基于稀疏編碼的空域金字塔匹配識(shí)別煤巖的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種基于稀疏編碼的空域金字塔匹配識(shí)別煤巖的方法，屬于煤巖識(shí)別 領(lǐng)域。
【背景技術(shù)】
[0002] 煤巖識(shí)別即用一種方法自動(dòng)識(shí)別出煤巖對(duì)象為煤或巖石。在煤炭生產(chǎn)過程中，煤 巖識(shí)別技術(shù)可廣泛應(yīng)用于滾筒采煤、掘進(jìn)、放頂煤開采、原煤選桿石等生產(chǎn)環(huán)節(jié)，對(duì)于減少 采掘工作面作業(yè)人員或者實(shí)現(xiàn)無人化作業(yè)、減輕工人勞動(dòng)強(qiáng)度、改善作業(yè)環(huán)境、實(shí)現(xiàn)煤礦安 全高效生產(chǎn)具有重要意義。
[0003] 有多種方法已應(yīng)用于煤巖識(shí)別，如自然丫射線探測(cè)、雷達(dá)探測(cè)、應(yīng)力截齒、紅外探 巧。、有功功率監(jiān)測(cè)、震動(dòng)檢測(cè)、聲音檢測(cè)、粉塵檢測(cè)、記憶截割等，但運(yùn)些方法存在W下問題： ①需要在現(xiàn)有設(shè)備上加裝各類傳感器獲取信息，導(dǎo)致裝置結(jié)構(gòu)復(fù)雜，成本高。②采煤機(jī)滾 筒、掘進(jìn)機(jī)等設(shè)備在生產(chǎn)過程中受力復(fù)雜、振動(dòng)劇烈、磨損嚴(yán)重、粉塵大，傳感器部署比較困 難，容易導(dǎo)致機(jī)械構(gòu)件、傳感器和電氣線路受到損壞，裝置可靠性差。③對(duì)于不同類型機(jī)械 設(shè)備，傳感器的最佳類型和信號(hào)拾取點(diǎn)的選擇存在較大區(qū)別，需要進(jìn)行個(gè)性化定制，系統(tǒng)的 適應(yīng)性差。
[0004] 為解決上述問題，圖像技術(shù)也越來越受到重視并研發(fā)了一些基于圖像技術(shù)的煤巖 識(shí)別方法，然而已有方法都是用人工主觀設(shè)計(jì)的圖像特征或者圖像特征的組合來進(jìn)行煤巖 識(shí)別，人工設(shè)計(jì)的特征往往并不能準(zhǔn)確抓住煤巖圖像本質(zhì)結(jié)構(gòu)致使對(duì)因成像條件變化引起 的圖像數(shù)據(jù)變化不具有具魯棒性，因而在識(shí)別穩(wěn)定性和識(shí)別正確率上還有很大的不足。
[000引需要一種解決或至少改善現(xiàn)有技術(shù)中固有的一個(gè)或多個(gè)問題的煤巖識(shí)別方法，W 提局煤巖識(shí)別率和識(shí)別穩(wěn)定性。

【發(fā)明內(nèi)容】

[0006] 因此，本發(fā)明的目的在于提供一種基于稀疏編碼的空域金字塔匹配識(shí)別煤巖的方 法，該方法從煤巖圖像數(shù)據(jù)中學(xué)習(xí)煤巖的結(jié)構(gòu)基元，所學(xué)習(xí)到結(jié)構(gòu)基元捕捉到了煤巖圖像 本質(zhì)的結(jié)構(gòu)特征，進(jìn)一步考慮了不同尺度下煤巖結(jié)構(gòu)的空域信息，因而具有很強(qiáng)的鑒別能 力和對(duì)成像環(huán)境變化的魯棒性，從而使得該方法具有很高的識(shí)別穩(wěn)定性和識(shí)別正確率，能 為自動(dòng)化采掘、自動(dòng)化放煤、自動(dòng)化選桿等生產(chǎn)過程提供可靠的煤巖識(shí)別信息。
[0007] 根據(jù)一種實(shí)施例形式，提供一種基于稀疏編碼的空域金字塔匹配識(shí)別煤巖的方 法，包括如下步驟：
[0008] A.采集若干張已知煤和巖對(duì)象的圖像；
[0009] B. W相同的方法抽取每張圖像的特征[XI，X2，... XN] = XeRPXW，P為特征維數(shù)，N為 所有特征個(gè)數(shù)；
[0010] C.用抽取的煤和巖圖像的特征XI通過解優(yōu)化問題
[0011]
求出煤和巖圖像的基元矩陣D=[di，d2， ...dK]ERPXK;
