郭欽鵬,相志斌,楊仕教,王昱琛,尹 裕

(1．南華大學資源環(huán)境與安全工程學院,湖南 衡陽 421000;2．中國有色金屬長沙勘察設計研究院有限公司,長沙 410000)

爆破以其經濟、高效等優(yōu)點,被廣泛應用于采礦和土木工程中。塊度分布作為衡量爆破效果的重要技術指標,直接影響后續(xù)鏟運、破碎及粉磨等工序的成本和效率,也為爆破參數(shù)優(yōu)化提供必要的依據(jù)[1-3]。因此,建立爆破塊度快速準確的檢測方法對指導爆破施工,提高爆破效益具有重要的理論意義和實用價值。

爆堆具有規(guī)模大、巖塊粘連嚴重且形狀不規(guī)則、粒度差異大、灰度差異小等特點?，F(xiàn)有的爆破塊度測量方法可概括為傳統(tǒng)爆破塊度測量、基于三維點云數(shù)據(jù)的爆破塊度測量和基于圖像處理的爆破塊度測量3大類。傳統(tǒng)的爆破塊度測量方法,如大塊計量法和篩分法等,雖然檢測結果相對準確,但存在工作量大、檢測樣本數(shù)少、對生產干擾大等缺點。而基于三維點云數(shù)據(jù)的爆破塊度測量方法和基于圖像處理的爆破塊度測量方法避免了傳統(tǒng)測量法的缺點,成為智能爆破、智能礦山生產領域的研究熱點[4-7]。劉強等[8]采用Locally Convex Connected Patches (LCCP)算法對表面巖塊點云模型進行分析,小規(guī)模試驗表明基于三維點云數(shù)據(jù)的爆破塊度統(tǒng)計存在1～3 cm粒徑偏差。WANG Y等[9]基于平面擬合改進LCCP算法對德興銅礦的爆堆進行分析,實現(xiàn)了0.5 m以上巖塊的正確計算, 但無法有效分割較小巖塊?；谌S點云數(shù)據(jù)的爆破塊度測量方法研究成果較少,分析方法主要以聚類分析為主,而基于圖像處理的爆破塊度測量方法作為目前最常用的檢測手段,分析方法較多,研究成果主要集中于基于區(qū)域的分割和基于神經網(wǎng)絡的分割[10-14]。李鴻翔等[15]采用GAN-Unet模型對傳送帶上礦石的圖像進行分割,結果表明該方法可減少邊緣未閉合和錯誤分割等問題,提高分割準確性。柳小波等[16]首先采用U-Net模型提取傳送帶礦石圖像輪廓,并將圖像二值化處理,然后采用Res_UNet模型進行輪廓優(yōu)化,分割結果表明該方法相較于分水嶺算法和不進行輪廓優(yōu)化的U-Net模型更適合于傳送帶礦石圖像分割。然而基于神經網(wǎng)絡的巖石圖像分割訓練異常耗時,且上述研究針對的是粒度差異較小的傳送帶礦石,是否適用于大規(guī)模且粒度差異大的爆堆巖塊分割有待研究。YANG Z等[17]提出一種新的親和度構建模型改進超像素圖像分割技術,實現(xiàn)爆堆圖像的巖塊分割。楊丹丹等[18]利用尺度變換改進基于圖論的聚類分割算法對礦巖圖像進行分割,結果表明該方法可以滿足多種礦巖顆粒圖像的分割要求。葉平坤[19]通過采用強制最小技術改進分水嶺算法實現(xiàn)礦巖顆粒的分割,并與人工篩分結果相對比,證明了圖像檢測的準確性和可行性。MA L C等[20]將分水嶺分割算法與Canny邊緣檢測獲得的礦巖圖像分割線相結合從而得到優(yōu)化后的分割圖像,研究結果表明該方法可減少巖塊的過分割和欠分割。

分水嶺算法因其對微弱邊緣具有較好的反應,被廣泛應用于巖塊顆粒分割,但由于爆堆圖像存在較多無意義的局部極小值,即冗余種子點,導致分水嶺算法產生嚴重的錯誤分割,尤其是過分割[12,19-21]。針對分水嶺算法在爆堆巖塊圖像分割過程中存在的局限性,提出基于巖塊輪廓堅實度的種子點標記方法,形成基于巖塊輪廓屬性的分水嶺算法,減少過分割和欠分割現(xiàn)象,實現(xiàn)對爆堆中粘連巖塊的有效分割。

