賀 杰, 王桂梅, 劉杰輝, 楊立潔

(河北工程大學 機械與裝備工程學院, 河北 邯鄲 056038)

1 引 言

我國作為煤炭生產的大國,皮帶機輸送原煤消耗了大量能源,功耗約占煤礦礦井總功耗30%[1], 實現皮帶機調速控制、節(jié)能降耗的關鍵是實時煤量計量。皮帶機運輸煤量實時煤量計量的方式主要有接觸式與非接觸式。接觸式計量有電子皮帶秤、核子秤等；非接觸計量有視頻檢測和激光儀器檢測等[2]。接觸式計量中的電子皮帶秤計量精度不僅取決于傳感器本身,還與安裝位置、振動及運轉工況等因素有關。而核子皮帶秤要用到放射性核源，出于環(huán)保和安全考慮，核子皮帶秤的應用受到很多限制[3]。與接觸式計量相比，非接觸式計量的方式可以提高皮帶機煤量計量的準確性和實時性。

為了進一步提高皮帶機非接觸式煤量精準度，本文提出一種基于圖像處理技術的煤量體積計量方法，通過采集皮帶上實時激光線圖像，對圖像進行預處理，然后通過細化、膨脹提取激光線輪廓，通過實時皮帶機線激光與空載時皮帶基線相結合實現計量皮帶機上實時煤量體積。

2 總體方案設計

本文提出的方法主要通過圖像采集設備采集皮帶上激光線曲線，通過激光線輪廓計算煤量截面積，然后通過帶速計算皮帶上煤量，流程圖如圖1。

圖1 方案流程圖Fig.1 Schema flow chart

圖像采集使用90 幀/s的CMOS相機進行圖像采集，通過USB接口與PC相連，采用波長630 nm，扇形角75°，出瞳功率25 mW的線激光器。軟件開發(fā)工具采用Microsoft Visual Studio 2017, 實現對原始圖像的去噪、二值化和其它前期操作;使用OpenCV視覺庫完成對采集到的圖像進行圖像膨脹、骨架提取、輪廓繪制、面積的計量。

3 測量原理

3.1 圖像采集

在實際的拍攝皮帶運動圖像時，由于帶速過快，環(huán)境光等影響需要進行曝光時間與方式的設置。CMOS相機[4]具有逐行曝光與全局曝光2種方式，逐行曝光需要從第1行開始曝光，這種曝光方式分辨率大，但是不適用于動態(tài)圖像的拍攝。全局曝光是對所有行同時進行曝光，這樣曝光在拍攝運動物體時不出現偏斜，保證圖像每一行的曝光時間相同，本文選擇全局曝光。曝光時間越短，幀率越高，圖像越清晰，但是進光量需求也會更高，因此為了在煤礦井下環(huán)境光復雜且暗淡的情況下采集到的圖像清晰沒有拖影，根據不同帶速進行采集實驗得出最佳曝光時間，不超過5 m/s的帶速情況下，最佳曝光時間550 ms。圖2為煤礦采集到皮帶機上有煤時的激光圖像，可以看出只顯示激光線，且沒有拖影。

圖2 煤礦采集到皮帶機上有煤時圖像Fig.2 Image of coal on belt conveyor collected by coal mine

3.2 圖像預處理

由于煤礦井下環(huán)境光復雜，采集到的圖像噪音較大，需要進行圖像預處理，來凸顯皮帶上激光輪廓抑制背景噪音。設計預處理主要是通過圖像灰度化、圖像濾波和圖像二值化去除環(huán)境噪音。

3.2.1 圖像噪音的處理

圖像濾波是為了在抑制圖像中的噪音的同時可以保證圖像細節(jié)特征，濾波處理效果的好壞對后續(xù)圖像處理的有效性有直接的影響。根據采集的圖像特點，可以選擇均值濾波、中值濾波等。雖然中值濾波可以在消除圖像噪音的同時可以保留清晰的邊緣特征，但是會導致邊緣存在斷線，不利于后續(xù)的特征采集。均值濾波雖然會使濾波后的圖像邊緣模糊，但是經過試驗，驗證使用5×5像素的模板對圖像進行均值濾波，圖像噪音處理效果與產生的邊緣模糊在本設計中可以接受，濾波平滑后圖像如圖3所示。

