象图像利用基于图像离散多小波变换的煤岩识别方法进行处理和识别，以确定其成分为煤炭或岩石； 

(4)通信模块将图像处理与识别模块处理的结果传输至摇臂控制器，摇臂控制器进而对摇臂的角度和位置进行调整，以避免采煤机滚筒截割到岩石； 

在系统运行过程中每隔一定的时间间隔，步进电机控制模块控制步进电机带动玻璃窗毛刷清理一次防爆玻璃窗表面。 

参照图3，对基于图像离散多小波变换的煤岩识别方法的基本流程进行描述，具体步骤如下： 

A.样本特征训练阶段，在相同成像条件下(如光照强度，摄像机参数等)，根据待识别煤矿中煤和岩石种类，获取一组煤样本图像集和岩石样本图像集。为了后续多小波变换中数据处理的方便，排除背景对识别图像纹理特征所造成的影响，需要对图像做初始处理：首先从煤样本图集和岩样本图集中各抽取m个样本图像(为了达到较高的识别率，应确保m≥5)，然后截取大小相同且不含背景的子图，分别记为f₁，f₂，…，f_m和g₁，g₂，…，g_m，截取子图的尺寸 必须为2的整数次幂，为了既能够保证图像包含识别所需的纹理信息，又能够满足实时性要求，截取子图的宽和高可以为2^k(k＞＝6)； 

B.对f₁，f₂，…，f_m和g₁，g₂，…，g_m做多小波变换处理，得到样本的变换域数据； 

C.计算所有基于上述图像f₁，f₂，…，f_m和g₁，g₂，…，g_m变换域数据的多尺度纹理能量分布向量，并分别计算煤和岩石m幅图像的多尺度纹理能量分布向量的平均值，即平均多尺度纹理能量分布向量，分别记为V_coal和V_rock，多尺度纹理能量分布向量能够反映原始图像在各个频带上的纹理能量分布情况，将V_coal和V_rock作为分类特征加入到样本特征数据库用于煤岩分类识别阶段； 

D.煤岩分类识别阶段，在相同成像条件下，采集待识别的未知煤岩对象的彩色图像，并截取与样本特征训练阶段样本大小相同且不含背景的子图f_x； 

E.对f_x做多小波变换，并计算其多尺度纹理能量分布向量V_x； 

F.根据多尺度纹理能量分布向量V_x与煤岩平均多尺度纹理能量分布向量V_coal、V_rock之间的关系判断煤岩对象的类型。 

图4是图像多小波变换的具体步骤： 

(1)将彩色图像转换成灰度图像。设备所采集的彩色图像包含R、G、B分量不利于图像处理，首先应将其转换为灰度图。假设已截取的尺寸为2的整数次幂的不含背景的子图为F，其R，G，B分量分别为F_R，F_G，F_B， 

将彩色图像转换为灰度图像的公式为： 

G_gray(x，y)＝0.299F_R(x，y)+0.587F_G(x，y)+0.114F_B(x，y) 

G_gray(x，y)表示灰度图像G_gray在点(x，y)处的灰度值，灰度值取值范围为[0，255]，其中0表示黑色，255表示白色。 

(2)对G_gray按照双正交插值预滤波方式进行预处理： 

多小波变换所涉及的二尺度方程

和小波方程 

中的系数G_k与H_k是r×r的矩阵，因此在利用多小波滤波器组滤波之前需要首先将一路输入数据流转换为r路输入数据流。“过采样”方法采用重复原信号构造r路数据流，由于其计算量大不利于煤岩识别的实时处理。因此本实用新型采用的是基于逼近 的临界采样法：双正交插值预滤波。这种预滤波方式计算量小，有利于实时煤岩识别的实现。 

