综合机械化放顶煤开采技术(简称综放开采)是中国高效开采厚及特厚煤层的主要技术之一[1-7]，经过30余年的发展，在顶煤破碎机理[8-11]、散体顶煤放出规律[12-16]、矿压显现与岩层移动规律[17-19]等方面取得了丰硕的研究成果，丰富了综放开采理论。随着人工智能技术的快速发展，如何用更智能、自动化程度更高的技术手段完成放煤过程，进而实现智能化综放开采逐渐成为目前研究的热点，也是综放开采未来重要的发展方向[20-21]。放煤自动化是智能化综放开采的关键技术，实现自动化放煤技术能够有效提高综采工作面的效率、提高采出率、提高煤质、减少劳动量和增加经济效益，有利于进一步实现综放工作面无人化、少人化。针对自动化放煤技术，目前的研究难点在于对放煤过程煤矸混合度的自动识别，识别手段主要有自然γ射线、振动信号、图像等，近些年深度学习理论在图像识别上取得了巨大的突破，在识别速度和识别准确度上得到大幅度提升，为基于图像的煤矸混合度无接触识别技术的发展提供了可靠的技术支持和保障[22-23]。目前国内外学者对此开展了相关研究。

在煤矸图像采集和预处理方面，主要有实验室图像采集和现场图像采集。通常采用CCD摄像头对静止摆放的煤矸[24]以及运动中的煤矸[25]进行图像采集，再对采集好的图像进行亮度和对比度调整，提高图像清晰度。田子建等[26]采用多组LED阵列组成的高亮度环形白光照明灯作为光源。于国防等[27]分别在相机闪光灯、自然光和节能日光灯3种光源条件下分析煤矸图像灰度分布规律。林祖贵[28]采用12 W的LED射灯作为实验光源。

在煤矸图像特征提取方面，通常提取色彩、灰度、纹理、形状等图像特征[29-30]。佘杰[31]提出将煤岩图像进行多尺度分解并结合灰度共生矩阵的方式进行特征提取。兰添才和郑汉垣[32]从纹理谱特征、小波变换特征和分形特征中挑选出10个特征作为识别特征，作为煤矸石图像分类识别的基础。伍云霞和田一民[33]提出用字典学习算法提取煤岩图像特征。王培珍等[34]利用行程长度矩阵求得对图像纹理具有不同表征能力的纹理特征量。米强等[35]提取了煤矸局部二值模式图像的角二阶距、相关性、对比度和熵作为纹理特征。SUN和SU[36]利用灰度共生矩阵提取了煤岩图像中的22个纹理特征，并对特征进行降维优化。XUE等[37]对综放工作面原始煤矸影像进行灰度直方图分析，对煤矸图像的灰度均值进行了计算。

综上，对于单个煤或矸石样本灰度及纹理等特征的提取是煤矸混合度识别研究的基础，目前的研究通常是在一种光照强度下完成图像采集，进而试图排除光照变化对实验的影响，或是设置了几种不同的光照强度，但是没有进行定量研究与深入讨论。实际上煤和矸石不同的物理性质决定了它们对于光照强度的响应特性也不同，即在不同光照强度下，即便是同一块煤或矸石，也会在视觉上有所差异。光照强度(illuminance，I)表示被摄主体表面单位面积上接受到的光通量，简称照度，单位为勒克斯(Lux)，它是衡量拍摄环境光照强弱和被摄物体表面被照明程度的一个重要指标。在现有研究的基础上，将照度概念引入到煤矸图像识别的研究中，定量研究照度变化对煤矸图像特征的影响，揭示不同照度下煤矸图像特征的变化规律，为煤矿井下现场图像采集设置合适光源及待提取特征的合理选择提供重要的理论依据。

1 煤矸图像特征提取实验装置、材料与方法

1.1 差异照度煤矸图像采集系统

为了获取不同照度下的煤和矸石图像，设计了差异照度(Different Illuminant Value,DIV)煤矸图像采集系统。该采集系统的主要装置有EF-200型LED补光灯、VC1010D型照度计、COMS相机、白色背景板。其中补光灯具有11档照度调节功能，1～11档照度依次增强，为实验提供稳定可靠的照度不同的光源;照度计用于照度的测量与记录，最大量程200 000 Lux，分辨率为0.1 Lux;COMS相机为图像信息的采集装置，采集到的图像像素为4 272 px×2 848 px。涉及到的所有实验数据均是通过Matlab R2016b计算得到。此外，选取来自大同矿区的块度大小在15 cm左右的煤和矸石各77块作为实验样本，煤质为气肥煤，矸石种类为泥岩，如图1所示。

