本公開涉及煤巖識別，具體涉及基于通道級圖像融合的煤巖顯微組分識別方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本公開相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、煤巖顯微組分識別在煤礦開采、煤層氣開發(fā)、煤化工等領(lǐng)域具有重要意義。它能夠確定煤的工業(yè)用途，了解煤的成煤環(huán)境，并指導(dǎo)煤的洗選和加工過程。此外，顯微組分識別還有助于煤礦的安全管理，提前預(yù)防潛在的自燃或爆炸風險，從而提高煤炭資源開發(fā)的效率和安全性。

3、傳統(tǒng)的光學(xué)識別方法要求研究人員通過顯微鏡，根據(jù)煤的透光性、反射率、形態(tài)、凸起等特征，對其顯微組分進行識別。反射光顯微鏡分析煤光片，因其適用的煤級范圍較廣，是目前煤巖顯微組分分析中應(yīng)用最廣泛的方法之一。此外，利用熒光顯微鏡觀察煤光片，尤其適用于區(qū)分褐煤和低階煤中的殼質(zhì)組及其他組分。然而，人工鑒定不僅需要扎實的煤巖學(xué)基礎(chǔ)，其結(jié)果也易受操作人員個人經(jīng)驗的影響，限制了煤巖顯微組分識別在現(xiàn)代煤化工領(lǐng)域中的廣泛應(yīng)用。

4、隨著人工智能技術(shù)的不斷發(fā)展，煤巖顯微組分的分析和識別也在持續(xù)改進和優(yōu)化。近年來，計算機視覺技術(shù)已成為該領(lǐng)域的熱門研究方向。圖像聚類方法和機器學(xué)習(xí)模型的應(yīng)用在提高識別自動化程度方面取得了一定成效，但也面臨一些挑戰(zhàn)。為此，研究者們進一步引入了圖像分割等深度學(xué)習(xí)方法，顯著提升了煤巖顯微組分識別的準確性和應(yīng)用前景。

5、現(xiàn)有的圖像分割技術(shù)能夠?qū)⒚簬r顯微圖像分割成多個像素塊，每個像素塊對應(yīng)不同的顯微組分。通過這種方法，可以精確識別出鏡質(zhì)組、惰質(zhì)組、殼質(zhì)組等顯微組分，實現(xiàn)高精度的識別。然而，目前仍缺乏標準化的煤巖顯微圖像數(shù)據(jù)集，以及能夠同時處理不同類型顯微圖像的深度學(xué)習(xí)模型。此外，針對更廣泛煤級的顯微組分智能識別方法也尚待完善，特別是在準確度和處理速度方面仍需進一步提升。

技術(shù)實現(xiàn)思路

1、本公開為了解決上述問題，提出了基于通道級圖像融合的煤巖顯微組分識別方法及系統(tǒng)，采用通道級融合方法，通過對不同類型的顯微圖像（油浸反射光和熒光圖像）進行通道級別拼接融合，使得兩種模態(tài)下信息得以交互，利用改進的mask-rcnn網(wǎng)絡(luò)實現(xiàn)快速智能識別，實現(xiàn)煤巖顯微組分的快速獲取、分析和存檔。

2、根據(jù)一些實施例，本公開采用如下技術(shù)方案：

3、基于通道級圖像融合的煤巖顯微組分識別方法，包括：

4、獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像；

5、定義目標像素，獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像與目標像素相似的像素塊，通過非局部均值濾波方法對相似的像素塊進行加權(quán)平均；再將油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像劃分為不重疊的多個子區(qū)域，對每個子區(qū)域進行直方圖均衡化，增強子區(qū)域內(nèi)像素對比度；

6、將所有的多個子區(qū)域按照通道級進行拼接融合，形成一個整體的融合圖像；

7、將融合圖像輸入至基于改進的mask-rcnn網(wǎng)絡(luò)的顯微組分識別模型中，通過在主干網(wǎng)絡(luò)中引入特征金字塔以及空間注意力機制，提取圖像特征并生成roi?特征圖，使用全連接層和掩碼分支來生成roi的類別和分割掩碼，實現(xiàn)顯微圖像組分的精確分割。

