本书对图像识别智能放煤技术进行系统介绍，总结了作者近20年来在智能化放煤方面的基础研究和现场应用成果，提出了智能放煤技术需要实现的功能和技术难点，介绍了煤矿井下煤岩图像处理与特征提取、动态煤流图像增强与去噪技术、煤流含矸率识别技术、复杂外观条件下煤岩识别技术、智能放煤技术系统开发与现场应用效果等。

更多科学出版社服务，请扫码获取。

1978.9～1982.8，鞍山钢铁学院采矿工程专业本科生，获学士学位 1984.8～1987.6，北京钢铁学院采矿工程专业硕士生，获硕士学位 1990.9～1993.8，中国矿业大学北京研究生部采矿工程博士生，获博士学位1993.9～1995.9，北京科技大学采矿工程专业博士后、副研究员 1995.10至今，中国矿业大学（北京）采矿工程专业教授、博士生导师1.2016国家科技进步二等奖：急倾斜厚煤层走向长壁综放开采关键理论与技术；2.2014国家科技进步一等奖：特厚煤层大采高综放开采关键技术及装备；煤矿灾害预防与处置应急管理部重点实验室主任，煤炭行业放顶煤开采工程研究中心主任，中国-土耳其厚煤层开采研究中心主任，国务院学位委员会第八届矿业工程/石油与天然气工程学科评议组成员、秘书长，教育部高等学校矿业类教学指导委员会副主任委员，全国科技名词审定委员会委员。

