(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221096890 0.X (22)申请日 2022.08.12 (71)申请人 辽宁工程技术大学 地址 123000 辽宁省阜新市中华路47号 (72)发明人 吕伏　韩晓天　冯永安　 (74)专利代理 机构 大连东方专利代理有限责任 公司 21212 专利代理师 陈丽　李洪福 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06T 7/45(2017.01) G06T 7/40(2017.01)G06N 3/04(2006.01) (54)发明名称 结合纹理特征进行决策融合的煤体破坏类 型图像识别方法 (57)摘要 本发明提供了一种结合纹理特征进行决策 融合的煤体破坏类型图像识别方法， 使用高清防 爆相机在井下拍摄获取煤体图像， 进行图像处理 和标记， 构建煤体数据集， 并根据煤体原图像创 建对应的纹理特征数据集； 基于决策融合构建分 类模型， 并使用煤体原图数据集和对应的纹理特 征数据集对分类模型进行训练； 将待识别的煤体 原图和对应的纹理特征图在训练完成的分类模 型中进行分类测试， 得到煤体图像的破坏类型分 类结果。 本发明通过对破坏煤图像进行机器识 别， 识别准确度达到99.52％， 能够显著提升井下 煤体破坏类型的识别效率， 进而对煤与瓦斯突出 事故的预测提供参考， 极大地提高煤矿生产的智 慧性与安全性。 权利要求书1页 说明书6页 附图4页 CN 115439680 A 2022.12.06 CN 115439680 A 1.一种结合纹理特征进行决策融合的煤体破坏类型图像识别方法， 其特征在于， 所述 方法包括： 使用高清防爆相机在井下拍摄获取煤体图像， 进行图像处理和标记， 构建煤体数据集， 并根据煤体原图像创建对应的纹 理特征图像数据集； 构建基于决策融合的分类模型， 并基于煤体图像数据集和对应的纹理特征图像数据集 对所述分类模型进 行训练； 其中， 所述分类模型包括2个结构相同， 但参数不同的子 分类器； 每个子分类器中包括注意力建议子网络和分类子网络两个不同功能的子网络结构； 将原始 图像和纹理特征图像分别输入到2个分类器中的分类子网络进行学习和训练， 将输出特征 经过双线性池化后压缩为一个五维向量； 同时连接两个分类子网络中的平均池化层， 构造 自适应学习的三层卷积神经网络作为注意力建议子网络学习不同通道权重， 将学习到的权 重分别与原图和纹 理特征图的特 征输出相乘后求和， 得到融合分类结果； 将待识别的煤体原图和对应的纹理特征图输入训练完成的基于决策融合的分类模型 中， 得到煤体原图的分类结果。 2.根据权利要求1所述的一种结合纹理特征进行决策融合的煤体破坏类型图像识别方 法， 其特征在于， 所述分类子网络根据双线性神经网络B ‑CNN和ResNet ‑18构建。 3.根据权利要求1所述的一种结合纹理特征进行决策融合的煤体破坏类型图像识别方 法， 其特征在于， 根据煤体原图像创建对应的纹 理特征数据集， 包括： 根据灰度共生矩阵提取纹 理特征的方法， 提取五类图像的典型 特征参数； 对比各个类别图像在不同纹理特征参数上的差异度， 选取差异性最大的特征作为图像 的整体特 征， 创建图像的纹 理特征数据集。 4.根据权利要求3所述的一种结合纹理特征进行决策融合的煤体破坏类型图像识别方 法， 其特征在于， 所述参与对比的典型特征参数包括八种： mean、 variance、 contrast、 dissimilarity、 homogeneity、 ASM、 ent ropy和cor relation。 5.根据权利要求3所述的一种结合纹理特征进行决策融合的煤体破坏类型图像识别方 法， 其特征在于， 各个 类别在不同特 征上图像的差异度由结构相似性指标值确定 。 6.根据权利要求3所述的一种结合纹理特征进行决策融合的煤体破坏类型图像识别方 法， 其特征在于， 所述差异性 最大的特 征为mean 值。 7.一种计算机可读存储介质， 其特征在于， 该计算机可读存储介质内存储有计算机指 令集， 计算机指 令集被处理器执行时实现如权利要求 1～6任一项 所述的一种结合纹理特征 进行决策融合的煤体破坏类型图像识别方法。权　利　要　求　书 1/1 页 2 CN 115439680 A 2结合纹理特征进行决策融合的煤体破 坏类型图像识别方 法 技术领域 [0001]本申请涉及图像识别技术领域， 特别是涉及结合纹理特征进行决策融合的煤体破 坏类型图像识别方法。 背景技术 [0002]为了研究煤体破坏程度与瓦斯涌突出之间的关系， 将构造煤进行煤体破坏程度上 的定性分类。 通常， 普遍被研究者接受并广泛采用的是依据煤的破坏程度将构造煤分为非 破坏煤、 破坏煤、 强烈破坏煤、 粉碎煤和全粉煤五种类型。 不同破坏类型的煤对瓦斯的吸附 能力不同， 并且物理结构和力学性质相 差较大， 因此煤的破坏类型判别对构造复杂矿区的 煤岩动力灾害防治和瓦斯突出危险性的评估具有重要意义。 由于在煤炭开采、 运输、 存储、 利用和加工再利用的整个过程中， 煤炭所处的整个环境十分恶劣复杂， 如何在这样的环境 下对构造煤的破坏类型识别并进行高精度区分， 在保 障煤矿安全生产、 促进资源的合理利 用和环境保护方面十分重要。 [0003]在煤体破坏类型识别方面现今最常用的还是以经验性地宏观物理观察辨识的方 法为主， 这在日常生产检查中起到了关键作用， 但缺少客观与定量化的分类标准。 因此这种 以人工观察为主的分类方法， 具有效率低、 准确率不稳定、 影响因素复杂繁多等缺点， 会带 来一定的安全隐患， 可靠性 不高。 [0004]因此， 在对图像进行机器智能识别分类技术迅速发展的今天， 通过研究煤体破坏 类型的细粒度图像 自动识别， 可以很大程度上提高识别效率和准确度， 有效预防煤与瓦斯 突出事故的发生， 保障煤矿生产安全。 发明内容 [0005]有鉴于此， 本发明提供了一种结合纹理特征进行决策融合的煤体破坏类型图像识 别方法， 旨在通过煤体破坏 类型的细粒度图像自动识别， 提高井下煤体破坏 类型识别效率， 增加识别的准确度， 进 而有效预防煤与瓦斯 突出事故的发生， 提高煤矿生产安全性。 [0006]为此， 本发明提供了以下技 术方案： [0007]本发明提供了一种结合纹理特征进行决策 融合的煤体破坏类型图像识别方法， 所 述方法包括： [0008]使用高清防爆相机在井下拍 摄获取煤体图像， 进行 图像处理和标记， 构建煤体数 据集， 并根据煤体原图像创建对应的纹 理特征图像数据集； [0009]构建基于决策 融合的分类模型， 并基于煤体图像数据集和对应的纹理特征图像数 据集对模型进 行训练； 其中， 所述分类模型包括2个结构相同， 但 参数不同的子 分类器； 每个 子分类器中包括注意力建议子网络和分类子网络两个不同功能的子网络结构； 将原始图像 和纹理特征图像分别输入到2个分类器中的分类子网络进行学习和训练， 将输出特征经过 双线性池化后压缩为一个五维向量； 同时连接两个分类子网络中的平均池化层， 构建自适 应学习的三层卷积神经网络作为注意力 建议子网络进行学习， 得到不同通道权重， 将学习说　明　书 1/6 页 3 CN 115439680 A 3