1.2 煤矸图像特征提取实验方法

1.2.1 煤矸图像采集

将煤和矸石样本放在置于平整地面的白色背景板上，COMS相机和补光灯分立于背景板两侧，相机镜头与补光灯光源处于同一平面，置于背景板正上方90 cm处，如图1所示。在暗室中进行图像采集，仅利用补光灯作为本实验的唯一光照来源，采用补光灯的6个不同的档位来满足本实验图像采集过程中对于的不同照度的要求。通过置于白色背景板上的照度计测量，本实验中涉及到的6种不同照度分别为3 180，10 780，17 730，24 200，30 700以及35 600 Lux。移走照度计，对煤和矸石样本的图像进行采集，共计获得924张图像。将每张图像裁剪成只包含样本而不包含边缘及背景的像素为630 px×420 px的子图像。

1.2.2 子图像预处理

根据式(1)对子图像进行灰度化处理，在保留像素梯度信息的同时大幅度提高运算速度[38-39]。

Gray(x,y)=0.298 9R+0.587 0G+0.114 0B

(1)

式中，R，G，B分别是像素点(x,y)的红、绿、蓝颜色值;Gray(x,y)是灰度化后的图像。

由于采集到的图像存在噪声信息，采用高斯滤波来消除噪声提高图像质量[40]。经过灰度化和高斯滤波后，得到煤和矸石灰度子图像，如图2所示，用于构建煤和矸石灰度子图像数据库。

1.2.3 煤矸图像特征提取

灰度图像的每个像素用1个取值范围为0～255的灰度级表示，共计256个灰度级，灰度级越小，表明越黑，反之越灰白。观察本实验所选取的煤和矸石样本，煤样本更黑，而矸石样本更加灰白，这是煤和矸石样本最直接最显著的外在特征。因此通过提取煤和矸石样本的灰度特征用于煤矸识别存在可行性。

利用式(2)计算出每个灰度级出现的概率，进而绘制出灰度分布直方图[27]。

(2)

式中，i为灰度级;ni为灰度级为i的像素点个数;N为总像素点数;Hist(i)为i灰度级出现的概率。

对灰度直方图的数据加以运算，得到如下几种统计量作为定量描述灰度特征的指标[41]。

灰度均值(Mean)表示的是图像的平均灰度值。灰度均值的表达式为

(3)

灰度方差(Variance)表示的是图像灰度值的离散程度。灰度方差的表达式为

(4)

灰度歪斜度(Skewness)表示的是图像灰度分布的不对称程度。灰度歪斜度的表达式为

(5)

灰度峰态(Kurtosis)表示图像灰度分布集中于均值附近的程度。灰度峰态的表达式为

(6)

灰度能量(Energy)表示图像分布的均匀程度。灰度能量的表达式为

(7)

灰度熵(Entropy)表示灰度分布的不均匀、混乱程度。灰度熵的表达式为

(8)

纹理是图像中局部元素或者结构的缓慢或周期性变化而造成的灰度值规律性分布的结果[41]，不同于灰度特征，纹理特征不是针对单个像素点分析，而是对于包含若干个像素点的某一区域进行计算。观察本实验所选取的煤和矸石样本的另一个较为明显的区别在于，煤样本具有玻璃光泽，容易反光，而在成煤过程中的沉积与变质作用决定了煤样本的不同断面具有不同的反光特性，即由于断面的不同，会表现出条状亮纹、点状或片状亮斑，如图3所示。而矸石样本更多的是发生光线的漫反射而不反光或较少反光。因此通过提取煤和矸石样本的纹理特征用于煤矸识别也同样存在可行性。

本文基于GLCM选取对比度、相关性、角二阶矩及同质性等4个相互独立的纹理特征[42-43]。

纹理对比度(Contrast)描述的是图像中相邻像素点间的灰度级差异。纹理对比度的表达式为

(9)

