陳海艦 王唯一 范錦鴿 潘逸冬 閆子驥 吳保磊

摘要：針對(duì)目前井下水倉(cāng)水位監(jiān)測(cè)方法精度較低、易受環(huán)境影響、實(shí)時(shí)性不強(qiáng)、對(duì)機(jī)器算力的要求較高、硬件成本較高等問(wèn)題，提出了一種基于樹(shù)莓派的井下水倉(cāng)水位智能測(cè)控系統(tǒng)。該系統(tǒng)通過(guò)防爆監(jiān)控?cái)z像機(jī)采集水倉(cāng)標(biāo)尺周?chē)粓D像，采用樹(shù)莓派作為圖像處理平臺(tái)。首先，將采集的彩色圖像轉(zhuǎn)換為灰度圖像，利用 Otsu 法對(duì)圖像進(jìn)行閾值分割，通過(guò)形態(tài)學(xué)運(yùn)算去除噪聲并增強(qiáng)圖像邊緣信息，進(jìn)而將標(biāo)尺輪廓從背景中分離出來(lái)；其次，利用 Canny 算子檢測(cè)標(biāo)尺邊緣，并利用 Hough 變換方法提取水位線與標(biāo)尺豎邊的交線，得到水位線在圖像空間中的坐標(biāo)；然后，對(duì)水位線附近區(qū)域一定范圍內(nèi)的標(biāo)尺數(shù)字圖像進(jìn)行閾值分割和濾波增強(qiáng)處理，再通過(guò)模板匹配法實(shí)現(xiàn)標(biāo)尺數(shù)字識(shí)別，從而得到水位線數(shù)值；最后，將水倉(cāng)水位線數(shù)值轉(zhuǎn)換為電流模擬量，利用樹(shù)莓派發(fā)送給水泵控制器，根據(jù)電流大小控制水泵開(kāi)停，實(shí)現(xiàn)水倉(cāng)水位智能控制。該系統(tǒng)具有成本較低、部署便捷、精度高、實(shí)時(shí)性好等優(yōu)點(diǎn)，能夠?qū)崿F(xiàn)水倉(cāng)水位快速精準(zhǔn)識(shí)別與控制。

關(guān)鍵詞：井下水倉(cāng)；水位測(cè)控；樹(shù)莓派；邊緣檢測(cè)；Hough 變換；數(shù)字識(shí)別

中圖分類(lèi)號(hào)： TD745??? 文獻(xiàn)標(biāo)志碼： A

Intelligent measurement and control system of mine water level based on Raspberry Pi

CHEN Haijian1，2， WANG Weiyi3， FAN Jinge3， PAN Yidong3， YAN Ziji3， WU Baolei3

（1. CCTEG Changzhou Research Institute，Changzhou 213015， China；2. Tiandi（Changzhou） Automation Co.， Ltd.，Changzhou 213015， China；3. School of Computer Science and Technology， China University of Mining andTechnology， Xuzhou 221116， China）

Abstract： The current water level monitoring methods have the problems of low precision， susceptibility to environmental impact， weak real-time performance， high requirements for machine computing power， and high hardware costs. In order to solve the above problems， a Raspberry Pi-based intelligent water level measurement and control system for underground water storage is proposed. The system collects water level images around the water tank scale through explosion-proof monitoring cameras， and uses raspberry pie as the image processing platform. Firstly， the method converts the collected color images into grayscale images， and uses the Otsu method to perform threshold segmentation on the images. The method removes noise and enhances image edge information through morphological operations， and then separates the ruler contour from the background. Secondly， the Canny operator is used to detect the edge of the scale， and the Hough transform method is used to extract the intersection line between the water level line and the vertical edge of the scale， obtaining the coordinates of the water level line in the image space. Thirdly， threshold segmentation and filtering enhancement processing are performed on the digital image of the scale within a certain range of the area near the water levelline. Then， the template matching method is used to achieve the recognition of the scale number， thereby obtaining the water level line value. Finally， the method converts the numerical value of the water level line in the water tank into a current analog quantity， and uses Raspberry Pi to send the water pump controller to control the start and stop of the water pump based on the current magnitude. The method achieves intelligent control of the mine water level. This system has the advantages of low cost， convenient deployment， high precision， and good real- time performance. It can achieve rapid and accurate recognition and control of mine water level.

