[發明專利]一種基于激光掃描的采煤工作面煤巖識別方法

有效

• 申請號: 202110777461.X
• 申請日: 2021-07-09
• 公開（公告）號: CN113486817B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 司壘;王忠賓;譚超;閆海峰;劉新華;岳東;范智海;霍小泉;袁增云;雷鐵山;路根奎
• 申請（專利權）人: 中國礦業大學;陜西陜煤煤銅川礦業有限公司
• 主分類號: G06V20/64
• 分類號: G06V20/64;G06V10/26;G06V10/762;G06N3/006
• 代理公司: 北京淮海知識產權代理事務所(普通合伙) 32205
• 代理人: 周淑淑

1.一種基于激光掃描的采煤工作面煤巖識別方法，其特征在于，包括以下步驟：

步驟1：利用安裝在采煤機機身上的激光掃描儀探測采煤機前滾筒截割后的煤巖表面，獲取原始煤巖截割表面點云數據，簡稱原始煤巖點云數據；

步驟2：利用k-d樹法構建空間鄰域關系并利用最小二乘法估計原始煤巖點云數據中各點的法向量和曲率值；同時，利用八叉樹法獲取K-Means聚類的初始聚類中心，進行聚類；根據法向量和曲率值，提取每個聚類中的特征點；將所有特征點加入經過體素柵格精簡法初步精簡后的煤巖點云數據中，實現煤巖截割表面點云數據的精簡；

步驟3：采用改進的二維大律法對精簡后的煤巖點云數據進行處理，獲取煤巖點云數據的最佳強度閾值I₀；從種子點選取準則和生長法則兩方面改進傳統區域生長算法，將滿足預設條件的煤巖點云數據分別聚集為煤、巖兩類，完成煤巖點云數據的分割，實現煤巖的精確識別；

在步驟3中，改進的二維大律法是通過改進的蟻群算法進行優化的，其中蟻群算法的改進措施包括：

①自適應調整信息素蒸發系數ρ，算法早期，信息素蒸發系數ρ較大，收斂速度快，全局搜索能力強；隨著迭代次數的增加，信息素蒸發系數ρ隨之變小，局部搜索能力逐漸增強，通過引入一個權重系數w(t)來實現信息素蒸發系數ρ的自適應調整，如公式(3)：

式中：t為當前迭代次數；

G為最大迭代次數；

調整后的信息素強度通過公式(4)進行更新：

T_i＝(1-w(t)ρ)*T_i′+f_i???????????(4)

式中：T_i為第i只螞蟻在更新位置后的信息素；

T_i′為第i只螞蟻在更新位置前的信息素；

f_i為第i只螞蟻在新位置的適應度值；

②增強蟻群位置的更新效率，通過引入服從高斯分布的ε^*代替服從均勻分布的隨機系數ε，同時對局部搜索步長Step添加迭代次數的倒數作為權重，來對更新步長加以限定，使螞蟻更新步長隨迭代次數的增加而減小，增強迭代后期的搜索能力，改進后的螞蟻位置X通過公式(5)更新：

式中：X^*為螞蟻當前的位置；

ε^*為服從高斯分布[0,1]的隨機系數；

Step為局部搜索步長；

在步驟3中，獲取煤巖點云數據的最佳強度閾值I₀是基于改進的二維大律法得到的，過程如下：

步驟3.1：初始化螞蟻種群參數m、G、ρ、轉移概率常數P₀、Step關鍵參數；

步驟3.2：輸入精簡后的煤巖點云數據，以精簡后的煤巖點云數據的強度值范圍作為m只螞蟻的位置范圍；

步驟3.3：計算點云強度直方圖，將離散度測試函數作為改進蟻群算法的適應度函數f；

步驟3.4：在煤巖點云數據的強度值范圍內，隨機產生螞蟻的初始位置，以適應度函數值為初始信息素，計算狀態轉移概率P；

步驟3.5：更新螞蟻位置，若P＜P₀，進行局部搜索，采用公式(5)更新螞蟻位置；反之，則進行全局搜索，采用X＝X^*+a×Step來更新螞蟻位置，其中，a為一常數，根據實際情況設定，同時保證螞蟻新位置限制在點云強度值范圍內；

步驟3.6：計算螞蟻在新位置的適應度值，判斷螞蟻是否移動并更新信息素；

步驟3.7：重復上述步驟，直到滿足停止條件，輸出最佳強度閾值I₀；

在步驟3中，基于改進傳統區域生長算法的煤巖識別過程如下：

步驟a：設置法向量夾角閾值δ₀、最佳強度閾值I₀和最小聚類點數量閾值M₀；

步驟b：計算點云的曲率、法向量，將曲率值最小的點作為初始種子點，計算初始種子點的法向量與鄰域內各點法向量的夾角δ_i；

步驟c：比較法向量夾角δ_i與法向量夾角閾值δ₀的大小，初始種子點強度值I^*、鄰域內各點的強度值I_i與最佳強度閾值I₀的關系，若滿足式(6)，則將此該點歸入種子點所在的類；

步驟d：以新歸入的點再次作為初始種子點，計算初始種子點的法向量與鄰域內各點法向量夾角δ_i，比較法向量夾角δ_i與法向量夾角閾值δ₀的大小，初始種子點強度值I^*、鄰域內各點的強度值I_i與最佳強度閾值I₀的關系，若滿足式(6)，則將此該點歸入種子點所在的類；重復步驟d，直到沒有滿足條件的點時，此聚類生長完成；

步驟e：重新選擇精簡后的煤巖點云數據中一個未歸類的且曲率值最小的點作為初始種子點，重復步驟c至步驟e，直到每個點都確定了自己所在的類，此時算法結束，區域生長完成；

步驟f：統計每個聚類中點的個數，若小于最小聚類點數量閾值M₀，則將此聚類歸入距離其最近的類中；

步驟g：若在同一個煤巖點云數據中存在多個煤層和巖層的邊界，在區域生長完成之后，會形成多個聚類，每個聚類分別為煤層或巖層，這取決于每個聚類的初始種子點的強度值I^*，若強度值大于最佳強度閾值I₀，該聚類為巖層；反之，該聚類為煤層。