圖3 濾波圖像Fig.3 Filtered image

3.2.2 通過灰度化增強圖像特征

RGB彩色圖像通常由3個通道的數值疊加而成，即紅(R)、黃(G)、藍(B)的顏色，每個通道都記錄著不同像素的亮度值[5],3個通道分為256階亮度，取值范圍為0～255。當3個通道的值為0時，該像素點表現為黑色; 當3個通道為的值255時，表現為白色;當3個通道值相同時，則圖像變?yōu)榛疑?，這時整幅圖像中每個像素的亮度信息可由 R、G、B 中任何一個的值代表。圖像灰度化，就是將彩色圖像R、G、B這3個通道的亮度值組合為一個亮度值，稱為灰度值，并用這一亮度值反映出圖像的信息。常用的圖像灰度化方法有：分量法、最大值法、平均值法、加權平均法。加權平均法主要是根據重要性，分別賦予3個分量不同的權重進行加權平均，得出的平均值作為灰度值，表達如式(1)所示。

(1)

式中:f(i,j)為圖像中像素點(i,j)經過灰度化后得到的結果;R(i,j)、G(i,j)、B(i,j)分別為像素點(i,j)中R、G、B分量的值;XR、XG、XB分別為3個分量所占的權重。

通過對3通道進行分離，觀察每個通道的圖像如圖4所示，因為采用的紅色激光所以R通道圖像中激光線對比度最高，而通道G和通道B對比度較低，本文選取加權平均法，提高式(1)中XR降低XG，XB，進行灰度化處理，灰度圖像如圖5所示。

圖4 3通道分離圖像Fig.4 Three-channel separated image

圖5 灰度圖像Fig.5 Grayscale image

3.2.3 二值化提取圖像信息

圖像的二值化[6]就是通過設定閾值T，當像素高于閾值時就會被賦予255的像素值，而低于閾值像素值就被賦予0。因此二值化處理需要選擇合適的閾值，理想的閾值可以有效地抑制噪聲，凸顯圖像特征，同時可以提高后期圖像處理速度。二值化后的圖像只存在兩個像素，可以更好地凸顯圖像中目標和去除背景的噪音。

由于帶速原因每幅圖片處理間隔短，因此短時間內需要處理的圖像數量較為龐大，而每一幅圖像由于井下環(huán)境閾值的選定也不一樣，因此本文選擇自動計算閾值的算法。自動計算閾值的算法主要有雙峰法、迭代法、最大熵值法、最大類間方差法等[7～9]。

本文對圖像采用4種方法分別對圖像進行二值化，如圖6所示，由此可以觀察得出雙峰法與迭代法處理效果不理想，存在斷線，而最大熵值法與最大類方間法處理效果理想。從實際皮帶運行速度需求的角度出發(fā)，對最大類方間法與最大熵值法進行了運算時間的對比，對50幅皮帶上煤量圖像進行測試，發(fā)現最大熵值法平均每一幅圖像處理速度為25 ms，而最大類方間法的平均處理速度為16 ms，因此本文選取最大類方間法進行圖像的閾值劃分，生成二值化圖像，在保證處理效果的基礎上提高處理速度。

圖6 二值化圖像Fig.6 Binary image

3.3 骨架提取與圖像的膨脹

3.3.1 骨架提取

骨架提取能夠使圖像降維,且能夠保持原圖像相同的拓撲結構,存于對稱軸上,減少干擾信息。對于圖像本身來說,它的整體框架和邊界信息能夠被保存下來。本文選擇文獻[10,11]中所述并行算法進行細化，該并行算法對目標圖像重復進行2步細化，刪除不滿足要求的點，保證骨架在目標圖像中心線上, 且計算快速，細化連續(xù)性好，對二值圖像無特殊要求，具有通用性。二值圖像進行細化，定義P1像素點8個方向相鄰域如圖7所示，P2～P9為P1的8鄰域像素點。N(P1)為P1的非零鄰點個數;A(P1)為以P2,P3,…,P9為序時這些點的值從0到1變化次數。。

圖7 像素點P1的8鄰域Fig.7 Eight Neighborhoods of Pixel Point P1

假設前景像素點為1，背景像素點為0，P1作為當前像素點。

1) 對圖像所有像素點進行掃描，刪除同時符合式(2)所示條件的像素點:

(2)

2) 修改步驟1)后2個條件為:

(3)

然后進行第2次掃描，刪除滿足這4個條件的像素點。通過以上2個步驟對圖像重復掃面刪除，直至沒有像素點被刪除為止，得到最終的細化圖像。但是通過Zhang并行細化算法處理后的圖像，存在毛刺影響后續(xù)處理，處理效果如圖8所示，骨架提取圖像中毛刺放大如圖9所示，因此本文采取圖像膨脹減少此現象。

