一种基于Adaboost和Gabor算法的煤岩识别检测方法技术

本发明专利技术公开了一种基于Adaboost和Gabor算法的煤和岩的识别方法，该方法首先收集煤和岩的图像作为原始样本集，并用Gabor提取样本的纹理特征，然后用Adaboost级联分类器进行训练，接着用训练好的分类器对需要检测的图像进行检测，标出图像中的岩石的区域。由于采煤工作面较危险图像不易获得，且图像中光照条件恶劣，粉尘较多，故对采集到的原始图像进行人工合成数据，以达到增加数据集数量，提高分类器鲁棒性和泛化能力。

A Coal and Rock Recognition and Detection Method Based on Adaboost and Gabor Algorithms

The invention discloses a coal and rock recognition method based on Adaboost and Gabor algorithm. The method first collects the image of coal and rock as the original sample set, and extracts the texture features of the sample with Gabor, then trains with Adaboost cascade classifier, and then detects the image to be detected with the trained classifier, and marks the rock area in the image. Because the dangerous image of coal mining face is not easy to obtain, and the illumination condition in the image is bad, and the dust is more, the original image collected is synthesized artificially to increase the number of data sets, improve the robustness and generalization ability of the classifier.

【技术实现步骤摘要】
一种基于Adaboost和Gabor算法的煤岩识别检测方法
本专利技术属于煤岩识别领域，尤其涉及一种基于Adaboost和Gabor算法的煤岩识别检测方法。
技术介绍
当前我国的采煤方式正在向无人化综采方式迈进，而采煤机的无人化运转，必须依靠煤岩识别才能准确进行截割，避免采煤机的损坏和煤炭的浪费。随着基于机器学习的图像识别技术的快速发展，利用图像进行煤岩识别的方法变得可行。它相较于其他一些煤岩识别技术例如：雷达探测，红外探测，声音探测，振动探测等有如下一些优点：1、成本低廉，易于进行推广；2、图像是可视化的，有良好的可理解性；3、可在现有的综采工作面摄像头的基础上进行升级，能够有效利用现有设备。就图像识别本身而言，煤岩识别也存在着图像数据获取困难，无法进行有效训练；综采面光照条件恶劣；综采面粉尘大等问题。因此，需要一种高效，鲁棒性好，泛化能力强的煤岩识别检测方法，来解决现有技术中存在的诸多问题。
技术实现思路
专利技术目的：针对以上问题，本专利技术提供一种基于Adaboost和Gabor算法的煤和岩的识别检测方法，通过Gabor提取图像纹理，并利用Adaboost分类器进行煤岩种类的可靠快速识别。技术方案：为实现本专利技术的目的，本专利技术所采用的技术方案是：一种基于Adaboost和Gabor算法的煤岩识别检测方法，该方法包括以下步骤：(1)收集带有类别标签的煤和岩的图像共N0张，构成原始数据集X0；其中，煤的图像标记为1，岩的图像标记为-1；(2)对图像施加噪声模拟井下粉尘噪声的影响，将步骤(1)中的数据集X0变为数据集X；其中，X中有煤和岩图像N张，并将图像归一化为预定尺寸大小；(3)用Gabor算法提取加噪后的煤和岩图像的纹理特征；(4)将步骤(3)中提取到的纹理特征输入到adaboost分类器中进行训练；(5)用训练好的adaboost分类器对待检测图像进行检测，输出煤岩识别结果。进一步的，步骤(2)中，对图像施加噪声模拟井下粉尘噪声的影响，将步骤(1)中的数据集X0变为数据集X，方法如下：对原始图像加入不同程度椒盐噪声模拟井下粉尘噪声的影响，形成新的图像数据集，椒盐噪声具体为：(2.1)预设m个信噪比SNR；(2.2)计算原始图像的总像素数目Q，将第一个信噪比SNR带入如下公式得到要加噪的像素数目：P＝Q*(1-SNR)；(2.3)在原始图像中随机获取要加噪的P个像素的位置，指定所确定的P个位置像素值为0；(2.4)依次将第2-m个信噪比SNR带入上述公式，重复步骤(2.2)-(2.3)，得到原始图像对应的m张加噪声的图像；(2.5)重复步骤(2.2)-(2.4)对所有图片进行加噪，输出加噪声以后的图像。