[发明专利]一种防冲钻孔机器人钻进卸压过程中的煤岩识别方法

权利要求书

1.一种防冲钻孔机器人钻进卸压过程中的煤岩识别方法，其特征在于，包括以下步骤：

步骤1：利用高清摄像仪采集防冲钻孔机器人钻进过程中排出的原始钻屑图像，通过改进的自适应区域加权导向滤波模型对原始钻屑图像进行去噪处理后，输出去噪后的钻屑图像

步骤2：对去噪后的钻屑图像进行聚类分割，通过局部信息加权直觉模糊C均值聚类算法，实现去噪图像的聚类分割，将输入图像中的像素分为煤或岩两种类别，其对应的两个聚类集数中心分别为c1或c2，此时聚类结束；

步骤3：煤岩识别。若聚类集数中心c1＞c2时，则聚类集数中心c1所对应的图像像素点为岩，聚类集数中心c2所对应的图像像素点为煤；反之，聚类集数中心c1所对应的图像像素点为煤，聚类集数中心c2所对应的图像像素点为岩。

2.根据权利要求1所述的一种防冲钻孔机器人钻进卸压过程中的煤岩识别方法，其特征在于，步骤1中通过对原始钻屑图像进行去噪处理的步骤如下：

步骤1.1：设计改进的自适应区域加权导向滤波的引导图像

式中，G为输入的原始钻屑图像；

ω为自适应加权因子；

为经高斯滤波器处理后的图像；

定义图像含噪程度因子ξ：

式中，为原始钻屑图像G的灰度方差；

为经高斯滤波器处理后的图像的灰度方差；

为一个正常数，的值定义为(1/L²)，L为原始钻屑图像G的灰度等级；

在此基础上，自适应加权因子ω定义如下：

式中：τ为控制参数；

在无噪声或者噪声强度较低的区域，图像含噪程度因子ξ趋向于1，自适应加权因子ω趋近于0；在噪声强度较高的区域，自适应加权因子ω趋近于1；

步骤1.2：在改进的自适应区域加权导向滤波过程中，其代价函数E定义如下：

式中，p为图像中的像素点；

p′为图像中一个以r为半径的正方形窗口的中心；

为边缘感知因子；

λ为惩罚系数；

通过使式(3)所示的代价函数E最小，求得和为增益因子，为偏置因子，如式(4)所示，

式(4)中，为两个图像矩阵的逐点像素灰度值的乘积；

为在半径为r的窗口中像素的灰度均值；

为在半径为r的窗口中像素的灰度均值；

μ_G,r(p′)为G在半径为r的窗口中像素的灰度均值；

为半径为r的窗口中像素的灰度方差；

步骤1.3：在所定义的尺寸为的图像窗口中，输出去噪后的钻屑图像如式(5)所示，

式中：是在尺寸为的图像窗口中的平均值；

是在尺寸为的图像窗口中的平均值；

由式(6)求得：

式中：为尺寸为的窗口中所包含的像素个数。

3.根据权利要求2所述的一种防冲钻孔机器人钻进卸压过程中的煤岩识别方法，其特征在于，步骤2中，通过局部信息加权直觉模糊C均值聚类算法，对去噪后的钻屑图像的聚类分割步骤如下：

步骤2.1：在局部信息加权直觉模糊C均值聚类算法中引入不确定度自适应的局部信息权重κ_ij、局部信息H_ij，局部信息加权直觉模糊C均值聚类算法的核心是通过最小化目标函数J(U,V)，对已知数据个体对聚类集数中心的隶属度进行求解，如式(7)所示，

式中，样本x_j属于样本数据集X＝{x₁,x₂,…,x_N}；

c为根据需求选取的聚类集数；

N为样本数据集中的个体数量；

m为模糊常数；

为样本x_j对于第i个聚类集的复合隶属度；

为各个聚类集的聚类中心与样本x_j之间的距离；

为第i个聚类集的聚类中心，计算更新公式如式(8)所示，

在局部信息加权直觉模糊C均值聚类算法中定义如式(9)的复合隶属度关系

式中，μ_i,j为考虑局部信息的模糊C均值聚类的隶属度；

为直觉模糊C均值聚类的隶属度，计算方法如下：

式(7)和式(10)中，局部信息H_ij定义如下：

式中，1≤i≤c，1≤j≤N，N_j是以像素j为中心的3×3窗口中的邻域像素点数；

k是在以像素j为中心的3×3窗口中的第k个像素点；

d_j,k为像素k与像素j之间的空间欧几里得距离；

μ_i,k是样本x_k对于第i个聚类集的隶属度；

式(7)中，局部信息加权参数κ_ij计算如下：

式中，为第j个3×3窗口中样本数据的方差；

为所有的均值；

η为去噪后的钻屑图像的灰度等级；

式(7)中，不确定度的计算公式如下：

式中，α定义为不确定度参数，其取值一般在0.8～0.9之间；

步骤2.2：根据式(7)计算目标函数，设置算法迭代的目标函数精度ε，利用式(7)分别计算迭代次数为t和t+1的目标函数值J(t)和J(t+1)，若|J(t)-J(t+1)|＜ε，则迭代结束，输出聚类中心c1和聚类中心c2，否则，跳转执行步骤2.1，由式(8)、式(9)更新隶属度和聚类中心直至迭代结束；

步骤2.3：根据所得到的隶属度矩阵，取样本隶属度最大值所对应类作为样本聚类的结果，将输入图像中的像素分为煤或岩两种类别，其对应的两个聚类集数中心分别为c1或c2，此时聚类结束。