張榮華

摘 要：對當前煤巖識別方法的研究現(xiàn)狀進行了介紹，并提出將最小二乘法模型（Least square model ，LSM）和融入平滑濾波思想的魯棒擴展局部二值模式（Robust extended local binary Pattern ，RELBP）融入煤巖識別領域。對基于LSM和RELBP的煤巖識別方法的煤巖自動化識別技術（RELBP-LSM）進行了探討。結(jié)果表明：（1）當前的煤巖識別方法大多存在效果較差、穩(wěn)定性欠佳、適用范圍小等缺點，同時易受人為因素的影響;（2）以最小二乘法和局部二值模式為理論基礎，建立起RELBP-LSM煤巖識別方法，并通過參數(shù)敏感性分析，確定正則化參數(shù)λ的最佳取值為10-3.5，優(yōu)選模式數(shù)d的最佳取值為500;（3）對不同方法的準確識別率進行對比分析，認為RELBP-LSM法不僅具有較高的準確識別率，同時能大大降低內(nèi)存占用率，加快識別速率和效率。

關鍵詞：煤巖;最小二乘法;局部二值法;RELBP-LSM;參數(shù)敏感性;準確識別率

中圖分類號：TD632.1?????? 文獻標識碼：A

Discussion on Coal Rock Identification

Method Based on LSM and RELBP

ZHANG Rong-hua

（Shangyuquan Coal Mine of CHN Energy， Hequ， Shanxi 036500，China）

Abstract：This paper discusses the current research situation of coal and rock recognition methods， and puts forward that the least square model （LSM） and robust extended local binary pattern （RELBP）， which are integrated into the idea of smooth filtering， are integrated into the field of coal and rock recognition， and the coal and rock automatic recognition technology （RElB） based on LSM and RELBP is applied to the field of coal and rock recognition P-LSM）. The results show that： （1） most of the current methods of coal rock identification have some disadvantages， such as poor effect， poor stability and small application scope， and are easily affected by human factors; （2） based on the least square method and local binary model， the RELBP-LSM method of coal rock identification is established， and the best value of regularization parameter λ is determined to be 10-3.5 by parameter sensitivity analysis The best value of pattern number d is 500; （3） by comparing and analyzing the accuracy of different methods， it is considered that RELBP-LSM method not only has a high accuracy of recognition， but also can greatly reduce the memory occupation rate and speed up the recognition rate and efficiency.

Key words：coal rock; least square method; local binary method; RELBP-LSM; parameter sensitivity; accuracy recognition rate

煤炭作為國家重要的能源資源，為國家工業(yè)的發(fā)展提供源源不斷的能量，加強煤炭的智能開采和加工，對于實現(xiàn)采煤機自動調(diào)高、綜采放頂煤過程控制以及選煤廠煤矸快速分選具有重要的工程實踐意義[1-3]。

傳統(tǒng)的煤巖識別方法普遍存在應用效果較差、穩(wěn)定性能欠佳以及普及適用范圍小等缺點，因此，很多專家學者均對其進行了探討和研究，以求找到一種更高效、穩(wěn)定、準確的自動識別技術。其中，李一鳴等針對垮落煤巖識別的實時性以及綜放開采的效率問題，提出采用EEMD-KPCA和KL散度對垮落煤巖進行自動識別[4];張強等對不同煤巖比例試件的截齒振動信號、紅外熱像信號運動規(guī)律進行了分析，提出利用截齒振動及溫度特性進行煤巖識別[5]。章華[6]，張婷[7]，黃蕾[8]，伍云霞[9]，程誠[10]等則分別提出了卷積神經(jīng)網(wǎng)絡法、變換域與高斯混合模型聚類法、變差函數(shù)和局部方差圖法、Curvelet變換的低分辨率法以及WPSV和BPNN法對煤巖進行自動識別，對于推動煤巖識別技術的應用于發(fā)展具有重要意義。孫繼平團隊則分別提出基于小波域非對稱廣義高斯模型以及CLBP和支持向量誘導字典學習的煤巖識別方法，對于促進煤巖自動識別理論和技術的進一步運用具有重要的指導作用[11-12]。

在此，提出了將最小二乘法和局部二值模式相融合，并將其應用到煤巖的識別領域，以期能為煤炭的自動開采加工提供更可靠、高效、穩(wěn)定的識別手段。

1 煤巖識別方法研究現(xiàn)狀

1.1 煤巖識別方法簡介

根據(jù)當前識別過程中是否接觸煤巖或者巖石，將煤巖自動識別方法劃分為接觸式和非接觸式兩類，見圖1。其中，接觸式包括截割力監(jiān)測法、振動檢測法、聲壓檢測法、熱敏探測法以及高壓水射流法等，分別從截割力大小、振動情況、聲壓大小、溫度高低以及穿透情況這些因素提取煤巖的相關特征，然后進行自動識別，調(diào)整開采加工參數(shù);此外，還有一些根據(jù)粉塵含量、電機電流以及滾筒扭矩等參數(shù)來判斷煤巖特征。非接觸式包括γ射線探測法、雷達探測法、聲波探測法、EPR/ESR 法以及圖像分析法等，此外還有利用地震波、多光譜聯(lián)合分析法等多種創(chuàng)新方法，其中，圖像分析法最早可追溯至上世紀80年代，經(jīng)過幾十年的發(fā)展，已由最初通過肉眼觀察判別煤巖界面發(fā)展至現(xiàn)在的高清成像、高性能感知控制的自動化階段，又細分為GLCM法、DWT法、DTCWT法、RELBP法、Gabor法等等，對于煤巖自動識別的發(fā)展產(chǎn)生了較大的推動作用，本文研究重點也將目光集中于圖像分析法[13]。

