[发明专利]一种基于深度学习技术的煤的破坏类型快速识别方法及装置

说明书

本发明公开了一种基于深度学习技术的煤的破坏类型快速识别方法及装置，包括采集煤的破坏类型图像，图像预处理，煤的破坏类型图像识别模型是基于深度学习的残差卷积神经网络图像识别模型，包括输入层、卷积层、池化层、全连接及输出层5种结构，由1个输入层、49层卷积层、2层池化层、1层全连接层和1个输出层构成；训练煤的破坏类型图像识别模型，煤的破坏类型图像识别，获得煤的图像所属的破坏类型。本发明能实现定量、安全、快速、准确的识别煤的破坏类型。

技术领域

本发明属于煤矿安全技术领域，具体来说涉及一种煤的破坏类型快速识别方法，同时还涉及该基于深度学习技术的煤的破坏类型快速识别装置。

背景技术

我国是全球最大的产煤国，煤炭消费量居世界首位。作为主体能源和重要工业原料，煤炭在我国一次性能源消费结构中的比重占60％以上，预计到2050年仍将维持在50％以上。因此，在很长一段时期内，煤炭仍将占据能源消费结构的主导地位。据统计，中国95％以上煤矿为井工开采，随着开采深度的增加，煤矿安全开采面临的问题日趋严峻，在各类煤矿事故中煤与瓦斯突出尤为严重。同时，我国主要产煤矿区地质构造条件普遍复杂，构造煤、软分层等较为发育，使得煤与瓦斯突出的发生具备了客观条件。

煤的破坏类型是指煤体结构受构造应力作用后的破坏程度，根据煤的物理、力学性质和特征等，《煤与瓦斯突出矿井鉴定规范》(AQ1024-2006)中将煤的破坏类型分为5种，Ⅰ类(非破坏煤)、Ⅱ类(破坏煤)、Ⅲ类(强烈破坏煤)、Ⅳ类(粉碎煤)和Ⅴ类(全粉煤)，并从光泽、构造与构造特征、节理性质、节理面性质和硬度等方面进行了详细描述。工程实践表明：煤的结构类型变化往往与地质构造关系密切，构造煤发育区往往是瓦斯突出的危险区，已成为共识，尤其是韧性变形的构造煤，由于特殊的物理和化学结构决定了其高含气量和低透气性的特征，是煤与瓦斯突出的危险带。而变形较弱的脆性系列构造煤，裂隙发育、连通性好、渗透率较高，分布范围较大，是较好的瓦斯储层。现行《煤矿安全规程》、《防治煤与瓦斯突出细则》、《煤矿瓦斯等级鉴定办法》等均将煤的破坏类型作为判定煤与瓦斯突出危险性的主要指标之一，但在实际应用时多数是依据煤的宏观物理特征，通过工程技术人员井下观察辨别煤的破坏类型，判定结果受人员经验、知识结构等影响较大，存在很大的主观性和误差。

图像识别技术是利用计算机对图像进行处理、分析，以识别各种不同模式的目标和对象的技术。传统图像的识别流程主要分了2步：特征提取和识别。特征的提取是从原始像素点中提取更高级的特征，如方向梯度直方图(HOG)、线性反投影(LBP)等，然后使用特征训练分类器进行识别图像，常使用的分类器有支持向量机(SVM)、逻辑回归(LR)等，其特征提取缺乏自适应性，如果选择的特征不具备代表性，识别模型准确率会大大降低。

发明内容

本发明的目的在于克服上述缺点而提供的一种能实现定量、安全、快速、准确的识别煤的破坏类型的基于深度学习技术的煤的破坏类型快速识别方法。

本发明的另一目的在于提供该基于深度学习技术的煤的破坏类型快速识别装置。

本发明的一种基于深度学习技术的煤的破坏类型的识别方法，包括以下步骤：

(1)采集煤的破坏类型图像：煤矿井下拍摄煤层图像，图像中要求无遮挡物(如工字钢、锚网等)，并手动标记其破坏类型，建立煤的破坏类型图像识别数据库，使用图片增强技术扩充数据库中图像数量；

(2)图像预处理：图像数据以红绿蓝(RGB)色彩模式表示，将步骤(1)采集的煤的破坏类型图像尺寸归一化到224×224×3大小矩阵中，像素值归一化到均值为0、方差为1的标准正态分布上；

(3)构建煤的破坏类型图像识别模型：煤的破坏类型图像识别模型是基于深度学习的残差卷积神经网络图像识别模型，包括输入层、卷积层、池化层、全连接及输出层5种结构，由1个输入层、49层卷积层、2层池化层、1层全连接层和1个输出层构成；