CN103927514A - 一种基于随机局部图像特征的煤岩识别方法 - Google Patents
一种基于随机局部图像特征的煤岩识别方法 Download PDFInfo
- Publication number
- CN103927514A CN103927514A CN201410139099.3A CN201410139099A CN103927514A CN 103927514 A CN103927514 A CN 103927514A CN 201410139099 A CN201410139099 A CN 201410139099A CN 103927514 A CN103927514 A CN 103927514A
- Authority
- CN
- China
- Prior art keywords
- coal
- rock
- image
- primitive
- random
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 73
- 239000011435 rock Substances 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000012876 topography Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 14
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000002386 leaching Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 8
- 239000000523 sample Substances 0.000 description 15
- 238000005286 illumination Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 238000007630 basic procedure Methods 0.000 description 2
- 239000002802 bituminous coal Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于随机局部图像特征识别煤岩的方法,该方法用随机局部图像特征来描述煤、岩石图像,用聚类算法选择煤、岩石训练样本的随机局部图像特征作为基元字典,然后用最邻近规则对选定的煤、岩石样本图像的随机局部图像特征用基元字典标注,煤、岩石的一张样本图像的基元频率统计正则直方图表达了煤、岩石的一个模式,用多个模式表达煤、岩石特征;在识别时,待识别图像用与训练图像同样的方法抽取随机局部图像特征和建立直方图,然后和训练阶段学习到的模式进行比较,用巴氏系数来度量,用最近邻准则来识别。该方法用了不同种类的煤、岩石在不同光线、不同视点下的图像作为训练样本,因而受光照和成像视点变化影响小,不受煤、岩石种类变化的影响,识别率高,稳定性好。
Description
技术领域
本发明涉及一种基于随机局部图像特征的煤岩识别方法,属于图像识别技术领域。
背景技术
煤岩识别即用一种方法自动识别出煤岩石对象为煤或岩石。在煤炭生产过程中,煤岩识别技术可广泛应用于滚筒采煤、掘进、放顶煤开采、原煤选矸石等生产环节,对于减少采掘工作面作业人员、减轻工人劳动强度、改善作业环境、实现煤矿安全高效生产具有重要意义。
已有多种煤岩识别方法,如自然γ射线探测法、雷达探测法、应力截齿法、红外探测法、有功功率监测法、震动检测法、声音检测法、粉尘检测法、记忆截割法等,但这些方法存在以下问题:①需要在现有设备上加装各类传感器获取信息,导致装置结构复杂,成本高。②采煤机滚筒、掘进机等设备在生产过程中受力复杂、振动剧烈、磨损严重、粉尘大,传感器部署比较困难,容易导致机械构件、传感器和电气线路受到损坏,装置可靠性差。③对于不同类型机械设备,传感器的最佳类型和信号拾取点的选择存在较大区别,需要进行个性化定制,***的适应性差。
已有的基于图像的煤岩识别方法对成像条件如光照、视点等敏感,若待识别的煤或岩石图像成像条件与训练时的煤或岩石样本图像成像条件不同时,识别率大大降低;另外,若待识别的煤、岩石种类发生改变时,需要重新取样煤、岩石样本图像对识别器进行训练。
需要一种解决或至少改善现有技术中固有的一个或多个问题的煤岩识别方法,以提高煤岩识别率和识别稳定性。
发明内容
因此,本发明的目的在于提供一种基于随机局部图像特征的煤岩识别方法,该识别方法受光照和成像视点变化影响小,不受煤、岩石种类变化的影响,能够实时、自动地识别出当前煤、岩石对象是煤或是岩石,为自动化采掘、自动化放煤、自动化选矸等生产过程提供可靠的煤岩识别信息。
根据一种实施例形式,本发明所述的煤岩识别方法采用如下技术方案实现,包括如下步骤:
A.分别采集像素大小为N的煤样本图像集和岩石样本图像集分别提取两个 样本集中每张图像Ic和Ir的随机局部图像特征{xi}c和{xi}r,构成训练集和
