基于煤岩结构元学习的煤岩识别方法技术

本发明专利技术公开了一种基于煤岩结构元学习的煤岩识别方法，该方法通过煤岩结构元学习获得煤、岩图像的特征信息进行识别。本方法由图像预处理、训练过程和识别过程三大模块组成。预处理模块，对采集到的煤、岩图像进行简单的预处理，得到训练样本集。训练模块，用训练样本集训练结构元，提取图像特征信息。识别模块，根据训练得到的结构元，提取未知煤岩对象图像的特征信息，再输入到分类器中进行分类识别。该方法用煤、岩在不同照度、不同视点下的图像作为训练样本，且对图像噪声具有较高的鲁棒性，受照度和成像视点变化影响小，识别率高，稳定性好。

【技术实现步骤摘要】

本专利技术涉及一种，属于煤岩识别

技术介绍
煤岩识别即用一种方法自动识别出煤或岩石。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，系统的适应性差。 为解决上述问题，图像技术越来越受到重视，并研发了一些基于图像技术的煤岩 识别方法，然而已有方法需要人工精心选取图像特征或图像特征的组合，这往往需要很大 的努力与尝试，然而所得方法并不总是对因成像条件变化引起的图像数据变化具有鲁棒 性，致使在识别稳定性和识别率上有所欠缺。 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。
技术实现思路
因此，本专利技术的目的在于提供一种，该识别 方法无需人工精心选取图像特征，而且对图像噪声具有高度的鲁棒性，因而该方法具有较 高的识别稳定性和识别率，可为自动化采掘、自动化放煤、自动化选矸等生产过程提供了可 靠的煤岩识别信息。 根据一种实施例形式，提供一种，包括如下 步骤： S1.采集若干幅煤、岩图像，构成训练样本集Υ，所述样本集的类别标号集设为L; S2.利用训练样本集Υ，构造煤岩结构元D和稀疏表示矩阵X，构造函数如下： S3.用X进行分类器训练与测试 任意选取X中的一部分列向量构成训练集训练分类器，剩余的部分构成测试集用 来测试，得出分类器各参数合适的值，使该分类器能满足识别精度； S4.对于待识别的未知煤岩对象图像yi，用步骤S2中求得的结构元D作为输入，用 贪婪算法求得稀疏表示向量Xi，即为该未知图像的特征向量，表征的目标函数如下：S5.将未知煤岩对象图像的特征向量Xl (步骤S4中求得）输入步骤S3中训练好 的分类器中，判别煤岩类型。【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是本专利技术所述煤岩识别方法的基本流程。 具体实施方法 图1是的基本流程，参见图1进行具体描述。 S1.采集煤、岩对象图像，随机选取若干幅煤岩图像进行预处理，构成训练样本集 Y，并标注类别，该类别标号集设为L; 将从煤岩识别任务的现场如采煤工作面采集来的不同照度、不同视点的若干煤、 岩样本图像（若是彩色图像，先将其转换为灰度图像），在图像的中心截取像素大小如 Θ4Χ64的子图像，并将每张子图像拉成一列，变成维度为4096的列向量，再进行归一化处 理，共同组成训练样本矩阵Y。若共采集煤、岩图像各200幅，则Y为4096X400的矩阵，N =400。用数字对Y中每个原子标注类别，类别标号集L则是大小为1X400的矩阵，存放Y 中各图像对应的类别标号。 S2.利用训练样本集Y，构造煤岩结构元D和稀疏表示矩阵X; 本步骤实际要解决的是如下的优化问题： 其中，\是父中某一原子，| | · | | 范数，| | · | |。是L。范数，T。是稀疏度。 对于上述优化问题，这里，我们采用KSVD算法解决，对应图1中训练过程那一部 分，包含稀疏编码和结构元更新先后两个阶段如下： 稀疏编码阶段：先对结构元D进行初始化，这里可从Y中任意选取s(如100)个原 子构成D;再用0ΜΡ算法求解X，即解决如下非凸优化问题： 其中，71是￥中某一原子，|卜| | 2是1^2范数。 结构元更新阶段：结构元D是逐列更新的，假设要更新结构元D的第k列dk，令稀 疏矩阵X中与4相乘的第k行记做碎,则目标函数可重写为： 上式中，Ek表示去掉原子dk的成分在所有样本中造成的误差。 