1 爆堆圖像預處理和二值分割

由于爆破現(xiàn)場環(huán)境復雜,采集的爆堆圖像存在較為嚴重的噪聲,且?guī)r塊堆積嚴重,相互粘連,背景差異度小、顏色信息不明顯。為有效地對爆堆巖塊進行分割,需對爆堆圖像進行預處理和二值分割,流程如圖1所示。首先采用雙邊濾波對爆堆灰度圖像去噪,其次通過限制對比度自適應直方圖均衡化使巖塊邊緣更加明顯,然后利用基于局部圖像性質的Phansalkar法[22]對爆堆圖像進行二值分割,最后對爆堆二值圖像進行形態(tài)學優(yōu)化,并進行面積濾波。經預處理和二值分割后的效果如圖2所示。

圖1 爆堆圖像預處理和二值分割流程Fig.1 Blasting pile of pre-processing and binary segmentation effects

圖2 爆堆圖像預處理和二值分割效果Fig.2 Blasting pile image preprocessing and binary segmentation effect

Phansalkar方法[22]是一種基于局部圖像性質的自適應局部閾值方法,該方法對圖像中每個像素(x,y)處理,考慮以該像素為中心的一個w×w大小的窗口,該窗口內的像素灰度平均值為m(x,y),標準差為s(x,y),則針對該像素的局部閾值T(x,y)為

T(x,y)=m(x,y)[1+pe-qm(x,y)+

(1)

式中:p和q為常數(shù)。

Phansalkar方法可以根據(jù)局部平均值與標準差的大小確定閾值的選取,通過調整參數(shù)p,q,k的取值,可以調整Phansalkar方法的結果,具有很大的靈活性,處理效果見圖2d。為表明該方法的有效性,將該方法與Otsu[23]和Sauvola[24]進行對比,對比的閾值方法對圖2c處理的效果如圖3所示。從圖中可看出Otsu方法會產生2種錯誤:①把巖石較暗區(qū)域和被陰影遮擋的巖石錯誤分割為背景;②把部分大巖石內部區(qū)域分為背景。部分錯誤區(qū)域見圖中方框部分,嚴重影響后續(xù)的粘連巖塊的分割。Sauvola方法只是把巖塊的大致輪廓分割出來,并沒有區(qū)分出目標和背景區(qū)域。而Phansalkar方法能準確地將背景與巖石顆粒區(qū)分,效果理想。

圖3 不同方法的二值分割效果Fig.3 Binary segmentation effects of different methods

圖2e為經形態(tài)學優(yōu)化后的爆堆二值圖像,將該圖與圖2d對比可發(fā)現(xiàn),形態(tài)學優(yōu)化可消除二值圖像中較小的“孔洞”和噪聲點,平滑目標邊緣,但是仍有部分“孔洞”較大區(qū)域和噪聲點無法去除。圖2f為采用面積濾波消除較大“孔洞”和噪聲點后的爆堆二值圖像,取得了較為理想的結果,但仍存在部分噪點,對巖塊分割造成影響,如果增加面積閾值,就會造成部分小巖塊周圍的背景被去除。

2 基于巖塊輪廓屬性的爆堆圖像分割方法

2.1 分水嶺算法原理

分水嶺算法[25-26]原理是以三維方式來把一幅圖像形象化為地形圖。在這種“地形學”中,考慮三種類型的點,如圖4所示:①局部最小值點或最小值面,該點對應一個盆地的最低點,也稱為種子點;②盆地的其他位置點;③盆地的邊緣點,即該盆地和其他盆地交接點。對于一個特定的區(qū)域最小值,滿足條件②的點的集合稱為該最小值的匯水盆地或分水嶺。滿足條件③的點形成地面的鋒線,稱為分割線或分水線?；谶@些概念的分割算法的主要目標是找出分割線,也就是圖像中巖塊的邊緣。

圖4 分水嶺二維地形Fig.4 2D topographic image of watershed

傳統(tǒng)的分水嶺算法通常是無標記分割,輸入對象是梯度圖像,是基于亮度變化的,它只反映圖像的邊緣信息,會因圖像存在許多無意義的局部極小值導致分水嶺產生過分割現(xiàn)象。

