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...     

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。     

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。     

一种基于PCA与RBF-SVM的煤岩显微组分镜质组分类方法

在分析煤岩镜质组显微组分特点的基础上,针对其结构复杂、特征量多且相互交织从而影响分类准确性等问题,提出一种基于主成分分析(PCA)的煤岩显微组分镜质组分类方法。首先根据镜质组显微图像中各组分呈现的条状、团块、颗粒等纹理特点和亮度差异,采用基于灰度共生矩阵的能量、熵、惯性矩、局部平稳性等纹理特征量和基于灰度分布统计的亮度比、均值、均方差、三阶矩偏度等亮度相关特征量对其进行描述,构成初始特征量集;再采用主成分分析法对初始特征量集进行进一步的抽取;最后构建基于径向基函数的支持向量机(RBF-SVM),采用积累贡献率较大的主成分作为分类参量实现镜质组的自动分类。实验结果表明:纹理和灰度统计特征可有效刻画煤岩镜质组显微组分;采用PCA对初始特征进行抽取之后,用于分类的特征空间维数大幅度降低,分类算法的泛化能力增强,分类的准确率显著提高。     

图像识别技术在智能化钻孔施工中的应用研究

针对钻孔返渣无法自动识别煤岩的问题,分析了煤岩识别方法和特征选择,利用提取明度分量、去噪处理、图像增强等技术对采集的钻渣样品图像进行预处理,再利用直方图辅助灰度阈值法分析煤岩图像,并采用最大类间方差法确定的最佳阈值对煤岩图像进行分割,识别分析分割后的煤岩图像.结果表明,采用灰度阈值法能准确识别出钻孔返渣样本中的煤岩成分...     

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RILBP-GLCM算法的煤岩显微组分识别

提出了1种针对煤岩显微组分的RILBP-GLGM纹理特征提取算法。利用RILBP算子获取原图像的RILBP图谱,获取该图谱的灰度共生矩阵,提取4个方向上的能量、熵、惯性矩、相关性特征构成图像纹理特征,利用多分类支持向量机对图像纹理特征进行训练和分类。结果表明,基于RILBP-GLCM算法的煤岩显微组分纹理特征分类是有效的。     

基于机器视觉的煤矸特征提取与分类研究

为了提高煤与矸石的识别率,运用自制的煤矸自动分选装置,研究了煤与矸石图像的自动识别技术,介绍了煤与矸石图像的灰度特征以及基于灰度共生矩阵的煤与矸石纹理特征。利用灰度特征的均值和纹理特征的能量、熵、对比度,相关性构造归一化特征向量,最后结合BP神经网络进行识别分类,试验分析了不同学习速率对识别率的影响。结果表明:基于BP神经网络的纹理和灰度特征的综合分类方法提高了煤与矸石的识别率;选取合适的学习速率在提高BP神经网络学习速度的同时还提高了识别率,识别率达87.5%。     

基于灰度共生矩阵的煤与矸石自动识别研究

为提高煤与矸石识别率,提出了一种基于灰度共生矩阵的煤与矸石纹理特征自动识别方法。分析灰度共生矩阵的基本原理、特征参数,利用灰度共生矩阵提取煤与矸石图像的角二阶距、相关性、对比度和熵这四个特征作为纹理特征,用支持向量机进行识别,并在MATLAB上仿真实现。研究结果表明:用灰度共生矩阵提取纹理特征、用支持向量机识别的方法能有效的描述煤与矸石的纹理特征,为煤与矸石的识别和分选提供重要参考依据。     

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。     

基于图像处理的煤矸识别方法

综合考虑煤和矸石图像的灰度特征和纹理特征,在对图像进行滤波、增强等预处理后,筛选出灰度直方图的均值、峰值,GLCM的能量、对比度和熵,Tamura纹理的对比度这6个特征组成特征向量,送入LS-SVM进行识别。研究结果表明：基于3种特征结合的LS-SVM煤矸识别有效地提高了识别率。     