本实用新型所选GHM多小波的尺度函数与小波函数各有两个，即r＝2。 

令Ф_j，k(t)＝[φ₁(2^jt-k)，φ₂(2^jt-k)，…，φ_r(2^jt-k)]表示多分辨率空间上的r维多尺度函数， 

表示与其对应的多小波函数，其中j表示了函数的伸缩程度，k表示了函数的平移程度。 

令

则v_j，k、w_j，k分别是输入信号x(t)的第j级低频多小波变换系数和高频多小波变换系数，其中是r×1列向量，每一个分量对应多尺度函数中的一个尺度函数。

为小波变换的初始输入数据，可以通过对原始一维输入数据预处理得到，预处理步骤如下： 

(a)假设G_gray是大小为N₁×N₂的矩阵，首先对图像所有行进行预处理，处理后得到矩阵G₁(G₁中每行前半部分包含与第一个尺度函数相对应的系数，每行后半部分包含与第二个尺度函数相对应的系数)； 

(b)然后对G₁的所有列进行预处理，处理后得到矩阵G₂(G₂中每列前半部分系数与第一个尺度函数对应，每列后半部分系数与第二个尺度函数对应)。 

对图像某行或某列输入数据按照GHM双正交插值预滤波处理的公式如下： 

$v_k^0\left(1\right)=\frac{{\mathrm{\φ}}_2\left(1\right)f(k+1)-{\mathrm{\φ}}_2(1/2)[f(k+2)+f\left(k\right)]}{{\mathrm{\φ}}_2\left(1\right){\mathrm{\φ}}_1(1/2)};$

$v_k^0\left(2\right)=\frac{f(k+2)}{{\mathrm{\φ}}_2\left(1\right)},$

其中GHM多小波的两个小波函数在点0.5和1处的函数值分别为： 

φ₂(1/2)＝-3/10，φ₂(1)＝1；f(k)表示当前待处理的图像某行或某列输入数据的第k个元素的灰度值；

表示经过处理后的系数，

与第一个尺度函数相对应，

与第二个尺度函数相对应。经过处理，输入数据流f转换为2路数据流 

$v_{0,k}={[v_k^0\left(1\right),v_k^0\left(2\right)]}^T.$

(3)对上述预处理后的矩阵G₂做二维GHM一级多小波变换： 

由二尺度方程 $\mathrm{\Φ}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{G}_k\mathrm{\Φ}(2t-k)$ 和小波方程 $\mathrm{\Ψ}\left(t\right)=\sqrt{2}\underset{k}{\mathrm{\Σ}}{H}_k\mathrm{\Φ}(2t-k)$ 可以得到正交 离散多小波变换的分解方程如下： 

$v_{j,k}=\underset{m}{\mathrm{\Σ}}{G}_{m-2k}{v}_{j-1,m};$

$w_{j,k}=\underset{m}{\mathrm{\Σ}}{H}_{m-2k}{v}_{j-1,m};$

其中如前所述v_j，k、w_j，k分别是输入信号第j级的低频多小波变换系数和高频多小波变换系数，初始输入数据流v_0，k可以从上述预处理得到的矩阵中提取，GHM多小波变换的低通滤波器G₀、G₁、G₂、G₃和高通滤波器系数H₀、H₁、H₂、H₃分别为： 

$G_0=\left(\begin{array}{cc}\frac{3}{5\sqrt{2}}& \frac{4}{5}\\ -\frac{1}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right)$ $G_1=\left(\begin{array}{cc}\frac{3}{5\sqrt{2}}& 0\\ \frac{9}{20}& \frac{1}{\sqrt{2}}\end{array}\right)$ $G_2=\left(\begin{array}{cc}0& 0\\ \frac{9}{20}& -\frac{3}{10\sqrt{2}}\end{array}\right)$ $G_3=\left(\begin{array}{cc}0& 0\\ -\frac{1}{20}& 0\end{array}\right)$

$H_0=\left(\begin{array}{cc}-\frac{1}{20}& -\frac{3}{10\sqrt{2}}\\ \frac{1}{10\sqrt{2}}& \frac{3}{10}\end{array}\right)$ $H_1=\left(\begin{array}{cc}\frac{9}{20}& -\frac{1}{2}\\ -\frac{9}{10\sqrt{2}}& 0\end{array}\right)$ $H_2=\left(\begin{array}{cc}\frac{9}{20}& -\frac{3}{10\sqrt{2}}\\ \frac{9}{10\sqrt{2}}& -\frac{3}{10}\end{array}\right)$ $H_3=\left(\begin{array}{cc}-\frac{1}{20}& 0\\ -\frac{1}{10\sqrt{2}}& 0\end{array}\right)$