B.用K-means聚类方法分别对随机局部图像特征集和进行聚类运算,分别得到Q个聚类中心作为基元,合并成2Q大小的基元字典TD;
C.分别从煤样本图像集和岩石样本图像集中选取特定样本图像M张,将选定的每一张图像的随机局部图像特征xi用基元字典TD中与其最近的基元标注,计算每个基元出现的频率,作归一化直方图,即为该张图像的基元直方图,煤的M张图像的基元直方图构成煤的模式岩石的M张图像的基元直方图构成岩的模式
D.给定未知煤岩对象图像Ix,用与步骤A中相同的方法提取Ix的随机局部图像特征{xi}x,用与步骤C中相同的方法计算Ix基元直方图hx,用巴氏系数度量hx与煤和岩石模式距离,若maxd(hx,hcm)<maxd(hx,hrm),则为煤,否则为岩石,计算公式如下:
其中,步骤A中所述每张图像的随机局部图像特征{xi}提取过程如下:
(1)对每张样本图像,在每个像素位置以其为中心取其周围大小为的图像块pj,j为图像块索引,将图像块pj中像素灰度值记录成长度为n的向量,所有图像块pj矢量表示为P={p1,p2,...pL}T,L为图像块维数;
(2)对P进行χ=ΨP操作,其中Ψ∈Rm×L为随机测量矩阵,其元素rij为:
α=常数,表示Ψ中每一行非零元素个数,xi=Σjrijpj,xi∈Rn,χ={x1,x2,...,xm}T,m表示该张图像中随机局部图像特征维数;
(3)将xi归一化为单位长度向量。
附图说明
通过以下说明,附图实施例变得显而已见,其仅以结合附图描述的至少一种优选但非限制性实施例的示例方式给出。
图1是本发明所述煤岩识别方法的基本流程;
图2是图像块的向量表示;
具体实施方式
通过对煤、岩石块状样本的观察,煤和岩石的纹理对比存在较为明显的差异,具体体现在纹理的粗糙程度、稀疏程度、纹理变化的均匀性、沟纹的深浅等方面。煤和岩石在纹理上的互异性为煤岩识别的实现提供了先决条件。然而,成像传感器所成图像不仅与物体表面纹理、反射率、成像传感器本身有关,还与光照以及成像视点有关,这使得一方面当光照和成像视点发生变化时,同一块煤或岩石所成图像有很大的不同,另一方面煤和岩石在不同成像条件下所成图像有时也表现出非常相似。因此,本发明提出一种基于随机局部图像特征的煤岩识别方法,目的在于当所成图像的光线和视点发生变化时也能有效地识别煤或者岩石。
首先对基于随机局部图像特征的煤岩识别方法的基本流程进行描述。参照图1,具体步骤如下:
A.在不同光照、不同位置拍摄常见煤的样本图像如烟煤、无烟煤等,常见顶底板岩石样本图像如页岩、沙岩等,如本发明中每个样品拍9张(相机位置不变,样品放在3个不同位置,变化光照3次),将所有图像裁减成像素大小为N的图像,如200×200图像,像素大小N则为40000,对裁减后的每一张图像进行预处理,如本发明处理成0均值、单位方差的灰度图像,这样使得图像中的像素灰度值对光照的变化具有不变性;处理后的煤、岩石样本图像分别构成煤样本图像集和岩石样本图像集分别提取两个样本集中每张图像Ic和Ir的随机局部图像特征{xi}c和{xi}r,构成训练集和
每张图像的随机局部图像特征{xi}提取过程如下:
(1)对每张样本图像,在每个像素位置以其为中心取其周围大小为的图像块pj,j为图像块索引,将图像块pj中像素灰度值记录成长度为n的向量,所有图像块pj向量表示为P={p1,p2,...pL}T,L表示图像块维数。
大小为的图像块可取3×3、5×5、7×7、9×9或11×11等,图像块pj向量如图2所示,pj=(i1,i2,...in-1,i0),其中,i0为图像块pj中心像素的灰度值。
如上所述,所有图像块向量即为图像的特征向量,这样图像特征维数非常高,为减小计算和存贮负担,而又不丢失图像信息,利用压缩感知原理对图像特征空间进行降维。
矩阵中元素rij满足式(1)的随机测量矩阵Ψ∈Rm×L,m<<L已被证明满足压缩感知原理的约束等距性RIP,满足RIP的随机测量矩阵能捕捉绝大多数原图像中的显著性信息。
(2)对P进行χ=ΨP操作,取α=常数,表示Ψ中每一行非零元素个数,xi=∑jrijpj为非零元素对应的图像块向量加权和,权值为+1或者-1,xi∈Rn,χ={x1,x2,...,xm}T,m表示该张图像中随机局部图像特征维数。
在本发明中,取α=0.4,m=N/4;
随机测量矩阵Ψ生成后即不变,作用于所有训练图像和测试图像。
(3)将xi归一化为单位长度向量。
B.用K-means聚类方法,分别对随机局部图像特征集和进行聚类运算,分别得到Q={q1,...qQ},qk∈Rn×1个聚类中心作为基元,如Q=20,合并成2Q大小的基元字典TD,聚类准则为:
C.分别从煤样本图像集和岩石样本图像集中抽取特定的样本图像M张,如抽取烟煤、无烟煤、页岩、沙岩、图像各3张共12张,其中每2张的抽取可以是随机的。将选定的每一张图像的随机局部图像特征xi用基元字典TD中与其最近的基元标注,计算每个基元出现的频率,作归一化直方图,即为该张图像的基元直方图,煤的M张图像的基元直方图构成煤的模式岩石的M张图像的基元直方图构成岩的模式
