一种基于支持向量机的煤岩体表面裂纹自动识别方法与流程

本发明涉及一种基于支持向量机的煤岩体表面裂纹自动识别方法，具体地说是自动识别图像、视频、或者工业相机信号中的煤岩体表面的裂纹并进行标记显示。

背景技术：

我国是世界上重要的煤炭生产和消费大国，煤炭作为重要的战略物在我国社会和经济发展中占有着重要的地位，然而，我国煤炭开采的形势非常严峻，当前我国煤矿的平均开采深度已达到500m，造成在开采过程中经常发生各种事故造成大量人员伤亡，其中煤岩动力灾害事故是导致人员和财产伤亡最严重的事故之一。而煤岩动力灾害事故发生的前提是煤岩体的破坏失稳，而煤岩体发生破坏失稳的直接体现是煤岩体表面的裂纹。因此，对煤岩体表面裂纹的识别可以有效预防煤岩动力灾害事故的发生，降低煤矿事故的发生。

目前，对煤岩体表面的裂纹识别常常采用分形技术或者简单的阈值分割，然而由于表面存在大量的原生裂纹和节理，采用传统的方法并不能满足要求实时性或者准确率等指标。近年来，随着计算机技术和数字图像技术的飞速发展，对图像和视频的处理方法和实时性上都得到了巨大的提升。本文借助实验过程中获得了近1000张煤岩体破坏的样本图像，提出一种基于支持向量机的煤岩体表面裂纹自动识别方法。

技术实现要素：

针对现有技术的不足，本发明要解决的技术问题是提供一种识别准确率高、实时性强、具有通用性的煤岩体表面裂纹自动识别方法，在识别出裂纹之后，并对其进行标记和显示。

为了实现上诉目的，具体的技术方案如下：

本发明方法首先针对煤岩体表面裂纹的特点，提出使用高通滤波和直方图均衡化对煤岩体表面图像进行预处理。由于煤岩体表面的裂纹与图像的“边缘”类似，其频段属于图像的高频区域，因此在对比几种滤波，本发明选择高通滤波方法；另一方面，物体表面的裂纹往往是其像素灰度值的极小值，但煤岩体比较特殊，其本身已是像素灰度值的极小值，因此造成了两者的对比度低，不利于后续的识别，因此本发明对滤波之后的图像采用直方图均衡化操作。在预处理之后，本发明提出使用迟滞阈值分割方法对煤岩体表面进行分割。之后，对分割后的图像进行连通域的划分和标记，按照8联通的定义，从上到下，从左到右的方向，对各个连通域进行从小到大的标记(分别)。之后对每一个单独的连通区域进行特征提取，本发明提出了8种区分煤岩体表面裂纹和其他非裂纹的特征：面积、圆度、最大直径、椭圆的长轴与短轴之比、区域边界到中心距离的偏差、区域边界到中心距离的平均距离、蓬松度、紧凑度。之后将数据输入支持向量机，对模型进行训练，通过调整参数得到裂纹识别的模型。最后将测试的图像数据按照同样的方法进行预处理和分割方法，对其进行特征提取之后输入分类器，进行判断。为了对识别出的裂纹进行有效的标记和显示，本发明提出使用数字图像处理中膨胀的方法对识别出的裂纹进行标记和显示。

附图说明：

图1为本发明进行样本获取和分类器训练的流程图。

图2为本发明对煤岩体裂纹进行识别的总体流程图。

图3为使用本发明对一副煤岩体表面裂纹进行识别的效果图。

表1为使用本发明测试600张图像的分类效果。

具体实施方式：

以下结合附图1和附图2对本发明的技术方案做具体说明。

如图1所示，本发明首先介绍了如何通过煤岩破坏失稳过程的样本数据训练一个可以自动识别其表面裂纹的方法。本方法主要包括6个步骤，分别为：(1)图像获取；(2)图像预处理；(3)图像分割；(4)联通域标记；(5)连通域特征提取；(6)输入svm分类器训练。

所述的图像的获取，可以是试验或者现场的煤岩体表面图像，也可以通过工业相机拍摄的视频中来进行截取，对于图像样本的数量不宜太少，最好在1000张左右，同时将所有图像转换为灰度图像。

所述的图像预处理主要包括2个步骤：(1)图像高频滤波；(2)图像直方图均衡化。对于图像高频滤波，首先设计一个高频滤波器，之后将图像通过快速傅里叶变化转换为频域，在频域中将图像与滤波器相乘，最后将图像从频域转换为空间域。经过高频滤波之后，图像的裂纹以及边缘细节信息保存了下来，其它噪声得到了滤出，但由于煤岩体表面和其裂纹之间的对比度太低，会对后续的分割等操作造成一定的影响，因此本发明在预处理这一阶段使用直方图均衡化方法，对滤波之后的图像继续处理。具体的操作方法是将原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。