目录
前言
第1章 放顶煤开采技术概述 1
1.1 放顶煤开采技术原理及发展 1
1.1.1 放顶煤开采原理 1
1.1.2 综放工作面作业流程 2
1.2 放煤理论及放煤工艺 3
1.2.1 四要素放煤理论 3
1.2.2 常见放煤工艺 3
1.3 智能放煤技术进展 10
1.3.1 智能放煤关键技术 10
1.3.2 智能放煤技术难点与分类 13
1.3.3 非图像识别智能放煤技术进展 14
参考文献 17
第2章 煤岩数字图像处理基础 18
2.1 数字图像基本概念 18
2.1.1 模拟图像与数字图像 18
2.1.2 数字图像相关概念 18
2.1.3 数字图像特点 21
2.2 煤岩图像获取 23
2.2.1 图像采集设备及参数选择 23
2.2.2 多角度成像与光谱成像技术 25
2.2.3 红外成像技术 25
2.2.4 煤岩图像采集的环境因素 26
2.3 煤岩图像预处理 27
2.3.1 图像灰度化的基本原理与方法 27
2.3.2 灰度直方图 29
2.3.3 图像二值化处理的常用算法 30
2.3.4 图像几何变换与校正 35
2.3.5 图像直方图均衡化 40
2.3.6 图像噪声模型 42
2.3.7 图像去噪方法 47
2.3.8 图像伪彩色处理方法 55
2.3.9 运动模糊图像的复原方法 59
2.4 煤岩图像特征提取 66
2.4.1 边缘检测方法 66
2.4.2 灰度、纹理特征 72
2.4.3 形态学特征提取 74
2.4.4 角点检测 77
2.4.5 基于小波变换的特征提取 78
2.4.6 基于卷积神经网络的特征提取 80
2.5 煤岩图像压缩与存储 80
2.5.1 图像压缩算法 80
2.5.2 图像存储格式与数据传输 81
2.5.3 煤岩压缩质量与图像信息的权衡 81
参考文献 82
第3章 煤流图像增强与去噪 84
3.1 放煤过程图像采集环境 84
3.1.1 光照环境 84
3.1.2 粉尘环境 85
3.1.3 煤流堆积与运动 86
3.2 最优光照环境设置 86
3.2.1 煤岩图像特征的照度影响机制 86
3.2.2 照度非接触测量与动态精准调控方法 98
3.2.3 照度调控的感光度与快门速度平替策略 120
3.3 放煤过程粉尘分布与运移规律 127
3.3.1 风速测点与粉尘浓度测点布置 127
3.3.2 风速与粉尘浓度分布规律 129
3.3.3 放煤过程粉尘运移规律 130
3.4 机器视觉系统表面自清洁技术 131
3.4.1 表面自清洁技术概述 131
3.4.2 射流自清洁技术 133
3.4.3 多功能表面超声波自清洁技术 137
3.4.4 激光与静电自清洁技术 142
3.4.5 静电清洁技术 143
3.5 基于可见光与近红外融合的去尘去雾技术 144
3.5.1 图像配准 144
3.5.2 图像融合 145
3.6 基于偏振信息的去雾技术 146
3.6.1 光场电磁学基础 146
3.6.2 偏振成像系统 150
3.6.3 偏振去雾原理 151
3.7 “液体介入+红外检测”煤岩识别技术 152
参考文献 152
第4章 煤流含矸率检测 155
4.1 煤流含矸率检测基本问题 155
4.1.1 图像分割的定义 155
4.1.2 图像分割算法的评价指标 155
4.1.3 不同场景下的煤岩图像 156
4.2 基于经典算法的煤岩图像分割 157
4.2.1 煤岩图像分割方法选择 157
4.2.2 基于大津法的煤岩图像分割 159
4.2.3 基于分水岭算法的煤岩图像分割 161
4.3 基于深度学习的煤岩图像分割 162
4.3.1 深度学习分割网络模型选取 162
4.3.2 网络模型优化 172
4.3.3 网络模型参数设置 174
4.3.4 识别结果分析 175
4.3.5 煤流含矸率检测优化方法 190
4.4 煤岩块体重建 191
4.4.1 煤岩块体重建概述 191
4.4.2 实验材料与设备 192
4.4.3 煤岩块体三角网格模型计算 193
4.4.4 煤岩块体高精度重建算法框架 195
4.4.5 算法的实现 195
4.4.6 模型生成结果 206
4.4.7 误差分析 208
4.4.8 算法运行时间统计 214
4.5 煤岩块体扩增 215
4.5.1 煤岩块体扩增概述 215
4.5.2 实验材料与设备 216
4.5.3 煤岩块体形态学基因定点诱变技术 216
4.5.4 结果与分析 227
4.5.5 形态学基因定点诱变的应用 237
4.6 煤岩块体形态学研究 244
4.6.1 煤岩块体形态学研究概述 244
4.6.2 实验材料与设备 246
4.6.3 煤岩块体三角网格模型构建 246
4.6.4 算法的实现 247
4.6.5 算法运行时间统计 257
4.7 煤岩块体体积预测 258
4.7.1 煤岩块体二维投影图像获取方法 258
4.7.2 网格面数选择 259
4.7.3 投影方式确定 260
4.7.4 煤岩块体二维、三维Wadell圆度关系 263
4.7.5 煤岩块体二维投影面积与三维体积关系 264
4.7.6 煤岩块体不同维度形态学特征分布 264
4.7.7 煤岩块体体积预测模型 267
4.8 智能放煤煤流内部体积含矸率预测研究 268
4.8.1 综放工作面数值计算模型的建立 268
4.8.2 研究思路 272
4.8.3 “叠压”因素影响下的体积含矸率预测 273
4.8.4 煤流体积含矸率预测 282
参考文献 289
第5章 复杂外观条件下煤岩识别 291
5.1 复杂外观条件下含矸率检测精度保障策略 291
5.2 基于声振信号的复杂外观条件含矸率检测 293
5.2.1 煤岩声振信号采集与处理 293
5.2.2 试验概况 294
5.2.3 声振信号处理 297
5.2.4 声振信号的时域分析 297
5.2.5 声振信号频域分析 300
5.2.6 声振信号语谱图分析 303
5.2.7 声振信号识别 306
5.3 基于XRF的复杂外观条件含矸率检测 308
5.3.1 实验材料 308
5.3.2 比重测量设备与流程 310
5.3.3 灰分含量测定设备与流程 311
5.3.4 化学元素含量无损测定设备与流程 313
5.3.5 煤岩混合样本制备 315
5.3.6 化学元素含量、比重与灰分关系 316
5.3.7 均质煤岩混合样本含矸率检测 318
5.3.8 煤岩块体混合样本含矸率检测 320
5.4 基于DE-XRT的复杂外观条件含矸率检测 321
5.4.1 试验材料 321
5.4.2 比重、灰分与化学元素测量设备与流程 322
5.4.3 双能X射线透射成像设备与流程 322
5.4.4 煤岩混合样本制备 325
5.4.5 煤岩块体混合样本含矸率检测 326
参考文献 329
第6章 系统开发与应用 330
6.1 智能放煤应用 330
6.1.1 C矿122105综放工作面智能放煤 330
6.1.2 B矿81202综放工作面智能放煤 333
6.1.3 W矿91208综放工作面智能放煤 337
6.2 限高开采应用 340
6.2.1 M矿I0216302工作面概况 340
6.2.2 工作面采煤方法与配套设备 341
6.2.3 智能放煤设备与技术参数 341
6.2.4 应用效果 343
参考文献 345