式中，矩阵P(i,j,l,α)表示为像素点(x,y)的所有α方向，相邻间隔为l的像素对中1个取i值，另1个取j值的相邻像素对出现的次数，α通常取0°，45°，90°和135°。

纹理相关性(Correlation)描述的是图像中相邻像素点间灰度级的相似程度。纹理相关性的表达式为

(10)

纹理角二阶矩(A S M)描述的是像素灰度级分布的均匀程度。纹理能量的表达式为

(11)

纹理同质性(Homogemeity)描述的也是像素灰度级分布的均匀程度。纹理同质性的表达式为

(12)

综上，本实验对煤和矸石样本在6种不同照度下10种特征进行提取，共提取9 240个特征值。

2 煤矸图像特征提取实验结果与讨论

基于上述分组对煤和矸石灰度子图像数据库的子图像进行统计计算，实现对于灰度、纹理特征的提取。为了客观完整反映实验结果，将每组数据绘制成箱型图进行展示。在实验中发现，有部分实验组的个别数据要明显大于或小于同组其他数据，考虑到研究煤矸特征差异问题的特殊性，在不明确异常值出现原因的情况下，尚不能排除其存在的合理性。

因此，在绘制箱形图、求取中位数的基础上，将异常值考虑在内，对每组的数据分别计算了平均值Qmean，如图4所示。主要对其平均值进行描述和讨论。

2.1 灰度特征

首先获得不同照度下煤矸图像的灰度分布直方图，如图5所示。

由图5可知，随着照度的增大，煤的灰度分布直方图的数值整体逐渐向x轴正方向移动，且峰值逐渐降低，图像上逐渐变得更加“矮胖”，说明煤的灰度值在整体提升的情况下灰度分布逐渐分散。如图5(b)所示,矸石的灰度分布直方图的数值同样整体逐渐向x轴正方向移动，但移动幅度大于煤，此外，矸石的灰度分布更加集中，图像上更显“瘦高”，说明随着照度的增大，矸石的灰度值整体均匀提升，和煤的灰度分布直方图存在显著差异。对灰度直方图进行统计计算，获得如下几种统计量作为定量描述灰度特征的指标。

如图6(a)所示，随着照度的增大，煤的灰度均值也随之增大。矸石的灰度均值也随着照度的增大而增大，且在照度较低时，增长速率较大。在实验涉及到的所有照度条件下，矸石的灰度均值均大于煤，且两者的差值随着照度的增大逐渐增大后保持不变，以近似保持相同速率增长。该图反映出矸石的外观亮度始终大于煤，且随着照度的增大，两者都发生了亮度提升的现象。

如图6(b)所示，随着照度的增大，煤的灰度方差出现大幅度的增长后趋于稳定。而矸石的灰度方差始终保持在较低的水平，在照度较小时增大，之后随着照度的增大逐渐减小。在实验所涉及到的所有照度条件下，煤的灰度方差始终大于矸石，且两者的差值随照度的增大逐渐增大。

由图6(a)已知煤和矸石随着照度的增大亮度都发生了提升，从图6(b)近一步了解到，煤和矸石亮度提升的原因不尽相同，这也是由于煤和矸石对于光照具有不响应特性的结果:矸石在光照下，发生的是亮度整体的均匀提升，所以反映在图6(b)中，其灰度方差变化较小，说明图像相邻像素点灰度级之间的差异没有发生明显变化;而煤在光照下，尤其是强光下，会形成条状亮纹或点状、片状亮斑等，而亮纹或亮斑的灰度级明显大于周围区域，即此时发生了局部区域灰度级的“跃迁”，也因此提升了图像亮度，但是可以看出，这种亮度的提升是局部的、不均匀的，因此反映在图6(b)中，其灰度方差发生显著变化。

如图6(c)所示，煤的灰度歪斜度随着照度的增大逐渐降低，降速逐渐减缓。矸石的灰度歪斜度具有和煤类似的变化趋势，只是矸石的灰度歪斜度始终要低于同等照度下煤的灰度歪斜度。

