姜文濤, 王梓民, 張 馳

(1.遼寧工程技術大學 軟件學院,遼寧 葫蘆島 125105； 2.遼寧工程技術大學 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，皮帶運輸裝備廣泛應用在各大中小型礦井生產(chǎn)當中[1～3]。如何實時、準確的對皮帶在落煤點處產(chǎn)生的堆煤進行定位與識別，并在堆煤事故發(fā)生前產(chǎn)生有效預警，已逐步成為保障煤炭安全生產(chǎn)關鍵問題之一。

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警問題，分別為人工檢測、傳感器檢測和視頻圖像計算機視覺檢測[4,5]。隨著生產(chǎn)裝備自動化和智能化建設，為了更好地降低人力和物力成本，人工檢測在皮帶堆煤預警方面不具有更好地發(fā)展前景。傳感器檢測預警主要采用行程開關堆煤傳感器、煤油開關或水銀開關堆煤傳感器和電極式堆煤傳感器進行堆煤識別。現(xiàn)有的堆煤傳感器主要存在以下不足：1) 行程開關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，且識別準確率不理想；2) 煤油開關或水銀開關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[6]的研究基礎之上，將曲量場空間理論應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陣來描述三維信息的懸浮點陣模型，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。

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。

2 堆煤模型構建

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)為隨機變量A的信息熵，-log(pi)為變量ai的自信息量，當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行標定。

2.2 堆煤圖像投影

(11)

2.3 噪聲補償與空間分類

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)相應角度，修復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)域進行補償。

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 實驗結(jié)果與分析

3.1 實驗環(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實驗平臺上采用C++語言編程實現(xiàn)。實驗選取礦井皮帶堆煤視頻數(shù)據(jù)對算法進行測試。井下現(xiàn)場中攝像機的俯角為35°，成像焦點與堆煤中心的水平距離約3.7 m，實際現(xiàn)場如圖3所示。實驗測試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)因井下隨機強噪聲和落煤點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)境中的堆煤模型構建與識別具有較強的準確性和實用性。

圖4 模型構建過程

為了進一步驗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以及分類識別準確率Cra等五個評價指標對本文所提出的方法進行測試分析，其中坡度比率Sa是指堆煤模型構建的坡度與實際堆煤坡度的比率，分類識別準確率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確率，以便檢驗本文算法在井下復雜噪聲環(huán)境下的魯棒性。

堆煤模型構建過程如圖4所示。圖4(a)是隨機抽取的礦井皮帶落煤點處的堆煤圖像，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，邊緣對比強度減弱。圖4(b)是對原始圖像初始化的結(jié)果。圖4(c)是進行堆煤圖像投影的結(jié)果，強化了邊緣對比度,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，即邊緣鋸齒效果，使堆煤邊緣細節(jié)的提取存在一定誤差。圖4(d)是對曲量場空間模型進行噪音補償?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。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，分類識別準確率較高。本文方法對6組視頻的實驗測試數(shù)據(jù)結(jié)果見表1，其中每組實驗反復進行10次，取均值作為實驗結(jié)果。

圖5 堆煤子空間分類結(jié)果(方框區(qū)域為堆煤子空間)

表1 實驗測試數(shù)據(jù)

對表1中6組視頻測試結(jié)果中的時間進行均值計算得出，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的優(yōu)勢，反映速度較快，可以滿足井下堆煤事故的實時預警需求。

將本文算法與文獻[7]提出的礦山智能視頻分析與預警系統(tǒng)研究中堆煤檢測方法進行對比，本文算法的識別準確率平均為98.2 %，僅比文獻[7]高出0.002，本文算法識別速度為0.038 s/幀，相比文獻[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的優(yōu)勢，可以滿足對礦井堆煤事故的實時預警的需求。

4 結(jié) 論

實驗結(jié)果表明:在井下復雜環(huán)境中，利用曲量場空間進行皮帶堆煤圖像識別，取得了較好的效果，準確率為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用價值，可以滿足礦井對皮帶堆煤檢測在應用中的需求。