8、根據(jù)一些實施例，本公開采用如下技術(shù)方案：

9、基于通道級圖像融合的煤巖顯微組分識別系統(tǒng)，包括：

10、數(shù)據(jù)獲取模塊，用于獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像；

11、圖像處理模塊，用于定義目標像素，獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像與目標像素相似的像素塊，通過非局部均值濾波方法對相似的像素塊進行加權(quán)平均；再將油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像劃分為不重疊的多個子區(qū)域，對每個子區(qū)域進行直方圖均衡化，增強子區(qū)域內(nèi)像素對比度；

12、顯微組分識別模塊，用于將所有的多個子區(qū)域按照通道級進行拼接融合，形成一個整體的融合圖像；將融合圖像輸入至基于改進的mask-rcnn網(wǎng)絡(luò)的顯微組分識別模型中，通過在主干網(wǎng)絡(luò)中引入特征金字塔以及空間注意力機制，提取圖像特征并生成roi?特征圖，使用全連接層和掩碼分支來生成roi的類別和分割掩碼，實現(xiàn)顯微圖像組分的精確分割。

13、根據(jù)一些實施例，本公開采用如下技術(shù)方案：

14、一種非暫態(tài)計算機可讀存儲介質(zhì)，所述非暫態(tài)計算機可讀存儲介質(zhì)用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，實現(xiàn)所述的基于通道級圖像融合的煤巖顯微組分識別方法。

15、根據(jù)一些實施例，本公開采用如下技術(shù)方案：

16、一種電子設(shè)備，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設(shè)備運行時，所述處理器執(zhí)行所述存儲器存儲的計算機程序，以使電子設(shè)備執(zhí)行實現(xiàn)所述的基于通道級圖像融合的煤巖顯微組分識別方法。

17、與現(xiàn)有技術(shù)相比，本公開的有益效果為：

18、本公開的一種基于通道級圖像融合的煤巖顯微組分識別方法，通過圖像融合方法，定義目標像素，獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像與目標像素相似的像素塊，通過非局部均值濾波方法對相似的像素塊進行加權(quán)平均；再將油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像劃分為不重疊的多個子區(qū)域，對每個子區(qū)域進行直方圖均衡化，增強子區(qū)域內(nèi)像素對比度；將所有的多個子區(qū)域按照通道級進行拼接融合將不同模態(tài)的煤巖顯微圖像進行拼接，實現(xiàn)了信息的充分交互。該方法有效避免了單一模態(tài)下信息的丟失，顯著提高了顯微組分識別的準確性。

19、本公開的一種基于通道級圖像融合的煤巖顯微組分識別方法，利用深度學(xué)習(xí)模型對融合后的圖像進行分析，可以精確識別出煤巖的顯微組分，包括鏡質(zhì)組、惰質(zhì)組、殼質(zhì)組和背景樹脂等。這種智能識別方式不僅提升了識別的效率，還減少了人為干預(yù)帶來的誤差。

20、本公開的一種基于通道級圖像融合的煤巖顯微組分識別方法，集成了數(shù)據(jù)存儲與管理模塊以及用戶交互與可視化模塊，能夠自動保存識別結(jié)果，并提供便捷的數(shù)據(jù)管理、檢索和導(dǎo)出功能，極大地方便了后續(xù)的分析和研究。

技術(shù)特征：

1.基于通道級圖像融合的煤巖顯微組分識別方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于通道級圖像融合的煤巖顯微組分識別方法，其特征在于，定義目標像素，獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像與目標像素相似的像素塊，包括：對于給定圖像中的任意一個像素p，定義一個包含像素p的塊，其中心即為目標像素p，在圖像中找到與類似的所有相似塊，塊之間的相似性通過歐幾里得距離來衡量：

