基于数字图像的煤岩辨识系统综述
基于数字图像相关法的索力识别综述_1
基于数字图像相关法的索力识别综述发布时间：2021-11-11T07:56:40.059Z 来源：《中国科技人才》2021年第23期作者：胡园苟晨铭练城凌刘磊[导读] 数字图像相关（Digital Image Correlation，DIC）技术，运用双目相机和计算机图像视觉处理算法，对待测物体的散斑图像进行处理，对因受力而产生变形的物体进行测量识别。
目前这一项技术主要应用于物体的变形、移动、应变、模态分析等。
重庆科技学院重庆 401331摘要：拉索、吊索等是缆索桥梁的关键承重部件，由于多种因素的影响，会出现程度不一的腐蚀、开裂、内部钢丝断裂等问题，这些将直接影响到桥梁的安全。
为了降低因拉索损伤出现威胁到桥梁安全的情况，对于拉索检测有着极高的要求，随着计算机图像处理技术与光学技术的不断发展，非接触式测量在时效性、便捷性、准确性等方面具有更高优势。
关键词：非接触式；图像处理；数字图像相关法；索力识别引言数字图像相关（Digital Image Correlation，DIC）技术，运用双目相机和计算机图像视觉处理算法，对待测物体的散斑图像进行处理，对因受力而产生变形的物体进行测量识别。
目前这一项技术主要应用于物体的变形、移动、应变、模态分析等。
DIC（数字图像相关法）技术是一种非接触式测量技术，有着如下的优点：适应环境的能力强，自动化程度高、准确性高、经济效益好等。
其被广泛的应用于各个行业：如工业、农业、航空航天、生物医疗、工程、材料、力学等领域。
而DIC技术也在土木工程领域中表现出了极大的应用价值，有学者以及研究团队提出了基于DIC技术的测量方法，将其应用于斜拉桥的索力识别当中，取得了一定的研究成果。
1.概述桥梁结构整体从一开始就必须要考虑安全性问题，从设计、施工到运营维护阶段都需要对整个结构体系进行非常准确的一个受力评估与健康检测，这样才能依据可靠的数据进行安全保障。
其中，在缆索承重桥梁结构的使用当中，其关键受拉构件如拉索，吊索等非常容易产生强度下降，因为会受到环境腐蚀、疲劳损伤、振动等，会威胁到桥梁的运营安全[1]。
基于Real-ESRGAN的岩石CT图像超分辨率重建
基于Real−ESRGAN 的岩石CT 图像超分辨率重建李刚， 张亚兵， 杨庆贺， 邹军鹏， 才天， 刘航， 赵艺鸣（辽宁工程技术大学 矿业学院，辽宁 阜新 123000）摘要：图像采集设备和地质环境等因素导致岩石CT 图像分辨率低、细节不清晰，而现有图像超分辨率重建方法在表征内部高密度矿物质颗粒和孔裂隙时容易丢失细节。
针对上述问题，采用改进的增强型超分辨率生成对抗网络（Real−ESRGAN ）对岩石CT 图像进行超分辨率重建。
选取山西晋城无烟煤矿业集团有限责任公司赵庄煤矿15号煤层底板的砂岩为研究对象，研究不同图像放大倍数下Real−ESRGAN 的重建性能，并将其与超分辨率卷积神经网络（SRCNN ）、超分辨率生成对抗网络（SRGAN ）、增强型超分辨率生成对抗网络（ESRGAN ）、增强的深度超分辨率网络（EDSR ）等算法进行对比。
试验结果表明：① 使用Real−ESRGAN 重建的高分辨率图像在视觉效果上比原始CT 图像更清晰，重建图像中裂隙轮廓和高密度矿物质颗粒更加突出，图像可视性得到了极大提高。
② 在客观评估方面，Real−ESRGAN 算法在2倍超分辨率重建后图像的峰值信噪比（PSNR ）高达36.880 dB ，结构相似性（SSIM ）达0.933。
但随着放大倍数的增加，6倍超分辨率重建图像上的孔隙出现模糊，PSNR 降至32.781 dB ，SSIM 为0.896。
③ Real−ESRGAN 重建超分辨图像的孔隙率和喉道长度分布占比与原始CT 图像相比非常接近，保留了岩石重要的细观结构信息。
关键词：岩石CT 图像；超分辨率重建；生成对抗网络；图像处理；岩石细观结构中图分类号：TD67 文献标志码：ASuper-resolution reconstruction of rock CT images based on Real-ESRGANLI Gang, ZHANG Yabing, YANG Qinghe, ZOU Junpeng, CAI Tian, LIU Hang, ZHAO Yiming(College of Mining, Liaoning Technical University, Fuxin 123000, China)Abstract : Due to factors such as image acquisition equipment and geological environment, rock CT images have low resolution and unclear details. However, existing image super-resolution