一种基于深度学习技术的煤的破坏类型快速识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习技术的煤的破坏类型快速识别方法及装置，包括采集煤的破坏类型图像，图像预处理，煤的破坏类型图像识别模型是基于深度学习的残差卷积神经网络图像识别模型，包括输入层、卷积层、池化层、全连接及输出层5种结构，由1个输入层、49层卷积层、2层池化层、1层全连接层和1个输出层构成；训练煤的破坏类型图像识别模型，煤的破坏类型图像识别，获得煤的图像所属的破坏类型。本发明专利技术能实现定量、安全、快速、准确的识别煤的破坏类型。

【技术实现步骤摘要】
一种基于深度学习技术的煤的破坏类型快速识别方法及装置
本专利技术属于煤矿安全
，具体来说涉及一种煤的破坏类型快速识别方法，同时还涉及该基于深度学习技术的煤的破坏类型快速识别装置。
技术介绍
我国是全球最大的产煤国，煤炭消费量居世界首位。作为主体能源和重要工业原料，煤炭在我国一次性能源消费结构中的比重占60％以上，预计到2050年仍将维持在50％以上。因此，在很长一段时期内，煤炭仍将占据能源消费结构的主导地位。据统计，中国95％以上煤矿为井工开采，随着开采深度的增加，煤矿安全开采面临的问题日趋严峻，在各类煤矿事故中煤与瓦斯突出尤为严重。同时，我国主要产煤矿区地质构造条件普遍复杂，构造煤、软分层等较为发育，使得煤与瓦斯突出的发生具备了客观条件。煤的破坏类型是指煤体结构受构造应力作用后的破坏程度，根据煤的物理、力学性质和特征等，《煤与瓦斯突出矿井鉴定规范》(AQ1024-2006)中将煤的破坏类型分为5种，Ⅰ类(非破坏煤)、Ⅱ类(破坏煤)、Ⅲ类(强烈破坏煤)、Ⅳ类(粉碎煤)和Ⅴ类(全粉煤)，并从光泽、构造与构造特征、节理性质、节理面性质和硬度等方面进行了详细描述。工程实践表明：煤的结构类型变化往往与地质构造关系密切，构造煤发育区往往是瓦斯突出的危险区，已成为共识，尤其是韧性变形的构造煤，由于特殊的物理和化学结构决定了其高含气量和低透气性的特征，是煤与瓦斯突出的危险带。而变形较弱的脆性系列构造煤，裂隙发育、连通性好、渗透率较高，分布范围较大，是较好的瓦斯储层。现行《煤矿安全规程》、《防治煤与瓦斯突出细则》、《煤矿瓦斯等级鉴定办法》等均将煤的破坏类型作为判定煤与瓦斯突出危险性的主要指标之一，但在实际应用时多数是依据煤的宏观物理特征，通过工程技术人员井下观察辨别煤的破坏类型，判定结果受人员经验、知识结构等影响较大，存在很大的主观性和误差。图像识别技术是利用计算机对图像进行处理、分析，以识别各种不同模式的目标和对象的技术。传统图像的识别流程主要分了2步：特征提取和识别。特征的提取是从原始像素点中提取更高级的特征，如方向梯度直方图(HOG)、线性反投影(LBP)等，然后使用特征训练分类器进行识别图像，常使用的分类器有支持向量机(SVM)、逻辑回归(LR)等，其特征提取缺乏自适应性，如果选择的特征不具备代表性，识别模型准确率会大大降低。
技术实现思路
本专利技术的目的在于克服上述缺点而提供的一种能实现定量、安全、快速、准确的识别煤的破坏类型的基于深度学习技术的煤的破坏类型快速识别方法。本专利技术的另一目的在于提供该基于深度学习技术的煤的破坏类型快速识别装置。本专利技术的一种基于深度学习技术的煤的破坏类型的识别方法，包括以下步骤：(1)采集煤的破坏类型图像：煤矿井下拍摄煤层图像，图像中要求无遮挡物(如工字钢、锚网等)，并手动标记其破坏类型，建立煤的破坏类型图像识别数据库，使用图片增强技术扩充数据库中图像数量；(2)图像预处理：图像数据以红绿蓝(RGB)色彩模式表示，将步骤(1)采集的煤的破坏类型图像尺寸归一化到224×224×3大小矩阵中，像素值归一化到均值为0、方差为1的标准正态分布上；(3)构建煤的破坏类型图像识别模型：煤的破坏类型图像识别模型是基于深度