基于可調控塔式分解系數統計建模的煤巖識別方法

孫繼平， 陳浜

(1.中國礦業大學(北京)， 北京 100083； 2.中國礦業大學(北京) 機電與信息工程學院， 北京 100083)

科研成果

基于可調控塔式分解系數統計建模的煤巖識別方法

孫繼平1， 陳浜2

(1.中國礦業大學(北京)， 北京 100083； 2.中國礦業大學(北京) 機電與信息工程學院， 北京 100083)

針對傳統煤巖識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的問題，提出了一種基于可調控塔式分解系數統計建模的煤巖識別方法。首先，對煤巖圖像進行多尺度可調控塔式分解；然后，把非對稱廣義高斯分布作為一個統計模型去擬合每一個可調控方向子帶的系數分布，采用最大似然估計法獲得非對稱廣義高斯分布的各參數；最后，以對稱的相對熵為距離測度完成煤巖圖像的自動辨別。實驗結果表明，與現有的其他方法相比，該方法的識別準確率最高，為86.90%。

煤炭開采； 采煤工作面； 無人工作面； 煤巖識別； 可調控塔式分解； 統計建模； 對稱相對熵

[10]研究思路的啟發，筆者提出一種基于可調控塔式分解系數統計建模的煤巖識別方法。首先，對煤巖圖像進行可調控塔式分解；然后，對分解得到的每一個可調控方向子帶進行關于系數的統計建模；最后，采用以對稱相對熵為距離測度的分類器完成煤巖識別。

1 可調控塔式分解

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

為保證在行列下采樣時不發生混疊及遞歸迭代的順利進行，在設計可調控塔式分解的各濾波器時應滿足以下條件[21]：

(1)

(2)

(3)

2 非對稱廣義高斯分布模型

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

圖1 煤巖樣本圖像及其經過可調控塔式分解以后的各子帶

(4)

采用最大似然估計法計算θ，具體推導、計算過程可參照文獻[10]，本文不再贅述。

3 煤巖識別分類器設計

目前主流的分類器如最近鄰、支持向量機、神經網絡等在處理分類任務時，采用的距離度量以歐氏距離為主。這些分類器假設特征空間是一個歐氏向量空間，各種特征被直接或間接地組合成向量處理。當特征向量處在非歐幾何的流形空間時，就不能簡單地以歐氏距離作為特征相似程度的度量。

在信息論中，常常采用相對熵來衡量2個概率分布的不同程度[10]。因此，通過計算相對熵來評價煤巖測試樣本與訓練樣本的相似程度。子帶X對子帶X′的相對熵為[10]

(5)

式中θ，θ′分別為X和X′對應的非對稱廣義高斯分布模型參數集。

(6)

(7)

4 實驗與結果分析

4.1 實驗準備

盡管實際生產中同一煤礦或工作面涉及的煤巖種類相對單一，但是為了更充分地驗證基于可調控塔式分解系數統計建模的煤巖識別方法的有效性，筆者所在課題組從河南平頂山煤業集團十礦、河南安陽礦務局龍山煤礦、北京京煤集團木城澗煤礦等地采集了1/3焦煤、貧瘦煤、無煙煤、頁巖、砂巖、泥巖等煤巖樣本，如圖2所示。實驗樣本集由1/3焦煤、貧瘦煤、無煙煤、頁巖、砂巖和泥巖這6類圖像各100幅組成，合計600幅。樣本集中的所有圖像均已進行256級灰度化處理，尺寸統一為256×224，以bmp文件格式存儲。

本文實驗涉及的所有方法均在Visual Studio 2008開發環境下采用C++編程語言實現，并運行在Intel Core i5-2450 2.50 GHz CPU、8 GB內存的PC機上。

4.2 不同方法的對比

(a) 1/3焦煤1

(b) 貧瘦煤1

(c) 無煙煤1

(d) 頁巖1

(e) 砂巖1

(f) 泥巖1

(g) 1/3焦煤2

(h) 貧瘦煤2

(i) 無煙煤2

(j) 頁巖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方法中的雙樹復小波變換不同，可調控塔式分解在執行每一尺度分解時，行列下采樣只針對低頻子帶，因此對于同樣尺寸的原始圖像，只有可調控塔式分解比小波變換、雙樹復小波變換多1級的分解尺度，3種分解變換的單個方向子帶的系數個數才會一致。參考文獻[22]設計了面向可調控塔式分解的0階、1階、3階濾波器組，它們提供的可調控方向數分別為1，2，4。同一級分解變換中，方向子帶數太少則難以捕獲圖像的細節特征，太多則在子帶相似性匹配時容易出現錯位匹配的情況。因此，SPD方法、SPD-AGGM-ED方法及本文方法采用4個尺度、4個方向的可調控塔式分解。

神經網絡、支持向量機等分類器需要設置一些參數，而且不同的參數設置會影響最終的分類結果，難以體現對比實驗的公平性，因此參與本文對比實驗的所有方法統一采用簡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可的χ2距離測度；DTCWT-GΓM方法、WD-AGGM方法及本文方法采用對稱的相對熵測度；其他6種方法采用歐氏距離測度。

為了更客觀地評價各種煤巖識別方法，筆者進行了10組實驗，取平均值作為各種方法的最終表現。每組實驗均從每類煤巖樣本中隨機選取50幅圖像作為訓練樣本，剩下的50幅圖像用作測試樣本，即訓練集和測試集的容量均為300。對比實驗結果見表1。