Key words： mine water tank; water level measurement and control; Raspberry Pi; edge detection; Hough transform; number recognition

0 引言

礦井水是煤炭開(kāi)采生產(chǎn)過(guò)程中的必然產(chǎn)物，主要由地下水滲漏、涌水、設(shè)備用水和礦井降塵用水等部分組成。礦井水流經(jīng)各采區(qū)工作面、掘進(jìn)工作面和巷道，最終流入井下水倉(cāng)[1]。井下水倉(cāng)由主水倉(cāng)和副水倉(cāng)2個(gè)部分構(gòu)成，2個(gè)水倉(cāng)交替循環(huán)使用。根據(jù)《煤礦安全規(guī)程》《煤礦防治水規(guī)定》和 MT/T 674—1997《礦井生產(chǎn)時(shí)期排水技術(shù)規(guī)范》等規(guī)定，為保證礦井安全，預(yù)防井下水害，水倉(cāng)的空倉(cāng)容量應(yīng)當(dāng)經(jīng)常保持在總?cè)萘康?0%以上[2]，并設(shè)有水倉(cāng)水位監(jiān)測(cè)設(shè)施[3]。在煤炭開(kāi)采過(guò)程中，及時(shí)準(zhǔn)確獲取水倉(cāng)水位的高度信息，以確定排水泵開(kāi)停，對(duì)礦井安全生產(chǎn)至關(guān)重要。

當(dāng)前，水倉(cāng)水位測(cè)量方法有人工目測(cè)法、超聲波測(cè)量法、壓力傳感法等。人工目測(cè)法不僅易受水面起伏、個(gè)人經(jīng)驗(yàn)影響，而且人員觀測(cè)的角度往往受環(huán)境限制，導(dǎo)致數(shù)據(jù)精度不高；同時(shí)，人工觀測(cè)數(shù)據(jù)的傳輸不具備實(shí)時(shí)性，需要人員定時(shí)采集，但是許多檢測(cè)地點(diǎn)交通不便，造成人力資源浪費(fèi)，安全性難以保障[4]。超聲波測(cè)量法利用超聲波傳感器發(fā)射的超聲波從觀測(cè)點(diǎn)到水面的回波時(shí)間，根據(jù)測(cè)試環(huán)境下的聲速計(jì)算觀測(cè)點(diǎn)到水面的距離；然而，超聲波傳感器易受相對(duì)濕度和氣溫等外部環(huán)境因素影響，特別是聲速的誤差直接影響水位測(cè)定精度[5]。壓力傳感法是將壓力傳感器安裝在最低水位以下，根據(jù)傳感器所測(cè)壓力進(jìn)行轉(zhuǎn)換計(jì)算得到水位高度[6]；但礦井水中常含有煤巖渣、煤泥和乳化液等雜質(zhì)，壓力傳感器容易被堵塞，導(dǎo)致觀測(cè)值與實(shí)際水位高度出入較大。

隨著圖像處理技術(shù)的發(fā)展，采用圖像處理技術(shù)對(duì)水位監(jiān)控圖像進(jìn)行實(shí)時(shí)處理，能夠快速、準(zhǔn)確測(cè)量水位高度，實(shí)時(shí)監(jiān)測(cè)水位變化情況，提高對(duì)礦井水倉(cāng)水位的管理效率。目前，已有不少研究工作利用圖像處理技術(shù)進(jìn)行水位檢測(cè)。王磊等[7]采用 YOLOv3模型從圖像中檢測(cè)標(biāo)尺位置并將其裁剪出來(lái)，再利用ResNet網(wǎng)絡(luò)識(shí)別圖像中標(biāo)尺刻度值，從而根據(jù)標(biāo)尺總長(zhǎng)及刻度值計(jì)算水位高度。 Wang Xing 等[8]逐幀處理視頻中的圖像，首先采用圖像平滑模糊技術(shù)得到灰度圖像，然后使用拐點(diǎn)算子提取圖像的邊緣特征，利用提取到的特征檢測(cè)水位線、分割標(biāo)尺刻度值，最后采用深度神經(jīng)網(wǎng)絡(luò)對(duì)特征進(jìn)行識(shí)別，并通過(guò)標(biāo)尺刻度值和預(yù)設(shè)的比例尺計(jì)算水位高度。但以上方法在應(yīng)用時(shí)對(duì)機(jī)器算力的要求較高，需要配置的硬件成本相對(duì)也較高。

