基于高斯混合聚类的煤岩识别技术研究

根据煤矿工作面煤与岩石的性状不同，基于聚类分析的基本原理、应用高斯混合模型、借助数字图像处理技术，对工作面的煤岩界面图像进行了分析和研究，提出了一种基于高斯混合聚类算法的煤岩识别技术。应用过程为通过布置工作面采集装置、采集工作面煤岩数据，应用不同的图像处理技术手段分析工作面煤岩数据、计算工作面煤岩分界数据。经测实验证，高斯混合聚类算法的技术手段能够为部分煤矿工作面煤岩界面识别的研究提供参考。     

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。     

基于支持向量机的煤岩图像特征抽取与分类识别

为了尽可能减少作业人员数目,研究了煤岩图像的自动识别技术,介绍了煤岩图像的识别基础、小波变换和支持向量机原理,分析了煤岩图像纹理在多尺度分解情况下的特点以及支持向量机的参数设置,利用煤岩图像基于灰度共生矩阵的纹理统计量角二阶矩、对比度、相关性、均值、方差构造纹理特征子向量P1,利用煤岩图像不同尺度分解下的角二阶矩、对比度、相关、均值、方差构造纹理特征子向量P2,利用不同尺度分解系数构造纹理特征子向量P3,结合3个特征子向量构造纹理特征向量,最后结合支持向量机对煤岩图像进行分类识别。对不同的特征抽取方式以及煤岩的不同分类进行了比较分析。结果表明：该特征抽取以及分类方法能有效的表达纹理信息,对煤岩的识别准确率达到了97.959 2%,与不使用小波的方法相比提高了7.01%。研究结果可为煤岩界面的自动识别提供依据。     

基于截齿截割红外热像的采煤机煤岩界面识别研究

为实现采煤机截割过程中煤岩界面的有效动态识别,测试和提取不同煤岩比例条件下截齿截割的红外热图像,分析截齿表面温度场分布规律与截割闪温特征,得到不同煤岩比例条件下截齿截割温度特征数据库,建立基于最小模糊度优化的采煤机煤岩界面动态识别模型。试验结果表明:截齿在截割不同比例煤岩试件时,齿尖均产生突兀的瞬时闪温区,岩石比例越大,其闪温值越高。该系统可实现煤岩界面的在线、精确动态识别,可为提高采煤机的截割效率和实现滚筒智能调高控制提供重要的技术手段和理论依据。     

基于小波域非对称广义高斯模型的煤岩识别算法

针对采煤工作面无人开采、煤与矸石自动分离等工程实际需求,研究了基于计算机视觉的煤岩识别技术。提出了一种有效的基于小波域统计建模的煤岩识别算法。通过小波变换对煤岩图像进行多级分解;提出表达煤岩纹理细节特征的高频子带系数统计分布符合非对称广义高斯模型的假设,并通过最大似然估计方法确定其模型参数;利用改进的相对熵相似性测度实现煤岩图像的分类判别。结果表明:在小波域中,非对称广义高斯模型能够有力地刻画煤岩图像的纹理特征,与现有的其他算法相比较,所提出算法具有更高的正确识别率,其平均识别率达到了87.77%,为进一步研究煤岩界面的自动检测提供了参考。     

基于小波的煤岩图像特征抽取与识别

针对目前采掘工作面是事故易发多发地带和煤岩界面的识别基本由人工来完成的现状,为了减少人员伤亡以及实现采矿自动化,研究了煤岩的自动识别技术。介绍了煤岩图像识别基础和小波变换原理,讨论了小波函数以及滤波长度、分解尺度的设置情况,提出利用Daubechies小波对煤岩图像进行分解,构造相应的纹理导向度,获得特征值参数表,最后通过Minkowski距离计算公式,得到待测样品与煤岩样品的空间距离,根据距离大小来实现对待测样品的识别。结果表明：该方法通过小波分解再抽取相应的特征值充分表达了煤岩图像的纹理特征信息,而且能成功识别煤岩图像获得了比其他分解方法更高的识别准确率。研究结果可为煤岩界面的自动识别提供理论参考,提供了新的思路。     

