孫繼平， 陳浜

(1.中國(guó)礦業(yè)大學(xué)(北京)， 北京 100083； 2.中國(guó)礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院， 北京 100083)

科研成果

基于可調(diào)控塔式分解系數(shù)統(tǒng)計(jì)建模的煤巖識(shí)別方法

孫繼平1， 陳浜2

(1.中國(guó)礦業(yè)大學(xué)(北京)， 北京 100083； 2.中國(guó)礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院， 北京 100083)

針對(duì)傳統(tǒng)煤巖識(shí)別方法易受采煤工藝、煤層賦存條件等因素限制而普適性不強(qiáng)的問(wèn)題，提出了一種基于可調(diào)控塔式分解系數(shù)統(tǒng)計(jì)建模的煤巖識(shí)別方法。首先，對(duì)煤巖圖像進(jìn)行多尺度可調(diào)控塔式分解；然后，把非對(duì)稱廣義高斯分布作為一個(gè)統(tǒng)計(jì)模型去擬合每一個(gè)可調(diào)控方向子帶的系數(shù)分布，采用最大似然估計(jì)法獲得非對(duì)稱廣義高斯分布的各參數(shù)；最后，以對(duì)稱的相對(duì)熵為距離測(cè)度完成煤巖圖像的自動(dòng)辨別。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的其他方法相比，該方法的識(shí)別準(zhǔn)確率最高，為86.90%。

煤炭開(kāi)采； 采煤工作面； 無(wú)人工作面； 煤巖識(shí)別； 可調(diào)控塔式分解； 統(tǒng)計(jì)建模； 對(duì)稱相對(duì)熵

[10]研究思路的啟發(fā)，筆者提出一種基于可調(diào)控塔式分解系數(shù)統(tǒng)計(jì)建模的煤巖識(shí)別方法。首先，對(duì)煤巖圖像進(jìn)行可調(diào)控塔式分解；然后，對(duì)分解得到的每一個(gè)可調(diào)控方向子帶進(jìn)行關(guān)于系數(shù)的統(tǒng)計(jì)建模；最后，采用以對(duì)稱相對(duì)熵為距離測(cè)度的分類器完成煤巖識(shí)別。

1 可調(diào)控塔式分解

與多級(jí)小波變換類似，可調(diào)控塔式分解通過(guò)多次遞歸濾波，能夠把數(shù)字圖像分解成不同尺度和多個(gè)方向的子帶系列，因此從某種意義上說(shuō)，可調(diào)控塔式分解是經(jīng)典小波變換的一種特殊變種[20]。然而，與經(jīng)典小波變換相比，可調(diào)控塔式分解具有平移不變性、方向選擇可調(diào)控等優(yōu)勢(shì)。

為保證在行列下采樣時(shí)不發(fā)生混疊及遞歸迭代的順利進(jìn)行，在設(shè)計(jì)可調(diào)控塔式分解的各濾波器時(shí)應(yīng)滿足以下條件[21]：

(1)

(2)

(3)

2 非對(duì)稱廣義高斯分布模型

參考文獻(xiàn)[10]已經(jīng)證實(shí)煤巖圖像在小波變換后各個(gè)方向上的高頻子帶系數(shù)近似地服從非對(duì)稱廣義高斯分布。考慮到小波變換與可調(diào)控塔式分解的相似之處，建立閾值為0的非對(duì)稱廣義高斯分布模型，其概率密度函數(shù)[10]為

圖1 煤巖樣本圖像及其經(jīng)過(guò)可調(diào)控塔式分解以后的各子帶

(4)

采用最大似然估計(jì)法計(jì)算θ，具體推導(dǎo)、計(jì)算過(guò)程可參照文獻(xiàn)[10]，本文不再贅述。

3 煤巖識(shí)別分類器設(shè)計(jì)

目前主流的分類器如最近鄰、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)等在處理分類任務(wù)時(shí)，采用的距離度量以歐氏距離為主。這些分類器假設(shè)特征空間是一個(gè)歐氏向量空間，各種特征被直接或間接地組合成向量處理。當(dāng)特征向量處在非歐幾何的流形空間時(shí)，就不能簡(jiǎn)單地以歐氏距離作為特征相似程度的度量。