與 STM32和51單片機(jī)等常規(guī)嵌入式微控制器不同，樹(shù)莓派不僅可以進(jìn)行 IO 引腳控制，還可進(jìn)行復(fù)雜的任務(wù)管理和調(diào)度，運(yùn)行適配的操作系統(tǒng)，支持更高層次的應(yīng)用[9]。在開(kāi)發(fā)環(huán)境方面，樹(shù)莓派支持 C、Python 等語(yǔ)言，還可以連接上層的應(yīng)用與底層的硬件，實(shí)現(xiàn)物聯(lián)網(wǎng)的云控制和云管理。在開(kāi)發(fā)能力方面，樹(shù)莓派體積小、成本低，具備一定的 CPU 和 GPU 計(jì)算能力，能夠?qū)崿F(xiàn)圖像處理技術(shù)相關(guān)的任務(wù)與應(yīng)用。因此，本文提出了一種基于樹(shù)莓派的井下水倉(cāng)水位智能測(cè)控系統(tǒng)。利用防爆監(jiān)控?cái)z像機(jī)采集水倉(cāng)標(biāo)尺周?chē)粓D像，在樹(shù)莓派上運(yùn)行圖像處理技術(shù)，獲取井下水倉(cāng)水位數(shù)值；通過(guò)樹(shù)莓派連接水泵控制器，實(shí)現(xiàn)井下水倉(cāng)水位智能控制。

1 系統(tǒng)原理

基于樹(shù)莓派的井下水倉(cāng)水位智能測(cè)控系統(tǒng)組成如圖1所示。

將防爆監(jiān)控?cái)z像機(jī)安裝在井下水倉(cāng)頂角處，采集水倉(cāng)中標(biāo)尺周?chē)粓D像，利用樹(shù)莓派運(yùn)行圖像處理技術(shù)，獲得水倉(cāng)實(shí)時(shí)水位數(shù)值，并根據(jù)水倉(cāng)水位變化情況及時(shí)開(kāi)停水泵，實(shí)現(xiàn)井下水倉(cāng)水位智能控制。

2 系統(tǒng)實(shí)現(xiàn)

基于樹(shù)莓派的井下水倉(cāng)水位智能測(cè)控系統(tǒng)流程如圖2所示。首先，將防爆監(jiān)控?cái)z像機(jī)采集的彩色圖像轉(zhuǎn)換為灰度圖像，對(duì)圖像進(jìn)行閾值分割，將標(biāo)尺從背景中分離出來(lái)，并運(yùn)用形態(tài)學(xué)運(yùn)算增強(qiáng)圖像，再通過(guò)提取標(biāo)尺邊緣和檢測(cè)水位線，確定水位線在圖像空間中的具體位置。然后，依據(jù)檢測(cè)出的水位線縱坐標(biāo)，利用模板匹配法識(shí)別水位線對(duì)應(yīng)的標(biāo)尺數(shù)字，得到水位線數(shù)值。最后，通過(guò)模數(shù)轉(zhuǎn)換模塊將水位線數(shù)值轉(zhuǎn)換為水泵控制器能夠識(shí)別的電流模擬量數(shù)值，利用樹(shù)莓派能夠進(jìn)行 IO 引腳控制的特點(diǎn)，通過(guò)樹(shù)莓派將電流值發(fā)送給水泵控制器，根據(jù)電流大小控制水泵自動(dòng)開(kāi)停，實(shí)現(xiàn)水倉(cāng)水位智能控制。

2.1 標(biāo)尺邊緣提取與水位線檢測(cè)

2.1.1 標(biāo)尺邊緣提取

攝像機(jī)采集的標(biāo)尺周?chē)粓D像如圖3所示。由于采集的圖像為彩色，為了節(jié)省內(nèi)存空間，加快圖像處理速度，需要將彩色圖像轉(zhuǎn)換成灰度圖像。

