基于LSM和RELBP的煤岩识别方法探讨

张荣华

摘 要：对当前煤岩识别方法的研究现状进行了介绍，并提出将最小二乘法模型（Least square model ，LSM）和融入平滑滤波思想的鲁棒扩展局部二值模式（Robust extended local binary Pattern ，RELBP）融入煤岩识别领域。对基于LSM和RELBP的煤岩识别方法的煤岩自动化识别技术（RELBP-LSM）进行了探讨。结果表明：（1）当前的煤岩识别方法大多存在效果较差、稳定性欠佳、适用范围小等缺点，同时易受人为因素的影响;（2）以最小二乘法和局部二值模式为理论基础，建立起RELBP-LSM煤岩识别方法，并通过参数敏感性分析，确定正则化参数λ的最佳取值为10-3.5，优选模式数d的最佳取值为500;（3）对不同方法的准确识别率进行对比分析，认为RELBP-LSM法不仅具有较高的准确识别率，同时能大大降低内存占用率，加快识别速率和效率。

关键词：煤巖;最小二乘法;局部二值法;RELBP-LSM;参数敏感性;准确识别率

中图分类号：TD632.1       文献标识码：A

Discussion on Coal Rock Identification

Method Based on LSM and RELBP

ZHANG Rong-hua

（Shangyuquan Coal Mine of CHN Energy， Hequ， Shanxi 036500，China）

Abstract：This paper discusses the current research situation of coal and rock recognition methods， and puts forward that the least square model （LSM） and robust extended local binary pattern （RELBP）， which are integrated into the idea of smooth filtering， are integrated into the field of coal and rock recognition， and the coal and rock automatic recognition technology （RElB） based on LSM and RELBP is applied to the field of coal and rock recognition P-LSM）. The results show that： （1） most of the current methods of coal rock identification have some disadvantages， such as poor effect， poor stability and small application scope， and are easily affected by human factors; （2） based on the least square method and local binary model， the RELBP-LSM method of coal rock identification is established， and the best value of regularization parameter λ is determined to be 10-3.5 by parameter sensitivity analysis The best value of pattern number d is 500; （3） by comparing and analyzing the accuracy of different methods， it is considered that RELBP-LSM method not only has a high accuracy of recognition， but also can greatly reduce the memory occupation rate and speed up the recognition rate and efficiency.

Key words：coal rock; least square method; local binary method; RELBP-LSM; parameter sensitivity; accuracy recognition rate

煤炭作为国家重要的能源资源，为国家工业的发展提供源源不断的能量，加强煤炭的智能开采和加工，对于实现采煤机自动调高、综采放顶煤过程控制以及选煤厂煤矸快速分选具有重要的工程实践意义[1-3]。

传统的煤岩识别方法普遍存在应用效果较差、稳定性能欠佳以及普及适用范围小等缺点，因此，很多专家学者均对其进行了探讨和研究，以求找到一种更高效、稳定、准确的自动识别技术。其中，李一鸣等针对垮落煤岩识别的实时性以及综放开采的效率问题，提出采用EEMD-KPCA和KL散度对垮落煤岩进行自动识别[4];张强等对不同煤岩比例试件的截齿振动信号、红外热像信号运动规律进行了分析，提出利用截齿振动及温度特性进行煤岩识别[5]。章华[6]，张婷[7]，黄蕾[8]，伍云霞[9]，程诚[10]等则分别提出了卷积神经网络法、变换域与高斯混合模型聚类法、变差函数和局部方差图法、Curvelet变换的低分辨率法以及WPSV和BPNN法对煤岩进行自动识别，对于推动煤岩识别技术的应用于发展具有重要意义。孙继平团队则分别提出基于小波域非对称广义高斯模型以及CLBP和支持向量诱导字典学习的煤岩识别方法，对于促进煤岩自动识别理论和技术的进一步运用具有重要的指导作用[11-12]。