在信息論中，常常采用相對(duì)熵來(lái)衡量2個(gè)概率分布的不同程度[10]。因此，通過(guò)計(jì)算相對(duì)熵來(lái)評(píng)價(jià)煤巖測(cè)試樣本與訓(xùn)練樣本的相似程度。子帶X對(duì)子帶X′的相對(duì)熵為[10]

(5)

式中θ，θ′分別為X和X′對(duì)應(yīng)的非對(duì)稱廣義高斯分布模型參數(shù)集。

(6)

(7)

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)準(zhǔn)備

盡管實(shí)際生產(chǎn)中同一煤礦或工作面涉及的煤巖種類相對(duì)單一，但是為了更充分地驗(yàn)證基于可調(diào)控塔式分解系數(shù)統(tǒng)計(jì)建模的煤巖識(shí)別方法的有效性，筆者所在課題組從河南平頂山煤業(yè)集團(tuán)十礦、河南安陽(yáng)礦務(wù)局龍山煤礦、北京京煤集團(tuán)木城澗煤礦等地采集了1/3焦煤、貧瘦煤、無(wú)煙煤、頁(yè)巖、砂巖、泥巖等煤巖樣本，如圖2所示。實(shí)驗(yàn)樣本集由1/3焦煤、貧瘦煤、無(wú)煙煤、頁(yè)巖、砂巖和泥巖這6類圖像各100幅組成，合計(jì)600幅。樣本集中的所有圖像均已進(jìn)行256級(jí)灰度化處理，尺寸統(tǒng)一為256×224，以bmp文件格式存儲(chǔ)。

本文實(shí)驗(yàn)涉及的所有方法均在Visual Studio 2008開(kāi)發(fā)環(huán)境下采用C++編程語(yǔ)言實(shí)現(xiàn)，并運(yùn)行在Intel Core i5-2450 2.50 GHz CPU、8 GB內(nèi)存的PC機(jī)上。

4.2 不同方法的對(duì)比

(a) 1/3焦煤1

(b) 貧瘦煤1

(c) 無(wú)煙煤1

(d) 頁(yè)巖1

(e) 砂巖1

(f) 泥巖1

(g) 1/3焦煤2

(h) 貧瘦煤2

(i) 無(wú)煙煤2

(j) 頁(yè)巖2

(k) 砂巖2

(l) 泥巖2

與WD-AGGM方法和PWT方法中的小波變換、DTCWT-GΓM方法和DT-CWT方法中的雙樹復(fù)小波變換不同，可調(diào)控塔式分解在執(zhí)行每一尺度分解時(shí)，行列下采樣只針對(duì)低頻子帶，因此對(duì)于同樣尺寸的原始圖像，只有可調(diào)控塔式分解比小波變換、雙樹復(fù)小波變換多1級(jí)的分解尺度，3種分解變換的單個(gè)方向子帶的系數(shù)個(gè)數(shù)才會(huì)一致。參考文獻(xiàn)[22]設(shè)計(jì)了面向可調(diào)控塔式分解的0階、1階、3階濾波器組，它們提供的可調(diào)控方向數(shù)分別為1，2，4。同一級(jí)分解變換中，方向子帶數(shù)太少則難以捕獲圖像的細(xì)節(jié)特征，太多則在子帶相似性匹配時(shí)容易出現(xiàn)錯(cuò)位匹配的情況。因此，SPD方法、SPD-AGGM-ED方法及本文方法采用4個(gè)尺度、4個(gè)方向的可調(diào)控塔式分解。

神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等分類器需要設(shè)置一些參數(shù)，而且不同的參數(shù)設(shè)置會(huì)影響最終的分類結(jié)果，難以體現(xiàn)對(duì)比實(shí)驗(yàn)的公平性，因此參與本文對(duì)比實(shí)驗(yàn)的所有方法統(tǒng)一采用簡(jiǎn)單而又有效的最近鄰分類器。在相似性度量方面，LBP方法采用目前廣泛認(rèn)可的χ2距離測(cè)度；DTCWT-GΓM方法、WD-AGGM方法及本文方法采用對(duì)稱的相對(duì)熵測(cè)度；其他6種方法采用歐氏距離測(cè)度。

為了更客觀地評(píng)價(jià)各種煤巖識(shí)別方法，筆者進(jìn)行了10組實(shí)驗(yàn)，取平均值作為各種方法的最終表現(xiàn)。每組實(shí)驗(yàn)均從每類煤巖樣本中隨機(jī)選取50幅圖像作為訓(xùn)練樣本，剩下的50幅圖像用作測(cè)試樣本，即訓(xùn)練集和測(cè)試集的容量均為300。對(duì)比實(shí)驗(yàn)結(jié)果見(jiàn)表1。