為使背景與標(biāo)尺分離以突出目標(biāo)邊緣信息，需要進(jìn)行二值化處理，即設(shè)定合適的閾值，將低于該閾值的像素點(diǎn)設(shè)為黑，高于該閾值的像素點(diǎn)設(shè)為白。常用的圖像二值化處理方法有雙峰法、迭代法、 Niblack 法、Bernsen 法和 Otsu 法等[10]。雙峰法簡(jiǎn)單易行，但當(dāng)波峰不明顯或圖像呈單峰及多峰相混淆時(shí)，該方法在很大程度上是無(wú)效的。迭代法具備較強(qiáng)的穩(wěn)定性和抗噪性，能夠很好地保留圖像的細(xì)節(jié)和特征，然而對(duì)于一些特定的圖像，需要減少迭代次數(shù)，數(shù)據(jù)的微小變化就會(huì)使分割效果產(chǎn)生極大的反差。Nibalck法在某些環(huán)境中能夠提供較好的分割效果，但依賴(lài)于預(yù)設(shè)定的鄰域窗口或修正系數(shù)。 Bernsen 法是一種局部二值化算法，在處理光照不均勻的圖像時(shí)有較好的效果，但對(duì)各種類(lèi)型的噪聲比較敏感[11]。Otsu 法能夠通過(guò)最大化圖像直方圖的類(lèi)間方差來(lái)自適應(yīng)確定分割閾值，使得前景和背景之間的差異最大化，同時(shí)，該方法還考慮了圖像全局信息，能夠更好地捕捉圖像前景和背景之間的差異，從而較好地將圖像分成前景和背景2個(gè)部分[12]。因此，本文采用 Otsu法對(duì)圖像進(jìn)行二值化處理。

通過(guò)二值化處理將標(biāo)尺從背景分離出來(lái)后，邊緣輪廓細(xì)節(jié)部分不可避免會(huì)有缺失，圖像中原有的噪點(diǎn)也會(huì)被保留，需要進(jìn)一步對(duì)圖像進(jìn)行形態(tài)學(xué)處理。形態(tài)學(xué)處理是將二值圖像視為數(shù)值集合，并使用結(jié)構(gòu)元素對(duì)其進(jìn)行操作。其中，腐蝕和膨脹是最基本的運(yùn)算。二值圖像的腐蝕變換是基于圖像的連續(xù)形態(tài)腐蝕，膨脹變換是基于圖像的連續(xù)形態(tài)膨脹。二者廣泛應(yīng)用于搜索圖像中明顯的極大值區(qū)域或極小值區(qū)域，以分割和連接圖像中相鄰的像素和消除噪聲。先腐蝕后膨脹的過(guò)程稱(chēng)為開(kāi)運(yùn)算，具有去除細(xì)小物體、在纖細(xì)處分離物體和平滑較大物體邊界的作用[13]。因此，本文對(duì)二值圖像進(jìn)行開(kāi)運(yùn)算，以抑制噪聲，改善圖像質(zhì)量，突出標(biāo)尺的邊緣特征，形態(tài)學(xué)處理結(jié)果如圖4所示。

為提取標(biāo)尺邊緣，本文利用邊緣檢測(cè)算法對(duì)開(kāi)運(yùn)算之后的圖像做進(jìn)一步處理。傳統(tǒng)的邊緣檢測(cè)算子主要有 Roberts 算子、Sobel 算子、Laplacian 算子和 Canny 算子等。Roberts 算子檢測(cè)水平和垂直邊緣效果較好，但抗噪性相對(duì)較差。 Sobel 算子邊緣檢測(cè)效果較好，且對(duì)圖像中噪聲具有平滑作用，但同時(shí)會(huì)檢測(cè)出許多偽邊緣，精度不高[14]。Laplacian 算子主要用于在已知邊緣像素后確定該像素是處于圖像的暗區(qū)還是明區(qū)，對(duì)噪聲非常敏感，且不能提供邊緣方向信息[15]。Canny 算子利用非極大值抑制的方法和形態(tài)學(xué)連接操作，具有較好的抗噪性能，在圖像邊緣有較高的定位精度，相比其他邊緣檢測(cè)算子效果較好[16-18]。因此，本文采用 Canny 算子對(duì)圖像進(jìn)行邊緣檢測(cè)。先利用 Gauss 函數(shù)對(duì)圖像進(jìn)行平滑濾波，再計(jì)算平滑后圖像的梯度幅值和方向，并對(duì)梯度幅值進(jìn)行非極大值抑制，獲得最終的邊緣圖像，如圖5所示。

