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。     

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。     

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。     

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。     

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。     

基于分形盒维数和小波包能量矩的垮落煤岩性状识别

针对综放工作面垮落煤岩性状识别的技术问题,采集了综放开采现场垮落煤岩冲击液压支架后尾梁的振动信号,提出了一种基于分形盒维数和小波包能量矩的识别方法。该方法结合分形盒维数对非线性信号整体定量描述的特点和小波包能量矩对非线性信号在各频带精细描述的特点,先对振动信号进行分形特征分析,求出其盒维数,然后对振动信号进行小波包变换,并计算各频带的能量矩。以分形盒维数和小波包能量矩构造特征向量,并作为BP神经网络的输入来识别顶煤垮落和顶板岩石垮落两种工况。试验结果表明:分形盒维数和小波包能量矩构造的特征向量可用于识别垮落煤岩,识别率达到95%。     

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%。