圖9 骨架提取圖像中毛刺放大圖Fig.9 Burr magnification in skeleton extraction image

圖8 骨架提取Fig.8 Skeleton extraction

3.3.2 圖像的膨脹

本文通過圖像膨脹對二值化圖像進行處理，再使用Zhang并行算法進行骨架細化提取，可以有效的減少骨架提取后圖像中毛刺，提高算法精度，同時使激光線圖像更加平滑，提高圖像邊界識別精度和圖像處理速度。膨脹就是進行圖像擴張，將圖像中的高亮區(qū)域進行放大，其運行結果比原圖的高亮區(qū)域更大。通過結構元素C處理圖像D使之膨脹。膨脹運算的定義為:

C⊕D={x|(DV)x∩X≠?}

(4)

膨脹運算的含義是：對結構元素C進行關于其原點的反射得到反射合集C,然后在目標圖像X上將C平移x，則反射合集C平移后與目標圖像X至少有一個非零公共元素相交時，對應的原點位置所組成的集合就是膨脹運算的結果。通過觀察經過圖像膨脹然后進行骨架提取的激光線處理圖10與直接進行骨架提取的激光線圖像圖8，經過膨脹后的圖像進行骨架提取后圖像中毛刺現象減少，該處理效果本文設計能夠接受。

圖10 經過膨脹后進行圖像骨架提取Fig.10 Image skeleton extraction after expansion

4 煤輪廓圖像與實際煤量計量

4.1 煤輪廓圖像

經過圖像處理后，得出皮帶上有煤時圖像，提取到無煤空載時刻的基線如圖11所示。

圖11 無煤皮帶激光線處理后Fig.11 Coal-free belt laser processing

將皮帶上實時激光線處理后的圖像與空載時基線的圖像進行對比，形成皮帶上某一時刻的煤輪廓圖如圖12所示，并對輪廓圖進行分割與充填如圖13所示，該圖像為二值圖像，只存在白色像素點(像素為255的點)與黑色像素點(像素為0的點)，然后使用OpenCV中的contourArea()函數統(tǒng)計圖像中像素為255的像素點，就可以計算出輪廓填充后的面積尺寸，即為煤炭截面積的像素尺寸。

圖12 皮帶上煤輪廓圖像Fig.12 Coal profile image on belt

圖13 煤輪廓充填圖像Fig.13 Coal contour filling image

4.2 像素尺寸與實際尺寸的轉換

通過圖像分析算法，所得到有煤與無煤時激光線對比形成的封閉面積以及幾何特征量都是以像素尺寸來表示，因此在計算實際尺寸時需要知道每個像素所代表的實際值。在相機鏡頭與物體距離固定的情況下，物體的實際面積與計算面積存在一定的函數關系，本文作者通過使用黑色白色相間的100 mm×100 mm硬紙板作為標定物，在保持與巷道同樣光線昏暗復雜的環(huán)境下，使用相同相機，距離硬紙板1000mm處進行采集圖像，然后連續(xù)取樣100幅，經過本文算法進行圖像處理得到每次采樣的硬紙板所包含像素量，計算出圖像(像素)面積Ns與煤流截面積As之間函數關系：

As=σNs

(5)

式中σ為關系系數。

3.3 皮帶上煤體積的計量

(6)

5 體積測量精度與穩(wěn)定性的檢測

系統(tǒng)對參數檢測的穩(wěn)定性，是測量結果可信程度的重要依據，為了驗證本文算法是否滿足煤礦井下皮帶機實際工況需求，采用實物進行實驗，在皮帶機不同帶速下進行測量，同時驗證此算法是否可以作為皮帶機調速的基準。

通過對不同帶速下進行測量，并運行設備1 h，通過本文算法采集在1 h內的皮帶上煤量體積數值，與通過排水法[12]測量得到的實際煤量進行對比，數據如表1所示。

由表1可知隨著皮帶速度的提升，測量誤差越大，其中最大誤差為4.2%，滿足目前煤炭動態(tài)計量領域大約5%測量誤差要求。

表1 體積計量結果Tab.1 Volume measurement results

6 結 論

本文通過圖像處理技術計量皮帶機實時煤量，根據激光線在煤流面上的形變特性，通過皮帶機空載與實時的線激光圖像之間的深度信息計算煤量。實驗結果證明：該方法測量最大誤差為4.2%，滿足實際生產需求。該方法應用到實際生產中，可以實現煤體積量的實時計量，同時為實現皮帶機調速控制提供了基礎信息。