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.     

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...     

钻孔机器人钻进工况智能感知与自适应控制机理研究

针对煤矿井下钻孔作业场景特点,分别选取了基于煤岩图像特征和基于钻进参数反馈的识别方法。为了提高煤岩界面识别准确性,对前述的2种识别方法采用深度学习模型实现了2种异构信息的耦合识别。耦合识别模型基于神经网络模型构建,以CNN卷积神经网络为基础,扩展得到深度残差神经网络模型,其结构主要由骨干网络、颈部网络、头部网络3个部分构成。通过数据库模型训练,得到最终识别方法。通过在煤矿井下进行现场钻孔试验,验证了识别方法的准确性,其中煤岩界面识别准确率达92%。

     

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。     

煤岩识别算法及“自学习”模型研究

针对煤矿井下综采工作面煤岩识别方法普遍存在效果欠佳、稳定性差、应用范围小等问题,基于煤和岩石基本特征的区别,从图像边缘和灰度阈值等视觉差异,借助聚类基本理论,处理煤岩图像边界,分析煤岩灰度共生矩阵包含的纹理特征信息;构造均值纹理导向度和方差纹理导向度;研究煤岩界面灰度共生均值的聚类煤岩识别算法;多尺度分解变换的煤岩纹理特征抽取方法;提出2种分块区域煤岩分界的图像识别模型:图像灰度"相似性"度量估计模型、层次聚类识别模型;并构造出一种煤岩混合模型融合识别方法及流程;为工作面煤岩精确识别、减少采煤机截割岩引起的故障和安全问题提供参考。     

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Faster R-CNN的煤岩 识别与煤层定位测量

传统机器学习的煤岩识别技术大多数采用的是手工设计图像特征,并结合滑动窗口的方式对煤岩图像进行特征提取,再经过分类器进行分类和识别,存在图像特征设计难度大、耗时长、泛化性差等缺点。针对传统机器学习的这些缺点,采用了一种基于机器深度学习Faster R-CNN的煤岩识别方法。首先利用采煤机上的监控摄像机现场采集煤岩图片数据集,将图片输入到VGG16卷积神经网络,对煤岩图像特征进行提取,将提取出来的特征图经过区域建议网络(Region Proposal Network),对图像上的煤岩进行初步定位与分类,最后经过R-CNN网络精确定位分类,输出煤层边界点的像素坐标值。解算出监控摄像机内外置参数,结合理想针孔线性成像模型,将图片中所定位到的煤层边界点(煤层角点)的像素坐标值转化成矿井测量坐标值,为采煤机自动调整滚筒空间位置提供数据依据。     

基于软间隔委员会投票主动学习的遥感影像分类

针对遥感影像数据具有大量未标记样本的特性,采用主动学习方法从未标记样本中,挑选出最有利于改善遥感影像分类性能的样本添加到已标记样本中进行学习,以有效避免过多的人工干预,减少标记样本数量。进一步,针对传统基于委员会投票主动学习难以处理噪声及线性不可分数据的问题,提出基于软间隔的委员会投票主动学习方法,对样本间隔添加考虑样本分布的松弛项,以弱化硬间隔对噪声数据分类的影响。遥感影像数据集上的仿真结果表明,所提算法能够使用较少的训练样本来获得较高的分类精度。     

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。     

基于图像纹理特征的矿井水灾感知方法

现有水灾监测报警方法存在着适应性差、误报和漏报率高等问题,难以满足煤矿安全生产需求。为此,提出了基于图像纹理特征的矿井水灾感知方法:在巷道顶部或巷帮、采煤工作面支架等设置摄像机,实时采集采掘工作面和巷道底板图像;通过双树复小波变换,提取水、煤、岩石图像纹理特征,建立水灾图像识别模型;对学习样本进行双树复小波变换,提取1,2级系数,统计其方差与期望值,利用相应的方差与期望值构造泊松分布模型,并估计其各个方向模型的强度参数。对待测样本同样进行双树复小波变换后,利用1,2级系数的方差与期望值构成的模型强度参数向量与样本参数向量进行皮尔逊相似性比较,最终确定待测样本分类。根据水灾图像识别模型,对实时监测的图像进行识别,当分割图像具有水灾纹理特征时,进行水灾报警。采集了水灾模拟实验图像,建立了图像数据库。对所提出的模型编制了相应的实验程序,进行了模型的训练和实验验证。研究了水、煤、岩石在双树复小波域泊松分布下系数统计值的分布规律,并对模型的性能进行了参数化的评估。通过实验验证了基于图像纹理特征的矿井水灾感知方法的可行性。实验表明,基于图像纹理特征的矿井水灾感知方法,识别水灾准确率大于81%。     

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。     

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。     

基于改进YOLOv3的煤矸识别方法研究

煤矸识别技术对实现煤和矸石自动分选具有重要意义,而现有的图像识别算法在实用性、准确率方面无法满足实际需求。基于图像处理技术和深度学习技术,提出一种基于改进YOLOv3的煤矸识别方法,针对煤矸识别目标小、辨识度低等问题,对原始YOLOv3的网络结构及损失函数进行了改进,用训练生成的模型在测试集上进行识别测试。测试结果表明：改进的YOLOv3-M在小样本上,可在短时间内使模型快速收敛,单张图像识别时间为21.6 ms,识别准确率为95.4%,能适应不同环境下的煤矸样本,可实现实时检测识别。     

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。     

基于卷积神经网络的煤岩微裂隙提取方法

深部开采导致的煤岩裂隙结构的延伸、贯通及扩展是引起煤岩破坏的关键因素。裂隙结构的准确表征是分析煤岩破坏机理及开展煤与瓦斯绿色共采的核心要素之一。本研究采用Waifu2x卷积神经网络模型对裂隙煤岩CT图像进行处理，获得分辨率更高的CT图像。并提出“裂隙煤岩标注七步处理法”，提高了标记效率，采用图像增强技术扩充训练集，满足了模型对于训练集数量和质量的要求。采用训练后的U-Net卷积神经网络进行图像分割，提取煤岩内裂隙信息。通过对比发现，本方法所获得的裂隙连通性、开度及分布与真实CT图像更为接近，所提取的裂隙4个量化指标均优于其他提取方法。研究为裂隙煤岩物理力学行为及机理分析提供基础。