姜文濤, 王梓民, 張 馳

(1.遼寧工程技術(shù)大學(xué) 軟件學(xué)院,遼寧 葫蘆島 125105； 2.遼寧工程技術(shù)大學(xué) 研究生院,遼寧 葫蘆島 125105)

0 引 言

隨著近年我國煤炭行業(yè)的發(fā)展，皮帶運(yùn)輸裝備廣泛應(yīng)用在各大中小型礦井生產(chǎn)當(dāng)中[1～3]。如何實(shí)時、準(zhǔn)確的對皮帶在落煤點(diǎn)處產(chǎn)生的堆煤進(jìn)行定位與識別，并在堆煤事故發(fā)生前產(chǎn)生有效預(yù)警，已逐步成為保障煤炭安全生產(chǎn)關(guān)鍵問題之一。

目前，國內(nèi)外各個礦井主要利用三種方法解決皮帶堆煤預(yù)警問題，分別為人工檢測、傳感器檢測和視頻圖像計算機(jī)視覺檢測[4,5]。隨著生產(chǎn)裝備自動化和智能化建設(shè)，為了更好地降低人力和物力成本，人工檢測在皮帶堆煤預(yù)警方面不具有更好地發(fā)展前景。傳感器檢測預(yù)警主要采用行程開關(guān)堆煤傳感器、煤油開關(guān)或水銀開關(guān)堆煤傳感器和電極式堆煤傳感器進(jìn)行堆煤識別?，F(xiàn)有的堆煤傳感器主要存在以下不足：1) 行程開關(guān)堆煤傳感器在潮濕的環(huán)境中，極易發(fā)生短路，耐用性較差，且識別準(zhǔn)確率不理想；2) 煤油開關(guān)或水銀開關(guān)堆煤傳感器不具有較好的抗干擾能力；3) 電極式堆煤傳感器受濕度、大顆粒煤塊等因素影響，堆煤識別錯誤率較高。

為了解決以上問題，本文在文獻(xiàn)[6]的研究基礎(chǔ)之上，將曲量場空間理論應(yīng)用到煤礦皮帶堆煤識別中，提出了基于曲量場空間的皮帶堆煤識別方法。

1 曲量場空間原理

曲量場空間是利用空間懸浮點(diǎn)陣來描述三維信息的懸浮點(diǎn)陣模型，即

(1)

1≤i?max(N),1≤j?max(N)

(2)

1≤Z?max(Nx,y,z)

(3)

圖1 曲量場模型

此時，最小曲量場表示如下

(4)

z=min(Nx,y,z)

(5)

式中di,j,z為最小曲量場的空間坐標(biāo)。

曲量場空間是曲量場所在的三維空間模型[8]，即

(6)

1≤Dep≤max(Nx,y,z),v≡3

(7)

式中s為曲量場,x,y,z分別為曲量場的空間坐標(biāo)系數(shù)，Dep為曲量場空間的深度，最小深度是曲量場厚度Z的最小值1，此時曲量場空間的深度存在且有意義。曲量場空間模型如圖2所示。

圖2 曲量場空間模型

曲量場空間可以表述為最小曲量場z軸的n倍拉伸，表示如下

(8)

其中

V(x,y,z+)=

(9)

式中x≡,y≡為x,y軸不變量，n為z軸的拉伸倍數(shù)，即曲量場空間深度，數(shù)值z∈[1,max(Nx,y,z)]。V(x,y,z)為空間拉伸后的坐標(biāo)。

2 堆煤模型構(gòu)建

2.1 堆煤圖像初始化

檢測堆煤圖像亮度信號，計算各灰度階在圖像中的概率分布值及其信息熵。

堆煤圖像的信息熵為H，即

(10)

式中H(A)為隨機(jī)變量A的信息熵，-log(pi)為變量ai的自信息量，當(dāng)pi=0，自信息量-log(pi)的值為0。

計算相鄰視差圖像的熵分布，提取熵極值點(diǎn)處的灰度值，作為圖像中堆煤子區(qū)域像素的分割閾值。計算相鄰灰度階的遞變方向與遞變幅值并采用向量進(jìn)行標(biāo)定。

2.2 堆煤圖像投影

(11)

2.3 噪聲補(bǔ)償與空間分類

根據(jù)原始曲量場空間模型，計算堆煤圖像經(jīng)投影后曲量場空間的偏移角度，并以y軸為中心將堆煤圖像的曲量場空間旋轉(zhuǎn)相應(yīng)角度，修復(fù)堆煤子空間的位置偏移。計算所有曲量子的分布密度，以平均密度值對堆煤圖像噪聲區(qū)域進(jìn)行補(bǔ)償。

堆煤圖像中堆煤子空間處于曲量場空間的中間偏下位置，且曲量子聚合度較高，無其它信息干擾，可以根據(jù)曲量場空間內(nèi)曲量子的聚合度進(jìn)行分類，其中α為曲量場空間的深度信息，β為維度信息，即

α(dep)=

(12)

(13)

式中i∈[0,N]，j∈[0,N]，k∈[1,max(dep)]，Ti,j,k為空間維數(shù)。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境與樣本集

