基于数字图像的煤岩辨识系统综述

基于数字图像相关法的索力识别综述发布时间：2021-11-11T07:56:40.059Z 来源：《中国科技人才》2021年第23期作者：胡园苟晨铭练城凌刘磊[导读] 数字图像相关（Digital Image Correlation，DIC）技术，运用双目相机和计算机图像视觉处理算法，对待测物体的散斑图像进行处理，对因受力而产生变形的物体进行测量识别。

目前这一项技术主要应用于物体的变形、移动、应变、模态分析等。

重庆科技学院重庆 401331摘要：拉索、吊索等是缆索桥梁的关键承重部件，由于多种因素的影响，会出现程度不一的腐蚀、开裂、内部钢丝断裂等问题，这些将直接影响到桥梁的安全。

为了降低因拉索损伤出现威胁到桥梁安全的情况，对于拉索检测有着极高的要求，随着计算机图像处理技术与光学技术的不断发展，非接触式测量在时效性、便捷性、准确性等方面具有更高优势。

关键词：非接触式；图像处理；数字图像相关法；索力识别引言数字图像相关（Digital Image Correlation，DIC）技术，运用双目相机和计算机图像视觉处理算法，对待测物体的散斑图像进行处理，对因受力而产生变形的物体进行测量识别。

目前这一项技术主要应用于物体的变形、移动、应变、模态分析等。

DIC（数字图像相关法）技术是一种非接触式测量技术，有着如下的优点：适应环境的能力强，自动化程度高、准确性高、经济效益好等。

其被广泛的应用于各个行业：如工业、农业、航空航天、生物医疗、工程、材料、力学等领域。

而DIC技术也在土木工程领域中表现出了极大的应用价值，有学者以及研究团队提出了基于DIC技术的测量方法，将其应用于斜拉桥的索力识别当中，取得了一定的研究成果。

1.概述桥梁结构整体从一开始就必须要考虑安全性问题，从设计、施工到运营维护阶段都需要对整个结构体系进行非常准确的一个受力评估与健康检测，这样才能依据可靠的数据进行安全保障。

其中，在缆索承重桥梁结构的使用当中，其关键受拉构件如拉索，吊索等非常容易产生强度下降，因为会受到环境腐蚀、疲劳损伤、振动等，会威胁到桥梁的运营安全[1]。

基于Real−ESRGAN 的岩石CT 图像超分辨率重建李刚， 张亚兵， 杨庆贺， 邹军鹏， 才天， 刘航， 赵艺鸣（辽宁工程技术大学 矿业学院，辽宁 阜新　123000）摘要：图像采集设备和地质环境等因素导致岩石CT 图像分辨率低、细节不清晰，而现有图像超分辨率重建方法在表征内部高密度矿物质颗粒和孔裂隙时容易丢失细节。

针对上述问题，采用改进的增强型超分辨率生成对抗网络（Real−ESRGAN ）对岩石CT 图像进行超分辨率重建。

选取山西晋城无烟煤矿业集团有限责任公司赵庄煤矿15号煤层底板的砂岩为研究对象，研究不同图像放大倍数下Real−ESRGAN 的重建性能，并将其与超分辨率卷积神经网络（SRCNN ）、超分辨率生成对抗网络（SRGAN ）、增强型超分辨率生成对抗网络（ESRGAN ）、增强的深度超分辨率网络（EDSR ）等算法进行对比。

试验结果表明：① 使用Real−ESRGAN 重建的高分辨率图像在视觉效果上比原始CT 图像更清晰，重建图像中裂隙轮廓和高密度矿物质颗粒更加突出，图像可视性得到了极大提高。

② 在客观评估方面，Real−ESRGAN 算法在2倍超分辨率重建后图像的峰值信噪比（PSNR ）高达36.880 dB ，结构相似性（SSIM ）达0.933。

