System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像数据处理,具体涉及基于人工智能的井下巷道壁缝隙快速检测方法。
技术介绍
1、巷道是地下采矿时为采矿提升、运输、通风、排水等掘进的通道。巷道断面形状多为拱形、梯形。为了保障井下巷道的安全稳定,需要随时检测巷道壁,以及时发现巷道安全隐患,保障煤矿安全生产,其中一类重要的安全隐患就是巷道壁缝隙。巷道壁缝隙可能会导致地下水渗漏、岩石塌陷等问题,对矿工的安全和工程的稳定性造成威胁。
2、现有的问题:当前常使用基于神经网络的井下巷道壁缝隙检测方法,但由于井下巷道内光线相对昏暗,采集的图像内不同区域明暗差距过大,可能导致图像内阴影和缝隙区域的像素点灰度值差异较小,当直接将采集的图像输入到神经网络中进行检测时,缝隙检测的效果可能不够理想,会降低井下巷道壁缝隙检测的准确性。
技术实现思路
1、本专利技术提供基于人工智能的井下巷道壁缝隙快速检测方法,以解决现有的问题。
2、本专利技术的基于人工智能的井下巷道壁缝隙快速检测方法采用如下技术方案:
3、本专利技术一个实施例提供了基于人工智能的井下巷道壁缝隙快速检测方法,该方法包括以下步骤:
4、采集井下巷道壁图像,进行灰度化处理,得到巷道壁灰度图像;在巷道壁灰度图像中分割出若干个目标图像块,将任意一个目标图像块,记为参考块;
5、根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性;
6、根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能
7、根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性,得到参考块的伽马因子;
8、根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像;使用深度神经网络分割出巷道壁增强图像中的缝隙区域。
9、进一步地,所述在巷道壁灰度图像中分割出若干个目标图像块,包括的具体步骤如下:
10、使用canny边缘检测算法对巷道壁灰度图像进行边缘检测,得到巷道壁灰度图像内的若干个边缘像素点;
11、根据巷道壁灰度图像内的所有边缘像素点,使用手肘法,得到k均值聚类算法中的最优k值;
12、根据最优k值,使用k均值聚类算法,对巷道壁灰度图像内的所有边缘像素点进行聚类操作,得到若干个聚类簇;
13、在巷道壁灰度图像内,使用凸包算法,得到每个聚类簇内所有边缘像素点的最小凸包;
14、将每个聚类簇内所有边缘像素点的最小凸包内的区域,记为目标图像块。
15、进一步地,所述根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性,包括的具体步骤如下:
16、使用连通域重心计算算法,得到参考块中心点;
17、在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性。
18、进一步地,所述在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性对应的具体计算公式为:
19、
20、其中为参考块的误辨可能性,为参考块内边缘像素点的数量,为参考块内像素点的数量,为参考块内第个边缘像素点到参考块中心点的距离,为参考块内所有边缘像素点分别到参考块中心点的距离的均值,为参考块内第个边缘像素点的灰度值,为参考块内所有像素点灰度值的均值,| |为绝对值函数,为线性归一化函数,为以自然常数为底的指数函数。
21、进一步地,所述根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性,包括的具体步骤如下:
22、将参考块内除边缘像素点之外的其它像素点,记为非边缘像素点;
23、根据参考块内所有非边缘像素点的灰度值,在所有非边缘像素点中筛选出若干个目标点;
24、在参考块内,根据目标点的数量、非边缘像素点的数量、边缘像素点的数量、像素点的数量,得到参考块的缝隙可能性。
25、进一步地,所述根据参考块内所有非边缘像素点的灰度值,在所有非边缘像素点中筛选出若干个目标点,包括的具体步骤如下:
26、将参考块内所有非边缘像素点灰度值的均值,记为灰度阈值;
27、将参考块内灰度值小于灰度阈值的非边缘像素点,记为目标点。
28、进一步地,所述在参考块内,根据目标点的数量、非边缘像素点的数量、边缘像素点的数量、像素点的数量,得到参考块的缝隙可能性对应的具体计算公式为:
29、
30、其中为参考块的缝隙可能性,为参考块内目标点的数量,为参考块内非边缘像素点的数量,为参考块内边缘像素点的数量,为参考块内像素点的数量,为以自然常数为底的指数函数。
31、进一步地,所述根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性,得到参考块的伽马因子,包括的具体步骤如下:
32、在巷道壁灰度图像分割出的所有目标图像块中,将除参考块之外的其它目标图像块,记为非参考块;
33、根据参考块的误辨可能性和缝隙可能性、参考块分别与所有非参考块的误辨可能性之间的差异、巷道壁灰度图像内所有的像素点灰度值,得到参考块的伽马因子。
