張會(huì)峰，韓國國，郗燕杰，陶金陽，趙欣桐

（1.山西天地王坡煤業(yè)有限公司，山西 晉城 048000；2.煤礦安全技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，遼寧 撫順 113122；3.中煤科工集團(tuán)沈陽研究院有限公司，遼寧 撫順 113122）

目前，井下巷道形變監(jiān)測仍采用人工巡檢方式，此種方式存在測試數(shù)據(jù)人為誤差，受限于礦工工作經(jīng)驗(yàn)；巷道形變監(jiān)測不準(zhǔn)確，受限于人工勞動(dòng)強(qiáng)度大、作業(yè)風(fēng)險(xiǎn)高，同時(shí)，人工檢測數(shù)據(jù)點(diǎn)僅限于當(dāng)前位置及鄰近情況，不能覆蓋全局。姜闊勝等[1]基于單線激光雷達(dá)技術(shù)對(duì)礦井巷道變形進(jìn)行了在線監(jiān)測，其技術(shù)方案僅為離散的比對(duì)，無法實(shí)現(xiàn)對(duì)巷道進(jìn)行連續(xù)監(jiān)測；周竹峰[2]在巷道掃描時(shí)采用手持式掃描儀，且需要在監(jiān)測區(qū)域固定較高要求的標(biāo)靶，導(dǎo)致施工難度大，增加人工勞動(dòng)強(qiáng)度，其數(shù)據(jù)采集也為分段掃描法采集，后對(duì)獲取到的數(shù)據(jù)采用人工方式進(jìn)行拼接，效率低；王黎明等[3]通過三維掃描技術(shù)對(duì)礦山巷道進(jìn)行變形監(jiān)測的應(yīng)用，為固定點(diǎn)位靜態(tài)掃描，并且也需要放置標(biāo)靶，無法實(shí)現(xiàn)實(shí)時(shí)監(jiān)測；Qiu D W 等[4]利用三維激光掃描數(shù)據(jù)，給出了滑坡預(yù)警信息分析，可以較好的完成形變監(jiān)測，但是需要GPS組合完成定位，不適用于井下巷道場景。相較于國內(nèi)三維激光技術(shù)在形變監(jiān)測領(lǐng)域的實(shí)踐性應(yīng)用，國外學(xué)者則在形變監(jiān)測中對(duì)三維點(diǎn)云數(shù)據(jù)處理算法做了一定的研究，如Mezaal 等[5]、Pourghasemi 等[6]以及Booth 等[7]通過三維激光雷達(dá)掃描構(gòu)建地圖模型時(shí)，在場景特征選取、深度學(xué)習(xí)預(yù)警分析和掃描數(shù)據(jù)重復(fù)等給出了針對(duì)性的算法原理改進(jìn)，從而更好地完成形變監(jiān)測，然而對(duì)于煤礦井下巷道場景的特征點(diǎn)較為相似的場景無法應(yīng)用。

綜上分析現(xiàn)有巷道形變監(jiān)測技術(shù)及手段多適用于固定場景，布置標(biāo)靶等方式，且點(diǎn)云數(shù)據(jù)大多為手動(dòng)拼接，大大增加人工勞動(dòng)強(qiáng)度。為此，提出1 種基于激光雷達(dá)的井下巷道塌陷預(yù)測算法，從數(shù)據(jù)預(yù)處理、三維建模和形變監(jiān)測3 個(gè)方面進(jìn)行改進(jìn)，能夠在礦車日常行進(jìn)中對(duì)煤礦巷道進(jìn)行實(shí)時(shí)分析，無需人員干預(yù)，以高效、準(zhǔn)確、連續(xù)地監(jiān)測井下巷道形態(tài)變化的趨勢。

1 系統(tǒng)總體架構(gòu)

井下巷道環(huán)境三維點(diǎn)云數(shù)據(jù)的獲取及處理方法對(duì)后續(xù)形變監(jiān)測的效率和準(zhǔn)確性具有較大影響。三維點(diǎn)云模型能夠描述井下巷道的三維信息，目前獲取點(diǎn)云的主流方式有基于激光雷達(dá)的時(shí)間飛行法、基于機(jī)器視覺的三角測距法和雙目視覺法等[8-10]。為此，將激光三維實(shí)時(shí)建模技術(shù)與3D 監(jiān)測技術(shù)融合，通過對(duì)井下巷道的形變量監(jiān)測，從而對(duì)巷道塌陷進(jìn)行提前預(yù)測。系統(tǒng)總體架構(gòu)如圖1。

