基于图像识别的煤岩界面识别方法研究

采掘工作面是煤矿事故多发地点.减少煤矿采掘工作面作业人员既是煤矿安全生产的需要,又是减轻作业人员劳动强度和改善作业环境的需要.煤岩界面识别是实现无人采煤的关键技术之一.研究了用于无人采煤工作面等的煤岩界面识别方法,指出了现有煤岩界面识别方法存在的问题.提出了基于可见光图像和红外图像识别的煤岩界面识别方法:提取色彩、灰度...     

基于边界跟踪和神经网络的煤岩界面识别方法研究

为实现煤岩界面精准识别,采集了鄂尔多斯李家壕煤矿矿区巷道掘进面原始图像,提出了基于机器学习的分类算法和基于数字图像处理的边界提取算法,该算法为提取连续单像素宽度边界提供了良好的基础.据此提出一种基于边界跟踪算法和人工神经网络的煤岩界面识别方法,从而为巷道掘进机和采煤机滚筒空间位置的调整提供依据.采用文章提出的方法对从陕...     

基于信号检测和算法分析的煤岩识别方法研究

针对不同硬度煤岩识别精度低的问题,基于煤岩截割试验并结合卡尔曼滤波算法和随机森林算法,提出了一种煤岩识别方法,利用截割装置对相似模拟试验中的1种煤层和5种不同硬度的煤岩组合体进行截割,采集6种截割工况的三相电机的三相电流特征信号和模拟截割滚筒与煤岩体接触面的红外热成像温度特征信号。结果表明：随着煤岩体硬度的增大,三相电流和红外热成像温度的峰值增大;截割同一种煤岩体时,三相电流和红外热成像温度会随着模拟截割滚筒与岩层接触面积的增大而增大。采用卡尔曼滤波算法对原始样本处理,再通过随机森林算法对原始样本和经过卡尔曼滤波算法处理后的样本进行分类对比。经过两种算法处理后正确预测的样本数量从1238个增加到1430个,煤岩识别精度从84.17%提高到99.38%。研究成果可为采煤机智能化精准割煤提供参考。     

基于Curvelet变换和压缩感知的煤岩识别方法

针对小波难以表达煤岩图像的边缘曲线特征,影响识别精度的问题,提出一种基于曲波变换的方法,对煤岩图像边缘进行稀疏表示。该方法通过曲波变换对煤岩图像进行曲波分解,得到各尺度层曲波系数,保留图像变换后的Coarse层低频系数,基于压缩感知理论,利用随机高斯矩阵对高频系数进行测量,实现高维系数降维,Coarse层低频系数与降维后的高频系数通过级联构成煤岩图像特征向量,最后结合支持向量机对煤岩图像进行分类识别。实验表明:通过曲波分解提取的特征能够有效地表达煤岩图像边缘的曲线特征,所提出方法煤岩的分类准确率达93.75%,比Haar小波方法提高了4.37%,所用降维方法比线性降维方法提取的特征向量更加有利于煤岩图像的分类识别。     

基于采煤机振动时域特性的煤岩识别方法研究

文章以本质安全型便携式测振记录仪为测试装置,通过对采煤机不同截割工况下实际振动信息的采集与分析,形成了完整的采煤机振动信息数据库,同时,又通过对振动数据的时域分析,总结出采煤机在割煤和割岩工况下振动特性的区别,并利用分析结论提出了切实有效的煤岩识别方法。     

基于ANFIS的多信息融合煤岩识别方法研究

将采煤机滚筒截割振动特性作为煤岩识别的标识之一,利用自适应模糊神经网络推理系统(ANFIS)将采煤机的工作状态信息进行融合,建立了多信息融合的煤岩识别模型,并利用模拟实验中采集的数据完成煤岩分界识别的实验研究,结果表明利用该方法实现采煤机的煤岩识别是可行的,并为实现采煤机姿态的自动控制提供依据。     

基于Curvelet变换的低分辨率煤岩识别方法

针对小波变换仅能有效表达图像中的点奇异性,难以提取煤岩图像曲线特征的弱点,以及高分辨率煤岩图像计算量大,难以满足煤岩识别实时性要求的问题,提出了一种基于曲波变换的低分辨率煤岩识别方法.该方法通过曲波变换对煤岩图像进行曲波分解,得到各尺度层曲波系数,利用主分量分析进行降维,并将结果分别输入不同k-NN分类器中,对分类结果加权融合,实现煤岩图像的分类识别.实验表明:通过曲波分解提取的特征能够有效地表达煤岩图像的曲线特征,与现有方法相比较,所提出方法具有更高的识别率,平均识别率达95.0%,在煤岩图像分辨率较低情况下也可以获得很高的识别率,满足煤岩识别实时性的要求.     