[001引D.將每一張煤巖樣本圖像分成2?χ2? 1=0,1,2的塊，對(duì)每一尺度下的每一圖像 塊：
[0013] 1)用與B相同的方法抽取圖像塊特征；
[0014] 2)用步驟帥求得的D表達(dá)所抽取的每一個(gè)特征yi，通過解優(yōu)化問題
[001引
農(nóng)出每一個(gè)特征的系數(shù)
所有特征系數(shù)構(gòu)成矩陣V，取矩陣V中每一行的最大值即Zk = max{ lui.kl，|u2,k|，. . .，|ut,k }，構(gòu)成該圖像塊的表達(dá)，其中t為特征個(gè)數(shù)；
[0016] E.將每一張圖像在不同尺度下的圖像塊的表達(dá)級(jí)聯(lián)構(gòu)成該圖像的表達(dá)；
[0017] F.用樣本圖像的圖像表達(dá)訓(xùn)練二分類線性支撐向量機(jī)分類器，得到分類器模型參 數(shù)；
[0018] G.對(duì)于待識(shí)別的煤巖圖像，用與步驟D和E相同的方法求出圖像表達(dá)，用訓(xùn)練好的 分類器進(jìn)行分類識(shí)別。
【附圖說明】
[0019] 通過W下說明，附圖實(shí)施例變得顯而已見，其僅W結(jié)合附圖描述的至少一種優(yōu)選 但非限制性實(shí)施例的示例方式給出。
[0020] 圖1是本發(fā)明所述煤巖識(shí)別方法的原理示意圖。
[0021] 圖2是本發(fā)明圖像金字塔示意圖。 具體實(shí)施方案
[0022] 圖1是本發(fā)明所述煤巖識(shí)別方法的原理示意圖，主要包含3層：圖像層，編碼層及池 化層，圖像層給編碼層提供輸入，本實(shí)施例用從灰度圖像中抽取sift圖像特征集合作為輸 入;編碼層計(jì)算每個(gè)圖像特征用從煤巖圖像混合數(shù)據(jù)中學(xué)習(xí)到的K個(gè)基元表達(dá)時(shí)的表達(dá)系 數(shù)，本實(shí)施例用h-norm優(yōu)化計(jì)算表達(dá)系數(shù)，所得的系數(shù)非零元素很少，稱為稀疏編碼;池化 層計(jì)算所有表達(dá)系數(shù)的統(tǒng)計(jì)特性進(jìn)而獲得輸入圖像的特征表達(dá)，本實(shí)施例采用了圖像在空 域金字塔上的極大值統(tǒng)計(jì)特性即在不同尺度上不同位置處的極大值。具體方法如下：
[0023] A.從煤巖識(shí)別任務(wù)的現(xiàn)場(chǎng)如采煤工作面采集若干煤和巖的圖像，去掉背景，將所 有圖像統(tǒng)一縮放到300*300像素大?。?br>[0024] B.抽取每張圖像的特征[xi，x2,.. .XN]=XeRPXw，p為特征維數(shù)，N為所有特征個(gè)數(shù)； 抽取方法是Wl6*16像素，步長8像素樣本圖像中滑動(dòng)采樣圖像塊，再抽取每個(gè)圖像塊的 sift特征；
[002引 C.用抽取的煤和巖圖像的sift特征XI通過解優(yōu)化問題
[0026]
求出煤和巖圖像的基元矩陣D=[di，d2, . . .dK] ERPXK，K取200大小;求解方法可采用交替最小化D和U的方法，即按下列步驟進(jìn)行處理：
[0027] C1.給D賦初值，設(shè)置迭代次數(shù)；
[002引C2.固定D，丹
農(nóng)出所有圖像特征的稀疏系 數(shù)U;
[0029] C3.固定U，求
[0030] C4.C2和C3交替進(jìn)行直到迭代結(jié)束。
[0031] 步驟C2的優(yōu)化可用近似梯度算法，對(duì)每一個(gè)圖像特征XI對(duì)應(yīng)的系數(shù)m采用下列步 驟優(yōu)化：
[0032] 1.給系數(shù)U賦初值，設(shè)置迭代次數(shù)；
[0033] 2.在每一次迭代：
[0034]
ξ為迭代步長；
[0035]
'λ為給定的參數(shù)，k為基元元素索引；
[0036] 3.重復(fù)2直到迭代結(jié)束。
[0037] 步驟C3的優(yōu)化可采用塊坐標(biāo)下降算法，用下列步驟優(yōu)化：
[0042] 3.重復(fù)2直到收斂。
[0043] D.將每一張煤巖樣本圖像分成2?χ2? 1 = 0，1，2的塊，當(dāng)1 = 0時(shí)有1塊，即原圖像大 小，