表1 不同煤巖識別方法的對比結果

從表1可看出，本文方法表現最佳，其平均識別率達到86.90%，比最新的煤巖識別方法——DTCWT-GΓM方法高將近2%。同樣是采用非對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，本文方法的平均識別率比WD-AGGM方法高3.43%，筆者認為，這是因為可調控塔式分解具有平移不變性、方向選擇可調控等經典小波變換無可比擬的優勢。另外，SPD-AGGM-ED方法的平均識別率為72.47%，比本文方法低14.43%，這說明簡單地把由非對稱廣義高斯分布模型的各參數組成的特征空間假設為歐氏幾何空間并不合適。

5 結語

提出的基于可調控塔式分解系數統計建模的煤巖識別方法與現有方法相比，具有更高的識別準確率，為未來實現采煤工作面無人化、建設數字礦山帶來了新的啟示。

參考文獻：

[1] 國家發展和改革委員會，國家能源局.國家發展改革委國家能源局關于印發《能源技術革命創新行動計劃(2016—2030年)》的通知(發改能源〔2016〕513號)[EB/OL]. (2016-04-07)[2016-06-15].http://www.ndrc.gov.cn/zcfb/zcfbtz/201606/t20160601_806201.html.

[2] 國家發展改革委，國家能源局. 能源技術革命創新行動計劃(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.數字礦山關鍵技術研究與示范[J].煤炭學報，2016，41(6)：1323-1331.

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

[5] 吳婕萍，李國輝.煤巖界面自動識別技術發展現狀及其趨勢[J].工礦自動化，2015，41(12)：44-49.

[6] 田子建，彭霞，蘇波.基于機器視覺的煤巖界面識別研究[J].工礦自動化，2013，39(5)：49-52.

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

[8] 蘇波.基于機器視覺的煤巖界面識別方法研究[D].北京：中國礦業大學(北京)，2013：5-10.

[9] 孫繼平，陳浜.基于雙樹復小波域統計建模的煤巖識別方法[J].煤炭學報，2016，41(7)：1847-1858.

[10] 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(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習向量量化的煤巖識別方法[J].工礦自動化，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別[J].煤炭學報，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別[J].工礦自動化，2015，41(2)：50-53.

[14] 張萬枝，王增才.基于視覺技術的煤巖特征分析與識別[J].煤炭技術，2014，33(10)：272-274.

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

[16] 黃韶杰.基于灰度閾值法的煤巖界面識別研究[J].工礦自動化，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；責任編輯：李明。

國家自然科學基金重點資助項目(51134024)；中央高校基本科研業務費專項資金資助項目(2010YJ06)。

孫繼平(1958-)，男，山西翼城人，教授，博士，博士研究生導師，中國礦業大學(北京)副校長；獲國家科技進步二等獎3項(其中作為第1完成人2項、第2完成人1項)；作為第1完成人獲省部級科技進步一等獎7項；作為第1完成人主持制定中華人民共和國煤炭行業和安全生產行業標準26項；主持制定《煤礦安全規程》第十一章“監控與通信”；作為第1作者或獨立完成著作12部；被SCI或EI檢索的第1作者或獨立完成文章80余篇；作為第1發明人獲國家授權發明專利30余項；作為國務院煤礦事故調查專家組組長參加了10起煤礦特別重大事故調查工作；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.基于可調控塔式分解系數統計建模的煤巖識別方法[J].工礦自動化，2016,42(12)：1-5.

國家發展和改革委員會、國家能源局聯合印發的《能源技術革命創新行動計劃(2016—2030年)》明確指出：到2020年，我國大中型礦區基本實現智能開采，重點煤礦區采煤工作面人數減少一半以上；到2030年，實現智能化開采，重點煤礦區基本實現工作面無人化、工作面巷道集中控制[1-2]。煤巖自動識別是實現采煤工作面無人化、建設數字礦山的關鍵技術之一[3-5]，但仍然是一個公開的世界性難題。傳統的煤巖識別方法主要有γ射線探測法、雷達探測法、聲音檢測法、紅外探測法、截割力檢測法等[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。

近年來，隨著礦用高清成像、井下視頻傳輸、煤礦物聯網等技術的不斷發展，越來越多的國內外研究者把目光投向基于圖像分析的煤巖識別方法研究。參考文獻[9]提出了一種基于雙樹復小波域統計建模的煤巖識別方法；參考文獻[10]采用非對稱廣義高斯模型對煤巖圖像經過小波變換后的高頻子帶系數進行建模，然后采用相對熵距離測度實現了煤巖識別；參考文獻[11]提出了一種離散余弦變換與學習向量量化神經網絡相結合的煤巖識別方法；參考文獻[12]在小波域中定義了一種紋理導向度，并基于此，利用Minkowski距離測度完成煤巖識別工作；參考文獻[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別方法；參考文獻[14]以灰度共生矩陣為基礎，采用其能量、熵、慣性矩、相關等統計特征實現煤巖識別；參考文獻[15]研究了基于高斯混合聚類的非監督煤巖識別技術；參考文獻[16]基于圖像空間域，采用灰度閾值法實現了煤巖識別；參考文獻[17-18]在計算煤巖圖像灰度共生矩陣的基礎上，分別采用優選組合特征和聚類顯著特征實現了煤巖識別；參考文獻[19]分析了煤巖的視覺特性，提出了基于灰度共生矩陣與神經網絡的煤巖識別方法。