基于圖像識(shí)別的礦山相似材料試驗(yàn)?zāi)Ｐ妥冃涡畔⑻崛?/h1>
2023-12-21 09:25:42湯伏全柴成富郭千慧子武金輝
煤炭科學(xué)技術(shù) 2023年11期
湯伏全 ，柴成富 ，郭千慧子 ，武金輝
（1.西安科技大學(xué) 測(cè)繪科學(xué)與技術(shù)學(xué)院, 陜西 西安 710054；2.國土資源部煤炭資源勘查與綜合利用重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710021）
0 引 言
相似材料模擬試驗(yàn)是研究礦山開采損害規(guī)律的重要手段。根據(jù)地質(zhì)采礦條件制作相似材料模型并獲取測(cè)點(diǎn)位移信息，可揭示地下開采引起的覆巖與地表變形損害規(guī)律[1]。在相似材料試驗(yàn)?zāi)Ｐ妥冃螠y(cè)量的諸多方法中，傳統(tǒng)的儀器測(cè)量法以及透鏡放大法等外業(yè)工作量大，測(cè)量精度較低，且耗時(shí)耗力[2]；將光纖傳感器技術(shù)[3]應(yīng)用于模型試驗(yàn)，能夠準(zhǔn)確測(cè)得模型中的微小應(yīng)變情況，但無法測(cè)得模型產(chǎn)生的較大形變量。隨著數(shù)字?jǐn)z影測(cè)量技術(shù)的發(fā)展，利用高分辨率數(shù)碼相機(jī)采集瞬時(shí)圖像，獲得試驗(yàn)?zāi)Ｐ烷_采過程的圖像數(shù)據(jù)，所獲取的變形信息更直觀且精度更高，已成為相似材料模型試驗(yàn)數(shù)據(jù)采集的主要方法[4]。一些學(xué)者采用非量測(cè)相機(jī)進(jìn)行全景觀測(cè)并建立模型控制場(chǎng)，將像平面坐標(biāo)轉(zhuǎn)換為模型測(cè)量坐標(biāo)[5]，證明了非量測(cè)相機(jī)用于模型變形測(cè)量的可行性；有學(xué)者將具有高精度、非接觸性和全場(chǎng)觀測(cè)等優(yōu)點(diǎn)的數(shù)字散斑技術(shù)[6]應(yīng)用于模型試驗(yàn)，利用 MATLAB 進(jìn)行一系列處理，驗(yàn)證了散斑方法的高效性與可行性，進(jìn)一步提出了用支持向量機(jī)算法對(duì)模型中的變形點(diǎn)和非變形點(diǎn)進(jìn)行識(shí)別，采用自檢校光束平差法對(duì)影像進(jìn)行處理，能夠更好地監(jiān)測(cè)模型的實(shí)時(shí)變形過程[7]；有學(xué)者使用西安交通大學(xué)研發(fā)的數(shù)字近景工業(yè)攝影測(cè)量系統(tǒng)(XJTUDP)，采用攝影比例尺轉(zhuǎn)換-時(shí)間基線視差(PST-TBP)法[8]對(duì)相似材料模型進(jìn)行監(jiān)測(cè)，高效地獲取了測(cè)點(diǎn)坐標(biāo)；還有學(xué)者基于圖像信息的拓?fù)潢P(guān)系提出了三維點(diǎn)云變形監(jiān)測(cè)方法[9]，利用小波模極大值技術(shù)提取二維灰度圖像的特征，得到相應(yīng)的特征點(diǎn)云從而確定模型的變形量。
然而，以上方法主要采用固定相機(jī)姿態(tài)對(duì)試驗(yàn)?zāi)Ｐ鸵淮闻臄z全景圖像的方式進(jìn)行數(shù)據(jù)采集。由于外業(yè)拍攝須固定相機(jī)姿態(tài)，不便于靈活作業(yè)，而一次成像所獲取的模型全景圖像由于拍攝距離較遠(yuǎn)導(dǎo)致圖像的分辨率受限。因礦山相似材料模型剖面長(zhǎng)度在2 000 mm 以上，若采用4 000×4 000 陣列的數(shù)碼相機(jī)進(jìn)行全剖面一次攝影，像元分辨率僅為0.5 mm。受到圖像分辨率的制約，特征提取的精度通常只能達(dá)到0.1 mm 左右,難以完全滿足模型試驗(yàn)需求。
針對(duì)現(xiàn)有攝影測(cè)量方法中固定相機(jī)姿態(tài)一次成像導(dǎo)致圖像分辨率較低的問題，采用航帶法思想[10]，將相機(jī)近距離置于模型側(cè)面正前方，進(jìn)行橫向重疊度大于55%，豎向重疊度大于30%的正射拍照，形成高分辨率的數(shù)碼圖像序列，利用一種全自動(dòng)穩(wěn)健的圖像拼接融合算法，對(duì)通過模型側(cè)表面上的散斑圖像對(duì)圖像序列進(jìn)行拼接，所形成的模型全景圖像較固定位姿一次拍攝全景的圖像在分辨率方面提高約10 倍。為了高效地獲取模型測(cè)點(diǎn)標(biāo)志的位置信息，通過改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)快速檢測(cè)方法（簡(jiǎn)稱Faster R-CNN 算法）對(duì)測(cè)點(diǎn)標(biāo)志進(jìn)行快速識(shí)別，顯著改善測(cè)點(diǎn)位置提取的效率和準(zhǔn)確率。在此基礎(chǔ)上，針對(duì)陜北某礦多煤層開采及采空區(qū)充填模型開展相似材料模擬試驗(yàn)，利用上述方法進(jìn)行模型的變形測(cè)量，揭示多煤層開采及采空區(qū)充填后覆巖與地表的變形破壞規(guī)律。