但随着放大倍数的增加，6倍超分辨率重建图像上的孔隙出现模糊，PSNR 降至32.781 dB ，SSIM 为0.896。

③ Real−ESRGAN 重建超分辨图像的孔隙率和喉道长度分布占比与原始CT 图像相比非常接近，保留了岩石重要的细观结构信息。

关键词：岩石CT 图像；超分辨率重建；生成对抗网络；图像处理；岩石细观结构中图分类号：TD67 文献标志码：ASuper-resolution reconstruction of rock CT images based on Real-ESRGANLI Gang, ZHANG Yabing, YANG Qinghe, ZOU Junpeng, CAI Tian, LIU Hang, ZHAO Yiming(College of Mining, Liaoning Technical University, Fuxin 123000, China)Abstract : Due to factors such as image acquisition equipment and geological environment, rock CT images have low resolution and unclear details. However, existing image super-resolution reconstruction methods are prone to losing details when characterizing high-density mineral particles and pores and cracks inside. To solve the above problems, an improved enhanced super-resolution generative adversarial network (Real-ESRGAN) is used for super-resolution reconstruction of rock CT images. The sandstone of the 15th coal seam floor in Zhaozhuang Coal Mine, Shanxi Jincheng Anthracite Mining Group Co., Ltd. is selected as the research object to study the reconstruction performance of Real-ESRGAN under different image magnifications. It is compared with algorithms such as super-resolution convolutional neural network (SRCNN), super-resolution generative adversarial network (SRGAN), enhanced super-resolution generative adversarial network (ESRGAN), and enhanced deep super-resolution network (EDSR). The experimental results show the following points. ① The high-resolution images reconstructed using Real-ESRGAN have clearer visual effects than the original CT images. The contours of cracks and high-density mineral particles in the reconstructed images are more prominent,greatly improving the visibility of the images. ② In terms of objective evaluation, the Real-ESRGAN algorithm收稿日期：2023-08-26；修回日期：2023-11-16；责任编辑：盛男。

煤岩瓦斯动力灾害风险智能判识与融合预测
罗卫东;杨乘;胡金春;袁荣方;赵喜宇
【期刊名称】《能源与环保》
【年(卷),期】2024(46)5
【摘要】煤岩瓦斯动力灾害对矿井安全生产造成了极大威胁,由于诱发因素众多,其内在的致灾机理难以被有效探明。

为实现煤岩瓦斯动力灾害风险的智能识别与预测,建立了基于CNN的煤岩瓦斯动力灾害风险智能判识与融合预测模型。

模型中采用Box-plot与MI方法进行数据清洗,并利用GRA方法建立包含10个风险因素在内的煤岩瓦斯动力灾害的指标体系,通过PCA方法对数据进行降维处理后,输入至CNN模型中进行融合与预测。

通过与ANN、BP、RF、SVM模型的对比分析表明,基于CNN的煤岩瓦斯动力灾害风险智能判识与融合预测模型具有更高的准确性,同时此模型的收敛速度更快,验证了此模型在实际工程中具有更可靠的工程价值。

【总页数】7页(P71-77)
【作者】罗卫东;杨乘;胡金春;袁荣方;赵喜宇
【作者单位】贵州能源产业研究院有限公司;贵州林东煤业发展有限责任公司龙凤
煤矿
【正文语种】中文
【中图分类】TD324
【相关文献】
1.测井曲线判识构造软煤技术预测煤与瓦斯突出
2.煤岩动力灾害声发射预警判识方法的研究现状及趋势
3.基于CNN的煤岩瓦斯复合动力灾害预测
4.深部开采煤岩动力灾害风险评估模型及判识技术研究
因版权原因，仅展示原文概要，查看原文内容请购买。

煤矿AI视频智能识别控制系统作者：赵金升丁宇辉王鹏刘伟来源：《科学与财富》2020年第23期摘要：基于机器深度学习的AI智能技术，构建AI图像智能识别管理平台，以满足煤矿减人提效的需求，提升安全生产智能化管理水平，最终减少事故发生。