基于LBP和GLCM的煤岩图像特征提取与识别方法

针对煤矿开采工作面无人化要求,提出一种基于LBP和GLCM的煤岩图像特征提取与识别方法。采用LBP算法判断煤块与岩石纹理存在差异性,然后通过GLCM实现煤块与岩石图像在水平、直角、45°、135°方向上的灰度共生矩阵,并完成对能量、熵值、对比度、逆差分矩等4个煤岩图像纹理特征参数提取。试验表明:LBP算法在检测煤块与岩石局部纹理特征差异的过程中,具有一定的高效性,但存在不足,后续通过GLCM提取的煤岩图像特征参数,可以找到适用于煤岩分类的特征参数,增加煤岩识别的鲁棒性。     

基于EMD与DCNN混合智能煤岩识别方法研究

针对现有煤岩识别模型和方法准确率低、稳定性差、难以在工程实践中获得应用的问题,提出了基于经验模式分解（EMD）与深度卷积神经网络（DCNN）的混合智能识别方法。首先,应用EMD对采煤过程中的振动信号进行分解,得到一系列的本征模式分量（IMF）。然后利用DCNN进行IMF信息的融合,并自动提取特征信息。最后使用Softmax实现煤岩分界的智能识别。工程应用试验数据表明,该方法能够有效、准确地实现煤岩分界的识别,并具有良好的稳定性。     

基于钻孔返渣图像的煤岩界面识别方法研究

为满足未来煤矿井下钻孔机器人对智能化施工的要求,针对钻孔返渣中只有岩屑和煤渣,且二者颜色特征差异大的特点,利用返渣图像特征进行了煤岩识别技术研究。结果表明:研究的煤岩界面识别方法主要包括图像预处理、阈值分割和图像识别3个步骤;其中图像预处理先采用HSV颜色空间进行转换以提取明度分量,再采用高斯滤波进行图像去噪,最后采用拉普拉斯方法实现图像增强;将预处理图像采用固定单阈值分割方案进行图像分割,并以实验采集数据为例,利用最大类间方差法确定了采集样品图像的固定阈值为115;最后在图像分割的二值图像基础上,通过计算煤渣和岩屑在图像像素点总数中各自所占比例,进行煤岩标识,再通过分析场景中采集的大量样本数,设置不同煤层条件下煤、岩界限的阈值,从而实现了图像识别。     

基于太赫兹光谱技术的煤岩识别方法

煤岩识别是无人化开采中的重大问题,为了研究基于太赫兹谱的煤岩识别方法,首先应用太赫兹时域光谱技术对不同矿井采集来的煤岩样本进行了实验,得到了煤岩样本的太赫兹谱。然后计算出煤岩样本的折射率谱和吸收谱,并分别将其作为训练集和测试集。研究不同支持向量机参数对建模以及煤岩分类结果的影响。结果表明,通过合理的寻优方式,并利用煤岩的吸收特性和折射特性等样本的固有属性,可以建立稳定的THz-SVM的煤岩识别模型,从而可以快速稳定地区分出煤岩介质,这也意味着可以通过该方法来描述采煤机的截割状态(割煤/割岩),从而为采煤机自动调高提供依据。     

基于CLBP和支持向量诱导字典学习的煤岩识别方法

针对现有煤岩识别方法在训练样本不充足情况下的识别效果普遍不太理想这一情况,提出了一种基于完备局部二值模式(CLBP)和支持向量诱导字典学习的煤岩识别方法。该方法分4大步完成：① 提取煤岩图像的多尺度CLBP特征向量;② 对训练样本的CLBP特征向量进行支持向量诱导字典学习,得到一组煤岩表征字典、煤岩类别权向量和偏移量;③ 计算测试样本在煤岩表征字典上的表示即编码向量;④ 采用判别函数完成测试样本编码向量的类别判定。结果表明：与现有其他常用方法相比,所提出方法有着更高的正确识别率,特别是在训练样本不充分的随机抽样实验条件下,其正确识别率仍然很高;耗时的字典学习并没有影响到所提出方法的实时性;所提出方法占用的存储量不受训练样本数量的制约,这在一定程度上为将来硬件实现带来了便利。     

基于字典学习的煤岩图像特征提取与识别方法

现今的煤岩图像识别方法取得了一些阶段性的成果,但还无法满足实际需求。为了挖掘新的煤岩图像识别方法,研究了基于字典学习的煤岩图像特征提取与识别技术,提出用字典学习算法提取煤岩图像特征。字典学习算法采用随机选择的方法对字典进行初始化和更新。结合分类算法对煤岩图像进行分类识别,结果表明:通过字典学习,能简单有效表达煤岩图像的特征信息,获得了较高的识别率,且该特征提取方式具有较好的发展前景。研究结果可为煤岩界面的自动识别提供新的思路和方法。     

基于双树复小波域统计建模的煤岩识别方法

针对煤炭开采与加工过程中采煤机滚筒高度调节、选煤厂预排矸等工程实际问题,提出了1种有效的基于双树复小波域统计建模的煤岩识别方法。首先,通过双树复小波变换对煤岩图像进行多级分解;然后,提出了1种旋转不变增强策略,即对每1级双树复小波变换产生的高频子带按系数模的均值和方差之积从大到小排列;接着,提出了高频子带系数模符合广义伽玛分布模型的假设,并采用1种基于尺度独立形状估计方程的广义伽玛分布参数估计方法确定模型参数;最后,根据相对熵相似性测度完成煤岩图像的自动识别。结果表明:在双树复小波域中,广义伽玛分布模型具有较强的区分煤岩图像的能力;所提出的旋转不变增强策略在一定程度上提高了煤岩识别的正确识别率,并且使正确识别率与时间复杂度之间的折中权衡变得更加灵活;与现有的其他方法相比,所提出方法具有更高的正确识别率,其时间复杂度也是可以接受的。     