reconstruction methods are prone to losing details when characterizing high-density mineral particles and pores and cracks inside. To solve the above problems, an improved enhanced super-resolution generative adversarial network (Real-ESRGAN) is used for super-resolution reconstruction of rock CT images. The sandstone of the 15th coal seam floor in Zhaozhuang Coal Mine, Shanxi Jincheng Anthracite Mining Group Co., Ltd. is selected as the research object to study the reconstruction performance of Real-ESRGAN under different image magnifications. It is compared with algorithms such as super-resolution convolutional neural network (SRCNN), super-resolution generative adversarial network (SRGAN), enhanced super-resolution generative adversarial network (ESRGAN), and enhanced deep super-resolution network (EDSR). The experimental results show the following points. ① The high-resolution images reconstructed using Real-ESRGAN have clearer visual effects than the original CT images. The contours of cracks and high-density mineral particles in the reconstructed images are more prominent,greatly improving the visibility of the images. ② In terms of objective evaluation, the Real-ESRGAN algorithm收稿日期：2023-08-26；修回日期：2023-11-16；责任编辑：盛男。
煤岩瓦斯动力灾害风险智能判识与融合预测
煤岩瓦斯动力灾害风险智能判识与融合预测
罗卫东;杨乘;胡金春;袁荣方;赵喜宇
【期刊名称】《能源与环保》
【年(卷),期】2024(46)5
【摘要】煤岩瓦斯动力灾害对矿井安全生产造成了极大威胁,由于诱发因素众多,其内在的致灾机理难以被有效探明。
为实现煤岩瓦斯动力灾害风险的智能识别与预测,建立了基于CNN的煤岩瓦斯动力灾害风险智能判识与融合预测模型。
模型中采用Box-plot与MI方法进行数据清洗,并利用GRA方法建立包含10个风险因素在内的煤岩瓦斯动力灾害的指标体系,通过PCA方法对数据进行降维处理后,输入至CNN模型中进行融合与预测。
通过与ANN、BP、RF、SVM模型的对比分析表明,基于CNN的煤岩瓦斯动力灾害风险智能判识与融合预测模型具有更高的准确性,同时此模型的收敛速度更快,验证了此模型在实际工程中具有更可靠的工程价值。
【总页数】7页(P71-77)
【作者】罗卫东;杨乘;胡金春;袁荣方;赵喜宇
【作者单位】贵州能源产业研究院有限公司;贵州林东煤业发展有限责任公司龙凤
煤矿
【正文语种】中文
【中图分类】TD324
【相关文献】
1.测井曲线判识构造软煤技术预测煤与瓦斯突出
2.煤岩动力灾害声发射预警判识方法的研究现状及趋势
3.基于CNN的煤岩瓦斯复合动力灾害预测
4.深部开采煤岩动力灾害风险评估模型及判识技术研究
因版权原因，仅展示原文概要，查看原文内容请购买。
煤矿AI视频智能识别控制系统
煤矿AI视频智能识别控制系统作者：赵金升丁宇辉王鹏刘伟来源：《科学与财富》2020年第23期摘要：基于机器深度学习的AI智能技术，构建AI图像智能识别管理平台，以满足煤矿减人提效的需求，提升安全生产智能化管理水平，最终减少事故发生。
该系统是以煤矿井下摄像仪的实时枧频图像数据为基础，以AI图像智能识别技术为核心、以机器深度学习数学模型和报警系统为支撑、以自动化模糊控制技术为手段的综合性视频智能控制系统。
