李彥明

（1.中煤科工集團(tuán)重慶研究院有限公司，重慶400039；2.瓦斯災(zāi)害監(jiān)控與應(yīng)急技術(shù)國家重點實驗室，重慶400039）

我國能源消費結(jié)構(gòu)長期以來都是以煤炭為主，雖然近幾年國家在清潔能源開發(fā)和利用方面取得了巨大進(jìn)步，但受煤炭消耗體量大影響，以煤炭為主的消費格局還將持續(xù)很長一段時間。與此同時，為支撐煤炭行業(yè)的高質(zhì)量發(fā)展，在自動化、大數(shù)據(jù)、物聯(lián)網(wǎng)、人工智能等新技術(shù)的應(yīng)用背景下[1-2]，建設(shè)智能化煤礦不僅是自身發(fā)展的需要，也是未來煤炭工業(yè)的戰(zhàn)略方向[3-4]。

未來智能化煤礦的應(yīng)用場景將包括采煤、掘進(jìn)、運輸、通風(fēng)、瓦斯治理、監(jiān)測監(jiān)控等多個方面，其中鉆孔施工作為瓦斯治理的主要手段，將形成基于鉆孔機(jī)器人的智能化作業(yè)系統(tǒng)。在該系統(tǒng)中，為保證瓦斯抽采效果、減少抽采盲區(qū)，在鉆孔施工時對煤巖界面進(jìn)行實時識別是其中的關(guān)鍵技術(shù)之一。不過目前國內(nèi)外針對煤礦開采的煤巖界面識別研究主要集中在智能開采方面[5-7]，對鉆孔施工的煤巖識別研究較少。因此，為滿足下一步鉆孔機(jī)器人對智能化施工的要求，現(xiàn)在急需針對鉆孔施工場景開展煤巖界面識別技術(shù)研究。

1 煤巖界面識別技術(shù)的研究現(xiàn)狀

煤礦領(lǐng)域的煤巖界面識別研究多數(shù)集中在采煤作業(yè)場景，目的是通過識別煤層和頂?shù)装鍘r層來及時調(diào)整采煤機(jī)滾筒截割高度，提高資源采出率、降低設(shè)備磨損。由于智能化鉆孔也是要實時判別煤層和頂?shù)装鍘r層的界面，與采煤作業(yè)的識別對象基本相同，所以原理上基于采煤作業(yè)場景的煤巖識別技術(shù)都可用于鉆孔施工。

目前就煤巖界面的識別方法而言，大致可歸納為2 大類[8-11]：一類是利用傳感器直接確定煤巖界面的直接檢測法，主要包括自然γ 射線、人工γ 射線、雷達(dá)、圖像等方式；另一類是根據(jù)施工裝備作業(yè)參數(shù)和信息反饋進(jìn)行判斷的間接檢測法，主要包括紅外、振動、有功功率、聲波頻譜、激光粉塵等方式。

由于煤礦井下鉆孔施工與采煤截割的應(yīng)用場景存在很多差異，而不同的煤巖識別技術(shù)在實際應(yīng)用時又存在局限性，所以導(dǎo)致大部分常規(guī)的識別技術(shù)無法直接用于鉆孔施工場景。因鉆孔作業(yè)為隱蔽施工，如采用γ 射線、雷達(dá)、紅外、振動、有功功率、聲波等煤巖識別技術(shù)，則需要將探測裝置集成到鉆頭位置，而現(xiàn)有的鉆具系統(tǒng)還無法實現(xiàn)該功能。針對激光粉塵檢測法，當(dāng)鉆孔采用清水排渣時無法使用，而采用空氣排渣時，由于持續(xù)鉆進(jìn)造成鉆場附近的粉塵不容易沉降，導(dǎo)致返出的新粉塵與已有粉塵摻混，影響識別準(zhǔn)確性。因此，綜合分析現(xiàn)有煤巖識別技術(shù)的特點和井下鉆孔作業(yè)場景，利用儀器采集孔內(nèi)返出的巖屑和煤渣圖像，并進(jìn)行圖像實時識別成為最可行的技術(shù)手段。

2 煤巖圖像特征分析

圖像特征主要包括顏色、紋理、形狀和空間關(guān)系，其中顏色和紋理特征是全局特征，描述了圖像或圖像區(qū)域所對應(yīng)景物的表面性質(zhì)；形狀特征分為輪廓特征，針對的是物體外邊界；空間關(guān)系特征是指多個目標(biāo)之間的相互的空間位置或相對方向關(guān)系[12]。

對于煤礦井下鉆孔施工來說，鉆進(jìn)對象主要是煤層和頂?shù)装鍘r層（以泥、砂巖為主），所以鉆孔返出的鉆屑只有煤渣、巖屑或二者的混合，由二者的圖像特征對比可知，煤渣和巖屑在顏色特征方面差異最大，紋理、形狀和空間關(guān)系特征存在交叉的模糊區(qū)域，因此針對鉆孔返渣圖像的煤巖識別方法主要基于煤巖的顏色（灰度）特征，最后再根據(jù)煤巖占比分析來實現(xiàn)煤巖識別。