圖1 系統(tǒng)總體架構(gòu)Fig.1 Overall system architecture

2 點(diǎn)預(yù)處理與三維建模

2.1 點(diǎn)云數(shù)據(jù)采集與預(yù)處理

利用井下智慧車搭載車載激光雷達(dá)系統(tǒng)和車身輔助定位系統(tǒng)，獲取了井下巷道激光數(shù)據(jù)。由于井下工況和特征點(diǎn)稀疏等問題，行駛速度設(shè)定為10 km/h，激光雷達(dá)頻率為10 Hz，數(shù)據(jù)量為5 mb/s。

獲取的井下雷達(dá)數(shù)據(jù)并不能直接地進(jìn)行解算，需要先在VLP-16 激光雷達(dá)掃描系統(tǒng)驅(qū)動(dòng)程序?qū)⒃技す饫走_(dá)數(shù)據(jù)轉(zhuǎn)換為PCL 點(diǎn)云數(shù)據(jù)。通過點(diǎn)云柵格化將點(diǎn)云存儲(chǔ)到相應(yīng)的數(shù)據(jù)結(jié)構(gòu)中。其目的便于后續(xù)對(duì)點(diǎn)云的預(yù)處理，把原本離散的點(diǎn)變?yōu)橐詵鸥駷閱挝坏狞c(diǎn)集合，將點(diǎn)云投影到柵格網(wǎng)絡(luò)中可去掉不必要的信息，降低計(jì)算量。由于受儀器誤差和井下路面顛簸等問題影響，獲取的點(diǎn)云數(shù)據(jù)坐標(biāo)會(huì)存在偏移誤差，因此需利用車身輔助定位系統(tǒng)中的慣性導(dǎo)航和編碼器用于數(shù)據(jù)校正，以此消除傳感器自身及其他干擾等產(chǎn)生的數(shù)據(jù)畸變。預(yù)處理過程中，將自定區(qū)域權(quán)重定義為正態(tài)分布，依據(jù)采樣點(diǎn)附近的點(diǎn)云密度作為是否噪聲點(diǎn)的判別準(zhǔn)則，如果檢測區(qū)域的點(diǎn)云數(shù)據(jù)低于點(diǎn)云密度判定標(biāo)準(zhǔn)則將該區(qū)域認(rèn)為是高頻噪聲，剔除該區(qū)域，從而縮小范圍，避免在解算過程中由周圍臨近點(diǎn)大量云數(shù)據(jù)帶來的時(shí)效處理速度慢問題。

2.2 點(diǎn)云配準(zhǔn)

由于井下智慧車每次采集的點(diǎn)云信息時(shí)其位置及姿態(tài)均為不確定狀態(tài)，在巷道創(chuàng)建完整的三維數(shù)據(jù)模型時(shí)，局部的點(diǎn)云配準(zhǔn)尤為關(guān)鍵。通過旋轉(zhuǎn)和平移修正點(diǎn)云位置，從而達(dá)到配準(zhǔn)要求。將不同坐標(biāo)系下的點(diǎn)云經(jīng)過一系列的剛性變換，實(shí)現(xiàn)其在同一坐標(biāo)下輸出2 個(gè)變換后的點(diǎn)云數(shù)據(jù)。通過ICP 點(diǎn)到最近面迭代的算法，對(duì)點(diǎn)集中每個(gè)點(diǎn)施加初始變換矩陣運(yùn)算，得到變換點(diǎn)，從目標(biāo)點(diǎn)集中尋找與之距離最近的面形成對(duì)應(yīng)點(diǎn)面對(duì)，求解出最優(yōu)變換矩陣。變換矩陣采用迭代誤差來判斷，迭代誤差收斂時(shí)認(rèn)為變換矩陣最優(yōu)。