关键词：AI;人工智能;智能视频;智能分析识别：智能控制0、引言系统采用先进的数字化视频技术、AI图像智能识别技术及模糊控制技术，利用煤矿井下摄像仪的视频监控图像，监视和识别人员、设备、环境等运行状况，对皮带锚杆、矸石、堆煤、非法运人等异常情况，人员不带安全帽、脱岗等违章情况，巷道烟雾、涌水、片帮冒顶等进行识别，抓拍照片、自动录像、弹屏报警，输出报警信号，并能控制皮带、猴车、斜巷绞车等设备停车，能够有效遏制重大事故的发生：能够识别皮带上的煤量，并根据煤量大小输出控制信号调节皮带的运行速度，减少设备磨损和降低能耗：能够统计每条皮带的运煤量，评估运输效率。
系统操作简单，界面友好，可以降低成本，减少浪费，提高设备运行寿命，促进安全生产系统的建设和投入运行，可以完善现有工业电视监控系统的功能，提升煤矿的智能化水平，对保障安全生产，提高劳动生产率和管理水平，降低生产和管理成本，增强企业在市场中的竞争力具有重要意义。
1、系统研究背景及意义目前现代化高产高效矿井为了及时发现隐患问题，避兔事故发生，在煤矿井上、下的重点区域，都建设了视频监控系统，很多煤矿的监控摄像仪数量达到200-300台以上，实现了井上、下重点场所全覆盖。
在井上建设了调度指挥中心，采取24小时值班制，安全管理值班人员实时盯着各重点位置，监控各作业过程，一旦发生隐患，远程电话或通过广播系统通知井下工区，以期及时消除隐患。
但井下点多面广环节多，由于人的视觉疲劳，难以长时间保持警觉，调度员不可能“面面俱到”，也不可能4 小时目不转睛地看着多个或一个监控点，无法对违章作业、环境异常和设备异常状态进行及时获取。
矿井火灾智能监测预警技术近20年研究进展及展望
矿井火灾智能监测预警技术近20年研究进展及展望邓军;李鑫;王凯;王伟峰;闫军;汤宗情;康付如;任帅京【期刊名称】《煤炭科学技术》【年(卷),期】2024(52)1【摘要】为加强矿井火灾智能监测预警系统建设,提出了矿井火灾智能监测预警技术研究思路,从矿井火灾智能感知技术及装备、预测技术及模型、智能预警系统及平台3方面综述了矿井火灾智能监测预警技术研究进展。
首先,总结了内外因火灾信息监测技术及装备,归纳了基于图像视频识别的识别流程,阐述了多源信息融合在火灾监测过程中的应用情况。
其次,介绍了矿井火灾的预测技术及模型,包括支持向量机、人工神经网络、随机森林算法等机器学习算法。
然后,阐述了矿井火灾预警系统及平台:在总结矿井煤自燃和外因火灾分级预警技术的基础上,介绍了矿井火灾预警系统平台的感知层、网络层、服务融合层以及应用层方面的进展内容;归纳了预警系统各层的内涵及应用框架;搭建了矿井火灾智能监测预警系统。
最后,展望了我国矿井火灾智能监测预警技术的未来发展趋势,具体包括:在矿井火灾信息智能感知技术方面,提出加强传感技术及装备研发;在矿井火灾智能预测技术方面,提出加强隐蔽火源的位置探寻方法研究,构建火灾灾害透明化模型;在矿井火灾智能预警系统建设方面,提出将大数据融入智能判识,查明矿井火灾风险源及隐蔽火源位置的预报,实现特殊条件下煤自燃的预警。
在矿井火灾智能判识与防控技术联动方面,提出利用大型语言模型在智能判识的基础上实现对矿井火灾的自适应防控。
【总页数】24页(P154-177)【作者】邓军;李鑫;王凯;王伟峰;闫军;汤宗情;康付如;任帅京【作者单位】西安科技大学安全科学与工程学院;西安科技大学陕西省煤火灾害防治重点实验室;新疆矿山安全服务保障中心【正文语种】中文【中图分类】TD752【相关文献】1.我国矿井火灾预警技术及装备研究进展2.光纤传感技术在煤矿瓦斯、火灾隐患监测预警中的应用研究进展3.矿用智能火灾预警监测系统技术研究4.矿井煤自燃监测预警技术研究现状及智能化发展趋势5.煤矿带式输送机运输火灾风险智能监测与早期预警技术研究进展因版权原因，仅展示原文概要，查看原文内容请购买。
煤岩裂隙图像识别方法研究
煤岩裂隙图像识别方法研究郝天轩1，2，3， 徐新革1， 赵立桢1（1. 河南理工大学 安全科学与工程学院，河南 焦作 454000；2. 河南省瓦斯地质与瓦斯治理重点实验室—省部共建国家重点实验室培育基地，河南 焦作 454000；3. 煤炭安全生产河南省协同创新中心，河南 焦作 454000）摘要：煤岩裂隙与瓦斯运移密切相关，且影响煤岩体稳定性，研究煤岩体中复杂的裂隙系统对于巷道支护和瓦斯抽采有重要意义。
目前煤岩裂隙图像识别方法未能综合考虑煤岩图像裂隙数量、位置、形态和类别等特点，难以获取有效信息。
以鹤壁煤电股份有限公司第八煤矿掘进工作面煤岩图像为研究对象，提出了一种基于U−Net 网络对图像中裂隙及类别实现像素级智能识别的方法。
采用直方图均衡化、高斯双边滤波和拉普拉斯算子对煤岩图像进行预处理，以提高图像质量，更有效地提取裂隙特征信息。
通过观测记录煤岩裂隙特征并分为7类，对筛选出的煤岩裂隙图像进行扩增，采用Labelme 软件对图像进行像素级标注，建立煤岩裂隙数据集。