该系统是以煤矿井下摄像仪的实时枧频图像数据为基础，以AI图像智能识别技术为核心、以机器深度学习数学模型和报警系统为支撑、以自动化模糊控制技术为手段的综合性视频智能控制系统。

关键词：AI;人工智能;智能视频;智能分析识别：智能控制0、引言系统采用先进的数字化视频技术、AI图像智能识别技术及模糊控制技术，利用煤矿井下摄像仪的视频监控图像，监视和识别人员、设备、环境等运行状况，对皮带锚杆、矸石、堆煤、非法运人等异常情况，人员不带安全帽、脱岗等违章情况，巷道烟雾、涌水、片帮冒顶等进行识别，抓拍照片、自动录像、弹屏报警，输出报警信号，并能控制皮带、猴车、斜巷绞车等设备停车，能够有效遏制重大事故的发生：能够识别皮带上的煤量，并根据煤量大小输出控制信号调节皮带的运行速度，减少设备磨损和降低能耗：能够统计每条皮带的运煤量，评估运输效率。

系统操作简单，界面友好，可以降低成本，减少浪费，提高设备运行寿命，促进安全生产系统的建设和投入运行，可以完善现有工业电视监控系统的功能，提升煤矿的智能化水平，对保障安全生产，提高劳动生产率和管理水平，降低生产和管理成本，增强企业在市场中的竞争力具有重要意义。

1、系统研究背景及意义目前现代化高产高效矿井为了及时发现隐患问题，避兔事故发生，在煤矿井上、下的重点区域，都建设了视频监控系统，很多煤矿的监控摄像仪数量达到200-300台以上，实现了井上、下重点场所全覆盖。

在井上建设了调度指挥中心，采取24小时值班制，安全管理值班人员实时盯着各重点位置，监控各作业过程，一旦发生隐患，远程电话或通过广播系统通知井下工区，以期及时消除隐患。

但井下点多面广环节多，由于人的视觉疲劳，难以长时间保持警觉，调度员不可能“面面俱到”，也不可能4 小时目不转睛地看着多个或一个监控点，无法对违章作业、环境异常和设备异常状态进行及时获取。

矿井火灾智能监测预警技术近20年研究进展及展望邓军;李鑫;王凯;王伟峰;闫军;汤宗情;康付如;任帅京【期刊名称】《煤炭科学技术》【年(卷),期】2024(52)1【摘要】为加强矿井火灾智能监测预警系统建设,提出了矿井火灾智能监测预警技术研究思路,从矿井火灾智能感知技术及装备、预测技术及模型、智能预警系统及平台3方面综述了矿井火灾智能监测预警技术研究进展。

首先,总结了内外因火灾信息监测技术及装备,归纳了基于图像视频识别的识别流程,阐述了多源信息融合在火灾监测过程中的应用情况。

其次,介绍了矿井火灾的预测技术及模型,包括支持向量机、人工神经网络、随机森林算法等机器学习算法。

然后,阐述了矿井火灾预警系统及平台:在总结矿井煤自燃和外因火灾分级预警技术的基础上,介绍了矿井火灾预警系统平台的感知层、网络层、服务融合层以及应用层方面的进展内容;归纳了预警系统各层的内涵及应用框架;搭建了矿井火灾智能监测预警系统。

最后,展望了我国矿井火灾智能监测预警技术的未来发展趋势,具体包括:在矿井火灾信息智能感知技术方面,提出加强传感技术及装备研发;在矿井火灾智能预测技术方面,提出加强隐蔽火源的位置探寻方法研究,构建火灾灾害透明化模型;在矿井火灾智能预警系统建设方面,提出将大数据融入智能判识,查明矿井火灾风险源及隐蔽火源位置的预报,实现特殊条件下煤自燃的预警。