所述的图像分割方法是指通过迟滞阈值的方法，来对煤岩体表面的图像进行二值化，将图像中的其它噪声和区域进一步排除。具体来说，迟滞阈值方法需要设定3个参数，分别为：最小灰度值，最大灰度值，最大长度值。对于图像中的所有像素值，如果其灰度值小于最小灰度值参数，则立即被“接受”，而灰度值大于最大灰度值参数的像素则立即被“拒绝”，对于像素灰度值介于最小灰度值和最大灰度值直接的，则根据最大长度值这个参数进行判断，如果这些像素值的联通的长度小于最大长度值，则接受这些像素值，否则拒绝。本发明通过对比不同参数对分割的影响效果，针对煤岩体表面的裂纹，其最小灰度值，最大灰度值，最大长度值分别选择10，60，10。

所述的联通域标记主要是对分割后的图像进行区域序号的标记，方面后续的识别和操作。具体来说，本发明方法按照8联通的定义，从上到下，从左到右的方向，对各个联通区域进行从小到大的标记，分别记为region-1，region-2，…，region-n，其中对不同的图像，由于分割之后的图像不一样，因此n的取值也不一样。此外，在这一步中，需要通过人工挑选，裂纹代表的连通域和非裂纹代理的联通域，分别标记为‘1’和‘-1’并进行记录。

所述的连通域特征提取主要是针对预处理和分割之后仍然有许多非裂纹区域被错误地保存了下来，因此需要进一步利用煤体表面裂纹的特征来进行区分。具体来说，本发明根据煤岩体表面裂纹的特点，提出了区分煤岩体表面裂纹和其他物体的8种特征，分别为：面积、最大直径、区域边界到中心距离的偏差、区域边界到中心距离的平均距离、圆度、椭圆的长轴与短轴之比、蓬松度、紧凑度。其中其中面积和最大直径比较直观，因为裂纹的形成需要一定的长度和面积，这2个参数可以作为首要的特征参数。其他参数分别定义为：

区域边界到中心距离的偏差：

区域边界到中心距离的平均距离：

圆度：

椭圆的长轴与短轴之比：

蓬松度：

紧凑度：

所述的输入svm分类器训练主要是指提取完各个连通域的特征之后，将提取出的值保存在二维数组里，其中每一行代表每个联通区域的序号，每一列代表每个联通区域的8种特征，按照上一步标记好的样本，提取出500个裂纹的region和500个非裂纹的region作为svm的训练数据。本发明对数据集80％的数据做为训练集，20％作为测试集，其定义如下：

dregion＝{(x1，y1)，(x2，y2)，...，(xm，ym)}，xi＝(xi1；xi2；...；xid)，y＝(-1，1)m＝1000，d＝8

dregion_train＝{(x1，y1)，(x2，y2)，...，(xm，ym)}，xi＝(xi1；xi2；...；xid)，y＝(-1，1)m＝800，d＝8

dregion_test＝{(x1，y1)，(x2，y2)，...，(xm，ym)}，xi＝(xi1；xi2；...；xid)，y＝(-1，1)m＝200，d＝8

将数据输入svm分类器，调整不同的参数和svm核函数，可以最终得到用于对煤岩体表面裂纹进行识别分类的分类器。

如图2所示，下面介绍本发明对煤岩体裂纹进行识别的总体流程。首先是图像是数据的输入，也可以用于视频数据的输入，之后的图像预处理、图像分割与之前所述的选取同样参数，也按照同样的方法进行同样的连通域标记和特征提取，将结果保存在二维数组中。

在得到表示图像连通域序号和特征的二维数组之后，将每一个序号依次输入之前训练好的裂纹分类器模型中，如果判断出当前联通区域代表裂纹，则进行后续操作，否则输入下一个连通区域继续判断。

对于经过分类器分类之后判别出是裂纹的区域，根据所记录的区域的序号，将整个连通区域进行膨胀操作，完成裂纹的标记和识别，同时将裂纹联通区域的序号存入另一个文档中进行记录。

对于大量的图像和视频数据，也可以参照此方法进行反复扫描，需要注意记录好每张图像或者视频中每帧图像的序号，方便后续进行裂纹的分析。

其中，表1和图3分别使用本发明测试600张图像的分类效果和本发明对一副煤岩体表面裂纹进行识别的效果图。

表1