2.2 巖塊輪廓的堅實度

在一些特殊粘連對象的分割過程中,例如粘連的細胞、球形顆粒等,可采用一些經驗知識,如細胞核的顏色、球形顆粒的形狀等信息來對種子點進行糾正。但對于爆堆巖塊分割,除了形狀外無其他經驗知識,且爆堆巖塊形狀大部分為不規(guī)則的多邊形。為探究爆堆巖塊形狀規(guī)律,對爆堆圖像進行人工分割,分割效果如圖5所示。

圖5 人工分割Fig.5 Manual segmentation

通過圖像輪廓檢測技術,統(tǒng)計爆堆中巖塊的信息,其中包括巖塊的面積、巖塊輪廓凸包的面積、巖塊輪廓堅實度,其中輪廓檢測為檢測并提取具有相同顏色或灰度的所有連續(xù)點,這些點連接后為巖塊的邊緣曲線,即巖塊的輪廓。然后統(tǒng)計該輪廓內部的像素點個數(shù),可獲得巖塊的面積。通過檢查巖塊的邊緣曲線是否存在凸凹缺陷并對凹處進行校正,形成始終突出或至少平坦的凸曲線,即為巖塊輪廓凸包,統(tǒng)計該凸包內部的像素點個數(shù),即巖塊輪廓凸包的面積。巖塊輪廓堅實度為巖塊面積與巖塊輪廓凸包面積的比值。面積大于1 000 cm2的巖塊的輪廓堅實度分布直方圖如圖6所示。從圖6可看出該圖中較大巖塊的輪廓堅實度范圍在0.78～0.96之間,主要集中在0.84～0.96之間,因此爆堆巖塊輪廓的堅實度較高,由此可得出爆堆巖塊形狀接近或等于凸多面體。

圖6 堅實度分布直方圖Fig.6 Solidity distribution histogram

2.3 基于巖塊輪廓屬性的爆堆圖像自適應分割

基于以上研究,為減少分水嶺算法對爆堆巖塊錯誤分割的現(xiàn)象,在對爆堆圖像預處理和二值分割的基礎上,采用迭代腐蝕的方法對爆堆的二值圖像(圖2f)進行處理,并利用巖塊輪廓堅實度較高這一輪廓屬性標記種子點,最后采用分水嶺算法進行分割。其中迭代腐蝕為采用同一個結構元素對目標進行多次腐蝕處理,巖塊輪廓堅實度作為評判是否為種子點的依據(jù)。

整個分割方法偽代碼如表1所示,其中第8行和第20行中f(x)代表對x進行腐蝕操作。需說明的是:①文中設置的堅實度閾值為0.8;②背景區(qū)域為二值圖像中像素為0的區(qū)域,其中包含著少量的噪點,如圖2f方框中的黑色區(qū)域,對照圖2a可知該區(qū)域為噪點。在對爆堆的二值圖像迭代腐蝕處理過程中,部分背景區(qū)域(尤其是噪點)的輪廓堅實度會逐漸增大,甚至會大于堅實度閾值,因此偽代碼(見表1)的14～18行的作用為判斷每個滿足堅實度閾值的輪廓是否由背景區(qū)域膨脹之后產生。

表1 分割方法偽代碼

3 實驗結果與分析

3.1 種子點標記結果和分割效果

以上述圖2a中爆破后巖塊圖像為試驗對象,驗證基于巖塊輪廓屬性的爆堆圖像自適應分割算法的性能。圖7分別為該方法對爆堆圖像的種子點標記結果和分割結果。從圖7可以看出該分割方法可有效地對巖塊進行標記,并實現(xiàn)對嚴重堆疊和粘連的爆破堆石圖像較為準確的分割。將爆破堆石種子點圖分別與其預處理后的二值圖像對比發(fā)現(xiàn)該種子點標記方法可避免因二值圖像巖塊內部噪聲對分割的影響,如圖2f方框內。但該方法同樣存在一定問題:

圖7 種子點標記結果和分割效果Fig.7 Seed point marking result and segmentation result

1)部分嚴重粘連巖塊沒有分割開,如圖7a方框內。對比圖2f相同位置可發(fā)現(xiàn)該情況主要是由于二值分割后粘連巖塊之間沒有存在明顯的界限,且在種子點標記過程中粘連巖塊形成的輪廓的堅實度大于堅實度閾值;

2)對部分巖塊進行多次種子點標記,如圖7a橢圓框內。從圖中可看出存在多個種子點的巖塊主要特征為在圖像中存在多個面或表面起伏較大。由于自然光的原因,造成了巖塊背面或者表面較低區(qū)域存在陰影,對種子點標記造成影響。

