基于图像的煤岩识别技术

国内：

一、《基于LBP和GLCM的煤岩图像特征提取与识别方法》
**摘要：**针对煤矿开采工作面无人化要求,提出一种基于LBP和GLCM的煤岩图像特征提取与识别方法.采用LBP算法判断煤块与岩石纹理存在差异性,然后通过GLCM实现煤块与岩石图像在水平,直角,45°,135°方向上的灰度共生矩阵,并完成对能量,熵值,对比度,逆差分矩等4个煤岩图像纹理特征参数提取.试验表明:LBP算法在检测煤块与岩石局部纹理特征差异的过程中,具有一定的高效性,但存在不足,后续通过GLCM提取的煤岩图像特征参数,可以找到适用于煤岩分类的特征参数,增加煤岩识别的鲁棒性.
二、使用网络：
Faster rcnn、YOLO v2（2020）、GAN
三、《基于自适应Gamma校正的煤岩显微图像增强研究》
摘要： 针对煤岩显微组分在采集过程中存在如光照变化,阴影以及非专业的补光操作所造成识别效果不理想的问题,本文提出一种基于自适应Gamma校正的图像增强方法.该方法主要分为自适应阶段和截断阶段,前者利用像素灰度值的概率分布和Gamma校正来改善模糊图像的对比度,该步骤在图像的暗区能实现良好的增强效果,但在亮区如过度曝光,白色目标和高光区域上无效.为了克服这一缺陷,本文不直接使用累积概率密度函数作为Gamma参数,而是通过设置合理的阈值来截断函数的曲线.因此,可以在不丢失亮区细节的情况下改变图像的对比度.实验结果表明,本文算法能够有效地抑制图像噪声,增强煤岩图像对比度,亮度和提高图像清晰度.
四、煤岩反射光谱无监督感知方法
针对现有煤岩反射光谱有监督识别方法存在煤岩位置变化时识别效果差的问题,为研究基于反射光谱的煤岩自主适应性识别,提出了基于聚类距离改进型模糊C均值聚类(FCM)算法的典型煤岩反射光谱无监督感知方法.

国外

一、《Dynamic identification of coal-rock interface based on adaptive weight optimization and multi-sensor information fusion》2019 基于自适应权重优化和多传感器信息融合的煤岩界面动态识别
摘要：本文提出了一种基于自适应权值优化与多传感器信息融合的煤岩界面动态识别新方法。在给定试件切割过程中，对传感器测量到的各种信号进行采集和分析，建立特征数据库。结合多信号的模糊性，基于粒子群优化和最小模糊熵的方法计算出最优隶属度阈值。在此基础上，建立了煤岩界面识别模型。针对多证据体之间的冲突特点，采用自适应权值优化模型来提高模型的识别精度。与单信号、自适应网络模糊推理系统(ANFIS)和改进的PSO-BP融合方法相比，在随机煤岩界面上的切割实验验证了该识别模型的准确性和速度。煤残留和岩石侵蚀均得到了降低，总识别误差降至1.89%。提出的煤岩界面识别模型为实现煤岩界面的自动化、智能化开采提供了理论基础和技术前提。
二、《A texture fused superpixel algorithm for coal mine waste rock image segmentation》 基于纹理融合的煤矿废石图像分割算法
摘要：传统的图像分割以像素为处理单元，不考虑空间和纹理的影响;因此，当目标与背景颜色相近，且存在弱边缘和模糊区域时，对煤废石图像进行分割比较困难。本文提出了一种结合颜色、空间位置和纹理的聚类超像素分割算法，将纹理信息集成到SLIC算法中。通过对大量煤废石图像的测试，对SLIC算法和SLFTIC算法的分割结果进行评价，表明SLFTIC算法能更好地拟合出边缘。从超像素算法的评价指标来看，SLFTIC算法的欠分割误差和边界查全率优于SLIC算法，紧致度评分略有提高。对于前景和背景相似、纹理复杂的图像，如矿物图像和医学图像，这种超像素切割方法具有更好的分割效果。
三、《Fusion Recognition of Shearer Coal-Rock Cutting State Based on Improved RBF Neural Network and D-S Evidence Theory》基于改进RBF神经网络和D-S证据理论的采煤机煤岩截割状态融合识别

准确识别煤岩切削状态是采煤机智能运行的前提，从而实现煤矿安全高效生产。本文以声音信号、Y轴和Z轴振动信号为分析对象，通过改进自由基基函数神经网络（RBFNN）和Dempster-Shafer相结合，提出了采煤机煤岩切削状态的融合识别方法和DS证据理论。首先，在原有果蝇优化算法（FOA）的基础上，利用蛾焰优化（MFO）的位置更新机制来提高FOA的收敛性能和探索能力。因此，相应地设计了MFO-FOA的混合优化算法，并进行了一些仿真以验证其有效性和优越性。然后，通过使用提出的 MFO-FOA 找出 RBFNN 的最佳网络参数，以实现出色的泛化能力和预测性能。此外，通过变分模态分解对采集到的信号进行分解，利用包络熵和峰态提取前三个本征模态函数分量的特征。利用从三类传感器数据中获得的特征向量来构建 RBFNN 分类器。此外，引入具有证据相关系数的D-S证据理论，融合三个RBFNN分类器的初步识别结果。最后搭建了自行设计的采煤机切割煤岩实验平台，并提供了一些实验。基于实测数据的实验结果表明，该方法能够有效识别煤岩切削状态，精度更高。