在矿井火灾智能判识与防控技术联动方面,提出利用大型语言模型在智能判识的基础上实现对矿井火灾的自适应防控。

【总页数】24页(P154-177)【作者】邓军;李鑫;王凯;王伟峰;闫军;汤宗情;康付如;任帅京【作者单位】西安科技大学安全科学与工程学院;西安科技大学陕西省煤火灾害防治重点实验室;新疆矿山安全服务保障中心【正文语种】中文【中图分类】TD752【相关文献】1.我国矿井火灾预警技术及装备研究进展2.光纤传感技术在煤矿瓦斯、火灾隐患监测预警中的应用研究进展3.矿用智能火灾预警监测系统技术研究4.矿井煤自燃监测预警技术研究现状及智能化发展趋势5.煤矿带式输送机运输火灾风险智能监测与早期预警技术研究进展因版权原因，仅展示原文概要，查看原文内容请购买。

煤岩裂隙图像识别方法研究郝天轩1，2，3， 徐新革1， 赵立桢1（1. 河南理工大学 安全科学与工程学院，河南 焦作　454000；2. 河南省瓦斯地质与瓦斯治理重点实验室—省部共建国家重点实验室培育基地，河南 焦作　454000；3. 煤炭安全生产河南省协同创新中心，河南 焦作　454000）摘要：煤岩裂隙与瓦斯运移密切相关，且影响煤岩体稳定性，研究煤岩体中复杂的裂隙系统对于巷道支护和瓦斯抽采有重要意义。

目前煤岩裂隙图像识别方法未能综合考虑煤岩图像裂隙数量、位置、形态和类别等特点，难以获取有效信息。

以鹤壁煤电股份有限公司第八煤矿掘进工作面煤岩图像为研究对象，提出了一种基于U−Net 网络对图像中裂隙及类别实现像素级智能识别的方法。

采用直方图均衡化、高斯双边滤波和拉普拉斯算子对煤岩图像进行预处理，以提高图像质量，更有效地提取裂隙特征信息。

通过观测记录煤岩裂隙特征并分为7类，对筛选出的煤岩裂隙图像进行扩增，采用Labelme 软件对图像进行像素级标注，建立煤岩裂隙数据集。

采用U−Net 网络构建煤岩裂隙识别模型，经调试确定网络批量大小和学习率参数，实验表明当迭代次数达到300以上时，该模型的识别精确率均值为87%，召回率均值为92%，平均交并比大于85%，类别平均像素准确率大于80%。

采集井下煤岩采动裂隙和实验室张性外生裂隙对煤岩裂隙识别模型进行验证，结果表明该模型可有效提取目标特征信息并与背景特征信息区分，能够较准确地定位、识别单一裂隙。

关键词：煤岩裂隙识别；数字图像处理；U−Net ；特征提取；图像预处理中图分类号：TD76 文献标志码：AResearch on image recognition methods for coal rock fracturesHAO Tianxuan 1,2,3, XU Xinge 1, ZHAO Lizhen 1(1. School of Safety Science and Engineering, Henan Polytechnic University, Jiaozuo 454000, China ；2. Henan Province Key Laboratory of Gas Geology and Gas Governance-the National Key Laboratory Cultivation Base Jointly Established by the Province and the Ministry, Jiaozuo 454000, China ；3. Henan Collaborative Innovation Center for Coal Safety Production, Jiaozuo 454000, China)Abstract : Coal rock fractures are closely related to gas migration and affect the stability of coal rock.Studying the complex fracture system in coal rock is of great significance for roadway support and gas extraction.At present, the recognition methods for coal rock fracture images fail to comprehensively consider the features of the number, position, morphology, and category of fracture in coal rock images, making it difficult to obtain effective information. Taking the coal rock images of excavation face in the No.8 Coal Mine of Hebi Coal and Electricity Co., Ltd. as the research object, a pixel level intelligent recognition method based on U-Net network for coal rock fractures and categories is proposed. The histogram equalization, Gaussian bilateral filtering, and Laplace operator are used to preprocess coal rock images to improve image quality and extract fracture feature information more effectively. The features of coal rock fractures are recorded by observing and divided into 7收稿日期：2022-12-27；修回日期：2023-09-10；责任编辑：李明。