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西神木榆家梁采煤工作面采集的原始图像进行验证,提取到的煤岩边界与真实的煤岩界面基本吻合,验证了该方法的有效性和可靠性。     

基于卷积神经网络和语义分割混合模型的煤岩识别系统研究

综采工作面煤岩识别是实现煤矿智能化无人开采的关键技术。目前,基于图像的煤岩识别研究主要是对煤岩进行分类识别,对煤岩复杂混合层界面的识别研究较少。因此,提出了一种基于卷积神经网络的煤岩信息识别边缘计算系统,该系统包括煤矸石智能分类单元以及煤岩层智能语义分割和视觉重构单元。在煤矸石智能分类单元,采用数据增强模块和图像显著化处理模块处理图像,获得的显著化图像经过 VGG16深度网络模型进行分类识别。试验结果表明,在自制煤矸石数据集上该模型测试准确率可达99.07%;在煤岩层语义分割和视觉重构单元,将通道注意力模块(ChannelAttention,CA)嵌入到 DeepLabv3+的主干网络中,并采用Poly自适应学习策略自动调整网络训练的学习率,构建了一种适用于煤岩层图像分割的 CA_Poly_DeepLabv3+ 网络,在自制 煤 岩 分 割 数 据 集 上 的 平 均 交 并 比 定 量 指 标 为66.81%,相较于 DeepLabv3+基准网络提高了7.74个百分点,实现了较好的界面分割识别和视觉重构。     

煤矿智能化开采煤岩识别技术综述

加快煤炭产业链的智能化发展是当前环境下保证煤炭稳定供给的重心,而煤岩识别是实现煤矿智能化建设,提高煤层探测、智能开采、快速分选精度和效率的关键技术,因此,开展了煤岩高效识别技术方法的综述研究。首先根据使用工况不同,将煤岩识别统筹为接触式识别与非接触式识别,根据技术类别将现有识别技术归类为过程信号监测、红外热成像、图像特征、反射光谱、超声波探测、电磁波探测,从识别机理和技术原理方面进行了详细的介绍,并列举了典型特征下的煤岩差异。其次综合阐述了各种识别技术的研究现状,总结出工程实际中的煤岩识别技术应用现状;从理论技术研究、工况环境影响、煤岩特征3方面建立了不同识别技术的局限度评价表,超声波、电磁波探测技术局限度最低,红外成像识别技术局限度最高,其中工况环境对红外成像识别局限最明显,煤岩特征对反射光谱识别和过程信号监测识别局限最明显。基于上述局限度,对未来煤岩识别的研究重点提出4点建议：煤岩特征信息的深层挖掘,复杂多变环境的影响机理研究,物理属性相近的煤岩识别新方法,综合地质条件的煤岩识别方法适用性研究,为我国煤岩识别技术发展、煤矿智能化建设提供理论指导。     

煤岩显微组分自动识别技术现状及关键问题分析

回顾煤岩显微组分自动识别的历史及技术现状,探讨了基于反射率和形态学参数的煤岩组分分类方案及其优缺点,对目前煤岩显微组分形态学参数的研究进行分析,并指出图像法煤岩组分自动识别技术难点,重点探讨了煤中壳质组的准确识别、煤中矿物质对有机显微组分识别的干扰、高变质煤组分各向异性对识别的影响、混煤煤岩组分的准确识别、识别模式和识别流程的建立等问题。主要研究结论如下:利用图像处理技术并结合煤岩显微组分的反射率和形态学参数,此为实现煤岩组分自动识别的发展方向。随着数字图像处理技术的发展,对煤岩组分形态参数的表征可以做到定量化和与位置相关联,目前已具备解决煤岩组分自动识别的外部条件。鉴于目前图像法煤岩组分自动测试存在壳质组难以准确识别等问题,建议今后应结合煤岩组分的反射率和形貌特征建立各显微组分合适的识别流程。     