2.1.2 水位線檢測(cè)

利用 Canny 算子進(jìn)行邊緣檢測(cè)得到的圖形下邊緣與水位線非常接近，但整個(gè)標(biāo)尺邊緣圖形由多條線段組成，無(wú)法定量表征水位線在圖像中的具體位置。因此，本文進(jìn)一步利用 Hough 變換方法提取標(biāo)尺的豎直邊緣和下邊緣，進(jìn)而得到水位線在圖像空間中的縱坐標(biāo)。

在圖像空間x-y中，經(jīng)過(guò)空間中任一點(diǎn)（xm，ym）的直線方程可表示為[19]

式中：k 為直線斜率； b 為截距。

通過(guò)點(diǎn)（xm，ym）的直線有無(wú)數(shù)條，分別對(duì)應(yīng)不同的k和b。若將xm和ym視作常數(shù)，將參數(shù)k和 b 視為變量，則式（1）可表示為

由此變換到參數(shù)空間k-b，這個(gè)變換即圖像空間中對(duì)于點(diǎn)（xm，ym）的 Hough 變換。該直線是圖像空間中的點(diǎn)（xm，ym）在參數(shù)空間中的唯一方程。同理，圖像空間中與點(diǎn)（xm，ym）共線的另一個(gè)點(diǎn)（xn，yn）在參數(shù)空間中也有1條直線方程：

由式（2）和式（3）可得，這條直線與點(diǎn)（xm，ym）在參數(shù)空間中的直線一定相交于某點(diǎn)（k0，b0）。由此可知，圖像空間中經(jīng)過(guò)點(diǎn)（xm，ym）和點(diǎn)（xn，yn）的直線上的每一點(diǎn)在參數(shù)空間中各自對(duì)應(yīng)1條直線，這些直線都相交于點(diǎn)（k0，b0），而k0和b0就是圖像空間中點(diǎn)（xm，ym）和點(diǎn)（xn，yn）所確定的直線的參數(shù)。根據(jù)這個(gè)特點(diǎn)，可利用圖5中得到的邊緣點(diǎn)，通過(guò) Hough 變換確定連接這些點(diǎn)的直線方程。然而，當(dāng)直線的斜率不存在時(shí)，無(wú)法在圖像空間中求取直線方程，此時(shí)需要將直角坐標(biāo)系轉(zhuǎn)換到極坐標(biāo)系，如圖6所示。在極坐標(biāo)系中，直線方程用極坐標(biāo)可表示為[20]

式中：ρ為原點(diǎn)到直線的垂直距離；θ為直線與 x 軸的夾角，取值范圍為?90～90?。

與直角坐標(biāo)類(lèi)似，極坐標(biāo)中的 Hough 變換也將圖像空間中的點(diǎn)變換到參數(shù)空間中。此時(shí)，如果存在多個(gè)點(diǎn)共線，必有這些點(diǎn)在θ取某個(gè)值θ0時(shí)，這些點(diǎn)的ρ近似等于ρ0。即在極坐標(biāo)表示下，原圖像空間中共線的點(diǎn)變換到參數(shù)空間后都相交于同一點(diǎn)，此時(shí)所得的ρ0和θ0即為所求直線的極坐標(biāo)參數(shù)。

為準(zhǔn)確提取標(biāo)尺邊緣與水位線，并提高 Hough 變換檢測(cè)的精度和速度，在求解參數(shù)ρ和θ時(shí)，本文對(duì)標(biāo)尺邊緣與水位線進(jìn)行解空間的約束。考慮攝像機(jī)是在固定狀態(tài)下采集水位線的圖像，在正常情況下，標(biāo)尺邊緣與水位線之間應(yīng)為近似垂直的關(guān)系。因此，本文將距離相近、夾角相近的直線歸為同一條直線，以消除多余直線對(duì)檢測(cè)結(jié)果的影響，提高直線檢測(cè)效率。利用標(biāo)尺邊緣和水位線的直線方程即可求出標(biāo)尺豎直邊緣線與水位線的交點(diǎn)坐標(biāo)，將交點(diǎn)坐標(biāo)轉(zhuǎn)換為直角坐標(biāo)后，再求取縱坐標(biāo)的平均值，即可確定水位線在圖像空間中的具體位置。Hough 變換直線檢測(cè)結(jié)果如圖7所示。