2.3 構(gòu)建三維點(diǎn)云模型

使用所有點(diǎn)云數(shù)據(jù)進(jìn)行的構(gòu)建地圖，會(huì)消耗占用大量的計(jì)算機(jī)內(nèi)存，這將導(dǎo)致計(jì)算量會(huì)非常的大，且井下智慧車的行駛速度為10 km/h，當(dāng)前幀的點(diǎn)云數(shù)據(jù)可能包含了前幾幀大量的掃描信息，導(dǎo)致三維點(diǎn)云地圖構(gòu)建時(shí)存在重疊區(qū)域過多，對(duì)于細(xì)節(jié)豐富的數(shù)據(jù)信息無法有效提取。因此，通過設(shè)置關(guān)鍵幀來進(jìn)行巷道地圖構(gòu)建，每個(gè)關(guān)鍵幀都是1 個(gè)獨(dú)立單元，其內(nèi)部信息涵蓋了每個(gè)時(shí)刻的所有點(diǎn)云數(shù)據(jù)信息，以達(dá)到在線配準(zhǔn)。結(jié)合上述點(diǎn)云配準(zhǔn)技術(shù)，將2 個(gè)相鄰的關(guān)鍵幀進(jìn)行點(diǎn)云配準(zhǔn)并解算出相應(yīng)的變換矩陣，從而得到激光雷達(dá)在全局坐標(biāo)系下的姿態(tài)變換，輸出激光里程計(jì)。利用車載輔助定位系統(tǒng)的IMU 及UWB 的數(shù)據(jù)進(jìn)行插值對(duì)齊處理并完成預(yù)積分，后端采用滑動(dòng)窗口算法來維持非線性優(yōu)化過程中姿態(tài)信息數(shù)量，保證三維點(diǎn)云構(gòu)建的實(shí)時(shí)性。通過閉環(huán)檢測模塊將兩幀之間的距離、特征點(diǎn)等決定因素與構(gòu)建好的三維模型進(jìn)行回環(huán)檢測，如果成功檢測到閉環(huán)，將當(dāng)前滑動(dòng)窗口內(nèi)的狀態(tài)參數(shù)信息值進(jìn)行更新，消除累計(jì)誤差。同時(shí)聯(lián)合點(diǎn)云數(shù)據(jù)信息拼接三維點(diǎn)云，并進(jìn)行面的擬合，解決了現(xiàn)有巷道形變檢測仍需固定點(diǎn)或標(biāo)靶布置、手動(dòng)拼接點(diǎn)云難題，極大地提高了巷道形變檢測的實(shí)時(shí)性。

3 形變計(jì)算

3.1 離群點(diǎn)提取算法

由于2 次試驗(yàn)點(diǎn)云的不可重復(fù)性，2 次的點(diǎn)云數(shù)據(jù)采集過程不會(huì)按照完全相同的位姿及關(guān)鍵幀進(jìn)行掃描，2 次采集的點(diǎn)云數(shù)量也不會(huì)完全相同，無法找出一一對(duì)應(yīng)的實(shí)際對(duì)應(yīng)點(diǎn)對(duì)。通過對(duì)目標(biāo)點(diǎn)云進(jìn)行三維面擬合填補(bǔ)點(diǎn)云空白區(qū)域，構(gòu)建虛擬面片，然后基于點(diǎn)面距離的優(yōu)化算法計(jì)算形變量。通過對(duì)第2 次試驗(yàn)的點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理，矯正雷達(dá)畸變、剔除高頻噪聲，將其與目標(biāo)三維模型進(jìn)行配準(zhǔn)，統(tǒng)一到同一坐標(biāo)系下。將第2 次的點(diǎn)云中的任一點(diǎn)與其最近面片進(jìn)行計(jì)算距離。點(diǎn)P 到面S1、S2距離如圖2，分別計(jì)算P 點(diǎn)到臨近面S1、S2的距離d1、d2。取其記錄最大值，提取出離群點(diǎn)。

圖2 點(diǎn)P 到面S1、S2 距離Fig.2 Distance from point P to faces S1 and S2

其目標(biāo)點(diǎn)云面擬合方程如下：

式中：A、B、C、D 為各項(xiàng)系數(shù)；x1、y1、z1為平面上點(diǎn)的坐標(biāo)。

點(diǎn)到平面的距離d 計(jì)算公式為：

式中：Ax1、By1、Cz1為平面外一點(diǎn)P 的三維坐標(biāo)。

3.2 基于DBSCAN 的密度聚類

聚類主要作用為數(shù)據(jù)挖掘。常見的聚類算法有K-Means、均值漂移以及DBSCAN 等。K-Means 聚類因算法簡單從而具有計(jì)算速度快等優(yōu)點(diǎn)，缺點(diǎn)是必須提前知道類組數(shù)量；均值漂移聚類是基于滑動(dòng)窗口的1 種質(zhì)心算法，因不需要類組數(shù)量，所以受均值影響?。籇BSCAN 是基于密度程度的聚類算法，相比于K-Means 和均值漂移算法，DBSCAN 算法在簇?cái)?shù)量未知的情況下，仍能夠依據(jù)密度不同進(jìn)行數(shù)據(jù)分類。

結(jié)合巷道實(shí)際場景，采用基于DBSCAN 的密度聚類，將通過點(diǎn)面距離的優(yōu)化算法計(jì)算出第2 次點(diǎn)云中與第1 次目標(biāo)三維模型距離超過閾值的離群點(diǎn)，并獲取離群點(diǎn)坐標(biāo)。在數(shù)據(jù)聚類過程中，首先以任意1 個(gè)離群點(diǎn)以及周圍核心對(duì)象建立簇，然后合并核心對(duì)象關(guān)聯(lián)的對(duì)象，直到遍歷所有核心對(duì)象。在此過程里，核心對(duì)象如果唯一，則認(rèn)為該區(qū)域是一簇離群點(diǎn)；如果有多個(gè)核心對(duì)象，則認(rèn)為數(shù)量較少對(duì)象的簇是噪聲。最終離群點(diǎn)聚類后，將對(duì)象較少的簇剔除后，計(jì)算剩余離群簇到最近面的平均值，即可得到巷道形變量。DBSCAN 示意圖如圖3。