采用U−Net 网络构建煤岩裂隙识别模型，经调试确定网络批量大小和学习率参数，实验表明当迭代次数达到300以上时，该模型的识别精确率均值为87%，召回率均值为92%，平均交并比大于85%，类别平均像素准确率大于80%。
采集井下煤岩采动裂隙和实验室张性外生裂隙对煤岩裂隙识别模型进行验证，结果表明该模型可有效提取目标特征信息并与背景特征信息区分，能够较准确地定位、识别单一裂隙。
关键词：煤岩裂隙识别；数字图像处理；U−Net ；特征提取；图像预处理中图分类号：TD76 文献标志码：AResearch on image recognition methods for coal rock fracturesHAO Tianxuan 1,2,3, XU Xinge 1, ZHAO Lizhen 1(1. School of Safety Science and Engineering, Henan Polytechnic University, Jiaozuo 454000, China ；2. Henan Province Key Laboratory of Gas Geology and Gas Governance-the National Key Laboratory Cultivation Base Jointly Established by the Province and the Ministry, Jiaozuo 454000, China ；3. Henan Collaborative Innovation Center for Coal Safety Production, Jiaozuo 454000, China)Abstract : Coal rock fractures are closely related to gas migration and affect the stability of coal rock.Studying the complex fracture system in coal rock is of great significance for roadway support and gas extraction.At present, the recognition methods for coal rock fracture images fail to comprehensively consider the features of the number, position, morphology, and category of fracture in coal rock images, making it difficult to obtain effective information. Taking the coal rock images of excavation face in the No.8 Coal Mine of Hebi Coal and Electricity Co., Ltd. as the research object, a pixel level intelligent recognition method based on U-Net network for coal rock fractures and categories is proposed. The histogram equalization, Gaussian bilateral filtering, and Laplace operator are used to preprocess coal rock images to improve image quality and extract fracture feature information more effectively. The features of coal rock fractures are recorded by observing and divided into 7收稿日期：2022-12-27；修回日期：2023-09-10；责任编辑：李明。
基于机器视觉的煤尘环境下掘进空间煤岩界面感知与精准识别
基于机器视觉的煤尘环境下掘进空间煤岩界面感知与精准识别引言随着煤炭开采工程的迅速发展，人工掘进面临着越来越多的挑战，其中最主要的问题之一是煤尘的产生。
煤尘会严重影响矿工的健康，并给掘进工作带来很大困扰。
本文将探讨如何利用机器视觉技术来感知和识别煤尘环境下的煤岩界面，实现矿工的精准掘进。
1. 机器视觉在煤尘环境下的应用在传统掘进作业中，由于煤尘对视觉的干扰，矿工的工作效率和安全性都受到了限制。
而机器视觉可以通过使用光学传感器、图像识别和深度学习等技术方法，有效地解决这些问题。