從圖7可看出，Hough 變換后得到 N 條直線，從這 N 條直線中選取任意2條，標(biāo)記為i和 j（i，j=1，2，…，N，i≠j）。當(dāng) N 的值很大時(shí)，不同ρ的差值絕對(duì)值 'ρi -ρj'與不同θ的差值絕對(duì)值'θi -θj'對(duì)水位線識(shí)別準(zhǔn)確率影響較大。為提高直線檢測(cè)效率，本文進(jìn)行了不同參數(shù)組合取值對(duì)水位線識(shí)別準(zhǔn)確率的影響測(cè)試，結(jié)果見(jiàn)表1?？煽闯霎?dāng)'ρi -ρj'取6.5～7.0、'θi -θj' 取0.13～0.19時(shí)，水位線識(shí)別準(zhǔn)確率較高。因此，本文將該范圍內(nèi)的直線歸為同一條直線，以消除多余直線對(duì)檢測(cè)結(jié)果的影響，減少算法處理時(shí)間，提高直線檢測(cè)效率。

2.2 標(biāo)尺數(shù)字識(shí)別

2.2.1 水位線附近標(biāo)尺數(shù)字區(qū)域圖像預(yù)處理

由于攝像機(jī)采集的圖像數(shù)據(jù)量通常較大，為減少圖像中不相關(guān)信息帶來(lái)的誤差和樹(shù)莓派的運(yùn)算量，提高標(biāo)尺數(shù)字識(shí)別的準(zhǔn)確率，基于檢測(cè)出的水位線縱坐標(biāo)，截取水位線附近區(qū)域一定范圍內(nèi)的標(biāo)尺數(shù)字圖像（圖8（a）），并對(duì)圖像進(jìn)行去噪、分割和增強(qiáng)等預(yù)處理，以提高截取區(qū)域圖像的清晰度和對(duì)比度。采用 Otsu法選取分割閾值。為適應(yīng)黑白像素點(diǎn)分布情況不同的圖像，提高算法運(yùn)行效率，在進(jìn)行標(biāo)尺數(shù)字圖像二值化分割時(shí)，通過(guò)比對(duì)二值化后圖像中的白色、黑色像素點(diǎn)個(gè)數(shù)，采用像素點(diǎn)個(gè)數(shù)少的顏色作為閾值，即如果黑色像素點(diǎn)個(gè)數(shù)多于白色像素點(diǎn)個(gè)數(shù)（圖8（b）），則采用白色像素作為閾值（圖8（c））。之后，使用中值濾波法將每個(gè)像素點(diǎn)周?chē)徲騼?nèi)的中值作為新灰度值，以去除差異較大的噪聲點(diǎn)，使圖像更加平滑，并保護(hù)圖像中的邊緣信息。

2.2.2 基于模板匹配法的數(shù)字識(shí)別

對(duì)于固定字體的阿拉伯?dāng)?shù)字，模板匹配是一種簡(jiǎn)單、快速且方便實(shí)現(xiàn)的數(shù)字識(shí)別方法。該方法為每個(gè)類(lèi)別創(chuàng)建1個(gè)或多個(gè)標(biāo)準(zhǔn)模板，并將待識(shí)別樣本與模板進(jìn)行比較，通過(guò)對(duì)比樣本與模板的邊緣信息的對(duì)應(yīng)程度，將樣本歸入與模板最接近的類(lèi)別[21]?？紤]到樹(shù)莓派的計(jì)算能力和系統(tǒng)應(yīng)用場(chǎng)景，本文先對(duì)預(yù)處理后的圖像進(jìn)行圖形輪廓檢測(cè)，結(jié)果如圖9（a）所示（紅框?yàn)閳D形輪廓）；之后根據(jù)圖形的長(zhǎng)寬比篩選出符合阿拉伯?dāng)?shù)字特征的圖像，再采用模板匹配法遍歷篩選后的每個(gè)數(shù)字區(qū)域圖像，輸出最終匹配成功的數(shù)字，如圖9（b）所示。

3 結(jié)語(yǔ)