表1 不同煤巖識(shí)別方法的對(duì)比結(jié)果

從表1可看出，本文方法表現(xiàn)最佳，其平均識(shí)別率達(dá)到86.90%，比最新的煤巖識(shí)別方法——DTCWT-GΓM方法高將近2%。同樣是采用非對(duì)稱廣義高斯分布模型擬合煤巖圖像的變換域方向子帶系數(shù)，本文方法的平均識(shí)別率比WD-AGGM方法高3.43%，筆者認(rèn)為，這是因?yàn)榭烧{(diào)控塔式分解具有平移不變性、方向選擇可調(diào)控等經(jīng)典小波變換無(wú)可比擬的優(yōu)勢(shì)。另外，SPD-AGGM-ED方法的平均識(shí)別率為72.47%，比本文方法低14.43%，這說(shuō)明簡(jiǎn)單地把由非對(duì)稱廣義高斯分布模型的各參數(shù)組成的特征空間假設(shè)為歐氏幾何空間并不合適。

5 結(jié)語(yǔ)

提出的基于可調(diào)控塔式分解系數(shù)統(tǒng)計(jì)建模的煤巖識(shí)別方法與現(xiàn)有方法相比，具有更高的識(shí)別準(zhǔn)確率，為未來(lái)實(shí)現(xiàn)采煤工作面無(wú)人化、建設(shè)數(shù)字礦山帶來(lái)了新的啟示。

參考文獻(xiàn)：

[1] 國(guó)家發(fā)展和改革委員會(huì)，國(guó)家能源局.國(guó)家發(fā)展改革委國(guó)家能源局關(guān)于印發(fā)《能源技術(shù)革命創(chuàng)新行動(dòng)計(jì)劃(2016—2030年)》的通知(發(fā)改能源〔2016〕513號(hào))[EB/OL]. (2016-04-07)[2016-06-15].http://www.ndrc.gov.cn/zcfb/zcfbtz/201606/t20160601_806201.html.

[2] 國(guó)家發(fā)展改革委，國(guó)家能源局. 能源技術(shù)革命創(chuàng)新行動(dòng)計(jì)劃(2016—2030年)[EB/OL]. [2016-07-15].http://www.ndrc.gov.cn/ zcfb/zcfbtz/201606/W020160601304245143804.pdf .

[3] 王金華，汪有剛，傅俊皓.數(shù)字礦山關(guān)鍵技術(shù)研究與示范[J].煤炭學(xué)報(bào)，2016，41(6)：1323-1331.

[4] 孫繼平.基于圖像識(shí)別的煤巖界面識(shí)別方法研究[J].煤炭科學(xué)技術(shù)，2011，39(2)：77-79.

[5] 吳婕萍，李國(guó)輝.煤巖界面自動(dòng)識(shí)別技術(shù)發(fā)展現(xiàn)狀及其趨勢(shì)[J].工礦自動(dòng)化，2015，41(12)：44-49.

[6] 田子建，彭霞，蘇波.基于機(jī)器視覺(jué)的煤巖界面識(shí)別研究[J].工礦自動(dòng)化，2013，39(5)：49-52.

[7] 佘杰.基于圖像的煤巖識(shí)別方法研究[D].北京：中國(guó)礦業(yè)大學(xué)(北京)，2014：4-6.

[8] 蘇波.基于機(jī)器視覺(jué)的煤巖界面識(shí)別方法研究[D].北京：中國(guó)礦業(yè)大學(xué)(北京)，2013：5-10.

[9] 孫繼平，陳浜.基于雙樹復(fù)小波域統(tǒng)計(jì)建模的煤巖識(shí)別方法[J].煤炭學(xué)報(bào)，2016，41(7)：1847-1858.

[10] 孫繼平，陳浜.基于小波域非對(duì)稱廣義高斯模型的煤巖識(shí)別算法[J].煤炭學(xué)報(bào)，2015，40(增刊2)：568-575.

[11] 孫繼平，劉劍橋.基于離散余弦變換低頻分量特征及學(xué)習(xí)向量量化的煤巖識(shí)別方法[J].工礦自動(dòng)化，2015，41(11)：1-6.