如图6(d)所示，随着照度的增大，煤的灰度峰态逐渐降低，且降低的速度随着照度的增大逐渐减慢。相比于煤，矸石的灰度峰态始终较为平稳，变化不大，在照度较小时，矸石的灰度峰态出现小幅降低，之后随着照度的增大，灰度峰态增大后趋于稳定。

如图6(e)所示，随着照度的增大，煤的灰度能量大幅下降后趋于稳定。矸石的灰度能量同样在照度较小时也大幅度的降低;不同的是随着照度继续增大，矸石的灰度能量呈近似一次函数关系逐渐增大。在实验所涉及到的几个照度条件下，矸石的灰度能量始终大于煤，且两者的差值在逐渐增大。

如图6(f)所示，随着照度的增大，煤的灰度熵逐渐增大后趋于稳定。不同于煤的是，矸石的灰度熵并未在增大后趋于平稳，而是呈现一次函数关系逐渐降低。在实验所涉及到的所有照度条件下，煤的灰度熵始终要大于矸石，并且煤和矸石灰度熵的比值随着照度的增大逐渐增大。

2.2 纹理特征

对不同照度下的纹理特征进行提取，结果如下。

如图7(a)所示，随着照度的增大，煤的纹理对比度出现大幅增加。同样矸石的纹理对比度也随着照度的增大而逐渐增大，不同的是矸石纹理对比度增幅较小。在实验所涉及到的所有照度条件下，煤的纹理对比度始终大于矸石，且随着照度的增大，煤和矸石纹理对比度的差值也逐渐增大。

如图7(b)所示，随着照度的增大，煤的纹理相关性逐渐降低，但是降幅不大，且在照度较小时降低的速率较大。同样矸石的纹理相关性随着照度的增大也小幅度降低。在本实验所涉及到的所有照度条件下，矸石的纹理相关性都大于煤，随着照度的增大，矸石纹理相关性的降低速度要大于煤。

如图7(c)所示，煤的纹理角二阶矩随着照度的增大逐渐降低后趋于稳定。矸石的纹理角二阶矩的变化具有和煤相似的规律。在实验所涉及到的所有照度条件下，矸石的纹理角二阶矩要始终大于煤，并且在照度较低时，煤和矸石的纹理角二阶矩都比较大，两者差值较小;随着照度的增大，两者差值逐渐增大。

如图7(d)所示，煤的纹理同质性随着照度的增大逐渐降低后趋于稳定。矸石的纹理同质性也同样随着照度的增大逐渐降低。随着照度的增大，煤和矸石的纹理同质性的差值逐渐增大。

2.3 归一化特征差异指数(NFDI)的定义与讨论

通过上述实验，获取了煤和矸石在不同照度条件下的灰度和纹理相关特征。可以看出，随着照度变化，煤和矸石特征的变化规律不同，说明将不同照度下的若干特征作为识别煤和矸石的依据存在可行性和优越性。为了更加清晰直观地分析照度对煤矸不同特征的影响程度，现将煤和矸石的同一特征作为1个特征分组，按照式(13)，将每个分组的特征值分别归一化至[0，1]。

(13)

式中，VYi为Y特征分组中的第i个照度条件下的特征值;VYmin为Y特征分组中的最小特征值，即VYmin=min(Yic，Yig),Yic，Yig分别为Y特征分组中的第i个照度条件下所有煤和矸石的特征值;VYmax为Y特征分组中的最大特征值，即VYmax=max(Yic，Yig);fYi (V)为归一化后的Y特征分组第i个照度条件下的特征值，其中Y表示不同特征，i的取值范围为1～6，表示不同照度。

定义归一化特征差异指数(Normalized Feature D-value Index，NFDI)，如式(14)所示，表示在某一照度下煤与矸石特征的相对差异，该值越大，说明对于该特征而言，煤和矸石的差异越大，反之越小。

NFDIYi=|fYic(V)-fYig(V)|

(14)

式中，NFDIYi为i照度条件下的归一化煤矸Y特征差异指数，其中归一化煤矸灰度特征差异指数记为NFDI-G，简称为灰度特征差，归一化煤矸纹理特征差异指数记为NFDI-T，简称为纹理特征差;fYic(V)，fYig(V)分别为归一化后的煤和矸石特征值。不同照度下的灰度特征差与纹理特征差如图8所示。