具体步骤为： 

(a)预处理后的矩阵G₂也是大小为N₁×N₂的矩阵，首先对G₂所有行做一维GHM一级多小波变换(按照正交离散多小波变换的分解方程进行)，变换后得到矩阵G_tr(G_tr中每行前半部分存放低频系数，每行后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数)； 

(b)然后对G_tr的每一列做一维GHM一级多小波变换(按照正交离散多小波变换的分解方程进行)，变换后得到矩阵G_tc(G_tc中每列前半部分存放低频系数，后半部分存放高频系数，低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数，高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数)。 

对图像进行一级多小波变换后的矩阵数据格式为： 

$\left(\begin{array}{cccc}{L}_1{L}_1& L_2{L}_1& H_1{L}_1& H_2{L}_1\\ L_1{L}_2& L_2{L}_2& H_1{L}_2& H_2{L}_2\\ L_1{H}_1& L_2{H}_1& H_1{H}_1& H_2{H}_1\\ L_1{H}_2& L_2{H}_2& H_1{H}_2& H_2{H}_2\end{array}\right)$

其中每行和每列的前半部分存放低频系数，后半部分存放高频系数。低频系数的前半部分对应第一个尺度函数，后半部分对应第二个尺度函数；高频系数的前半部分对应第一个小波函数，后半部分对应第二个小波函数。如块L₁H₂包含水平方向第一个尺度函数对应的低频系数和垂直方向第二个小波函数对应高频系数。 

图5是多尺度纹理能量分布向量及平均多尺度纹理能量分布向量的计算步骤： 

(1)对一幅煤岩图像用多小波滤波器组进行滤波，假设输入煤岩图像大小为N₁×N₂，经过一级GHM多小波变换得到变换后的图像为X，X大小也是N₁×N₂，对X分块得到p＝16幅不同尺度下的子图X_m，n，X_m，n是以X中元素

为左上角元素的大小为N₁/4×N₂/4的子图，其中m＝1，2，3，4，n＝1，2，3，4； 

(2)计算每幅子图的纹理能量值E_k，其下标k＝(m-1)□4+n∈{1，2，…，16}，公式如下： 

式中X_m，n(i，j)表示步骤(1)中得到的不同尺度下的子图X_m，n在位置(i，j)处的值，  $i=\mathrm{0,1},\·\·\·,\frac{N_1}{4}-1,$ $j=\mathrm{0,1},\·\·\·,\frac{N_2}{4}-1;$ N₁，N₂表示输入煤岩图像的大小； 

16幅不同尺度(频带)子图的纹理能量值组成该图像的多尺度纹理能量分布向量(E₁，E₂，…，E₁₆)，每一个分量表征了图像在相应尺度(频带)上的纹理能量值。为了提高识别精度，需要选取多个已知煤样本和已知岩石样本，对于多幅已知煤样本图像，计算其多尺度纹理能量分布向量的平均值，得到煤图像的平均多尺度纹理能量分布向量；对于多幅已知岩石样本图像，计算其多尺度纹理能量分布向量的平均值，得到岩石图像的平均多尺度纹理能量分布向量。同类图像的多尺度纹理能量分布向量的相同频带的能量测度值较接近，因而利用多个样本求平均可以提高精确度。 

图6是煤岩对象类型识别过程。由于煤和岩石图像的纹理之间存在较稳定的差异，同种类型图像基于变换域数据的多尺度纹理能量分布向量之间的距离更小，不同类型的图像的多尺度纹理能量分布向量之间差异稳定。因此可以根据图像基于多小波变换域数据的多尺度纹理能量分布向量之间的距离识别煤岩对象类型。识别过程中，多尺度纹理能量分布向量较大的分量对识别效果的影响较大，因此仅取向量中最大的J(J≥8)个分量即可达到较满意的识别效果，同时减少了计算量，有利于提高系统的实时性能。具体步骤如下： 