[12] 孫繼平，佘杰.基于小波的煤巖圖像特征抽取與識(shí)別[J].煤炭學(xué)報(bào)，2013，38(10)：1900-1904.

[13] 郝清玉，朱元忠，陳健.基于圖像多小波變換的煤巖界面識(shí)別[J].工礦自動(dòng)化，2015，41(2)：50-53.

[14] 張萬(wàn)枝，王增才.基于視覺(jué)技術(shù)的煤巖特征分析與識(shí)別[J].煤炭技術(shù)，2014，33(10)：272-274.

[15] 黃韶杰，劉建功.基于高斯混合聚類的煤巖識(shí)別技術(shù)研究[J].煤炭學(xué)報(bào)，2015，40(增刊2)：576-582.

[16] 黃韶杰.基于灰度閾值法的煤巖界面識(shí)別研究[J].工礦自動(dòng)化，2013，39(5)：52-54.

[17] SUN Jiping, SU Bo. Coal-rock interface detection on the basis of image texture features[J].International Journal of Mining Science and Technology,2013,23(5):681-687.

[18] SUN Jiping, SU Bo. Coal-rock interface detection using cluster prominence based on gray level co-occurrence matrices[J].Advances in Information Sciences and Service Sciences,2012,4(8):353-360.

[19] MENG Huiling, LI Man. Characteristic analysis and recognition of coal-rock interface based on visual technology[J]. International Journal of Signal Processing, Image Processing and Pattern Recognition,2016,9(4):61-68.

[20] ALELAIWI A, ABDUL W, DEWAN M S, et al. Steerable pyramid transform and local binary pattern based robust face recognition for e-health secured login[J]. Computers and Electrical Engineering, 2016，53：435-443.

[21] SIMONCELLI E P, FREEMAN W T. The steerable pyramid: a flexible architecture for multi-scale derivative computation[C]//Proceedings of the IEEE International Conference on Image Processing, Washington,1995:444-447.

[22] KARASARIDIS A, SIMONCELLI E. A filter design technique for steerable pyramid image transforms[C]//Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing,Atlanta,1996:2387-2390.

A coal-rock recognition method based on statistical modeling ofsteerable pyramidal decomposition coefficients

SUN Jiping1, CHEN Bang2

(1.China University of Mining and Technology (Beijing), Beijing 100083, China; 2.School of Mechanical Electronic and Information Engineering, China University of Mining and Technology (Beijing), Beijing 100083, China)

For poor universal applicability of traditional coal-rock recognition methods whose application was limited by mining techniques and coal seam conditions, a coal-rock recognition method based on statistical modeling of steerable pyramidal decomposition coefficients was presented. Firstly, multi-scale steerable pyramidal decomposition was conducted on coal and rock images. Then, asymmetric generalized Gaussian distribution was adopted as a statistical model to fit coefficients of every steerable directional subband, and parameters of the asymmetric generalized Gaussian distribution were obtained by means of the maximum-likelihood estimation. Finally, symmetric relative entropy was employed as distance metrics to complete automatic identification of coal and rock images. The experimental results show that the method has high accuracy rate of coal-rock recognition than that of existing ones, which achieves 86.90%.

coal mining; mining working face; unmanned working face; coal-rock recognition; steerable pyramidal decomposition; statistical modeling; symmetric relative entropy

2016-07-11；

2016-09-07；責(zé)任編輯：李明。

國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(51134024)；中央高校基本科研業(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目(2010YJ06)。

孫繼平(1958-)，男，山西翼城人，教授，博士，博士研究生導(dǎo)師，中國(guó)礦業(yè)大學(xué)(北京)副校長(zhǎng)；獲國(guó)家科技進(jìn)步二等獎(jiǎng)3項(xiàng)(其中作為第1完成人2項(xiàng)、第2完成人1項(xiàng))；作為第1完成人獲省部級(jí)科技進(jìn)步一等獎(jiǎng)7項(xiàng)；作為第1完成人主持制定中華人民共和國(guó)煤炭行業(yè)和安全生產(chǎn)行業(yè)標(biāo)準(zhǔn)26項(xiàng)；主持制定《煤礦安全規(guī)程》第十一章“監(jiān)控與通信”；作為第1作者或獨(dú)立完成著作12部；被SCI或EI檢索的第1作者或獨(dú)立完成文章80余篇；作為第1發(fā)明人獲國(guó)家授權(quán)發(fā)明專利30余項(xiàng)；作為國(guó)務(wù)院煤礦事故調(diào)查專家組組長(zhǎng)參加了10起煤礦特別重大事故調(diào)查工作；E-mail:sjp@cumtb.edu.cn。