局部约束的自学习煤岩识别方法

针对训练样本不足情况下的煤岩图像识别问题,提出了一种局部约束的自学习(LCSL)煤岩识别方法。该方法首先从辅助数据中通过局部约束的字典优化模型获取高层结构特征,这些辅助数据是无标签的非煤岩自然图像,与煤岩图像的特征分布不同,且更容易获取;然后利用学习的高层结构特征结合局部约束线性编码提取煤岩图像特征;最后利用SVM算法对煤岩图像进行分类识别。实验表明:通过该方法得到的特征能够有效地表征煤岩图像,具有很强的鉴别性和鲁棒性,达到了很好地识别效果,相比于原有煤岩识别方法平均识别率提高了1%～3%。     

基于YOLO v3的煤岩钻孔图像裂隙智能识别方法

提出一种基于YOLO v3的深度卷积神经网络检测识别数字钻孔图像裂隙自动识别方法。首先详细阐述了新版本YOLO v3目标检测原理,然后选取煤矿井下钻孔图像在VOC 2007上制作数据集,采用Darknet-53的网络结构进行训练。试验结果表明基于的YOLO v3的钻孔图像裂隙检测方法可以快速准确识别,为围岩裂隙机器的视觉识别提供了新技术支持。     

基于采煤机摇臂惰轮轴受力分析的综合煤岩识别方法

提高采煤自动化、无人化程度的关键在于提高采煤机对煤炭和岩石的识别能力,在记忆截割的基础上,采用灰色预测理论,提出了1种基于滚筒采煤机摇臂惰轮轴受力分析的综合煤岩识别方法,通过实时检测采煤机在截割不同介质时的惰轮轴受力,并根据惰轮轴受力建立采煤机截割路线智能预测系统,实时修正截割路线,提高了采煤机的追踪适应能力。该方法在中煤张家口煤机厂实验平台上进行截割实验验证,结果表明：采煤机割岩时受力比割煤时平均受力大19.45%,能够很好的对煤岩界面进行识别。     

基于采煤机摇臂销轴多应变数据融合的煤岩识别方法

煤岩识别是实现采煤机滚筒高度自动调节的关键技术,可靠的煤岩识别系统在提高生产效益、减轻设备磨损、保障工人安全等方面具有突出的优点。目前煤岩界面主要依据人工或者单一传感器监测进行识别,所以识别的结果不准确,具有一定的误差;因此,提出一种基于数据融合理论的多传感器煤岩识别方法;该方法以煤岩在硬度上的差异为基础,以采煤机摇臂销轴为研究对象,在摇臂与连接架销轴处布置4个经过等效强度处理的销轴传感器,采集采煤机截割不同硬度煤壁与岩壁时销轴的应变数据,对采集到的数据通过加权融合理论进行系数分配、融合,获得多传感数据融合的组合判据,利用组合判据对煤岩分界面进行识别。实验结果表明,销轴传感器采集到的应变数据在截割煤和岩时波动较大,且割煤应变数据和割岩应变数据有重叠部分,很难精准的实现煤岩界面的识别;通过数据融合方法处理后的应变数据波动较小;利用拟合公式对应变数据标定,得到销轴传感器所受的载荷值:截割岩时销轴受力范围为24. 766～25. 467 kN,截割煤时销轴受力范围为23. 493～24. 348 kN;与单一传感器测量相比,差异明显,没有重合部分;因此,可以采用这种方法在实际的生产工作中标定截割煤和岩时销轴受力的期望值范围,以此期望值范围的差异作为采煤机煤岩界面识别的依据。     

基于图像纹理的煤岩识别研究

煤岩识别对实现采掘面无人开采具有重要的意义。由于煤、岩石在纹理上的巨大差别,提出了基于图像纹理的煤岩识别研究。利用灰度共生矩阵(GLCM)分别对煤、岩石图像纹理进行特征提取,然后再应用RBF神经网络分析处理所得到的纹理特征数据,进而实现对煤岩的分类识别,通过验证,该方法准确率高,操作简单,值得推广。     

基于EMD和SVM的切削颤振识别方法研究

为了提高对切削加工过程中颤振的识别能力,提出一种结合模态分解和支持向量机的分类方法,对颤振信号进行自动识别。首先利用经验模态分解法把颤振信号分解成若干个本征模式函数分量,去除原始信号相关性,突出模式函数分量的主特征,构建出特征向量并进行归一化处理,之后,把特征向量输入SVM模型,判断颤振是否发生。分别采用神经网络模型、PCA-SVM模型、EMD和SVM模型对特征向量进行学习与识别,EMD和SVM模型识别率达到95%,优于前两种模型。实验结果表明,该方法能够有效地识别切削加工过程中的颤振。