D.给定未知煤岩对象图像Ix,用与步骤A中相同的方法提取Ix的随机局部图像特征{xi}x,即用步骤(1)、(2)和(3)提取,用与步骤C中相同的方法计算Ix纹理基元直方图hx,用巴氏系数度量hx与煤和岩石模式距离,若maxd(hx,hcm)<maxd(hx,hrm),则为煤,否则为岩石,计算公式如下:
Claims (1)
1.一种基于随机局部图像特征的煤岩识别方法,其特征在于,包括以下步骤:
A.分别采集像素大小为N的煤样本图像集和岩石样本图像集分别提取两个样本集中每张图像Ic和Ir的随机局部图像特征{xi}c和{xi}r,构成训练集和
B.用K-means聚类方法分别对随机局部图像特征集和进行聚类运算,分别得到Q个聚类中心作为基元,合并成2Q大小的基元字典TD;
C.分别从煤样本图像集和岩石样本图像集中选取特定样本图像M张,将选定的每一张图像的随机局部图像特征xi用基元字典TD中与其最近的基元标注,计算每个基元出现的频率,作归一化直方图,即为该张图像的基元直方图,煤的M张图像的基元直方图构成煤的模式岩石的M张图像的基元直方图构成岩的模式
D.给定未知煤岩对象图像Ix,用与步骤A中相同的方法提取Ix的随机局部图像特征{xi}x,用与步骤C中相同的方法计算Ix基元直方图hx,用巴氏系数度量hx与煤和岩石模式距离,若maxd(hx,hcm)<maxd(hx,Hrm),则为煤,否则为岩石,计算公式如下:
其中,步骤A中所述每张图像的随机局部图像特征{xi}提取过程如下:
(1)对每张样本图像,在每个像素位置以其为中心取其周围大小为的图像块pj,j为图像块索引,将图像块pj中像素灰度值记录成长度为n的向量,所有图像块pj向量表示为P={p1,p2,...pL}T,L为图像块维数;
(2)对P进行χ=ΨP操作,其中Ψ∈Rm×L为随机测量矩阵,其元素rij为:
α=常数,表示Ψ中每一行非零元素个数,xi=Σjrijpj,xi∈Rn,χ={x1,x2,...,xm}T,m表示该张图像中随机局部图像特征维数;
(3)将xi归一化为单位长度向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410139099.3A CN103927514B (zh) | 2014-04-09 | 2014-04-09 | 一种基于随机局部图像特征的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410139099.3A CN103927514B (zh) | 2014-04-09 | 2014-04-09 | 一种基于随机局部图像特征的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927514A true CN103927514A (zh) | 2014-07-16 |
CN103927514B CN103927514B (zh) | 2017-07-25 |
Family
ID=51145730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410139099.3A Expired - Fee Related CN103927514B (zh) | 2014-04-09 | 2014-04-09 | 一种基于随机局部图像特征的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927514B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN104778461A (zh) * | 2015-04-24 | 2015-07-15 | 中国矿业大学(北京) | 基于相似测度学习的煤岩识别方法 |
CN104881434A (zh) * | 2015-04-29 | 2015-09-02 | 长江岩土工程总公司(武汉) | 一种基于图像特征的野外岩性智能识别方法 |
CN105350963A (zh) * | 2015-12-01 | 2016-02-24 | 中国矿业大学(北京) | 一种基于相关性度量学习的煤岩识别方法 |
CN106780490A (zh) * | 2017-01-20 | 2017-05-31 | 王恒升 | 一种图像特征的局部检测法 |
CN106845560A (zh) * | 2017-03-01 | 2017-06-13 | 中国矿业大学(北京) | 基于可控塔式分解和字典学习的煤岩识别方法 |
CN107120116A (zh) * | 2017-07-03 | 2017-09-01 | 中国矿业大学 | 一种基于图像识别的采煤机滚筒自动调高装置与方法 |
CN107169524A (zh) * | 2017-05-31 | 2017-09-15 | 中国矿业大学(北京) | 基于完备局部二值模式重构残差的煤岩识别方法 |
CN108805158A (zh) * | 2018-04-16 | 2018-11-13 | 北京师范大学 | 一种致密油储层成岩相划分方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