学习的残差卷积神经网络图像识别模型，包括输入层、卷积层、池化层、全连接及输出层5种结构，由1个输入层、49层卷积层、2层池化层、1层全连接层和1个输出层构成；(4)训练煤的破坏类型图像识别模型：使用步骤(2)中80％的数据作为训练集，训练步骤(3)构建的破坏类型图像识别模型，利用反向传播和优化器更新模型中每层的权重，直至模型的损失函数(LossFunction)收敛，停止模型训练，此时使用步骤(2)中未参与模型训练的数据验证模型准确率，当模型准确率高于93％，召回率高于85％时输出煤的破坏类型图像识别模型，否则，重复步骤(1)-(4)；(5)煤的破坏类型图像识别：对待识别的煤的破坏类型图像使用步骤(2)的方法进行图像预处理后，输入到步骤(4)训练好的煤的破坏类型图像识别模型中进行识别(检测)，获得煤的图像所属的破坏类型(Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ五种类型)。上述的一种基于深度学习技术的煤的破坏类型的识别方法，其中：步骤(1)中的图像增强技术，包括图像水平翻转、随机旋转变换、随机裁剪、添加高斯噪声及图像亮度调节，用于扩充数据库中图像数量时对每张图像至少使用2种以上的图像增强技术扩充煤的破坏类型图像识别数据库量。上述的一种基于深度学习技术的煤的破坏类型的识别方法，其中：步骤(2)的图像预处理，将图像尺寸归一化为224×224×3的矩阵，可根据步骤(4)训练模型使用计算机的计算性能进一步优化尺寸，包括64×64×3、128×128×3等。上述的一种基于深度学习技术的煤的破坏类型的识别方法，其中：步骤(3)的煤的破坏类型图像识别模型为优化选择残差神经网络-101(ResNet-101)或残差神经网络-152(ResNet-152)改进设计煤的破坏类型图像识别模型结构。本专利技术的一种基于深度学习技术的煤的破坏类型快速识别装置，包括中央处理器、识别模型程序、储存单元、音频单元、显示单元、输出\输出(I\O)单元、图像采集、电源、防爆装置以及总线系统；中央处理器与储存单元互相连接，储存单元包括硬盘和内存，硬盘主要用于存储拍摄检测煤层图像与识别模型程序(装置在运行时，识别模型程序被载入到内存被中央处理器运行)；图像采集、I\O单元、显示单元分别与中央处理器互连，数据互相流通；中央处理器与音频单元单相连接，电源通过总线系统为装置提供电源，总线系统用于连接所有功能单元。上述的一种基于深度学习技术的煤的破坏类型快速识别装置，其中：中央处理器用于运算与控制，调用图像采集获取待检测识别煤层图像，执行储存单元识别模型程序，即方法中步骤(2)图像预处理与步骤(4)训练输出煤的破坏类型图像识别模型，通过显示单元输出检测结果及类型信息。上述的一种基于深度学习技术的煤的破坏类型快速识别装置，其中：识别模型程序储存在存储单元中，后续可通过I\O单元优化升级迭代煤的破坏类型图像识别模型，提高识别准确率。本专利技术与现有技术相比，具有明显的有益效果，从以上技术方案可知：本专利技术基于煤的破坏类型图像信息建立煤的破坏类型识别模型，并将模型内化于便携式设备装置中，煤层破坏类型识别模型利用深度学习图像识别技术，比传统图像识别准确度高、自适应强；便于现场人员实时、高效识别煤的破坏类型，解决了传统人工主观目测识别方式存在的主观性和误差，有利煤矿的安全生产。本专利技术通过采集大量的煤层图像信息建立图像库，使用深度学习图像识别技术建立煤的破坏类型识别模型，识别准确率能高于93％。同时将待检测的煤层图像保存在便携式装备中，使得检测结果可追溯、可复检，有利于指导矿山安全生产。本专利技术利用深度学习图像识别技术，构建煤的破坏类型图像识别模型，能实现定量、安全、快速、准确的识别煤的破坏类型，并嵌入到便携式识别装置中，在矿井下快速、准确识别煤的破坏类型，有效预防煤与瓦斯本文档来自技高网...