煤尘环境下的机器视觉系统可以实时感知和处理图像信息，从而帮助矿工更清晰地了解掘进空间的情况。
2. 煤岩界面感知为了实现煤岩界面的感知，需要机器视觉系统具备以下功能。
首先，需要能够通过图像传感器捕捉到煤尘环境下的图像信息。
其次，需要对这些图像进行处理和分析，以提取有用的特征。
最后，需要通过算法和模型来实现煤岩界面的感知，并将结果反馈给矿工。
3. 煤岩界面精准识别煤岩界面的精准识别是实现精准掘进的关键。
机器视觉系统可以通过深度学习算法对煤岩界面进行自动识别。
在进行训练之前，需要收集大量的图像数据，并对其进行标注。
然后，通过卷积神经网络等深度学习模型进行训练和优化，使其能够准确地识别不同岩层之间的界面。
最终，通过将识别结果与实时图像信息相结合，可以精确指导矿工的掘进工作。
4. 挑战与展望虽然机器视觉在煤尘环境下掘进空间的煤岩界面感知与精准识别方面取得了一定的进展，但仍然存在一些挑战。
首先，煤尘会导致图像质量下降，对视觉传感器和算法的稳定性提出了更高的要求。
其次，煤岩界面的复杂性和多样性也增加了算法设计的难度。
未来，我们可以进一步优化算法，提高机器视觉系统在煤尘环境下的感知和识别能力。
结论基于机器视觉的煤尘环境下掘进空间煤岩界面感知与精准识别是一个重要的研究方向。
通过利用光学传感器、图像处理和深度学习等技术，可以实现对煤岩界面的感知和识别，为矿工的掘进工作提供准确的指导。
煤岩体结构钻孔观测手段综述
钻孔照相技术 ．
钻孔照相技术是一种模拟成像技 术。钻孔 照相设备出现于 ２ ０世纪 ５ ０年代中期 。这种设备使用感光胶片拍摄 钻孔孔壁的静态照片， 其关键
进的国家 ， 十分重视巷道围岩地质力学测试＿ 作 。 ｌ 二 在进行巷道布置 、 锚杆 支护设计之前 ， 都要进行详细的围岩强度 、 围岩结构和地应力测试 ， 从而 保证 巷道布置和支护设计的合理性和巷道的安全程度。巷道 围岩地质力 学测试是代表上述 国家锚杆 支护技术先进水平 的重要方面。 在巷道同岩地质力学测试巾 ， 人们 也逐渐认识到巷道围岩结构观测 的重要性和必要性 。 但是由于缺乏快速 、 方便的测 试仪器和配套机具 ， 致 使巷道 围岩结构观测成为一件非常繁琐 ， 耗费大量人力 、 力和时间的 物 工作 ， 有时甚至影响矿井正常生产 。 了解决上述问题 ， 为 国内外 的科研单
２０ 年 ０７
第 １卷 ７
第 ２ 期 ９
收稿 日期 ：０ ７ ０ 一 ２ ２ ０ — ７ ｌ
爆 岩 体 掏 钻 孔 观 琴 设 信 送
张建斌
（ 晋城无烟煤矿业集 团有限责任公司成庄矿 ， 山西晋城 ，４ ０ １ ０８２ ）
摘 要 ： 述 了开展 煤 岩 体 结 构 观 测 的 重要 性 及 钻 孔观 测 手段 的发 展 现 状 ， 出 了钻 论 提
维普资讯
科技 情报开发与经济
文 章编 号 ：０ ５ ６ ３ （０ ７ ２— ２ ８ ０ １０ — ０ ３ ２ ０ ）９ ０ ０— ２
Ｓ ＩＴ Ｃ Ｆ Ｒ Ａ ＩＮＤ Ｖ Ｌ Ｐ Ｅ ｔ＆ Ｅ Ｏ Ｏ Ｙ Ｃ— Ｅ ＨＩ Ｏ Ｍ ＴＯ Ｅ Ｅ Ｏ Ｍ Ｎ 、 Ｃ Ｎ Ｍ Ｎ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于数字图像的煤岩辨识系统综述
摘要：在煤矿开采过程中，为将煤与矸石区分开来，提出了以人工智能、模式识别为理论基础，以数字图像处理为关键技术，并引用傅里叶变换作为图像处理的核心算法，以ARM主控板为开发平台的煤岩辨识系统。
该系统以CMOS摄像头采集煤矿开采过程中的图像，通过对图像的分析，来确定采煤机滚筒的路径。
关键词：煤岩辨识数字图像处理ARM 傅立叶变换
Abstract:In the coal mining process, a new coal and rock recongnition system is proposed to distinguish between coal and rock, based on the principle of artificial intelligence and pattern recognition as the theoretical foundation. Fourier transform are described as the digital image processing key technique. The suggested coal and rock recongnition system is realized in the smart ARM development platform. Finally,determining the path of the drum shearer is through the analysis of image which captured by CMOS cameras in the mining process.