进一步的，步骤(3)中，用Gabor算法提取加噪后的煤和岩图像的纹理特征，方法如下：(3.1)对Gabor算法参数设置为5个尺度，6个方向共30个滤波器，其中gabor滤波器的形式为：其中x，y是二维函数的两个自变量，x′＝xcosθ+ysinθ,y′＝-xsinθ+ycosθ，尺度参数λ取2,3,4,5,6，方向参数θ取0°,60°,120°,180°,240°,300°，ψ为相位偏移，σ为高斯函数标准差，γ为长宽比；(3.2)每个加噪声后的图像经30个滤波器得到30个纹理图像，对这30个纹理图像分别求灰度均值，所得30个灰度均值构成一30*1的向量，以该向量作为原始图像的特征向量。进一步的，步骤(4)中，将步骤(3)中提取到的纹理特征输入到adaboost分类器中进行训练，方法如下：(4.1)定义由步骤3中纹理特征所构成的样本集合X＝{(x1,y1),(x2,y2),...(xi,yi),...,(xN,yN)}，其中N是数据集中图像的数量，y为标签y∈{-1,1}；(4.2)初始化样本的权值分布为D1(x)＝1/N，其中，D1(x)为训练第一个弱分类器的样本权值分布函数；(4.3)记adaboost的弱分类器个数为T，记t＝1,2,......,T；(4.3.1)由N个30*1特征向量以及对应标签y组成的训练集训练第t个弱分类器，记为ht；(4.3.2)计算ht的分类误差εt＝Px～Dt(ht(x)≠y(x))，即在当前样本权重分布下弱分类器对图像的分类与图像真实标签不一致的概率，x指的训练集的样本；(4.3.3)应使得(4.3.2)中的ht的分类误差εt＜0.5，若εt≥0.5，则丢弃当前分类器并用重采样法重新进行训练；即以样本权重作为概率，对训练集进行采样。(4.3.4)为了获得对图像分类的最优效果应使指数损失函数最小化，其中而函数最小化对应导数为0，所以应使指数损失函数对权重导数为0，即由上式解出αt得弱分类器ht权重αt＝0.5*In(1-εt)-0.5*In(εt)；(4.3.5)降低上一循环中分类正确样本的权重，增大分类错误样本的权重使得第t+1次循环下的数据分布为：其中，规范化因子Zt为向量中各个元素之和；(4.3.6)循环(4.3.1)至(4.3.5)步骤直到训练满T个弱分类器；其中，Px～Dt(·)为样本x服从Dt分布下的满足条件(·)的概率，Dt是第t次循环下数据分布；y(x)为样本x所对应的真实标签，ht(x)为第t个弱分类器对样本x的输出标签；(4.3.7)通过线性组合的方式将T个弱分类器组合为强分类器有益效果：与现有技术相比，本专利技术的技术方案具有以下有益技术效果：1、能够有效提高对采煤工作面粉尘环境的适应能力；2、准确快速的煤岩识别能够对采煤机的截割提供可靠数据,避免截割齿因切割岩石造成的破坏，有很大的经济价值。3、成本低廉,无需采用复杂设备,且可视化的煤岩识别界面适合一线工人的使用。附图说明图1是本专利技术所述的煤岩识别方法的基本流程图；图2是本专利技术Adaboost算法流程图；图3是某岩石样本的gabor纹理；图4是某煤炭样本的gabor纹理。具体实施方式下面结合附图和实施例对本专利技术的技术方案作进一步的说明。根据一种实施例形式，提供一种基于Adaboost和Gabor算法的煤岩识别检测方法，包括以下步骤：步骤1、收集带有类别标签的煤和岩的图像共N0张，构成原始数据集X0；其中，煤的图像标记为1，岩的图像标记为-1；步骤2、利用人工数据合成来模拟井下粉尘噪声的影响，将步骤1中的数据集X0变为数据集X；其中，X中有煤和岩图像N张，且N大于N0，并将图像归一化为30*30的尺寸大小，具体方法如下：对原始图像加入不同程度椒盐噪声模拟综采工作面粉尘的干扰，形成新的图像数据集。其中，新的数据集包含图像的数量是原始数据集的10倍以上。其中，椒盐噪声具体为：(2.1)预设m个信噪比SNR；例如信噪比可以取0.6或0.7或0.8或0.9；(2.2)计算原始图像的总像素数目Q，将第一个信噪比SNR带入如下公式得到要加噪的像素数目：P＝Q*(1-SNR)；(2.3)在原始图像中随机获取要加噪的P个像素的位置，指定所确定的P个位置像素值为0；(2.4)依次将第2-m个信噪比SNR带入上述公式，重复步骤(2.2)-(2.3)，得到原始图像对应的m张加噪声的图像；(2.5)重复步骤(2.2)-(2.4)对所有图片进行加噪，输出加噪声以后的图像。步骤3、用Gabor算法提取加噪后的煤和岩图像的纹理特本文档来自技高网...

