基于图像信息挖掘的采煤机煤岩界面识别方法研究

作     者：杨宇博 

作者单位：太原理工大学 

学位级别：硕士

导师姓名：田慕琴

授予年度：2022年

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：煤岩界面 图像识别 深度学习 TransU-Net 

摘      要：煤岩界面识别方法的探索研究始终是国内外研究的热点和难点。到目前为止,已有20多种煤岩界面识别的技术被提出,这些方法虽取得一些成绩,但由于煤矿井下环境的复杂性和特殊性,许多方法存在识别精度低、适用范围窄等问题。随着机器视觉技术的发展,基于图像识别的煤岩界面识别方法相关研究得到进一步发展,为实现煤岩界面的精准识别提供了一种新的思路。因此,针对从采煤工作面采集到的煤岩界面图像,本文从图像识别的相关理论入手,并在此基础上进行煤岩图像的识别研究。具体工作如下:(1)制作煤岩图像的数据集。目前,基于图像的煤岩识别相关研究处于初步阶段,缺少公开的煤岩图像数据集,本文利用防爆照相机从山西省长治市沁源县王陶乡东盛煤矿综采工作面获取了煤岩图像样本。由于井下条件恶劣,获取到的样本数量较少,本文利用多种方式对图像数据集进行了增广,并对增广后的图像进行了标注,构建了煤岩图像数据集。(2)设计适用于煤岩图像的特征提取方法和分类器选取方法,实现图像分类。本文叙述了图像分类的一般流程,对煤岩图像数据集进行图像预处理操作,采用GLCM方法提取了煤岩图像的纹理特征,分别选取KNN、RF和BP神经网络作为分类器,将提取到的特征向量输入分类器中进行训练,实现煤岩图像分类。(3)设计了基于深度学习的煤岩图像分类网络模型。针对多种不同的深度学习网络做对比实验,如VGG16、Res Net50、Mobile Net V2和Efficient Net V2,结合迁移学习对网络进行训练,并在本文煤岩数据集上进行了验证。结果表明,较其他模型,Efficient Net V2模型具有更优的性能。(4)设计了一种基于Trans U-Net的煤岩界面图像语义分割方法。通过引入CNNTransformer的组合结构取代了原先U-NET结构中编码器的部分。利用pytorch深度学习框架,在煤岩图像分割数据集上,与FCN、U-Net和U-Net++网络模型进行了对比实验。实验结果验证了Trans U-Net在煤岩图像分类上的有效性和优越性。