[发明专利]一种基于自学习的煤岩识别方法

说明书

本发明公开了一种基于自学习的煤岩识别方法，该方法首先通过离线的方式从辅助数据中学习到高层结构特征矩阵D，这些辅助数据是无标签非煤岩自然图像，且更容易获取；然后将煤岩图像表征为若干个高层特征原子的线性组合，线性组合的系数组成一个新的特征向量作为煤岩图像的特征向量；然后用提取到的煤岩特征向量训练分类器；识别过程中，提取未知类别的煤岩图像的特征向量，输入到训练完成的分类器中，最终输出煤岩图像的类别。该方法用容易获得的无标签非煤岩自然图像作为训练样本，节省了标记大量煤岩样本的开销，提取的煤岩特征向量具有很强的鉴别性和鲁棒性，达到了很好地识别效果。

技术领域

本发明涉及一种基于自学习的煤岩识别方法，属于煤岩识别领域。

背景技术

煤岩识别即是用一种方法自动识别出煤或岩石，在煤炭生产过程中，煤岩识别技术可广泛应用于滚筒采煤、掘进、放顶煤开采、原煤选矸石等生产环节，对于减少采掘工作面作业人员、减轻工人劳动强度、改善作业环境、实现煤矿安全高效生产具有重要意义。

实际应用中已经有多种煤岩识别方法，包括自然γ射线探测法、雷达探测法、应力截齿法、红外探测法、有功功率监测法、振动检测法、声音检测法、粉尘检测法、记忆截割法等，但这些方法在实际应用中存在着如下问题：

1、需要在现有设备上加装各类传感器获取信息，导致装置结构复杂，成本高；

2、采煤机滚筒、掘进机等设备在生产过程中受力复杂、振动剧烈、磨损严重、粉尘大，传感器部署比较困难，容易导致机械构件、传感器和电气线路受到损坏，装置可靠性差；

3、对于不同类型机械设备，传感器的最佳类型和信号拾取点的选择存在较大区别，需要进行个性化定制，系统的适应性差。

为了解决上述问题，基于图像技术的煤岩识别方法不断被重视和研究，并取得了一定的成果，包括基于小波变换的煤岩识别方法，利用小波基提取煤岩图像特征进行分类识别；一种基于字典学习的煤岩识别方法，利用字典学习的方法提取煤岩图像的特征，它可以通过学习的方式得到基函数，适用性强；一种基于小波域非对称广义高斯模型的煤岩识别方法，利用改进的相对熵相似性测度实现煤岩特征的提取等，在这些煤岩识别技术中煤岩图像特征的提取是能否获得满意的识别率的关键因素，而高质量表达需要训练过程中有足量的样本，训练样本数量太少，一方面不能真实地反映出煤岩样本数据集的特征分布，因此训练得到的煤岩图像特征表达能力弱，不能达到理想的识别效果；另一方面训练样本太少，识别模型的训练容易过拟合致使泛化性能低，而在实际应用中获取大量的带标签煤岩图像样本费时费力。现有的半监督学习中，当现有的带标签训练样本数量不足时，需要在有类标签的训练样本数据集的基础上，加入大量同类的无标签样本图像辅助训练，节省了标记样本的开销，但对于煤岩这种难以获取的样本图像来说，半监督学习仍然有一定的局限性；而迁移学习中，要求源域样本与目标域存在一定的共有特征，在实际操作中存在一定的困难。

需要一种解决或至少改善现有技术中固有的一个或多个问题的煤岩识别方法，以提高煤岩识别率和识别稳定性。

发明内容

因此，本发明的目的在于提供一种基于自学习的煤岩识别方法，该方法首先通过离线方式从辅助数据集获得图像的高层结构特征D＝[d⁽¹⁾，d⁽²⁾，…，d^(j)，…，d^(p)]∈R^n×p，辅助数据集中的样本是无标签的非煤岩自然图像，与煤岩图像的特征分布完全无关，然后将煤岩图像表征为若干个高层特征原子d_i∈Rⁿ的线性组合，线性组合的系数组成一个新的特征向量a⁽ⁱ⁾∈R^p作为煤岩图像的特征向量，实现了对煤岩图像的特征提取。该煤岩识别方法无需大量标记的煤岩图像样本，节省了获取、标记煤岩图像的开销，得到的煤岩特征向量具有很高的鉴别性和鲁棒性，得到了很好的识别效果，可为自动化采掘，自动化放煤，自动化选矸等生产过程提供可靠的煤岩识别信息。