【技术保护点】
1.一种基于Adaboost和Gabor算法的煤岩识别检测方法，其特征在于，该方法包括以下步骤：(1)收集带有类别标签的煤和岩的图像共N0张，构成原始数据集X0；其中，煤的图像标记为1，岩的图像标记为‑1；(2)对图像施加噪声模拟井下粉尘噪声的影响，将步骤(1)中的数据集X0变为数据集X；其中，X中有煤和岩图像N张，并将图像归一化为预定尺寸大小；(3)用Gabor算法提取加噪后的煤和岩图像的纹理特征向量；(4)将步骤(3)中提取到的纹理特征向量输入到adaboost分类器中进行训练；(5)用训练好的adaboost分类器对待检测图像进行检测，输出煤岩识别结果。

【技术特征摘要】
1.一种基于Adaboost和Gabor算法的煤岩识别检测方法，其特征在于，该方法包括以下步骤：(1)收集带有类别标签的煤和岩的图像共N0张，构成原始数据集X0；其中，煤的图像标记为1，岩的图像标记为-1；(2)对图像施加噪声模拟井下粉尘噪声的影响，将步骤(1)中的数据集X0变为数据集X；其中，X中有煤和岩图像N张，并将图像归一化为预定尺寸大小；(3)用Gabor算法提取加噪后的煤和岩图像的纹理特征向量；(4)将步骤(3)中提取到的纹理特征向量输入到adaboost分类器中进行训练；(5)用训练好的adaboost分类器对待检测图像进行检测，输出煤岩识别结果。2.根据权利要求1所述的一种基于Adaboost和Gabor算法的煤岩识别检测方法，其特征在于，步骤(2)中，对图像施加噪声模拟井下粉尘噪声的影响，将步骤(1)中的数据集X0变为数据集X，方法如下：对原始图像加入不同程度椒盐噪声模拟井下粉尘噪声的影响，形成新的图像数据集，椒盐噪声具体为：(2.1)预设m个信噪比SNR；(2.2)计算原始图像的总像素数目Q，将第一个信噪比SNR带入如下公式得到要加噪的像素数目：P＝Q*(1-SNR)；(2.3)在原始图像中随机获取要加噪的P个像素的位置，指定所确定的P个位置像素值为0；(2.4)依次将第2-m个信噪比SNR带入上述公式，重复步骤(2.2)-(2.3)，得到原始图像对应的m张加噪声的图像；(2.5)重复步骤(2.2)-(2.4)对所有图片进行加噪，输出加噪声以后的图像。3.根据权利要求2所述的一种基于Adaboost和Gabor算法的煤岩识别检测方法，其特征在于，步骤(3)中，用Gabor算法提取加噪后的煤和岩图像的纹理特征向量，方法如下：(3.1)对Gabor算法参数设置为5个尺度，6个方向共30个滤波器，其中gabor滤波器的形式为：其中，x,y是二维函数的两个自变量，x′＝xcosθ+ysinθ,y′＝-xsinθ+ycosθ，尺度参数λ取2,3,4,5,6，方向参数θ取0°,60°,120°,180°,240°,300°，ψ为相位偏移，σ为高斯函数标准差，γ为长宽比；(3.2)每个加噪...

【专利技术属性】
技术研发人员：闫海峰，葛逸鹏，王忠宾，谭超，司磊，周红亚，李小玉，刘博文，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：江苏,32