本文提出基于曲量場空間的堆煤識別方法在Pentium 3.06 GHz/2 GB實(shí)驗(yàn)平臺上采用C++語言編程實(shí)現(xiàn)。實(shí)驗(yàn)選取礦井皮帶堆煤視頻數(shù)據(jù)對算法進(jìn)行測試。井下現(xiàn)場中攝像機(jī)的俯角為35°，成像焦點(diǎn)與堆煤中心的水平距離約3.7 m，實(shí)際現(xiàn)場如圖3所示。實(shí)驗(yàn)測試6組視頻數(shù)據(jù)，每組視頻數(shù)據(jù)包含1 217幀灰度圖像，圖像的分辨率為352×288，灰度級為256。

圖3 現(xiàn)場仿真

3.2 煤堆模型構(gòu)建結(jié)果與分析

如圖4所示，原始視頻數(shù)據(jù)因井下隨機(jī)強(qiáng)噪聲和落煤點(diǎn)處周圍大量粉塵的影響，堆煤圖像模糊，且圖像受到相似背景的干擾，堆煤邊緣模糊。經(jīng)本文方法提取后，堆煤模型輪廓清晰，與背景銜接處的噪音干擾較小，使煤堆前景信息增強(qiáng)顯著，抑制煤堆相似背景信息，提取后的堆煤模型與原始視頻數(shù)據(jù)中的堆煤圖像在視覺效果和實(shí)際測量結(jié)果上吻合程度較高，使得本文算法對井下環(huán)境中的堆煤模型構(gòu)建與識別具有較強(qiáng)的準(zhǔn)確性和實(shí)用性。

圖4 模型構(gòu)建過程

為了進(jìn)一步驗(yàn)證本文算法的識別效果，分別在堆煤高度誤差He、半徑誤差Re、單幀識別時間Tc、坡度比率Sa以及分類識別準(zhǔn)確率Cra等五個評價指標(biāo)對本文所提出的方法進(jìn)行測試分析，其中坡度比率Sa是指堆煤模型構(gòu)建的坡度與實(shí)際堆煤坡度的比率，分類識別準(zhǔn)確率Cra是把曲量場子空間按照曲量子聚合度分成堆煤空間和背景空間的準(zhǔn)確率，以便檢驗(yàn)本文算法在井下復(fù)雜噪聲環(huán)境下的魯棒性。

堆煤模型構(gòu)建過程如圖4所示。圖4(a)是隨機(jī)抽取的礦井皮帶落煤點(diǎn)處的堆煤圖像，包括9′17″的圖像、9′28″的圖像，這些圖像受井下強(qiáng)噪聲和粉塵干擾，使圖像中堆煤的前景信息和背景信息區(qū)分困難，邊緣對比強(qiáng)度減弱。圖4(b)是對原始圖像初始化的結(jié)果。圖4(c)是進(jìn)行堆煤圖像投影的結(jié)果，強(qiáng)化了邊緣對比度,濾除粉塵干擾，由于噪聲圖像幅度起伏遵從高斯噪聲的分布特點(diǎn)，即邊緣鋸齒效果，使堆煤邊緣細(xì)節(jié)的提取存在一定誤差。圖4(d)是對曲量場空間模型進(jìn)行噪音補(bǔ)償?shù)慕Y(jié)果，濾除了大部分噪聲區(qū)域，堆煤模型的平滑程度得到明顯增強(qiáng)。從圖4(e),(f)提取的堆煤模型結(jié)果來看，本文算法對井下噪聲和粉塵的去除具有明顯優(yōu)勢，所提取的堆煤模型具有較明顯的三維視覺效果，符合實(shí)際的堆煤測量結(jié)果。

從圖5不同時刻下的堆煤子空間分類結(jié)果來看，堆煤子空間聚合度較高，受背景曲量子信息的干擾較少，分類識別準(zhǔn)確率較高。本文方法對6組視頻的實(shí)驗(yàn)測試數(shù)據(jù)結(jié)果見表1，其中每組實(shí)驗(yàn)反復(fù)進(jìn)行10次，取均值作為實(shí)驗(yàn)結(jié)果。

圖5 堆煤子空間分類結(jié)果(方框區(qū)域?yàn)槎衙鹤涌臻g)

表1 實(shí)驗(yàn)測試數(shù)據(jù)

對表1中6組視頻測試結(jié)果中的時間進(jìn)行均值計算得出，單幀圖像處理平均速度為37.537 ms，約0.038 s/幀，執(zhí)行速度為26.3 s/幀，堆煤事故的預(yù)警時間最大間隔為38 ms，說明本文算法在識別速度上具有較強(qiáng)的優(yōu)勢，反映速度較快，可以滿足井下堆煤事故的實(shí)時預(yù)警需求。

將本文算法與文獻(xiàn)[7]提出的礦山智能視頻分析與預(yù)警系統(tǒng)研究中堆煤檢測方法進(jìn)行對比，本文算法的識別準(zhǔn)確率平均為98.2 %，僅比文獻(xiàn)[7]高出0.002，本文算法識別速度為0.038 s/幀，相比文獻(xiàn)[7]的0.6 s/幀執(zhí)行速度，本文算法在識別速度上具有較強(qiáng)的優(yōu)勢，可以滿足對礦井堆煤事故的實(shí)時預(yù)警的需求。

4 結(jié) 論

實(shí)驗(yàn)結(jié)果表明:在井下復(fù)雜環(huán)境中，利用曲量場空間進(jìn)行皮帶堆煤圖像識別，取得了較好的效果，準(zhǔn)確率為98.2 %，識別誤差較低，算法執(zhí)行速度為26.3 s/幀，識別速度較快，在煤礦井下皮帶堆煤識別方面具有較高的應(yīng)用價值，可以滿足礦井對皮帶堆煤檢測在應(yīng)用中的需求。