图8(a)反映了不同照度下煤矸灰度特征差的变化情况，其中方差、能量和熵特征差随着照度的增大出现明显增大，说明煤和矸石在方差、能量和熵这3个特征方面所表现出的差异随着照度的增大逐渐增大。对于均值特征差，当照度较低时，灰度均值特征差增幅较大，之后随着照度增大至该实验设定的最大照度条件时，未发现灰度均值特征差出现明显变化。对于歪斜度、峰态特征差，随着照度的增大，都出现了不同程度的降低，并且降低的速度随着照度的增大逐渐减小，至该实验设定的最大照度条件时，逐渐趋于稳定，不再发生明显变化，说明在较低的照度条件下，煤和矸石在歪斜度这个特征上所表现出的差异更大;不同于歪斜度特征差的是，峰态特征差在照度较低时发生了明显的降低，之后随着照度的增大，峰态特征差呈近似一次函数关系逐渐增大。

图8(b)反映了不同照度下煤矸纹理特征差的变化情况，对比度特征差随着照度的增大显著增大，说明煤和矸石在对比度特征方面表现出的差异随着照度的增大而增大。对于角二阶矩和同质性特征差，在该实验设定的几组照度条件下逐渐增大后趋于稳定。相关性特征差随着照度的增大先增大后大幅降低，说明对于纹理相关性特征而言，在照度较小时，煤和矸石的之间差异较大，在照度较大时，差异较小。

2.4 支持向量机的训练与测试

为了进一步讨论及验证上述实验结论，利用SVM分类器，分别基于上述实验提取的特征对煤和矸石灰度图像数据库中的924幅子图像进行分类，按1.5∶1的比例，将数据库中的552幅子图像作为训练集，372幅子图像作为测试集，基于灰度、纹理特征不同照度条件下的SVM分类器识别结果如图9所示。

从图9可以看出，基于不同照度、不同特征的SVM分类器的识别正确率不同。这印证了上述实验中煤和矸石在不同照度下具有不同的响应特性，也同时说明，如果在采集图像过程中随意设置照度条件或者在图像采集后随意提取若干特征，将会在很大程度上影响识别正确率。

可以看出对于不同灰度、纹理特征，当照度为3 180，17 730和35 600 Lux时，SVM分类器表现出了较高的识别正确率。因此，综合考虑这3种照度条件，对基于灰度、纹理特征多照度融合的SVM分类器的分类效果进行研究。研究发现，当考虑到照度因素后，分类器的识别正确率得到提升，最大增幅为13.31%，说明在充分利用煤和矸石在不同照度下的响应特性之后，提高了SVM分类器的性能。

此外，进一步对涉及到的多个灰度、纹理特征进行整合，结果显示在多特征多照度融合的条件下(Multiple Features and Illuminance Fusion,MFIF)，SVM分类器性能较好，识别正确率为98.39%。因此，基于MFIF的煤矸图像识别相比于单特征、单照度条件下的研究优势更为显著，值得深入研究。

3 结 论

(1)本实验所选取的煤和矸石样本在视觉上最显著的差异在于煤样本更加黑亮、矸石样本更加灰白，这可作为该条件下综放工作面区分煤和矸石最直接可靠的依据;随着照度的增大，煤样本在亮光下容易反光，发生了局部区域灰度级的“跃迁”，而矸石样本在亮光下不反光或较少反光，只发生了灰度级的整体均匀提升，这也是研究不同照度下煤矸响应特性差异的基础。

(2)煤的均值、方差、熵、对比度以及矸石的均值、对比度等特征随着照度的增大而增大，煤的歪斜度、能量、角二阶矩、同质性以及矸石的歪斜度、相关性、同质性等特征随着照度的增大而减小。

(3)在照度较大时，煤和矸样本在均值、方差、能量、熵、对比度以及同质性等特征方面差异较大，在照度较小时，煤和矸石样本在歪斜度和峰态等特征上的差异较大，在照度中等时，煤和矸石样本在相关性等特征上差异较大，此外在熵、角二阶矩等特征上，在实验设定的任何照度下，差异都不大。