(1)取待识别煤岩对象的多尺度纹理能量分布向量V_x中最大的J个分量组成一个J维特征 向量，记为m_x； 

(2)从样本特征数据库中读取煤炭和岩石的平均多尺度纹理能量分布向量V_coal、V_rock，并找出与向量m_x同子频带的J个分量，分别组成J维特征向量m_coal和m_rock； 

(3)分别计算向量m_x与m_coal、m_rock之间的距离，记为D_coal，D_rock，距离公式选择欧式距离： 

$D_{\mathrm{coal}}=|m_x-m_{\mathrm{coal}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{coal}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{coal}}^{\left(2\right)})}^2+\·\·\·+{(m_x^{\left(J\right)}-m_{\mathrm{coal}}^{\left(J\right)})}^2},$

$D_{\mathrm{rock}}=|m_x-m_{\mathrm{rock}}|=\sqrt{{(m_x^{\left(1\right)}-m_{\mathrm{rock}}^{\left(1\right)})}^2+{(m_x^{\left(2\right)}-m_{\mathrm{rock}}^{\left(2\right)})}^2+\·\·\·+{(m_x^{\left(J\right)}-m_{\mathrm{rock}}^{\left(J\right)})}^2},$

其中m^(j)表示向量m的第j个分量； 

(4)比较D_rock和D_coal，将该未知图像归入距离较小的一类。 

Claims (4)

1.一种基于图像离散多小波变换的煤岩识别系统，其特征在于，所述系统包括处理单元、照相机、光源、步进电机、通信线路、防爆外壳、防爆玻璃窗、玻璃窗毛刷、摇臂控制器以及数据写入接口；所述照相机用于采集煤岩对象图像；所述光源用于照亮煤岩对象，以获得清晰的图像；所述步进电机用于带动所述玻璃窗毛刷定时清理所述防爆玻璃窗；所述防爆外壳及所述防爆玻璃窗用于满足井下防爆要求；所述处理单元用于控制光源亮度、提供照相机拍摄煤岩对象的触发控制信号、控制步进电机定时清理防爆玻璃窗、对煤岩对象的图像进行处理和识别；所述通信线路用于将所述处理单元的识别结果传输至所述摇臂控制器；所述摇臂控制器用于依据所述通信线路传来的煤岩识别信息对摇臂的角度和位置进行调整；所述数据写入接口用于将样本特征训练阶段获取的煤和岩石的平均多尺度纹理能量分布向量写入所述处理单元的数据存储模块。 

2.根据权利要求1所述的一种基于图像离散多小波变换的煤岩识别系统，其特征在于，所述步进电机是一种能够将电脉冲信号转换成为角位移或线位移的机电元件，能直接接收处理单元的数字量输入，在处理单元控制下带动玻璃窗毛刷转动一定角度，用于清洁防爆玻璃窗，清洁任务完成后能够将玻璃窗毛刷的角度调整至防爆玻璃窗上端以避免遮挡防爆玻璃窗。 

3.根据权利要求1所述的一种基于图像离散多小波变换的煤岩识别系统，其特征在于，所述处理单元包括控制模块、图像处理与识别模块、数据存储模块和通信模块；所述图像处理与识别模块用于对照相机采集得到的煤岩对象图像利用基于图像离散多小波变换的煤岩识别方法进行处理和识别；所述通信模块用于将所述图像处理与识别模块处理得到结果传输至所述摇臂控制器。 

4.根据权利要求3所述的一种基于图像离散多小波变换的煤岩识别系统，其特征在于，所述控制模块包括步进电机控制模块、光源控制模块以及图像采样控制模块；所述步进电机控制模块用于向步进电机提供输入信号以控制步进电机转动；所述光源控制模块用于调节光源亮度；所述图像采样控制模块用于提供照相机采集煤岩对象图像的触发信号。 

Images