在此，提出了将最小二乘法和局部二值模式相融合，并将其应用到煤岩的识别领域，以期能为煤炭的自动开采加工提供更可靠、高效、稳定的识别手段。

1 煤岩识别方法研究现状

1.1 煤岩识别方法简介

根据当前识别过程中是否接触煤岩或者岩石，将煤岩自动识别方法划分为接触式和非接触式两类，见图1。其中，接触式包括截割力监测法、振动检测法、声压检测法、热敏探测法以及高压水射流法等，分别从截割力大小、振动情况、声压大小、温度高低以及穿透情况这些因素提取煤岩的相关特征，然后进行自动识别，调整开采加工参数;此外，还有一些根据粉尘含量、电机电流以及滚筒扭矩等参数来判断煤岩特征。非接触式包括γ射线探测法、雷达探测法、声波探测法、EPR/ESR 法以及图像分析法等，此外还有利用地震波、多光谱联合分析法等多种创新方法，其中，图像分析法最早可追溯至上世纪80年代，经过几十年的发展，已由最初通过肉眼观察判别煤岩界面发展至現在的高清成像、高性能感知控制的自动化阶段，又细分为GLCM法、DWT法、DTCWT法、RELBP法、Gabor法等等，对于煤岩自动识别的发展产生了较大的推动作用，本文研究重点也将目光集中于图像分析法[13]。

1.2 存在的主要问题

当前的图像分析法尽管在朝着智能化迈进，但仍存在如下不足：（1）在薄煤层或者中厚煤层开采时，人需要工作人员在综采工作面对煤层走向进行监控，而在厚煤层或者特厚煤层处，也需要工作人员间接或者直接干预以避免出现“欠放”或者“过放”现象;（2）在煤炭加工阶段湿式排矸方法，容易造成水污染和土壤污染，干式排矸法的设备复杂、成本太高，风力排矸对原煤要求较高、应用范围较窄;（3）接触式煤岩识别法对传感器的要求很高，增加了各项维护成本，非接触煤岩识别法也存在各种弊端，如γ射线法只能用于岩层中放射性元素含量较高区域，电磁波法不能用于煤层较厚的地方、EPR/ESR 法的有效工作煤层厚度最大仅为150m左右;（4）当前的图像分析法主要考虑准确识别率，且未考虑训练样本较少的情况该如何处置;（5）在煤岩加工阶段，煤炭和岩石混杂运动，容易影响识别效果，造成自动化控制参数调整不匹配的现象。

2 RELBP-LSM煤岩识别方法

2.1 理论基础

最小二乘法模型（Least square model ，LSM）：又称为最小平方法，通过最小化误差的平方和寻找数据的最佳函数匹配，即找到一个（组）估计值，使得实际值与估计值的距离最小。通常而言采用两者差的绝对值汇总并使之最小是最理想的，但绝对值在数学上求最小值比较麻烦，因而替代做法是，找一个（组）估计值，使得实际值与估计值之差的平方加总之后的值最小，称为最小二乘。最小二乘法的矩阵形式为：

min ‖Ax-B‖（1）

式中：A为n×k的矩阵，x为k×1的列向量，B为n×1的列向量。

RELBP法（Robust extended local binary Pattern）：由于扩展局部二值模式（ELBP）在煤岩识别过程中存在视觉模糊、噪声敏感以及不能捕捉宏观结构等缺点，因此，Liu L等人提出了基于平滑滤波的RELBP，该方法采用以圆心像素点或者邻域像素点为中心的某个区域范围的平滑滤波结果进行模式的分析计算，其给出了三种图像特征描述子：

3 参数敏感性分析

准确识别率是评价煤岩识别性能的核心指标，当利用中值滤波的RELBP四尺度进行煤岩的纹理分析时，前人给出了一些最佳参数的设置建议，并认为（r，σ，p，w，rw ，rw-δ）在第1、2、3和4个尺度下的取值分别为：（2，1，8，3，3，3）、（4，1，8，3，5，5）、（6，1，8，3，7，7）和（8，1，8，3，9，9）时，识别精确度最高[13]。因此，本文在进行参数敏感性分析时，将这些参数看作是常数，那么主要影响识别率的参数就只剩下正则化参数λ和优选模式数d。分别设定λ的值为10-5、10-4.5、10-4、10-3.5、10-3、10-2.5、10-2、10-1.5、10-1、10-0.5、100，而每个尺度下的模式数为2*（8+2）*（8+2）=200，四个尺度即为4*200=800，因此d的取值范围应满足0

从图3（a）可以看出：随机取样条件下，平均准确识别率随λ的变化并不明显，准确率基本在87%左右徘徊;在交叉验证条件下，平均准确识别率较随机取样有较大幅度提高，当λ介于10-5～10-3时，准确率在较高水准的平稳状态，此时准确率达到93.5%，当λ介于10-3～100时，准确率有所降低，维持在一个较低水准的平衡状态，此时准确率为91.8%左右;综合考虑λ在不同试验条件下的准确率变化特征，认为λ取10-3.5时，识别结果较佳。