圖3 DBSCAN 示意圖Fig.3 DBSCAN schematic

4 試驗(yàn)驗(yàn)證

試驗(yàn)采用鄂爾多斯地區(qū)某礦的井下巷道點(diǎn)云數(shù)據(jù)。采用16 線高精度雷達(dá)velodyne VLP-16 對(duì)巷道進(jìn)行掃面采樣，總計(jì)完成2 次試驗(yàn)，以第1 次試驗(yàn)為目標(biāo)模型。將2 次試驗(yàn)采集點(diǎn)云數(shù)據(jù)進(jìn)行比對(duì)分析，每次試驗(yàn)巷道的完整數(shù)據(jù)采集點(diǎn)云都在1 200 萬以上。巷道1 次、2 次原始點(diǎn)云數(shù)據(jù)如圖4。

圖4 巷道1 次、2 次原始點(diǎn)云數(shù)據(jù)Fig.4 Primary and secondary original point cloud data of roadway

根據(jù)文中提出的點(diǎn)云預(yù)處理方法，將2 次試驗(yàn)的點(diǎn)云數(shù)據(jù)進(jìn)行柵格化、畸變矯正及降噪處理，巷道1 次、2 次預(yù)處理后點(diǎn)云數(shù)據(jù)如圖5，可以看出點(diǎn)云數(shù)據(jù)比較稀疏。因此，在經(jīng)過點(diǎn)云預(yù)處理后，采用點(diǎn)到最近面迭代算法進(jìn)行點(diǎn)云配準(zhǔn)，ICP 配準(zhǔn)點(diǎn)云如圖6。

圖5 巷道1 次、2 次預(yù)處理后點(diǎn)云數(shù)據(jù)Fig.5 Point cloud data after one and two pre-processing of roadway

圖6 ICP 配準(zhǔn)點(diǎn)云Fig.6 ICP registration point cloud

通過優(yōu)化算法對(duì)配準(zhǔn)后的點(diǎn)云數(shù)據(jù)進(jìn)行距離計(jì)算挑出大于20 mm 的點(diǎn)云數(shù)據(jù)標(biāo)記為離群點(diǎn)。并記錄下離群點(diǎn)離最近面的距離。離群點(diǎn)如圖7。

圖7 離群點(diǎn)Fig.7 Outlier

DBSCAN 的密度聚類，將通過點(diǎn)面距離的優(yōu)化算法計(jì)算出第2 期點(diǎn)云中與目標(biāo)三維模型的高密度離群點(diǎn)。最終離群點(diǎn)聚類后，將對(duì)象較少的簇剔除后，計(jì)算剩余離群簇到最近面的平均值，即可得到巷道形變量。離群點(diǎn)DBSCAN 的密度聚類如圖8。

圖8 離群點(diǎn)DBSCAN 的密度聚類Fig.8 Density clustering of outlier DBSCAN

5 結(jié) 語

1）針對(duì)井下巷道形變量無法自動(dòng)監(jiān)測問題，提出了1 種基于激光雷達(dá)的井下巷道形變量自動(dòng)監(jiān)測方法。利用井下智慧車安裝高精度激光雷達(dá)、車輛輔助定位系統(tǒng)，通過對(duì)巷道原始數(shù)據(jù)（第1 次）的采集與預(yù)處理，完整地將整條巷道點(diǎn)云構(gòu)建為三維模型，后續(xù)巷道形變檢測數(shù)據(jù)與此比對(duì)分析，進(jìn)而判斷出巷道是否發(fā)生形變。

2）基于目標(biāo)點(diǎn)云對(duì)巡檢點(diǎn)云進(jìn)行離群點(diǎn)提取，并通過DBSCAN 的密度聚類快速提取大密度離群點(diǎn)，從而快速篩選出變形區(qū)域，分析形變程度，實(shí)現(xiàn)了井下巷道表面形變的實(shí)時(shí)監(jiān)控與自動(dòng)測量。

提出的方法能夠在礦車日常運(yùn)行時(shí)高效實(shí)現(xiàn)井下巷道表面形變的自動(dòng)監(jiān)測，降低了井下巷道形變監(jiān)測工作的難度，免去了標(biāo)靶布置、手動(dòng)拼接點(diǎn)云等環(huán)節(jié)。在減少了人工勞動(dòng)強(qiáng)度的同時(shí)，保障了井下巷道正常運(yùn)行及保護(hù)礦工生命財(cái)產(chǎn)安全。