WO2020062470A1 (zh) * | 2018-09-28 | 2020-04-02 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
CN111520139A (zh) * | 2020-05-08 | 2020-08-11 | 中煤科工集团重庆研究院有限公司 | 一种基于煤岩识别的采煤机滚筒调节方法 |
CN112814678A (zh) * | 2020-12-31 | 2021-05-18 | 重庆大学 | 一种矿井综采工作面智能化放顶煤方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110001348A1 (en) * | 2008-02-19 | 2011-01-06 | Rag Aktiengesellschaft | Method for Controlling Longwall Operations Using Boundary Layer Recognition |
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与*** |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
-
2014
- 2014-04-09 CN CN201410139099.3A patent/CN103927514B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110001348A1 (en) * | 2008-02-19 | 2011-01-06 | Rag Aktiengesellschaft | Method for Controlling Longwall Operations Using Boundary Layer Recognition |
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与*** |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
Non-Patent Citations (3)
Title |
---|
DIMITRIS ACHLIOPTAS: "database-friendly random projection", 《20TH ACM SYMPOSIUM ON PRINCIPLES OF DATABASE SYSTEMS》 * |
KAIHUA ZHANG ET AL: "Real-Time Compressive Tracking", 《PROCEEDINGS OF THE 12TH EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
LI LIU ET AL: "texture classification from random feature", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN104778461B (zh) * | 2015-04-24 | 2018-02-13 | 中国矿业大学(北京) | 基于相似测度学习的煤岩识别方法 |
CN104778461A (zh) * | 2015-04-24 | 2015-07-15 | 中国矿业大学(北京) | 基于相似测度学习的煤岩识别方法 |
CN104881434A (zh) * | 2015-04-29 | 2015-09-02 | 长江岩土工程总公司(武汉) | 一种基于图像特征的野外岩性智能识别方法 |
CN105350963A (zh) * | 2015-12-01 | 2016-02-24 | 中国矿业大学(北京) | 一种基于相关性度量学习的煤岩识别方法 |
CN106780490A (zh) * | 2017-01-20 | 2017-05-31 | 王恒升 | 一种图像特征的局部检测法 |
CN106845560A (zh) * | 2017-03-01 | 2017-06-13 | 中国矿业大学(北京) | 基于可控塔式分解和字典学习的煤岩识别方法 |
CN106845560B (zh) * | 2017-03-01 | 2020-04-28 | 中国矿业大学(北京) | 基于可控塔式分解和字典学习的煤岩识别方法 |
CN107169524A (zh) * | 2017-05-31 | 2017-09-15 | 中国矿业大学(北京) | 基于完备局部二值模式重构残差的煤岩识别方法 |
CN107120116A (zh) * | 2017-07-03 | 2017-09-01 | 中国矿业大学 | 一种基于图像识别的采煤机滚筒自动调高装置与方法 |
CN108805158A (zh) * | 2018-04-16 | 2018-11-13 | 北京师范大学 | 一种致密油储层成岩相划分方法 |
CN108805158B (zh) * | 2018-04-16 | 2021-06-01 | 北京师范大学 | 一种致密油储层成岩相划分方法 |