Key words:coal and rock recongnition;digital image processing;ARM;Fourier transform
煤炭是中国的主要能源之一。
煤矸石是煤矿生产过程中排放量最大的固体废物，也是中国工业固体废物中产生量和堆积量最大的固体废物，产量一般为煤炭产量的10%左右。
在当今强调科学发展的大环
境中，传统的采煤方法带来大量废弃物已不适用于现代社会，因此，采用先进的方法在煤矿开采过程中，将煤与矸石区分开来，是清洁能源开采的主要手段之一。
采煤机是一个集机械、电气和液压为一体的大型复杂系统，它是煤炭开采的重要设备之一，机械化采煤可以减轻工人体力劳动，保障工人安全，提高工作效率以及降低能源消耗，其自动化程度直接影响到采煤效率的高低。
采煤机智能化的关键技术之一就是实现采煤机滚筒的智能调高，其依据在于煤炭和岩石的自动辨识。
数字图像就是二维平面上的灰度分布。
数字图像处理，也称之为计算机图像处理。
其优点是处理精度高，处理内容丰富，可进行复杂的非线性处理，有灵活的变通能力。
图像的频率是表征图像中灰度变化剧烈程度的指标，是灰度在平面空间上的梯度。
如：大面积的沙漠在图像中是一片灰度变化缓慢的区域，对应的频率值很低；而对于地表属性变换剧烈的边缘区域在图像中是一片灰度变化剧烈的区域，对应的频率值较高。
为此，提出了一种以人工智能、模式识别为理论基础，以数字图像处理为关键技术，并引用傅立叶变换作为图像处理的核心算法，以ARM主控板为开发平台的煤岩界面识别系统，该系统以CMOS摄像头采集煤矿开采过程中的图像，通过对图像的分析，来确定采煤机滚筒的路径。
1 系统总体结构
本课题根据人工智能理论，采用模式识别原理和数字图像处理技术，以ARM 微控制器和傅里叶变换算法为核心构建煤岩辨识系统。
其设计方案如图1。
其工作过程是：通过CMOS图像传感器采集到的连续匀速图像存放到ARM的外部SDRAM中，由ARM处理器对所采集到的图像经过傅立叶变换算法处理，根据处理后的结果来判断是否控制滚筒的调高机构，同时将采集到的图像通过无线射频模块传输到PC机显示并存储，以实现遥观和遥控。
2 系统硬件设计
根据实验的要求，利用ARM为主控板搭建的系统硬件电路框架图如图2所示。
ARM主控板采用外部8M无源晶振，采用具有静电防护的5V线性电源供电，图像传感器将采集到的图像存入到外部SDRAM中，由ARM处理器对所采集到的图像进行小波变换，对变换结果进行分析，以此来作为是否调高滚筒的依据。
同时，将所采集到的图像通过DMA 传送方式将所采集到的图像传送到PC机中，以便在PC机中实时观看所采集到的图像。
滚筒调高机构通过ARM控制器的IO口控制相应的继电器，并采用相应的位置传感器来反馈滚筒的高度，以实现滚筒上下运动的闭环控制。
利用Protel DXP 2004软件里设计绘制的部分硬件连接电路如图3所示。
3 CMOS图像传感器
CMOS的输出速度快，功耗低，成本低，体积小，与周边电路的整合性高。
本系统需要采集和处理的图片数据量大，需要输出速率快的传感器，而且图像质量可以通过软件技术进行质量提高，因此，本系统选用CMOS图像传感器。
CMOS的每个感光元件都有放大器和数模转换器，因此其感光后产生的模拟电信号直接被本像素的放大器所放大和被数模转换器进行转换，从而直接输出的是数字信号。
CMOS图像传感器芯片的工作原理如图4所示。
OV7725 CMOS图像传感器。
OV7725是一款集成度比较高的的低压CMOS彩色图像传感器，OV7725提供了全景、子采样或者窗口
化的8位/10位范围的图像采集，它们通过图像传输总线SCCB控制。
OV7725可以操作最多达到60帧/s的图像数据输出。
OV7725以OmniVision的OmniPixel(TM)专利技术为基础，使用专有的传感器技术，通过减少或消除普通照明/电源等图像影响，改善了图像质量，如固定模式噪声、拖尾效应等，弱光环境中也能提供卓越的性能，这对煤矿井下的实际生产环境有较强的适应性。