黏弹性VTI煤层介质超声波传播模型建立与分析

煤岩界面自动识别是深部煤层无人采掘装备自主控制中的关键技术。利用煤和岩声阻抗的差异性,采用超声波检测煤层厚度达到识别煤岩界面的目的。以Kelvin-Voigt黏弹性模型及各向异性理论为基础,推导适用于具有垂直对称轴的横向各向同性(VTI)黏弹性煤层介质的二维一阶速度-应力波动方程,建立黏弹性VTI煤层介质数学模型,采用交错网格有限差分法模拟超声波场在煤层中的传播,并通过实验验证所建立的黏弹性VTI煤层介质模型和交错网格有限差分法的正确性。研究结果表明：黏弹性VTI介质数学模型和交错网格有限差分法适用于数值模拟超声波在煤层中的传播,为超声波煤层厚度检测和煤岩界面识别研究提供了理论基础。     

基于改进S变换的煤岩界面超声反射信号处理

煤岩识别技术是实现煤矿综采工作面智能化和无人化的关键技术之一。准确分解超声波检测煤岩界面的混叠严重的回波信号方法是研究的重点和难点。分析不同窗函数调节参数对时频分辨率的影响,提出一种改进的S变换,建立非对称高斯调制模型的多重回波混叠信号,采用改进S变换方法对超声波检测煤岩界面的仿真与实验反射回波信号进行处理,采用时间幅值包络曲线方法分离混叠回波。研究结果表明,改进S变换方法具有更好的时频分辨率及时频聚集性,可有效分离煤岩界面的混叠反射回波,获得较准确地超声波煤岩界面反射回波的到达时间,从而,为煤岩界面的识别提供技术支撑。     

基于视觉技术的煤岩特征分析与识别

为研究煤岩自动识别技术,提出了一种基于视觉技术的煤岩特征分析与识别方法。首先根据煤和岩石图像分析煤岩纹理差异;然后根据灰度共生矩阵分别计算煤和岩石纹理特征向量;最后选择计算出的纹理特征向量作为神经网络输入来分别识别煤和岩石2种情况。实验结果表明,煤和岩石纹理特征值差别较大,采用能量、对比度、相关性和熵作为特征向量均可实现煤和岩石自动识别,且以熵值作为特征向量的煤岩识别效果最好。     

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.     

煤岩图像识别方法研究

煤岩图像识别是实现采掘工作面无人化的基础。研究了字典学习法、小波变换法、灰度共生矩阵法等主流算法在煤岩图像识别应用中的适用范围和存在的问题。提出了基于多参数融合的煤岩识别方法:提取温度、声音、振动、粉尘浓度、图像等特征参量,结合各自的优点,采用深度学习等先进技术,能够有效提高煤岩图像的鲁棒性及识别率。     

顶板断裂瞬间煤体稳定性的动力学分析及数值模拟

为了研究顶板突然性断裂诱发煤层失稳的致灾条件,本文采用动力学方法分析了顶板断裂瞬间煤岩系统的受力状态和力学响应。首先推导了顶板断裂时惯性力、惯性力矩的计算公式,进而得到顶板断裂瞬时转动加速度与惯性力、惯性力矩的关系,利用数值模拟计算了顶板断裂前后以及不同转动角加速度条件下的煤岩体应力、变形和两帮位移。计算结果显示:当顶板断裂瞬时转动角加速度较小,即顶板断裂释放能量较小时,工作面煤壁两帮移近量随顶板瞬时转动角加速度的增大而增大;当顶板断裂瞬间转动加速度达到某临界值时,煤岩系统出现失稳分支点,具体体现为工作面处煤体的应力基本不变,煤壁顶部竖向下沉激增,煤岩系统的平衡须依靠煤壁回缩方可维持。因此顶板断裂可以诱发煤岩体系统的失稳,但并非失稳的充分条件。