(4)基于不同特征的SVM分类器的识别正确率不同，照度的变化也会对分类器的识别正确率产生影响;当照度为3 180，17 730 和35 600 Lux时，SVM分类器的煤矸识别正确率较高;当考虑照度因素后，分类器的识别正确率最大增加了13.31%。

(5)对于特征提取中异常值出现的原因有待进一步研究;经水淋、水浸的煤矸样本会在外观上发生改变、并在一定程度上影响其特征识别，因此有必要针对水淋、水浸后煤矸样本开展研究;所使用光源种类单一，对于不同光照种类条件下以及多种类光源叠加影响下的煤矸特征提取需深入研究;同时所选取的煤和岩石样本单一，针对不同煤种以及岩石种类的相关研究将另文介绍。此外，单纯地说煤或矸石的特征值是没有意义的，需要指出是何种种类的煤或矸石在何种照度条件下的特征值。

(6)图像采集环境照度的设置以及待提取特征的选择都在一定程度上影响识别正确率，进一步开发差异照度煤矸混合度识别系统，即对获取的两组或多组照度不同的煤矸混合图像进行处理和混合度识别，充分利用煤和矸石在不同照度下的响应特点，有效提高煤矸混合度识别的正确率。

参考文献:

[1] 王家臣.厚煤层开采理论与技术[M].北京:冶金工业出版社,2009.

[2] 钱鸣高,石平五.矿山压力及其顶板控制[M].北京:煤炭工业出版社,2003.

[3] 王家臣.我国放顶煤开采的工程实践与理论进展[J].煤炭学报,2018,43(1):43-51.

WANG Jiachen.Engineering practice and theoretical progress of top-coal caving mining technology in China[J].Journal of China Coal Society,2018,43(1):43-51.

[4] 王家臣.我国综放开采技及其深层次发展问题的探讨[J].煤炭科学技术,2005,33(1):14-17.

WANG Jiachen.Fully mechanized longwall top coal caving technology in China and discussion on issues of further development[J].Coal Science and Technology,2005,33(1):14-17.

[5] WANG J H,YU B,KANG H P,et al.Key technologies and equipment for a fully mechanized top-coal caving operation with a large mining height at ultra-thick coal seams[J].International Journal of Coal Science & Technology,2015,2(2):97-161.

[6] WANG J H.Development and prospect on fully mechanized mining in Chinese coal mines[J].International Journal of Coal Science & Technology,2014,1(3):253-260.

[7] WANG G F,PANG Y H.Surrounding rock control theory and longwall mining technology innovation[J].International Journal of Coal Science & Technology,2017,4(4):301-309.

[8] WANG J C,WANG Z H,YANG S L.A coupled macro- and meso-mechanical model for heterogeneous coal[J].International Journal of Rock Mechanics & Mining Sciences,2017(94):64-81.

[9] 王兆会.综放开采顶煤破坏机理与冒放性判别方法研究[D].北京:中国矿业大学(北京),2017.

WANG Zhaohui.Failure mechanism and cavability evaluation of the top coal in longwall top-coal caving mining[D].Beijing:China University of Mining & Technology(Beijing),2017.

[10] 王家臣,王兆会.综放开采顶煤在加卸载复合作用下的破坏机理[J].同煤科技,2017(3):1-8.

WANG Jiachen,WANG Zhaohui.Failure mechanism of fully mechanized top-coal caving mining under the composite effect of loading and unloading[J].Science and Technology of Datong Coal Mining Administration,2017(3):1-8.

[11] 王兆会,谢非.顶煤破坏过程及影响因素分析[J].煤炭工程,2017,49(10):20-25,29.

WANG Zhaohui,XIE Fei.Top-coal failure process and its influencing factors in longwall top-coal caving mining[J].Coal Engineering.2017,49(10):20-25,29.

[12] WANG J C,ZHANG J W,LI Z L.A new research system for caving mechanism analysis and its application to sublevel top-coal caving mining[J].International Journal of Rock Mechanics and Mining Sciences,2016(88):273-285.

[13] WANG J C,YANG S L,LI Y,et al.Caving mechanisms of loose top-coal in longwall top-coal caving mining method[J].International Journal of Rock Mechanics and Mining Sciences,2014(71):160-170.