3.2 與現(xiàn)有方法的比較

為了評估基于巖塊輪廓屬性的爆堆圖像自適應分割方法的準確性和先進性,將該算法與其他2種用于巖石分割的分水嶺改進方法進行對比,并以人工分割結果作為分割標準對3種分割方法的分割效果進行評價,其中2種分水嶺改進方法分別見文獻[27]和[28]。采用文獻[27]和[28]的分割方法對爆堆圖像的分割結果如圖8所示, 3種分割結果的面積累計分布曲線如圖9所示,其中巖塊面積累計曲線計算公式見公式(2)。分割結果的Area20,Area50和Area803個特征面積參數(shù)的對比如表3所示,分別代表累計面積分布百分數(shù)達到20%、50%和80%時所對應的面積。表3為分割結果在不同面積區(qū)間的巖石個數(shù)對比,需說明的是只統(tǒng)計面積為100 cm2以上巖塊的個數(shù)。表2和表3均采用相對誤差(Re)作為評價指標。

表2 3個特征面積參數(shù)

表3 爆堆圖像分割結果中的巖塊個數(shù)

圖8 采用文獻[27]和[28]分割方法的分割結果Fig.8 Segmentation results using the segmentation methods in literature [27] and [28]

圖9 面積累計分布曲線Fig.9 Cumulative area distribution curve

(2)

式中:P為巖塊累計面積比;Stotal為整個爆破堆石圖像所有被識別巖塊面積的總和;Sx為巖塊在面積分級x處的累計面積。

從圖8可看出文獻[27]和[28]提出的分割方法均可實現(xiàn)對嚴重堆疊和粘連的爆破堆石圖像的分割。從圖9可看出,文獻[28]方法的分割效果較差,其面積累計曲線高于人工分割的面積累計曲線,即在相同的巖塊累計面積比的條件下,文獻[28]方法分割結果所對應的面積均小于人工分割結果所對應的面積,如表2所示的3個特征面積參數(shù),表明文獻[28]方法存在較多的過分割現(xiàn)象,該現(xiàn)象也可從表3中文獻[28]方法分割結果與人工分割結果在100 cm2以上的巖塊個數(shù)對比結果看出。從圖9和表3可看出,相對于文獻[28]方法,文獻[27]方法的分割效果具有一定的改善,該方法在0～1 000 cm2面積區(qū)間內具有欠分割現(xiàn)象,而對面積大于3 000 cm2的巖塊具有過分割現(xiàn)象,從而導致了在1 000～3 000 cm2面積區(qū)間內的巖塊個數(shù)大于人工分割的巖塊個數(shù)。而本文方法對爆堆圖像的分割效果最好,其面積累計分布曲線更接近于人工分割,分割結果的3個特征面積參數(shù)的相對誤差最大僅為4.32%,不同面積區(qū)間內巖塊個數(shù)的相對誤差最大僅為3.28%,優(yōu)于文獻[27]和[28]提出的分割方法。

4 結論

1) 闡述爆堆圖像預處理過程及其對分割結果的影響,并引入Phansalkar方法,通過與Otsu方法和Sauvola方法的結果對比,證明了該方法更適用于爆堆圖像的二值分割。

2) 通過對爆破堆石巖塊形狀進行分析發(fā)現(xiàn)爆破堆石巖塊輪廓的堅實度較高,因此提出了基于巖塊輪廓堅實度的種子點標記方法對分水嶺算法進行改進,解決了因巖塊嚴重粘連和粒徑差異大造成的爆破堆石圖像錯誤分割問題。

3) 種子點標記結果表明文中方法能夠有效地對爆堆巖塊進行種子點標記,并可避免因二值圖像巖塊內部噪聲對種子點標記的影響。分割結果表明本文方法結果與人工分割結果的面積累計分布曲線高度相似,其特征面積參數(shù)和不同面積區(qū)間內巖塊個數(shù)的誤差均小于文獻[27]和[28]提出的分割方法。

4)建議在后續(xù)的研究工作中將開展兩方面的研究:分析并確定更多種類巖石的輪廓堅實度閾值,提高該分割方法的應用范圍;以巖塊輪廓堅實度屬性為優(yōu)化基礎,改進其他爆堆圖像分割方法,探究不同改進分割方法的分割性能。