基于PSO优化NP-FSVM的煤矸光电智能分选技术研究

为提高分选的稳定性和准确率,提出一种多特征融合的基于粒子群算法优化的法平面型隶属度函数模糊支持向量机(PSO-NP-FSVM)煤矸石分选方法。介绍了X射线探测识别煤矸石技术的基本原理与工作流程。对采集到的X射线图像经中值滤波去噪预处理后,分别提取灰度特征下的灰度均值、灰度方差,以及基于灰度共生矩阵的纹理特征下的能量、相关性、对比度和熵共计6个特征向量,并对选择的特征进行融合。利用法平面型隶属度函数能有效剔除孤立样本的优点,结合粒子群算法对模糊支持向量机分类器模型的主要参数进行优化,提出经优化改进后的PSO-NP-FSVM分类算法,采用相同的训练样本,与PSO-FSVM分类器模型进行仿真对比分析。最后,分别采用PSO-NPFSVM、PSO-FSVM算法与单一灰度或纹理特征进行识别的方法建立分类器模型,并通过交叉验证的方法进行对比试验。试验研究结果表明:PSO-NP-FSVM算法经56次的迭代,参数达到最优,PSOFSVM算法参数寻优需迭代63次; PSO-NP-FSVM算法的适应度函数值较小。通过多特征融合的PSO对NP-FSVM进行优化的分选方法,煤矸石的分选准确率达到93.8%,其准确率和稳定性较普通PSO-FSVM分类器模型与单一特征识别方法,均有所提高。X射线探测的光电智能分选技术是未来煤矸石分选发展的重要趋势,此方法可改善在分选过程中因煤矸厚度的影响,导致识别准确率降低的缺陷。     

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%。     

基于声谱图和SVM的煤矿瓦斯和煤尘爆炸识别方法

为提高煤矿瓦斯和煤尘爆炸感知准确率，提出了基于声谱图和SVM的煤矿瓦斯和煤尘爆炸感知方法：在煤矿井下重点监测区域安装矿用拾音器；实时监测煤矿井下设备工作声音及环境音；将采集到的声音提取由MFCC构成的声谱图，通过计算声谱图的灰度共生矩阵得到0°、45°、90°、135°的能量、熵、对比度、相关性，分别求其均值和标准差作为声谱图图像纹理特征，构成该声音的特征量，输入到SVM中建立煤矿瓦斯和煤尘爆炸声音识别模型；对待测声音同样提取其MFCC声谱图图像纹理特征，输入到训练好的识别模型中进行声音识别分类；并进行了试验验证。首先，提取了采掘工作面设备运行、瓦斯和煤尘爆炸等不同声音的MFCC特征值，分析了不同声音的MFCC特征值分布情况；提取不同声音的MFCC声谱图，分析了不同声音的声谱图的特征参数：能量、熵、对比度、相关性的均值和标准差，可见通过提取MFCC声谱图的灰度共生矩阵特征参数构成的特征量可有效表征声音信号；其次，将待测声音输入建立的识别模型中，完成识别分类。结果表明：所提方法的识别率达到95%，整体识别性能高于其他算法；最后，通过贝叶斯参数优化试验结果可知，优化后的SVM识别模型的召回...     

基于灰度差分的改进K-means算法在煤矿图像分割的应用

煤矿图像由于其特殊环境造成的非均匀低光照特点,给图像分割带来了困难.针对非均匀低光照的煤矿图像分割问题,提出一种基于灰度差分的改进 KＧmeans图像聚类分割算法.首先计算图像的灰度差分统计特征,包括对比度、熵和平均值,用灰度差分统计特征描述煤矿图像的纹理特征,建立特征向量;然后建立基于纹理特征向量的样本与聚类中心的距离函数,通过 KＧmeans算法的准则函数构建优化问题;最后根据优化问题的聚类结果实现煤矿图像的目标分割.两组煤矿图像分割试验结果的评价指标平均提升了１２％,结合分割视觉效果,说明了改进方法能够实现煤矿图像的有效分割,可得到较好的分割效果.     

煤岩显微组分自动识别技术研究进展

煤岩显微组分的形态特征多样,组分鉴定具有较强的专业性,需要测定者具有深厚的煤岩学基础并熟练运用偏光显微镜。传统组分鉴定存在主观性,测试时间也较长。煤岩显微组分自动识别形成了基于显微光度计和基于图像分析2种技术路线。基于显微光度计的识别方法硬件成本相对较低,通过点扫描或线扫描将显微组分的反射率值转化为电信号并通过数学处理方法实现自动识别。图像分析方法综合显微组分的反射率(灰度)和形貌参数进行自动识别,识别精度更高。随着图像处理技术和图像识别算法的发展,可实现基于显微组分的纹理特征的自动分类。显微组分的智能识别是煤岩显微组分自动识别技术的发展趋势,应在充分分析不同煤的显微组分特征的基础上开发针对性的特征提取和分类算法,以实现煤岩显微组分自动识别。