[14] YANG S L,ZHANG J W,CHEN Y,et al.Effect of upward angle on the drawing mechanism in longwall top-coal caving mining[J].International Journal of Rock Mechanics and Mining Sciences,2016(85):92-101.

[15] 王家臣,张锦旺,杨胜利,等.多夹矸近水平煤层综放开采顶煤三维放出规律[J].煤炭学报,2015,40(5):979-987.

WANG Jiachen,ZHANG Jinwang,YANG Shengli,et al.3-D movement law of top-coal in near horizontal coal seam with multi-gangue under caving mining technique[J].Journal of China Coal Society,2015,40(5):979-987.

[16] 王家臣,张锦旺.综放开采顶煤放出规律的BBR研究[J].煤炭学报,2015,40(3):487-493.

WANG Jiachen,ZHANG Jinwang.BBR study of top-coal drawing law in longwall top-coal caving mining[J].Journal of China Coal Society,2015,40(3):487-493.

[17] ZHAO G P,YANG S L.Analytical solutions for rock stress around square tunnels using complex variable theory[J].International Journal of Rock Mechanics and Mining Sciences,2015(80):302-307.

[18] KONG D Z.The determination of cutting height of top-coal caving with great mining height based on the control of coal wall stability[J].Electronic Journal of Geotechnical Engineering,2014,19(Z3):10489-10498.

[19] GAO L,KONG D Z,LI X M,et al.Prediction of the height of water flowing fractured zone of fully mechanized top-coal caving in a coal mine of guizhou province[J].Electronic Journal of Geotechnical Engineering,2016,21(22):7007-7016.

[20] 王家臣,刘峰,王蕾.煤炭科学开采与开采科学[J].煤炭学报,2016,41(11):2651-2660.

WANG Jiachen,LIU Feng,WANG Lei.Sustainable coal mining and mining sciences[J].Journal of China Coal Society,2016,41(11):2651-2660.

[21] 钱鸣高,许家林,王家臣.再论煤炭的科学开采[J].煤炭学报,2018,43(1):1-13.

QIAN Minggao,XU Jialin,WANG Jiachen.Further on the sustainable mining of coal[J].Journal of China Coal Society,2018,43(1):1-13.

[22] AKULA A,SHAH A K,GHOSH R.Deep learning approach for human action recognition in infrared images[J].Cognitive Systems Research,2018(50):146-154.

[23] HUANG H W,LI Q T,ZHANG D M.Deep learning based image recognition for crack and leakage defects of metro shield tunnel[J].Tunnelling and Underground Space Technology Incorporating Trenchless Technology Research,2018(77):166-176.

[24] 谭春超,杨洁明.煤与矸石图像灰度信息和纹理特征的提取研究[J].工矿自动化,2017,43(4):27-31.

TAN Chunchao,YANG Jieming.Research on extraction of image gray information and texture features of coal and gangue image[J].Industry & Mine Automation,2017,43(4):27-31.

[25] 刘富强,钱建生,王新红,等.基于图像处理与识别技术的煤矿矸石自动分选[J].煤炭学报,2000(5):534-537.

LIU Fuqiang,QIAN Jiansheng,WANG Xinhong,et al.Automatic separation of waste rock in coal mine based on image procession and recognition[J].Journal of China Coal Society,2000(5):534-537.

[26] 田子建,彭霞,苏波.基于机器视觉的煤岩界面识别研究[J].工矿自动化,2013,39(5):49-52.

TIAN Zijian,PENG Xia,SU Bo.Research of coal-rock interface identification based on machine vision[J].Industry & Mine Automation,2013,39(5):49-52.

[27] 于国防,邹士威,秦聪.图像灰度信息在煤矸石自动分选中的应用研究[J].工矿自动化,2012,38(2):36-39.

YU Guofang,ZOU Shiwei,QIN Cong.Application research of image gray information in automatic separation of coal and gangue[J].Industry & Mine Automation,2012,38(2):36-39.

[28] 林祖贵.基于图像处理的煤泥浮选精煤灰分检测研究[D].太原:太原理工大学,2014.

LIN Zugui.The study of fine coal floatation’s cleaned ash detection based on image procession[D].Taiyuan:Taiyuan University of Technology,2014.