[0044] 當(dāng)1 = 1有4塊，當(dāng)1 = 2時(shí)有16塊，共計(jì)21塊，如圖2所示。對(duì)每一圖像塊：
[004引1)用與Β相同的方法抽取圖像塊S if t特征；
[0046] 2)用步驟C中求得的D表達(dá)所抽取的每一個(gè)sift特征yi，通過解優(yōu)化問題
[0047]
求出每一個(gè)sift特征的系數(shù)
系數(shù)向量中的元素對(duì)應(yīng)基元矩陣D中的元素對(duì)S i f t特征的響應(yīng)，所有S i f t特征的系數(shù)構(gòu)成 矩陣V，取矩陣V中每一行的最大值即zk=max{ |ui,k|，|u2,k|，. . .，|ut,k| }，構(gòu)成該圖像塊的 表達(dá)，其中t為該圖像塊S i ft特征個(gè)數(shù)；
[0048] E.將每一張圖像的21個(gè)圖像塊的表達(dá)級(jí)聯(lián)構(gòu)成該圖像的表達(dá)，即每張圖像的特征 維數(shù)為4200;
[0049] F.用樣本圖像的圖像表達(dá)訓(xùn)練二分類線性支撐向量機(jī)分類器，即分類器核函數(shù)k (Zi，Zj)=<Zi，Zj〉，< .〉表示內(nèi)積操作，Zi，Zj表示兩個(gè)不同的樣本，得到分類器模型參數(shù)；
[0050] G.對(duì)于待識(shí)別的煤巖圖像，用與步驟D和E相同的方法求出圖像表達(dá)，用訓(xùn)練好的 分類器進(jìn)行分類識(shí)別。
【主權(quán)項(xiàng)】
1. 一種基于稀疏編碼的空域金字塔匹配識(shí)別煤巖的方法，其特征在于包括以下步驟： A. 采集若干張已知煤和巖對(duì)象的圖像； B. 以相同的方法抽取每張圖像的特征[^^，...^二乂已儼~為特征維數(shù)小為所有 特征個(gè)數(shù)； C. 用抽取的煤和巖圖像的特征^通過解優(yōu)化問題l·求出煤和巖圖像的基元矩陣D=[di，d2, . . .dK] eRp ΧΚβ ， D. 將每一張煤巖樣本圖像分成21 X 21 1 = Ο，1，2的塊，對(duì)每一尺度下的每一圖像塊： 1) 用與Β相同的方法抽取圖像塊特征； 2) 用步驟C中求得的D表達(dá)所抽取的每一個(gè)特征yi，通過解優(yōu)化問題求出每一個(gè)特征的系數(shù)所有特征系數(shù)構(gòu)成矩陣V，取矩陣V中每一行的最大值即zk = max{ |ui,k|，|u2,k|，· · ·，|ut,k }，構(gòu)成該圖像塊的表達(dá)，其中t為特征個(gè)數(shù)； E. 將每一張圖像在不同尺度下的圖像塊的表達(dá)級(jí)聯(lián)構(gòu)成該圖像的表達(dá)； F. 用樣本圖像的圖像表達(dá)訓(xùn)練二分類線性支撐向量機(jī)分類器，得到分類器模型參數(shù)； G. 對(duì)于待識(shí)別的煤巖圖像，用與步驟D和E相同的方法求出圖像表達(dá)，用訓(xùn)練好的分類 器進(jìn)行分類識(shí)別。
【專利摘要】本發(fā)明公開了一種基于稀疏編碼的空域金字塔匹配識(shí)別煤巖的方法，該方法從煤巖圖像數(shù)據(jù)中學(xué)習(xí)煤巖的結(jié)構(gòu)基元，所學(xué)習(xí)到結(jié)構(gòu)基元捕捉到了煤巖圖像本質(zhì)的結(jié)構(gòu)特征，進(jìn)一步考慮了不同尺度下煤巖結(jié)構(gòu)的空域信息，因而具有很強(qiáng)的鑒別能力和對(duì)成像環(huán)境變化的魯棒性，從而使得該方法具有很高的識(shí)別穩(wěn)定性和識(shí)別正確率，能為自動(dòng)化采掘、自動(dòng)化放煤、自動(dòng)化選矸等生產(chǎn)過程提供可靠的煤巖識(shí)別信息。
【IPC分類】G06K9/46, G06K9/62
【公開號(hào)】CN105447517
【申請(qǐng)?zhí)枴緾N201510801311
【發(fā)明人】伍云霞, 于晨晨, 張宏
【申請(qǐng)人】中國礦業(yè)大學(xué)(北京)
【公開日】2016年3月30日
【申請(qǐng)日】2015年11月20日