1671-251X(2016)12-0001-05

10.13272/j.issn.1671-251x.2016.12.001

TD67

A

時(shí)間：2016-12-01 09:28

http://www.cnki.net/kcms/detail/32.1627.TP.20161201.0928.001.html

0 引言

孫繼平，陳浜.基于可調(diào)控塔式分解系數(shù)統(tǒng)計(jì)建模的煤巖識(shí)別方法[J].工礦自動(dòng)化，2016,42(12)：1-5.

國(guó)家發(fā)展和改革委員會(huì)、國(guó)家能源局聯(lián)合印發(fā)的《能源技術(shù)革命創(chuàng)新行動(dòng)計(jì)劃(2016—2030年)》明確指出：到2020年，我國(guó)大中型礦區(qū)基本實(shí)現(xiàn)智能開(kāi)采，重點(diǎn)煤礦區(qū)采煤工作面人數(shù)減少一半以上；到2030年，實(shí)現(xiàn)智能化開(kāi)采，重點(diǎn)煤礦區(qū)基本實(shí)現(xiàn)工作面無(wú)人化、工作面巷道集中控制[1-2]。煤巖自動(dòng)識(shí)別是實(shí)現(xiàn)采煤工作面無(wú)人化、建設(shè)數(shù)字礦山的關(guān)鍵技術(shù)之一[3-5]，但仍然是一個(gè)公開(kāi)的世界性難題。傳統(tǒng)的煤巖識(shí)別方法主要有γ射線探測(cè)法、雷達(dá)探測(cè)法、聲音檢測(cè)法、紅外探測(cè)法、截割力檢測(cè)法等[4-8]，但是這些方法易受采煤工藝、煤層賦存條件等因素限制，其普適性不強(qiáng)。

近年來(lái)，隨著礦用高清成像、井下視頻傳輸、煤礦物聯(lián)網(wǎng)等技術(shù)的不斷發(fā)展，越來(lái)越多的國(guó)內(nèi)外研究者把目光投向基于圖像分析的煤巖識(shí)別方法研究。參考文獻(xiàn)[9]提出了一種基于雙樹復(fù)小波域統(tǒng)計(jì)建模的煤巖識(shí)別方法；參考文獻(xiàn)[10]采用非對(duì)稱廣義高斯模型對(duì)煤巖圖像經(jīng)過(guò)小波變換后的高頻子帶系數(shù)進(jìn)行建模，然后采用相對(duì)熵距離測(cè)度實(shí)現(xiàn)了煤巖識(shí)別；參考文獻(xiàn)[11]提出了一種離散余弦變換與學(xué)習(xí)向量量化神經(jīng)網(wǎng)絡(luò)相結(jié)合的煤巖識(shí)別方法；參考文獻(xiàn)[12]在小波域中定義了一種紋理導(dǎo)向度，并基于此，利用Minkowski距離測(cè)度完成煤巖識(shí)別工作；參考文獻(xiàn)[13]提出了一種基于圖像多小波變換與樸素貝葉斯分類器的煤巖識(shí)別方法；參考文獻(xiàn)[14]以灰度共生矩陣為基礎(chǔ)，采用其能量、熵、慣性矩、相關(guān)等統(tǒng)計(jì)特征實(shí)現(xiàn)煤巖識(shí)別；參考文獻(xiàn)[15]研究了基于高斯混合聚類的非監(jiān)督煤巖識(shí)別技術(shù)；參考文獻(xiàn)[16]基于圖像空間域，采用灰度閾值法實(shí)現(xiàn)了煤巖識(shí)別；參考文獻(xiàn)[17-18]在計(jì)算煤巖圖像灰度共生矩陣的基礎(chǔ)上，分別采用優(yōu)選組合特征和聚類顯著特征實(shí)現(xiàn)了煤巖識(shí)別；參考文獻(xiàn)[19]分析了煤巖的視覺(jué)特性，提出了基于灰度共生矩陣與神經(jīng)網(wǎng)絡(luò)的煤巖識(shí)別方法。