1.2 存在的主要問題

當前的圖像分析法盡管在朝著智能化邁進，但仍存在如下不足：（1）在薄煤層或者中厚煤層開采時，人需要工作人員在綜采工作面對煤層走向進行監(jiān)控，而在厚煤層或者特厚煤層處，也需要工作人員間接或者直接干預以避免出現(xiàn)“欠放”或者“過放”現(xiàn)象;（2）在煤炭加工階段濕式排矸方法，容易造成水污染和土壤污染，干式排矸法的設備復雜、成本太高，風力排矸對原煤要求較高、應用范圍較窄;（3）接觸式煤巖識別法對傳感器的要求很高，增加了各項維護成本，非接觸煤巖識別法也存在各種弊端，如γ射線法只能用于巖層中放射性元素含量較高區(qū)域，電磁波法不能用于煤層較厚的地方、EPR/ESR 法的有效工作煤層厚度最大僅為150m左右;（4）當前的圖像分析法主要考慮準確識別率，且未考慮訓練樣本較少的情況該如何處置;（5）在煤巖加工階段，煤炭和巖石混雜運動，容易影響識別效果，造成自動化控制參數(shù)調(diào)整不匹配的現(xiàn)象。

2 RELBP-LSM煤巖識別方法

2.1 理論基礎

最小二乘法模型（Least square model ，LSM）：又稱為最小平方法，通過最小化誤差的平方和尋找數(shù)據(jù)的最佳函數(shù)匹配，即找到一個（組）估計值，使得實際值與估計值的距離最小。通常而言采用兩者差的絕對值匯總并使之最小是最理想的，但絕對值在數(shù)學上求最小值比較麻煩，因而替代做法是，找一個（組）估計值，使得實際值與估計值之差的平方加總之后的值最小，稱為最小二乘。最小二乘法的矩陣形式為：

min ‖Ax-B‖（1）

式中：A為n×k的矩陣，x為k×1的列向量，B為n×1的列向量。

RELBP法（Robust extended local binary Pattern）：由于擴展局部二值模式（ELBP）在煤巖識別過程中存在視覺模糊、噪聲敏感以及不能捕捉宏觀結(jié)構(gòu)等缺點，因此，Liu L等人提出了基于平滑濾波的RELBP，該方法采用以圓心像素點或者鄰域像素點為中心的某個區(qū)域范圍的平滑濾波結(jié)果進行模式的分析計算，其給出了三種圖像特征描述子：

3 參數(shù)敏感性分析

準確識別率是評價煤巖識別性能的核心指標，當利用中值濾波的RELBP四尺度進行煤巖的紋理分析時，前人給出了一些最佳參數(shù)的設置建議，并認為（r，σ，p，w，rw ，rw-δ）在第1、2、3和4個尺度下的取值分別為：（2，1，8，3，3，3）、（4，1，8，3，5，5）、（6，1，8，3，7，7）和（8，1，8，3，9，9）時，識別精確度最高[13]。因此，本文在進行參數(shù)敏感性分析時，將這些參數(shù)看作是常數(shù)，那么主要影響識別率的參數(shù)就只剩下正則化參數(shù)λ和優(yōu)選模式數(shù)d。分別設定λ的值為10-5、10-4.5、10-4、10-3.5、10-3、10-2.5、10-2、10-1.5、10-1、10-0.5、100，而每個尺度下的模式數(shù)為2*（8+2）*（8+2）=200，四個尺度即為4*200=800，因此d的取值范圍應滿足0

從圖3（a）可以看出：隨機取樣條件下，平均準確識別率隨λ的變化并不明顯，準確率基本在87%左右徘徊;在交叉驗證條件下，平均準確識別率較隨機取樣有較大幅度提高，當λ介于10-5～10-3時，準確率在較高水準的平穩(wěn)狀態(tài)，此時準確率達到93.5%，當λ介于10-3～100時，準確率有所降低，維持在一個較低水準的平衡狀態(tài)，此時準確率為91.8%左右;綜合考慮λ在不同試驗條件下的準確率變化特征，認為λ取10-3.5時，識別結(jié)果較佳。