34、进一步地,所述根据参考块的误辨可能性和缝隙可能性、参考块分别与所有非参考块的误辨可能性之间的差异、巷道壁灰度图像内所有的像素点灰度值,得到参考块的伽马因子对应的具体计算公式为:
35、
36、其中为参考块的伽马因子,为预设的常数,为参考块的误辨可能性,为参考块的缝隙可能性,为第个非参考块的误辨可能性,为非参考块的数量,g为参考块内所有像素点灰度值的均值,为巷道壁灰度图像内所有像素点灰度值的均值,| |为绝对值函数,为线性归一化函数,为以自然常数为底的指数函数。
37、进一步地,所述根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像,包括的具体步骤如下:
38、根据参考块的伽马因子,使用伽马变换算法对参考块进行处理,得到参考块的增强图像块;
39、在巷道壁灰度图像中,将除所有目标图像块之外的其它区域,记为背景区域;
40、将所有目标图像块的增强图像块和背景区域构成的图像,记为巷道壁灰度图像的巷道壁增强图像。
41、本专利技术的技术方案的有益效果是:
42、本专利技术实施例中,获取巷道壁灰度图像,从中分割出若干个目标图像块,其令缝隙处于目标图像块内,保障了后续图像增强时,能够精准的增强缝隙区域。再获取每个目标图像块的误辨可能性和缝隙可能性,从而得到每个目标图像块的伽马因子,其通过分析每个目标图像块内纹理的清晰程度和区分阴影和缝隙区域,实现每个目标图像块的伽马因子的自适应选取,进一步实现缝隙区域的精准增强,得到高质量的图像,令图像内的缝隙区域可清晰识别,从而提高缝隙检测的准确性。由此进行伽马变本文档来自技高网...
【技术保护点】
1.基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在巷道壁灰度图像中分割出若干个目标图像块,包括的具体步骤如下:
3.根据权利要求2所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性,包括的具体步骤如下:
4.根据权利要求3所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性对应的具体计算公式为:
5.根据权利要求2所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性,包括的具体步骤如下:
6.根据权利要求5所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内所有非边缘像素点的灰度值,在所有非边缘像素点中筛选出若干个目标点,包
7.根据权利要求5所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在参考块内,根据目标点的数量、非边缘像素点的数量、边缘像素点的数量、像素点的数量,得到参考块的缝隙可能性对应的具体计算公式为:
8.根据权利要求1所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据巷道壁灰度图像内所有的像素点灰度值、参考块的缝隙可能性、所有目标图像块的误辨可能性,得到参考块的伽马因子,包括的具体步骤如下:
9.根据权利要求8所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块的误辨可能性和缝隙可能性、参考块分别与所有非参考块的误辨可能性之间的差异、巷道壁灰度图像内所有的像素点灰度值,得到参考块的伽马因子对应的具体计算公式为:
10.根据权利要求1所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据所有目标图像块的伽马因子,得到巷道壁灰度图像的巷道壁增强图像,包括的具体步骤如下:
...【技术特征摘要】
1.基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在巷道壁灰度图像中分割出若干个目标图像块,包括的具体步骤如下:
3.根据权利要求2所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内像素点之间的距离、像素点之间的灰度值差异,得到参考块的误辨可能性,包括的具体步骤如下:
4.根据权利要求3所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述在参考块内,根据边缘像素点的灰度值和数量、所有边缘像素点分别到参考块中心点的距离,得到参考块的误辨可能性对应的具体计算公式为:
5.根据权利要求2所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内所有像素点分类后的数量,得到参考块的缝隙可能性,包括的具体步骤如下:
6.根据权利要求5所述基于人工智能的井下巷道壁缝隙快速检测方法,其特征在于,所述根据参考块内所有非边缘像素点的灰度...
【专利技术属性】
技术研发人员:苑兴伟,缪国卫,郗广奇,王成,武耀健,刘国志,刘海博,周千令,宋宁,冯洋,
申请(专利权)人:凌源日兴矿业有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。