为保证稀疏性，不能直接对Ek进行SVD分解更新结构元，需要对E,和做变换。 S3.用X进行分类器的训练与测试； 步骤S1中的L以及步骤S2中的X作为输入，X即为训练样本集Υ的特征向量矩 阵。设定初始Κ值，任意选取X中的一部分列向量构成训练集训练ΚΝΝ分类器，剩余的部分 构成测试集用来测试，得出识别率。调整Κ值，使该分类器的识别精度达到95%以上。如果 达不到需要的精度，可从X中多选取一些列向量进行分类器的训练，也可加大训练样本的 数目。 S4.处理待识别的未知煤岩对象图像，再用结构元D表征，求出特征向量xi; 未知煤岩对象图像的处理过程与步骤S1中预处理过程相同，将该未知图像处理 成归一化的列向量yi。本步骤中的结构元D来源于步骤S2的输出，求X;的方法与步骤S2 中稀疏编码阶段类似（可参考步骤S2)，也是利用0ΜΡ贪婪算法求得。本步骤对应图1中右 半部分。 S5.识别未知煤岩对象图像，输出其所属类别标号。 将未知煤岩对象图像的特征向量Xl (步骤S4中求得）输入步骤S3中训练好的KNN 分类器中，根据多数判决原则，判别煤岩类型，输出该未知煤岩图像的类别标号。本步骤对 应图1中的识别过程。【主权项】1.，包括W下步骤：51. 采集若干幅煤、岩图像，构成训练样本集Y，所述样本集的类别标号集设为L;52. 利用训练样本集Y，构造煤岩结构元D和稀疏表示矩阵X，构造函数如下：53. 用X进行分类器训练与测试 任意选取X中的一部分列向量构成训练集训练分类器，剩余的部分构成测试集用来测 试，得出分类器各参数合适的值，使该分类器能满足识别精度；54. 对于待识别的未知煤岩对象图像yi，用步骤S2中求得的结构元D作为输入，用贪 婪算法求得的稀疏表示向量X1，即为该未知图像的特征向量，表征的目标函数如下：55. 将未知煤岩对象图像的特征向量(步骤S4中求得）输入步骤S3中训练好的分 类器中，判别煤岩类型。【专利摘要】本专利技术公开了一种，该方法通过煤岩结构元学习获得煤、岩图像的特征信息进行识别。本方法由图像预处理、训练过程和识别过程三大模块组成。预处理模块，对采集到的煤、岩图像进行简单的预处理，得到训练样本集。训练模块，用训练样本集训练结构元，提取图像特征信息。识别模块，根据训练得到的结构元，提取未知煤岩对象图像的特征信息，再输入到分类器中进行分类识别。该方法用煤、岩在不同照度、不同视点下的图像作为训练样本，且对图像噪声具有较高的鲁棒性，受照度和成像视点变化影响小，识别率高，稳定性好。【IPC分类】G06K9/66【公开号】CN105243401【申请号】CN201510758371【专利技术人】伍云霞, 田一民 【申请人】中国矿业大学(北京)【公开日】2016年1月13日【申请日】2015年11月10日本文档来自技高网...

【技术保护点】
基于煤岩结构元学习的煤岩识别方法，包括以下步骤：S1.采集若干幅煤、岩图像，构成训练样本集Y，所述样本集的类别标号集设为L；S2.利用训练样本集Y，构造煤岩结构元D和稀疏表示矩阵X，构造函数如下：minD,X{||Y-DX||F2}s.t.∀i,||xi||0≤T0;]]>S3.用X进行分类器训练与测试任意选取X中的一部分列向量构成训练集训练分类器，剩余的部分构成测试集用来测试，得出分类器各参数合适的值，使该分类器能满足识别精度；S4.对于待识别的未知煤岩对象图像yi，用步骤S2中求得的结构元D作为输入，用贪婪算法求得yi的稀疏表示向量xi，即为该未知图像的特征向量，表征的目标函数如下：minxi{||yi-Dxi||22}s.t.∀i,||xi||0≤T0;]]>S5.将未知煤岩对象图像的特征向量xi(步骤S4中求得)输入步骤S3中训练好的分类器中，判别煤岩类型。

【技术特征摘要】

【专利技术属性】
技术研发人员：伍云霞，田一民，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：北京;11