基于机器视觉的煤尘环境下掘进空间煤岩界面感知与精准识别引言随着煤炭开采工程的迅速发展，人工掘进面临着越来越多的挑战，其中最主要的问题之一是煤尘的产生。

煤尘会严重影响矿工的健康，并给掘进工作带来很大困扰。

本文将探讨如何利用机器视觉技术来感知和识别煤尘环境下的煤岩界面，实现矿工的精准掘进。

1. 机器视觉在煤尘环境下的应用在传统掘进作业中，由于煤尘对视觉的干扰，矿工的工作效率和安全性都受到了限制。

而机器视觉可以通过使用光学传感器、图像识别和深度学习等技术方法，有效地解决这些问题。

煤尘环境下的机器视觉系统可以实时感知和处理图像信息，从而帮助矿工更清晰地了解掘进空间的情况。

2. 煤岩界面感知为了实现煤岩界面的感知，需要机器视觉系统具备以下功能。

首先，需要能够通过图像传感器捕捉到煤尘环境下的图像信息。

其次，需要对这些图像进行处理和分析，以提取有用的特征。

最后，需要通过算法和模型来实现煤岩界面的感知，并将结果反馈给矿工。

3. 煤岩界面精准识别煤岩界面的精准识别是实现精准掘进的关键。

机器视觉系统可以通过深度学习算法对煤岩界面进行自动识别。

在进行训练之前，需要收集大量的图像数据，并对其进行标注。

然后，通过卷积神经网络等深度学习模型进行训练和优化，使其能够准确地识别不同岩层之间的界面。

最终，通过将识别结果与实时图像信息相结合，可以精确指导矿工的掘进工作。

4. 挑战与展望虽然机器视觉在煤尘环境下掘进空间的煤岩界面感知与精准识别方面取得了一定的进展，但仍然存在一些挑战。

首先，煤尘会导致图像质量下降，对视觉传感器和算法的稳定性提出了更高的要求。

其次，煤岩界面的复杂性和多样性也增加了算法设计的难度。

未来，我们可以进一步优化算法，提高机器视觉系统在煤尘环境下的感知和识别能力。

结论基于机器视觉的煤尘环境下掘进空间煤岩界面感知与精准识别是一个重要的研究方向。

通过利用光学传感器、图像处理和深度学习等技术，可以实现对煤岩界面的感知和识别，为矿工的掘进工作提供准确的指导。

煤岩识别技术发展综述贺艳军1， 李海雄2， 胡淼龙3， 薛竞飞4（1. 国能包头能源有限责任公司，内蒙古 包头　014070；2. 榆林市能源局，陕西 榆林　719000；3. 浙江维思无线网络技术公司，浙江 嘉兴　314001；4. 西安科技大学 电气与控制工程学院，陕西 西安　710054）摘要：煤岩识别技术可为采煤机自动调高提供依据，是实现煤矿智能无人化开采的关键。

现有煤岩识别技术包括图像识别、过程信号监测识别、电磁波识别、超声波探测识别、多传感器融合识别等。

详细介绍了上述几种技术原理及应用现状：① 图像识别技术目前处于实验阶段，主要涉及大规模煤岩图像数据标注和复杂地质条件下的识别问题。

② 过程信号监测识别技术可分析煤矿开采过程中的相关信号，识别潜在的煤岩界面信息，但需要解决信号噪声干扰和复杂煤岩界面识别问题。

③ 电磁波识别技术和超声波探测识别技术已在实际煤岩界面探测中应用，但仍需要提高识别准确性和可靠性，尤其是对于复杂煤岩结构和界面情况。

④ 多传感器融合识别技术需解决数据融合和匹配的难题，确保不同传感器之间的精确校准和可靠性，并验证其在实际应用中的可行性和实用性。

针对上述问题，指出煤岩识别技术发展方向：① 煤岩识别研究应着重提高算法的实时性和抗干扰能力，确保在特定条件下并兼有复杂环境干扰下也能准确识别煤岩，满足井下实际开采需求。