采用顏色（灰度）特征識別煤巖時，受作業(yè)現(xiàn)場的光線、粉塵、振動、水霧等影響，容易造成圖像失真，圖像存在較大噪聲，使得采集到的煤巖顏色特征不清晰。因此，為滿足圖像特征識別要求，需要對圖像進(jìn)行預(yù)處理，然后再進(jìn)行圖像分割和特征提取，最后實現(xiàn)分類識別。煤巖圖像識別流程如圖1。

圖1 煤巖圖像識別流程Fig.1 Coal and rock image recognition process

由圖1 可以看出，在圖像識別過程中，圖像預(yù)處理和閾值分割是其中的關(guān)鍵，因此需要根據(jù)井下鉆孔作業(yè)場景開展相關(guān)技術(shù)研究。

3 煤巖圖像預(yù)處理

研究的鉆孔返渣煤巖圖像識別是基于空氣排渣方式，現(xiàn)場作業(yè)會存在大量粉塵，一方面使得采集儀器鏡頭沾滿灰塵，在光源照射下發(fā)生漫反射，造成采集的圖片目標(biāo)區(qū)域模糊不清，另一方面基于可見光的采集方式對粉塵穿透性差，存在一定的致盲性。另外，鉆孔施工時，現(xiàn)場的機(jī)電設(shè)備將對圖像采集設(shè)備產(chǎn)生電磁干擾。因此，為了提高原始圖像的對比度，改善圖像質(zhì)量，在進(jìn)行圖像分割和特征提取之前，需要對采集的原始圖像進(jìn)行預(yù)處理，主要包括提取明度分量、圖像去噪和圖像增強(qiáng)3 個步驟。

3.1 提取明度分量

相比于RGB，HSV 可更直觀的表達(dá)顏色的色調(diào)、鮮艷程度和明暗程度，方便進(jìn)行顏色對比，同時HSV 中的明度通道V 具備與光強(qiáng)度之間沒有直接聯(lián)系的特性。因此，針對鉆孔場景中光照條件受粉塵、光源穩(wěn)定性等因素影響造成圖像光強(qiáng)度不穩(wěn)定問題，通過提取V 分量圖像在最大程度上減小環(huán)境光對圖像處理的影響。

HSV 模型通過色調(diào)H、飽和度S 及明度V 3 個參數(shù)進(jìn)行描述。結(jié)合實驗采集的圖像，將RGB 到HSV 色彩空間的轉(zhuǎn)換公式設(shè)計如下：

式中：r、g、b 分別為像素坐標(biāo)下的紅、綠、藍(lán)三通道分量值，max、min 分別為r、g、b 的最大值以及最小值。

經(jīng)過上述色彩空間轉(zhuǎn)換后，采集圖像的處理結(jié)果如圖2。

圖2 煤巖圖像色彩轉(zhuǎn)換結(jié)果Fig.2 The result of color conversion of coal and rock image

3.2 圖像去噪

在鉆孔施工時，現(xiàn)場進(jìn)行煤巖圖像采集、傳輸時還存在電子設(shè)備工頻干擾問題，因此獲取的原始圖像存在較大噪聲，在提取到V 通道圖像后需要進(jìn)行濾波去噪處理，以減少噪聲對識別造成的干擾。

圖像去噪主要包括時域、頻域和空間域等去噪方法[13]，因識別的煤巖圖像為采集的靜態(tài)圖片，而時域和頻域內(nèi)各種低通濾波器、自適應(yīng)小波濾波器等去噪方法均建立在像素點時序關(guān)聯(lián)性的基礎(chǔ)上，因此采用空間域去噪方法，空間域濾波使用濾波器對圖像進(jìn)行逐像素點操作。

根據(jù)采集的煤巖圖像，選擇均值、領(lǐng)域平均和高斯3 種濾波器進(jìn)行對比實驗，對應(yīng)的線性濾波器模板如圖3，其中領(lǐng)域平均濾波器選取半徑為。對應(yīng)的不同模板濾波效果如圖4。

圖3 線性濾波器模板Fig.3 Linear filter template

圖4 不同模板濾波效果Fig.4 Filtering effect of different templates

通過與原始圖像對比，由圖4 中不同模板的濾波效果可以看出，以上3 種濾波器均能不同程度去除了噪聲，但高斯濾波由于其濾波器模板權(quán)值中心匯聚的特性，使其圖像輸出邊緣更為清晰，且去除噪聲的效果也較為明顯，因此采用了高斯濾波進(jìn)行圖像去噪處理。

3.3 圖像增強(qiáng)