从图3（b）可以看出：在随机取样条件下，平均准确识别率随d的增大呈先减小后增大的变化特征，当d介于100～300时，逐渐减小，当d介于300～700时，逐渐增大，其中，当d=500时，准确率已达到一个较高水准，为86.8%，此后维持在一个平稳状态;在交叉验证条件下，平均准确率呈“先增大-后减小”的变化特征，当d介于100～200时，准确率逐渐增大，当d介于200～700时，准确率逐渐降低;由于d与占用存储量相关，为了能够保证在不同条件下既达到较高准确识别率，又减少内存占用量，故建议d取值为500。

4 不同识别方法精度对比

对GLCM法、DWT法、DTCWT法、Gabor法、RELBP法和RELBP-LSM法的识别精确度进行了对比实验，结果见表1。从表中数据可知：在随机取样条件下，GLCM法、DWT法、RELBP法和RELBP-LSM法的准确识别率在8组试验组下表现较为平稳，起伏变化不大（在5%以内），但DTCWT法和Gabor法的变化幅度较大，分别达到5.24%和7.85%;RELBP法和RELBP-LSM法的准确识别率基本相当，且远大于其他试验组。在交叉验证条件下，GLCM法、DWT法和Gabor法的准确识别率相差不大，RELBP法和RELBP-LSM法的准确识别率最大，达到92%以上，DTCWT法的准确识别率最小。

從准确识别率的大小对比（见图4）可以看出：在随机取样条件下，准确识别率由大道小排序依次为：RELBP法>RELBP-LSM法>DWT法>Gabor法>GLCM法>DTCWT法;在交叉验证条件下，准确识别率由大道小排序依次为：RELBP-LSM法>RELBP法>DWT法>GLCM法>Gabor法> DTCWT法。RELBP-LSM法不仅在准确识别率上表现优异，同时较RELBP法的特征向量维数大大降低（交叉验证时约62.5%，随机取样时约37.5%），可以在很大程度上减小内存占用量，加快了识别速率和效率。

5 结 论

（1）煤岩识别法分为接触式和非接触式，其中图像提取分析法是当前研究的重点，大多数识别方法都存在效果较差、稳定性欠佳、适用范围小等缺点，对识别方法进行优化意义重大。

（2）建立以最小二乘法和局部二值模式为理论基础的RELBP-LSM煤岩识别方法，通过参数敏感性分析分别确定了正则化参数λ和优选模式数d的最佳取值分别为10-3.5和 500。

（3）RELBP-LSM较其它识别法不仅具有更好的准确识别率，同时还能大大减小内存占用量，加快识别速率和效率。

参考文献

[1] 华同兴，邢存恩，赵亮.基于Faster R-CNN的煤岩识别与煤层定位测量[J].矿山机械，2019，47（8）：4-9.

[2] 刘忠超，刘勇军.煤岩识别现状分析与发展方向[J].南阳理工学院学报，2018，10（4）：26-30.

[3] 杨恩，王世博，葛世荣，等.煤岩界面的高光谱识别原理[J].煤炭学报，2018，43（S2）：646-653.

[4] 李一鸣，白龙，蒋周翔，等.基于EEMD-KPCA和KL散度的垮落煤岩识别[J/OL].煤炭学报：1-9.

[5] 张强，刘志恒，王海舰，等.基于截齿振动及温度特性的煤岩识别研究[J].煤炭科学技术，2018，46（3）：1-9+18.

[6] 章华，王静，黄小平，等.基于卷积神经网络的煤岩识别研究[J].绥化学院学报，2018，38（12）：151-153.

[7] 张婷.基于变换域与高斯混合模型聚类的煤岩识别方法[J].煤炭技术，2018，37（11）：320-323.

[8] 黄蕾，郭超亚.基于变差函数和局部方差图的煤岩图像纹理特征提取[J].工矿自动化，2018，44（4）：62-68.

[9] 伍云霞，张宏.基于Curvelet变换的低分辨率煤岩识别方法[J].矿业科学学报，2017，2（3）：281-288.

[10]程诚，刘送永.基于WPSV和BPNN的煤岩识别方法研究[J].煤炭工程，2018，50（1）：108-112.

[11]孙继平，陈浜.基于小波域非对称广义高斯模型的煤岩识别算法[J].煤炭学报，2015，40（S2）：568-575.

[12]孙继平，陈浜.基于CLBP和支持向量诱导字典学习的煤岩识别方法[J].煤炭学报，2017，42（12）：3338-3348.

[13]LIU L，LAO S，FIEGUTH P W，et al. Median robust extended local binary pattern for texture  classification[J].IEEE  Transactions  on  Image  Processing， 2016，25（3）： 1368-1381.