WO2020062470A1 (zh) * | 2018-09-28 | 2020-04-02 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN111520139A (zh) * | 2020-05-08 | 2020-08-11 | 中煤科工集团重庆研究院有限公司 | 一种基于煤岩识别的采煤机滚筒调节方法 |
CN111520139B (zh) * | 2020-05-08 | 2021-07-23 | 中煤科工集团重庆研究院有限公司 | 一种基于煤岩识别的采煤机滚筒调节方法 |
CN112814678A (zh) * | 2020-12-31 | 2021-05-18 | 重庆大学 | 一种矿井综采工作面智能化放顶煤方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927514B (zh) | 2017-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927514A (zh) | 一种基于随机局部图像特征的煤岩识别方法 | |
CN103927528B (zh) | 基于紧邻域像素灰度联合分布特征的煤岩识别方法 | |
Aquino et al. | A new methodology for estimating the grapevine-berry number per cluster using image analysis | |
CN102509087B (zh) | 一种基于图像灰度共生矩阵的煤岩识别方法 | |
Huang et al. | A multidirectional and multiscale morphological index for automatic building extraction from multispectral GeoEye-1 imagery | |
CN103927553B (zh) | 基于多尺度微纹理和对比度联合分布的煤岩识别方法 | |
CN102928435A (zh) | 基于图像和超声信息融合的飞机蒙皮损伤识别方法及装置 | |
CN103942576B (zh) | 一种用空域多尺度随机特征识别煤岩的方法 | |
CN104751192A (zh) | 基于图像块共生特征的煤岩识别方法 | |
CN112149512A (zh) | 一种基于两阶段深度学习的安全帽佩戴识别方法 | |
CN104951799A (zh) | 一种sar遥感影像溢油检测识别方法 | |
CN105184300A (zh) | 一种基于图像lbp的煤岩识别方法 | |
Houshmand et al. | Rock type classification based on petrophysical, geochemical, and core imaging data using machine and deep learning techniques | |
WO2023022587A1 (en) | Geographic data processing methods and systems for assessing geohazard risk | |
CN114581764A (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
Singh et al. | Roof bolt identification in underground coal mines from 3D point cloud data using local point descriptors and artificial neural network | |
CN105243401A (zh) | 基于煤岩结构元学习的煤岩识别方法 | |
CN104751193B (zh) | 基于距离约束相似性的煤岩识别方法 | |
CN104778461B (zh) | 基于相似测度学习的煤岩识别方法 | |
CN113184483B (zh) | 一种输送带防撕裂***及预警方法 | |
CN105350963B (zh) | 一种基于相关性度量学习的煤岩识别方法 | |
CN116561536B (zh) | 一种滑坡隐患的识别方法、终端设备及介质 | |
CN104463098B (zh) | 用图像的结构张量方向直方图特征识别煤岩 | |
CN106951924A (zh) | 基于AdaBoost算法的地震相干体图像断层自动识别方法及*** | |
CN104034732B (zh) | 一种基于视觉任务驱动的织物疵点检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170725 Termination date: 20200409 |
|
CF01 | Termination of patent right due to non-payment of annual fee |