因現(xiàn)場鉆孔施工時存在許多干擾因素導(dǎo)致目標(biāo)區(qū)域圖像信息模糊不清，所以為了改善圖像質(zhì)量，在特征提取之前，需要對煤渣和巖屑圖像進(jìn)行圖像增強(qiáng)。結(jié)合目前常用的圖像增強(qiáng)方法以及鉆孔返渣煤巖圖像的特點，采用拉普拉斯變換作為圖像增強(qiáng)方法。經(jīng)過拉普拉斯方法對圖像的增強(qiáng)結(jié)果如圖5，由圖中可以看出，原始的模糊圖像經(jīng)過圖像增強(qiáng)處理后，對比度明顯提升，同時維持了原圖的灰度特性。

圖5 圖像增強(qiáng)效果圖Fig.5 Image enhancement effect picture

4 煤巖圖像分割

圖像分割是機(jī)器視覺技術(shù)的基礎(chǔ)，同時也是圖像處理中最關(guān)鍵的環(huán)節(jié)。對于灰度圖像，區(qū)域內(nèi)部的像素一般具有灰度相似性，而在區(qū)域的邊界上一般具有灰度不連續(xù)性。結(jié)合井下鉆孔返渣的圖像特點，分割算法需考慮2 個問題：①現(xiàn)場采集的圖像存在全煤渣或全巖屑的情況，分割后的圖像并非完全是2 種類別；②考慮系統(tǒng)的實時性需求，對于圖像分割算法的計算量要足夠小。因此，綜合分析后本實驗采用了固定單閾值分割方案，采取的途徑如下：

1 副圖像包括目標(biāo)、背景和噪聲，設(shè)定某一閾值T 將圖像f（x，y）分成2 部分：大于T 的像素群和小于T 的像素群。

為了確定固定閾值T，采用最大類間方差法。最大類間方差法是根據(jù)圖像的灰度特性，將圖像分為前景和背景2 個部分。確定T 為前景與背景的分割閾值，前景點數(shù)占圖像比例為ω0，平均灰度為u0；背景點數(shù)占圖像比例為ω1，平均灰度為u1；圖像的總平均灰度為u；前景和背景圖象的方差為σ。則：

聯(lián)立式（8）、式（9），得到

當(dāng)方差σ 最大時，可以認(rèn)為此時前景和背景差異最大，此時的灰度T 是最佳閾值。通過該方法，計算出采集樣品圖像的固定閾值為115，中圖像分割結(jié)果如圖6。

5 煤巖圖像識別

圖6 圖像分割結(jié)果Fig.6 Image segmentation results

根據(jù)前節(jié)經(jīng)過圖像分割流程后獲取的二值圖像，以巖屑為前景圖像，每個像素點灰度值均為1，對其求和即可得到巖所占的像素總數(shù)，設(shè)定通過以下公式得到巖屑、煤渣各自所占比例。

式中：A 為整個煤巖圖像像素點總數(shù)；sum（F）為煤巖圖像中巖屑所占的像素總數(shù)；Ry為巖屑所占比例；Rm為煤渣所占比例。

單幀圖像煤巖比例識別結(jié)果如圖7，其中數(shù)據(jù)標(biāo)識為煤渣的含量，紅色標(biāo)記為巖屑所在的像素分布。

圖7 單幀圖像煤巖比例識別結(jié)果Fig.7 Single frame image coal-rock ratio recognition results

由于圖像識別只針對煤巖圖像表面特征進(jìn)行分析，單幀煤巖圖像辨識結(jié)果難以保證結(jié)果穩(wěn)定性，需連續(xù)多次采樣，結(jié)合多次采樣結(jié)果分析得出最終結(jié)論，假定M 次采樣，N 次結(jié)果煤所占比例大于設(shè)定閾值，通過判斷N/M 即可得出該批次煤巖辨識結(jié)果。

6 結(jié) 語

針對煤礦井下鉆孔的作業(yè)場景特點，因鉆孔返渣中只有巖屑和煤渣，二者顏色特征差異較大，所以基于圖像檢測的煤巖界面識別方法是鉆孔作業(yè)場景中最可行的技術(shù)手段。受現(xiàn)場作業(yè)環(huán)境影響，利用機(jī)器采集的圖像存在噪聲，為保證識別準(zhǔn)確性，首先對圖像進(jìn)行預(yù)處理，包括采用HSV 顏色空間進(jìn)行轉(zhuǎn)換以提取明度分量、采用空間域濾波中的高斯濾波進(jìn)行圖像去噪、采用拉普拉斯方法實現(xiàn)圖像增強(qiáng)。結(jié)合井下鉆孔作業(yè)時返渣圖像特點，圖像分割采用固定單閾值分割方案。并利用最大類間方差法確定了采集樣品圖像的固定閾值為115。對于圖像分割后的二值圖像，通過計算煤渣和巖屑在圖像像素點總數(shù)中各自所占比例，進(jìn)行了煤巖標(biāo)識，所以通過分析大量的樣本數(shù)，并設(shè)置煤巖界限的閾值，最終實現(xiàn)鉆孔作業(yè)場景下的圖像識別。