[发明专利]基于改进U-net网络的煤岩全组分提取方法及其应用

说明书

本发明公开了一种基于改进U‑net网络的煤岩全组分提取方法及其应用，方法：获取待处理图像后将其输入改进Unet网络模型，改进Unet网络模型输出煤岩组分类别概率分布图，对煤岩组分类别概率分布图进行后处理得到煤岩全组分图像，后处理包括使用全连接条件随机场进行优化处理；改进Unet网络模型相比于Unet网络模型的改进之处在于，采用Mish激活函数替代原有的Relu激活函数。本发明的方法，克服现有传统图像分割算法在进行煤岩图像分割时表现出适应性不强、往往无法应对复杂的煤岩显微图像且需人工干预的缺陷；其能够实现图像的有效分割；其适应性好且无需人工干预，极具应用前景。

技术领域

本发明属于煤岩分析技术领域，涉及一种应用图像分割技术完成煤岩分析的方法，具体涉及一种基于改进U-net网络的煤岩全组分提取方法及其应用。

背景技术

煤是重要的能源之一，主要可作为动力燃料和冶金化工业的原料。由于煤炭资源的非再生性，提高其利用率具有十分重要的意义。20世纪80年代以来，随着科学技术的蓬勃发展，煤岩学得到了迅速的发展。由于新技术、新方法的广泛应用，煤岩学研究日益从宏观发展到微观、超微观，从定性到定量，从单一研究到多种技术交叉研究。煤炭质量控制的自动化系统的开发，主要是通过在显微镜下观察抛光煤块中存在的不同主要显微组分之间的区别来实现的。鉴于煤的手工岩相分析需要熟练的操作人员，并且获得的结果可能具有高度的主观性，解决这些问题的一种理想方法就是采用自动图像分析。

煤岩显微图像的分割是煤岩自动化分析的前提和保证，在对各组分进行具体分类和提取之前，我们需对煤岩显微图像进行背景分割等去噪预处理，目的是去除影响显微组分组识别的干扰因素，提取有效的煤颗粒图像区域。

图像分割是图像预处理中从背景中提取感兴趣对象的一项重要技术。现有的图像分割技术可以分为以下几类：阈值分割、基于边界的分割、基于区域的分割、基于聚类的分割和混合分割。随着计算机性能的大幅提升和传统图像处理算法的不断优化，许多煤岩显微图像的预处理采用自适应阈值(如OTSU)、分水岭分割、k-means聚类等方法、区域生长等混合类方法进行背景树脂的去除，但这些预处理方法在进行背景分割时适应性不强问题依旧未能有效解决，在应用过程中需要进行大量的改进和较多的人工干预来改善背景分割的效果。

因此，开发一种适应性好且无需人工干预的煤岩全组分提取方法具现实意义。

发明内容

本发明的目的在于克服现有传统图像分割算法在进行煤岩图像分割时表现出适应性不强、往往无法应对复杂的煤岩显微图像且需人工干预的缺陷，提供一种适应性好且无需人工干预的煤岩全组分提取方法。

本发明是运用深度学习的方法进行图像特征提取，深度学习与传统图像处理的方法不同，它可以自动从图像提取特征，而无需设计手工提取规则，卷积神经网络(CNNs)作为一种高效的特征提取结构得到了广泛的应用。全卷积网络(full convolutional network,FCN)是CNN的一种特殊应用，其主要思想是将CNN作为功能强大的特征提取器，将卷积替换全连接层来输出空间特征图代替分类分数，已被证明是完成图像分割任务一种理想方式。U-Net在FCN的基础上做了进一步改进，并成功将之应用于生物医学图像分割，在生物医学图像分割中性能出色。U-Net结构使用跳越连接将浅层信息与深层信息结合起来，从而实现精确的像素级定位。具体地，本发明提出了一种基于语义分割网络(U-Net网络)的煤岩全组分提取的方法以进一步提高提取煤岩显微全组分提取的准确性和鲁棒性，其使用改进的U-net网络来解决煤岩全组分提取过程中的两大难点：1.分割灰度重叠区的树脂黏结剂与壳质组；2.剔除抛光面下煤颗粒脱落形成的模糊状、半透明黏结。

为实现上述目的，本发明提供如下技术方案：

基于改进U-net网络的煤岩全组分提取方法，获取待处理图像后将其输入改进Unet网络模型，改进Unet网络模型输出煤岩组分类别概率分布图，对煤岩组分类别概率分布图进行后处理得到煤岩全组分图像，所述后处理包括使用全连接条件随机场(DenseCRF)进行优化处理；