為滿足煤礦井下水倉(cāng)水位低成本實(shí)時(shí)監(jiān)測(cè)和水泵智能聯(lián)動(dòng)控制的需要，提出了一種基于樹(shù)莓派的井下水倉(cāng)水位智能測(cè)控系統(tǒng)。該系統(tǒng)利用防爆監(jiān)控?cái)z像機(jī)采集水倉(cāng)標(biāo)尺周?chē)粓D像，采用樹(shù)莓派作為圖像處理平臺(tái)。先通過(guò) Otsu法對(duì)圖像進(jìn)行閾值分割，采用形態(tài)學(xué)運(yùn)算進(jìn)行圖像增強(qiáng)，再利用 Canny 算子檢測(cè)標(biāo)尺邊緣，并通過(guò) Hough 變換檢測(cè)出水位線在圖像空間中的縱坐標(biāo)；之后利用模板匹配法識(shí)別水位線附近標(biāo)尺圖像數(shù)字，得到水倉(cāng)水位數(shù)值，再將其轉(zhuǎn)換為水泵控制器能夠識(shí)別的電流模擬量，根據(jù)電流大小控制水泵開(kāi)停，實(shí)現(xiàn)水倉(cāng)水位智能控制。該系統(tǒng)具有成本較低、部署便捷、精度高、實(shí)時(shí)性好等優(yōu)點(diǎn)。

參考文獻(xiàn)（References）：

[1] 石軍杰.煤礦井下水倉(cāng)智能清理機(jī)的設(shè)計(jì)及關(guān)鍵技術(shù)研究[D].太原：太原理工大學(xué)，2022.

SHI Junjie. Design and key technology research of intelligent waster silo cleaning machine in coal mine[D]. Taiyuan：Taiyuan University of Technology，2022.

[2] 李文俊.煤礦與非煤礦山安全評(píng)價(jià)指導(dǎo)手冊(cè)[M].徐州：中國(guó)礦業(yè)大學(xué)出版社，2006.

LI Wenjun. Guidelines for safety assessment of coal and non coal mines[M]. Xuzhou：China University of Mining and Technology Press，2006.

[3] MT/T 674—1997礦井生產(chǎn)時(shí)期排水技術(shù)規(guī)范[S].

MT/T 674-1997 Technical specification for drain of mine water during the period of production[S].

[4] 林王峰.基于視頻圖像的船舶水尺自動(dòng)測(cè)量系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].廈門(mén)：集美大學(xué)，2017.

LIN Wangfeng. The design and implementation of a ship's draft automatica measurement system base on thevideo image recognition technology[D]. Xiamen：Jimei University，2017.

[5] 郭秀艷.船舶水尺吃水值檢測(cè)方法研究[D].大連：大連海事大學(xué)，2014.

GUO Xiuyan. Research on detection method of ship draft[D]. Dalian：Dalian Maritime University，2014.

[6] 張亞，宗軍，蔣東進(jìn)，等.氣泡壓力式水位計(jì)現(xiàn)場(chǎng)檢測(cè)裝置設(shè)計(jì)與實(shí)現(xiàn)[J].水文，2021，41（6）：60-65.

ZHANG Ya，ZONG Jun，JIANG Dongjin，et al. Design and implementation of field detection device for bubble pressure-type stage recorder[J]. Journal of China Hydrology，2021，41（6）：60-65.

[7] 王磊，陳明恩，孟凱凱，等.基于深度學(xué)習(xí)算法的水位識(shí)別方法研究[J].水利信息化，2020（3）：39-43，56.

WANG Lei，CHEN Ming'en，MENG Kaikai，et al. Research on water level recognition method based on deep? learning? algorithms[J]. Water? Resources Informatization，2020（3）：39-43，56.

[8] WANG Xing，CHEN Hu，WU Qinge，et al. On research of video? stream detection algorithm for ship waterline[C]. International Conference on Big Data， Artificial? Intelligence? and? Internet? of? Things Engineering，F(xiàn)uzhou，2020：204-208.

[9] 石則斌，羅雪峰，王隱，等.基于卷積神經(jīng)網(wǎng)絡(luò)的智能垃圾分揀車(chē)[J].實(shí)驗(yàn)室研究與探索，2022，41（12）：123-126.

SHI Zebin，LUO Xuefeng，WANG Yin，et al. Intelligent garbage sorting vehicle based on convolutional neural network[J]. Research and Exploration in Laboratory，2022，41（12）：123-126.