4 傅里叶变换
傅立叶原理表明：任何连续测量的时序或信号，都可以表示为不同频率的正弦波信号的无限叠加。
而根据该原理创立的傅立叶变换算法利用直接测量到的原始信号，以累加方式来计算该信号中不同正弦波信号的频率、振幅和相位。
从纯粹的数学意义上看，傅立叶变换是将一个函数转换为一系列周期函数来处理的。
从物理效果看，傅立叶变换是将图像从空间域转换到频率域，其逆变换是将图像从频率域转换到空间域。
换句话说，傅立叶变换的物理意义是将图像的灰度分布函数变换为图像的频率分布函数，傅立叶逆变换是将图像的频率分布函数变换为灰度分布函数。
5 ARM
ARM架构（又称进阶精简指令集）是一个32位的精简指令集（RISC）处理器架构，由于其低成本、高性能、低功耗的特点，被
广泛应用在嵌入式设计中。
STM32F103ZET6芯片是ST公司（意法半导体公司）生产的基于32位Cortex-M3内核的增强型ARM内核的微处理器(图7）。
由OV7725 CMOS图像传感器获得的煤岩图像，将采集到的图像存于ARM的外部SDRAM中，由ARM处理器对图像进行傅里叶变换处理。
ARM对输入的图像信息进行处理识别，一方面将处理后的数据传送到PC机存储显示，实现中控室的遥观和遥控；一方面把执行命令传送给滚筒调高机构，控制滚筒的自动调高。
6 实验结果
煤岩分界辨识系统通过CMOS图像采集模块实现采煤工作面图像采集，结合嵌入式微控制器技术与傅里叶变换方法实现对数字图像的去噪、边缘检测、图像分割等处理，通过基于RS-232C串口通信协议实现图像处理模块与计算机的通信，使图像处理结果能由上位机显示存储，便于遥观、遥控。
本系统使用Bayes Shrink阈值方法去除图像噪声，经计算，原始信号与估计信号的均方误差为12.350，信噪比（SNR）为21.265?dB，峰值信噪比（PSNR）为34.745 dB；边缘检测主要实现抽取反映灰度变化的边界点和边界点的修补，系统利用傅里叶变换算法实现图像的纹理分析和边缘提取，(图6、7)为使用煤块图片进行识别测试的结果，结果表明通过利用傅里叶变换，可以有效的检测图像分割需要的边缘
信息。
煤岩界面识别实验采用从内蒙古神东矿区采集的带有煤岩结合部的煤炭样品，运用建立的图像采集及处理系统，在实验室环境下进行了煤岩图像的采集及处理实验，其部分实验结果如图所示，图8为原始图片，图9为初步去噪和边缘识别后的图片，图10为图像分割处理后的图片，实验表明系统可以有效识别煤岩界面，并能在一定程度上避免光照，灰尘等噪声对检测结果的影响，具有识别准确性高、抗干扰能力强的特点。
7 结语
本实验系统是以人工智能、模式识别为理论基础，以数字图像处理为关键技术，并引用傅里叶变换作为图像处理的核心算法，以ARM 实验板为开发平台的煤岩界面识别系统。
利用计算机技术对工业图像
进行处理、识别，以达到对图像某种特征的解释，并且根据处理结果做出判断，根据判断结果由控制设备发出指令进而控制机械机构做出相应的动作。
这种检测方法可以取代落后的人工检测，节省人力资源，提高生产效率。
随着计算机软件和硬件的快速发展，图像智能识别技术越来越广泛地应用到工业现场中。
参考文献
[1] 张瑞峰，詹敏晶.实用数字信号处理从原理到应用[M].北京：人民邮电出版社，2010.
[2] 陈炳权，刘宏立，孟凡斌.数字图像处理技术的现状及其发展方向[J].吉首大学学报(自然科学版)，2009(1).
[3] 胡胜，杨雷，宋跃，等.基于ARM&FPGA的CCD图像识别装置[J].仪表技术与传感器，2012(2).
[4] 李昂，程耕国.ARM处理器启动过程详述[J].冶金自动化，2009(S1).
[5] 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(2).。