② 加强矿用传感器的研究，以提高其抗干扰性能，同时采用先进的视觉相机和智能设备，与传感器相结合，提高煤岩识别的精度和效率。

③ 多种煤岩识别技术交叉融合使用：对于不同硬度的煤岩，可采用过程信号监测识别和多传感器融合技术；对于硬度接近的情况，可结合图像识别和电磁波识别技术，实现煤岩壁界面和煤层厚度的准确识别。

关键词：煤岩识别；采煤机滚筒；图像识别；过程信号监测识别；电磁波识别；超声波探测识别；多传感器融合识别中图分类号：TD67 文献标志码：AOverview of the development of coal rock recognition technologyHE Yanjun 1, LI Haixiong 2, HU Miaolong 3, XUE Jingfei 4(1. CHN Energy Baotou Energy Co., Ltd., Baotou 014070, China ； 2. Yulin Energy Bureau, Yulin 719000, China ；3. Wins Wireless Network Technology Ltd., Jiaxing 314001, China ； 4. College of Electrical and Control Engineering,Xi'an University of Science and Technology, Xi'an 710054, China)Abstract : Coal rock recognition technology can provide a basis for automatization improvement of shearer and is the key to achieving intelligent unmanned mining in coal mines. The existing coal rock recognition technologies include image recognition, process signal monitoring recognition, electromagnetic wave recognition,and ultrasonic detection recognition, multi-sensor fusion recognition. This article provides a detailed introduction to the principles and application status of the above-mentioned technologies. ① Image recognition technology is currently in the experimental stage, mainly involving large-scale coal rock image data annotation and recognition problems under complex geological conditions. ② Process signal monitoring and recognition technology can analyze relevant signals during coal mining and recognize potential coal rock interface information. But it needs to收稿日期：2023-08-28；修回日期：2023-12-04；责任编辑：王晖，郑海霞。

3科技资讯科技资讯S I N &T NOLO GY I NFORM TI ON 2008N O.03SC I ENC E &TEC HNO LO GY I N FO RM A TI ON 学术论坛基于内容的图像检索技术综述龚松春(宁波大学信息科学与工程学院浙江宁波315211)摘要:随着数字图像应用领域的飞速拓展,高效准确的数字图像检索技术越来越受到重视。

本文介绍了基于内容的图像检索(Co n t e n t -ba s ed I m age Ret r i ev al ,简称C BI R )技术,从C BI R 的技术背景、基本原理、技术特点、结构体系以及一般过程入手,并着重介绍了CB I R 使用的关键技术,最后指出了目前CBI R 技术存在的不足和发展展望。

关键词:C BI R 图像检索特征提取相似性图像数据库中图分类号：TP319.3文献标识码：A 文章编号：1672-3791(2008)01(c )-0223-021技术背景传统的图像检索方法是基于文本的图像检索,而其中最常使用的方法是使用关键字注释,在这种技术下,对图像的检索变成了对关键字的查找。

这种方法简单易行,能够从用户角度表达图像内容的高层语义。

但是基于文本检索存在着两大困难,尤其是当图像的数量非常大的时候,以下两个缺点就更加凸现：其一,文本描述难以充分表达图像的丰富内容。

因为文本描述是一种定性的描述,描述能力有限,图像中则往往含有大量需要定量描述的信息。

而且许多图像的特征难以用文本描述表达,如图像中的不规则形状、散布的纹理等就很难用文本来描述。

文本描述又具有一定的主观性,由于图像内容的丰富性以及不同人理解和兴趣方面的不同,导致内容描述的建立具有很大的主观性,这样采用这种检索方法就会带来一定的歧义；其二,文本描述难以实现基于图像视觉特征的相似性检索。

采用文本描述的检索方法,本质就在于计算检索请求与媒体文本描述之间的相似度,这就涉及到目前尚未解决的自然语言理解问题,尽管目前实现的系统中主要通过采用同义词词典来使问题得到简化,但同时也使检索的表达能力受到了较大限制。