[10] 張琪.結(jié)合邊緣檢測(cè)的圖像二值化算法[D].長(zhǎng)春：吉林大學(xué)，2011.

ZHANG Qi. Image binarization algorithm combined with edge detection[D]. Changchun：Jilin University，2011.

[11] 林愛(ài)萍.智能平倉(cāng)機(jī)器人的視覺(jué)導(dǎo)航系統(tǒng)設(shè)計(jì)[D].成都：電子科技大學(xué)，2021.

LIN Aiping. Research on the vision navigation system of intelligent grain leveling robot[D]. Chengdu：University of Electronic Science and Technology of China，2021.

[12] 范九倫，趙鳳.灰度圖像的二維Otsu曲線閾值分割法[J].電子學(xué)報(bào)，2007（4）：751-755.

FAN Jiulun， ZHAO Feng. Two-dimensional Otsu's curve thresholding segmentation method for gray-level images[J]. Acta Electronica Sinica，2007（4）：751-755.

[13] 戴青云，余英林.數(shù)學(xué)形態(tài)學(xué)在圖象處理中的應(yīng)用進(jìn)展[J].控制理論與應(yīng)用，2001（4）：478-482.

DAI Qingyun， YU Yinglin. The advances? of mathematical morphology in image processing[J]. Control Theory & Applications，2001（4）：478-482.

[14] 王家晨，王新房.基于ButterWorth濾波的X射線鋼管焊縫缺陷檢測(cè)方法[J].微型機(jī)與應(yīng)用，2017，36（23）：21-24.

WANG Jiachen，WANG Xinfang. Automatic detection of weld defects in X-ray based on ButterWorth filtering[J]. Microcomputer & Its Applications，2017，36（23）：21-24.

[15] 段瑞玲，李慶祥，李玉和.圖像邊緣檢測(cè)方法研究綜述[J].光學(xué)技術(shù)，2005（3）：415-419.

DUAN Ruiling，LI Qingxiang，LI Yuhe. Summary of image edge detection[J]. Optical Technique，2005（3）：415-419.

[16] 陳若珠，薛彪.基于MATLAB的改進(jìn)Canny算子的圖像邊緣檢測(cè)研究[J].工業(yè)儀表與自動(dòng)化裝置，2014（4）：113-116.

CHEN Ruozhu，XUE Biao. The research of image edge detection based on improved Canny operator of MATLAB[J].? Industrial? Instrumentation? and Automation，2014（4）：113-116.

[17] 王植，賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測(cè)方法[J].中國(guó)圖象圖形學(xué)報(bào)，2004（8）：65-70.

WANG Zhi，HE Saixian. An adaptive edge-detection method based on Canny algorithm[J]. Journal of Image and Graphics，2004（8）：65-70.

[18] 李靜，陳桂芬，丁小奇.基于改進(jìn)Canny算法的圖像邊緣檢測(cè)方法研究[J].計(jì)算機(jī)仿真，2021，38（4）：371-375.

LI Jing，CHEN Guifen，DING Xiaoqi. Research on image edge detection method based on improved Canny algorithm[J]. Computer Simulation，2021，38（4）：371-375.

[19] 李小蘭.基于霍夫變換的海面小目標(biāo)檢測(cè)方法研究[D].西安：西安電子科技大學(xué)，2022.

LI Xiaolan. Detection methods based on Hough transforms of sea-surface small targets[D]. Xi'an：Xidian University，2022.

[20] 張志強(qiáng)，馮偉，趙小虎，等.面向邊緣計(jì)算的選煤廠刮板檢測(cè)方法[J].工礦自動(dòng)化，2021，47（4）：92-97.

ZHANG Zhiqiang，F(xiàn)ENG Wei，ZHAO Xiaohu，et al. Edge computing-oriented scraper detection method for coal preparation? plants[J]. Industry and Mine Automation，2021，47（4）：92-97.

[21] 王健.基于PHOW特征的人臉姿態(tài)識(shí)別算法研究[D].濟(jì)南：山東財(cái)經(jīng)大學(xué)，2016.

WANG Jian. PHOW based feature detection for head pose estimation[D]. Jinan：Shandong University of Finance and Economics，2016.