【技术保护点】
1.一种基于深度学习技术的煤的破坏类型的识别方法，包括以下步骤：/n（1）采集煤的破坏类型图像：煤矿井下拍摄煤层图像，图像中要求无遮挡物，并手动标记其破坏类型，建立煤的破坏类型图像识别数据库，使用图片增强技术扩充数据库中图像数量；/n（2）图像预处理：图像数据以红绿蓝色彩模式表示，将步骤（1）采集的煤的破坏类型图像尺寸归一化到224×224×3大小矩阵中，像素值归一化到均值为0、方差为1的标准正态分布上；/n（3）构建煤的破坏类型图像识别模型：煤的破坏类型图像识别模型是基于深度学习的残差卷积神经网络图像识别模型，包括输入层、卷积层、池化层、全连接及输出层5种结构，由1个输入层、49层卷积层、2层池化层、1层全连接层和1个输出层构成；/n（4）训练煤的破坏类型图像识别模型：使用步骤（2）中80%的数据作为训练集，训练步骤（3）构建的破坏类型图像识别模型，利用反向传播和优化器更新模型中每层的权重，直至模型的损失函数收敛，停止模型训练，此时使用步骤（2）中未参与模型训练的数据验证模型准确率，当模型准确率高于93%，召回率高于85%时输出煤的破坏类型图像识别模型，否则，重复步骤（1）-（4）；/n（5）煤的破坏类型图像识别：对待识别的煤的破坏类型图像使用步骤（2）的方法进行图像预处理后，输入到步骤（4）训练好的煤的破坏类型图像识别模型中进行识别，获得煤的图像所属的破坏类型。/n...

【技术特征摘要】
1.一种基于深度学习技术的煤的破坏类型的识别方法，包括以下步骤：
（1）采集煤的破坏类型图像：煤矿井下拍摄煤层图像，图像中要求无遮挡物，并手动标记其破坏类型，建立煤的破坏类型图像识别数据库，使用图片增强技术扩充数据库中图像数量；
（2）图像预处理：图像数据以红绿蓝色彩模式表示，将步骤（1）采集的煤的破坏类型图像尺寸归一化到224×224×3大小矩阵中，像素值归一化到均值为0、方差为1的标准正态分布上；
（3）构建煤的破坏类型图像识别模型：煤的破坏类型图像识别模型是基于深度学习的残差卷积神经网络图像识别模型，包括输入层、卷积层、池化层、全连接及输出层5种结构，由1个输入层、49层卷积层、2层池化层、1层全连接层和1个输出层构成；
（4）训练煤的破坏类型图像识别模型：使用步骤（2）中80%的数据作为训练集，训练步骤（3）构建的破坏类型图像识别模型，利用反向传播和优化器更新模型中每层的权重，直至模型的损失函数收敛，停止模型训练，此时使用步骤（2）中未参与模型训练的数据验证模型准确率，当模型准确率高于93%，召回率高于85%时输出煤的破坏类型图像识别模型，否则，重复步骤（1）-（4）；
（5）煤的破坏类型图像识别：对待识别的煤的破坏类型图像使用步骤（2）的方法进行图像预处理后，输入到步骤（4）训练好的煤的破坏类型图像识别模型中进行识别，获得煤的图像所属的破坏类型。


2.如权利要求1所述的一种基于深度学习技术的煤的破坏类型的识别方法，其中：步骤（1）中的图像增强技术，包括图像水平翻转、随机旋转变换、随机裁剪、添加高斯噪声及图像亮度调节，用于扩充数据库中图像数量时对每张图像至少使用2种以上的图像增强技术扩充煤的破坏类型图像识别数据库量。


3.如...

【专利技术属性】
技术研发人员：李青松，衡献伟，左金芳，韩真理，李绍泉，龙祖根，朱权洁，颜本福，向龙，付金磊，
申请(专利权)人：贵州省煤矿设计研究院有限公司，贵州省矿山安全科学研究院，
类型：发明
国别省市：贵州;52