從圖3（b）可以看出：在隨機取樣條件下，平均準確識別率隨d的增大呈先減小后增大的變化特征，當d介于100～300時，逐漸減小，當d介于300～700時，逐漸增大，其中，當d=500時，準確率已達到一個較高水準，為86.8%，此后維持在一個平穩(wěn)狀態(tài);在交叉驗證條件下，平均準確率呈“先增大-后減小”的變化特征，當d介于100～200時，準確率逐漸增大，當d介于200～700時，準確率逐漸降低;由于d與占用存儲量相關，為了能夠保證在不同條件下既達到較高準確識別率，又減少內(nèi)存占用量，故建議d取值為500。

4 不同識別方法精度對比

對GLCM法、DWT法、DTCWT法、Gabor法、RELBP法和RELBP-LSM法的識別精確度進行了對比實驗，結(jié)果見表1。從表中數(shù)據(jù)可知：在隨機取樣條件下，GLCM法、DWT法、RELBP法和RELBP-LSM法的準確識別率在8組試驗組下表現(xiàn)較為平穩(wěn)，起伏變化不大（在5%以內(nèi)），但DTCWT法和Gabor法的變化幅度較大，分別達到5.24%和7.85%;RELBP法和RELBP-LSM法的準確識別率基本相當，且遠大于其他試驗組。在交叉驗證條件下，GLCM法、DWT法和Gabor法的準確識別率相差不大，RELBP法和RELBP-LSM法的準確識別率最大，達到92%以上，DTCWT法的準確識別率最小。

從準確識別率的大小對比（見圖4）可以看出：在隨機取樣條件下，準確識別率由大道小排序依次為：RELBP法>RELBP-LSM法>DWT法>Gabor法>GLCM法>DTCWT法;在交叉驗證條件下，準確識別率由大道小排序依次為：RELBP-LSM法>RELBP法>DWT法>GLCM法>Gabor法> DTCWT法。RELBP-LSM法不僅在準確識別率上表現(xiàn)優(yōu)異，同時較RELBP法的特征向量維數(shù)大大降低（交叉驗證時約62.5%，隨機取樣時約37.5%），可以在很大程度上減小內(nèi)存占用量，加快了識別速率和效率。

5 結(jié) 論

（1）煤巖識別法分為接觸式和非接觸式，其中圖像提取分析法是當前研究的重點，大多數(shù)識別方法都存在效果較差、穩(wěn)定性欠佳、適用范圍小等缺點，對識別方法進行優(yōu)化意義重大。

（2）建立以最小二乘法和局部二值模式為理論基礎的RELBP-LSM煤巖識別方法，通過參數(shù)敏感性分析分別確定了正則化參數(shù)λ和優(yōu)選模式數(shù)d的最佳取值分別為10-3.5和 500。

（3）RELBP-LSM較其它識別法不僅具有更好的準確識別率，同時還能大大減小內(nèi)存占用量，加快識別速率和效率。

參考文獻

[1] 華同興，邢存恩，趙亮.基于Faster R-CNN的煤巖識別與煤層定位測量[J].礦山機械，2019，47（8）：4-9.

[2] 劉忠超，劉勇軍.煤巖識別現(xiàn)狀分析與發(fā)展方向[J].南陽理工學院學報，2018，10（4）：26-30.

[3] 楊恩，王世博，葛世榮，等.煤巖界面的高光譜識別原理[J].煤炭學報，2018，43（S2）：646-653.

[4] 李一鳴，白龍，蔣周翔，等.基于EEMD-KPCA和KL散度的垮落煤巖識別[J/OL].煤炭學報：1-9.

[5] 張強，劉志恒，王海艦，等.基于截齒振動及溫度特性的煤巖識別研究[J].煤炭科學技術，2018，46（3）：1-9+18.

[6] 章華，王靜，黃小平，等.基于卷積神經(jīng)網(wǎng)絡的煤巖識別研究[J].綏化學院學報，2018，38（12）：151-153.

[7] 張婷.基于變換域與高斯混合模型聚類的煤巖識別方法[J].煤炭技術，2018，37（11）：320-323.

[8] 黃蕾，郭超亞.基于變差函數(shù)和局部方差圖的煤巖圖像紋理特征提取[J].工礦自動化，2018，44（4）：62-68.

[9] 伍云霞，張宏.基于Curvelet變換的低分辨率煤巖識別方法[J].礦業(yè)科學學報，2017，2（3）：281-288.

[10]程誠，劉送永.基于WPSV和BPNN的煤巖識別方法研究[J].煤炭工程，2018，50（1）：108-112.

[11]孫繼平，陳浜.基于小波域非對稱廣義高斯模型的煤巖識別算法[J].煤炭學報，2015，40（S2）：568-575.

[12]孫繼平，陳浜.基于CLBP和支持向量誘導字典學習的煤巖識別方法[J].煤炭學報，2017，42（12）：3338-3348.

[13]LIU L，LAO S，F(xiàn)IEGUTH P W，et al. Median robust extended local binary pattern for texture? classification[J].IEEE? Transactions? on? Image? Processing， 2016，25（3）： 1368-1381.