[29] 孙继平.基于图像识别的煤岩界面识别方法研究[J].煤炭科学技术,2011,39(2):77-79.

SUN Jiping.Study on identified method of coal and rock interface based on image identification[J].Coal Science and Technology,2011,39(2):77-79.

[30] 田慧卿,魏忠义.基于图像识别技术的煤岩识别研究与实现[J].西安工程大学学报,2012,26(5):657-660.

TIAN Huiqing,WEI Zhongyi.The research and implementation of coal and rock identification based on image recognition technology[J].Journal of Xi’an Polytechnic University,2012,26(5):657-660.

[31] 佘杰.基于图像的煤岩识别方法研究[D].北京:中国矿业大学(北京),2014.

SHE Jie.Study of coal rock recognition methods based on image processing[D].Beijing:China University of Mining & Technology(Beijing),2014.

[32] 兰添才,郑汉垣.基于纹理特征融合的煤矸石分选技术研究[J].龙岩学院学报,2008,26(6):56-59.

LAN Tiancai,ZHENG Hanyuan.Research on separation technology of coal and gangue based on texture features fusion[J].Journal of Longyan University,2008,26(6):56-59.

[33] 伍云霞,田一民.基于字典学习的煤岩图像特征提取与识别方法[J].煤炭学报,2016,41(12):3190-3196.

WU Yunxia,TIAN Yimin.Method of coal-rock image feature extraction and recognition based on dictionary learning[J].Journal of China Coal Society,2016,41(12):3190-3196.

[34] 王培珍,缪家龙,周可,等.基于行程长度纹理特征的焦炭显微图像分类算法[J].煤炭学报,2012,37(6):1051-1055.

WANG Peizhen,MIAO Jialong,ZHOU Ke,et al.Coke microscopic image classification algorithm based on run-length texture features[J].Journal of China Coal Society,2012,37(6):1051-1055.

[35] 米强,徐岩,刘斌,等.煤与矸石图像纹理特征提取方法[J].工矿自动化,2017,43(5):26-30.

MI Qiang,XU Yan,LIU Bin,et al.Extraction method of texture feature of images of coal and gangue[J].Industry & Mine Automation,2017,43(5):26-30.

[36] SUN J P,SU B.Coal-rock interface detection on the basis of image texture features[J].International Journal of Mining Science and Technology,2013,23(5):681-687.

[37] XUE G H,HU B H,ZHAO X Y,et al.Study on characteristic extraction of coal and rock at mechanized top coal caving face based on image gray scale[J].Applied Mechanics and Materials,2014(678):193-196.

[38] 黄韶杰,刘建功.基于高斯混合聚类的煤岩识别技术研究[J].煤炭学报,2015,40(S2):576-582.

HUANG Shaojie,LIU Jiangong.Research of coal-rock recognition technology based on GMM clustering analysis[J].Journal of China Coal Society,2015,40(S2):576-582.

[39] LU C W,XU L,JIA J Y.Contrast preserving decolorization[A].IEEE International Conference on Computational Photography.IEEE[C].2012:1-7.

[40] 高瑞,苗长云,苗笛,等.输送带故障检测多视点图像自适应增强方法[J].煤炭学报,2017,42(S2):594-602.

GAO Rui,MIAO Changyun,MIAO Di,et al.Multi-view image adaptive enhancement method for conveyor belt fault detection[J].Journal of China Coal Society,2017,42(S2):594-602.

[41] 王培珍,殷子睆,王高,等.一种基于PCA与RBF-SVM的煤岩显微组分镜质组分类方法[J].煤炭学报,2017,42(4):977-984.

WANG Peizhen,YIN Zihuan,WANG Gao,et al.A classification method of vitrinite for coal macerals based on the PCA and RBF- SVM[J].Journal of China Coal Society,2017,42(4):977-984.

[42] MURTY G S,KIRAN J S,KUMAR V V.Expression recognition based on features derived from the distinct lbp and GLCM[J].International Journal of Image,Graphics and Signal Processing,2014,6(2):68-77.

[43] LIU Q,LIU X P,ZHANG L J,et al.Image texture feature extraction & recognition of chinese herbal medicine based on gray level co-occurrence matrix[J].Advanced Materials Research,2013,605-607(12):2240-2244.