3.如權(quán)利要求1所述的基于通道級圖像融合的煤巖顯微組分識別方法，其特征在于，通過非局部均值濾波方法對相似的像素塊進行加權(quán)平均，包括：

4.如權(quán)利要求1所述的基于通道級圖像融合的煤巖顯微組分識別方法，其特征在于，將油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像劃分為不重疊的多個子區(qū)域，對每個子區(qū)域進行直方圖均衡化，包括：將每個圖像劃分為不重疊的子區(qū)域，對于每個子區(qū)域單獨進行直方圖均衡化，計算其灰度直方圖，并根據(jù)直方圖計算累計分布函數(shù)，并設(shè)置一個對比度限制參數(shù)clip_limit，當某個灰度級的像素頻率超過對比度限制參數(shù)時，將其截斷，并將多余的頻率值均勻分布到其他灰度級，然后，將被截斷的總頻率t均勻分配給所有灰度級。

5.如權(quán)利要求4所述的基于通道級圖像融合的煤巖顯微組分識別方法，其特征在于，對每個子區(qū)域，按照調(diào)整后的累計分布函數(shù)進行灰度值映射：

6.如權(quán)利要求1所述的基于通道級圖像融合的煤巖顯微組分識別方法，其特征在于，將所有的多個子區(qū)域按照rgb的通道級進行拼接融合，形成一個整體的融合圖像，將融合圖像輸入至顯微組分識別模型中，所述顯微組分識別模塊由改進的主干網(wǎng)絡(luò)、區(qū)域提議網(wǎng)絡(luò)、roi?align，以及roi分割與識別模塊構(gòu)成，改進后的主干網(wǎng)絡(luò)由resnet101和特征金字塔fpn組成，resnet101通過?conv?block和identity?block?兩種殘差網(wǎng)絡(luò)模塊調(diào)整圖像的維度和網(wǎng)絡(luò)深度，提取圖像特征并生成特征圖。

7.如權(quán)利要求6所述的基于通道級圖像融合的煤巖顯微組分識別方法，其特征在于，在改進主干網(wǎng)絡(luò)中，在下采樣結(jié)構(gòu)的第2層和第5層引入空間注意力機制，以控制特征金字塔fpn結(jié)構(gòu)的復(fù)雜度并增強其學(xué)習(xí)能力，空間注意力機制將特征圖h*w*c作為輸入，經(jīng)過最大池化、平均池化、通道拼接以及卷積操作生成空間權(quán)重系數(shù)，最終，將權(quán)重系數(shù)與輸入特征層相乘，得到增強后的特征圖。

8.基于通道級圖像融合的煤巖顯微組分識別系統(tǒng)，其特征在于，包括：

9.一種非暫態(tài)計算機可讀存儲介質(zhì)，其特征在于，所述非暫態(tài)計算機可讀存儲介質(zhì)用于存儲計算機指令，所述計算機指令被處理器執(zhí)行時，實現(xiàn)如權(quán)利要求1-7任一項所述的基于通道級圖像融合的煤巖顯微組分識別方法。

10.一種電子設(shè)備，其特征在于，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設(shè)備運行時，所述處理器執(zhí)行所述存儲器存儲的計算機程序，以使電子設(shè)備執(zhí)行實現(xiàn)如權(quán)利要求1-7任一項所述的基于通道級圖像融合的煤巖顯微組分識別方法。

技術(shù)總結(jié)
本公開提供了基于通道級圖像融合的煤巖顯微組分識別方法及系統(tǒng)，涉及煤巖識別技術(shù)領(lǐng)域，包括：獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像；定義目標像素，獲取油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像與目標像素相似的像素塊，通過非局部均值濾波方法對相似的像素塊進行加權(quán)平均；再將油浸反射光煤巖顯微圖像和熒光煤巖顯微圖像劃分為不重疊的多個子區(qū)域，對每個子區(qū)域進行直方圖均衡化，增強子區(qū)域內(nèi)像素對比度；將所有的多個子區(qū)域按照通道級進行拼接融合，形成整體的融合圖像；將融合圖像輸入至基于改進的Mask?RCNN網(wǎng)絡(luò)的顯微組分識別模型中，實現(xiàn)顯微圖像組分的精確分割；本公開有效避免單一模態(tài)下信息的丟失，提高顯微組分識別的準確性。

技術(shù)研發(fā)人員：許振浩,馬文,韓濤,林鵬,余騰飛,劉正坤
受保護的技術(shù)使用者：山東大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6