1 數(shù)據(jù)采集
1.1 地質(zhì)采礦模型
以陜北某礦多煤層開采及采空區(qū)充填為原型制作相似材料試驗(yàn)?zāi)Ｐ?。共? 個(gè)開采煤層，其中2-2煤厚度4.15 m，埋深209 m；3-1 煤厚度2.9 m，埋深243 m；4-2 煤厚度3.6 m，埋深為294 m。模型地層剖面如圖1 所示。
圖1 模型地層剖面Fig.1 Model stratum profile
1.2 試驗(yàn)?zāi)Ｐ?/h3>
根據(jù)相似材料模擬原理，采用河沙、石膏、大白粉、云母為試驗(yàn)材料，計(jì)算出合理的材料配比進(jìn)行模型制作。模型制成并風(fēng)干后，在模型側(cè)面噴繪無序散斑點(diǎn)用作圖像拼接的特征標(biāo)志。為研究開挖引起的覆巖層變化特征，在模型側(cè)面布設(shè)6 排×20 個(gè)的測(cè)點(diǎn)標(biāo)志。試驗(yàn)?zāi)Ｐ图皽y(cè)點(diǎn)布設(shè)如圖2 所示。模型的幾何相似比為1∶200，模型長(zhǎng)×寬×高分別為2 250 mm×200 mm×2 000 mm，模型左半邊模擬多煤層開采，留設(shè)煤柱250 mm，開采寬度110 mm，右半邊模擬采空區(qū)充填，充填開采寬度700 mm，兩側(cè)各留設(shè)煤柱100 mm(圖9—圖11)。
圖2 試驗(yàn)?zāi)Ｐ图皽y(cè)點(diǎn)標(biāo)志Fig.2 Experimental model and measuring point mark
試驗(yàn)中采用Canon EOS750D 數(shù)碼相機(jī)[11]進(jìn)行圖像采集。該相機(jī)的有效像素為2 420 萬，帶CMOS傳感器和定焦鏡頭，拍攝像片的畸變相對(duì)較小。在模型開挖過程中，將相機(jī)置于模型側(cè)面正前方約1.5～2.0 m，從模型左上側(cè)開始進(jìn)行拍照，保持橫向重疊度大于55%，豎向重疊度大于30%，每期采集的圖像序列含108 張圖片。
1.3 精度影響因子分析
1)測(cè)點(diǎn)標(biāo)志大小對(duì)精度的影響。為了保證在弱光環(huán)境下得到明顯的觀測(cè)點(diǎn)數(shù)據(jù)，試驗(yàn)采用正方形回光反射標(biāo)志[12]作為測(cè)點(diǎn)標(biāo)志，表1 為不同寬度的觀測(cè)標(biāo)志在等距離、等角度條件下連續(xù)拍攝5 次后得到的像素大小和經(jīng)過白塞爾公式解算得到的測(cè)點(diǎn)標(biāo)志提取誤差的統(tǒng)計(jì)結(jié)果。
表1 測(cè)點(diǎn)標(biāo)志大小對(duì)提取精度的影響統(tǒng)計(jì)Table 1 Statistics on the influence of observation point size on experimental accuracy
2)影像分辨率對(duì)測(cè)點(diǎn)提取精度的影響。定焦相機(jī)拍攝相片時(shí)，像元分辨率會(huì)因物距不同而變化，而影像分辨率直接影響圖像質(zhì)量和測(cè)點(diǎn)提取精度。試驗(yàn)中通過改變拍攝距離（物距）來確定測(cè)點(diǎn)提取精度最高時(shí)的相機(jī)位置。表2 所示為相同條件下連續(xù)拍攝5 次后得到的測(cè)點(diǎn)標(biāo)志提取精度的統(tǒng)計(jì)結(jié)果。
表2 不同物距對(duì)測(cè)點(diǎn)提取精度的影響統(tǒng)計(jì)Table 2 Statistics of influence of grid width on precision
從表1、表2 中可知，測(cè)點(diǎn)標(biāo)志大小、圖像分辨率在一定范圍內(nèi)具有最優(yōu)值，當(dāng)拍攝條件改變時(shí)，測(cè)點(diǎn)提取精度隨之改變。試驗(yàn)中選擇寬度為5 mm的正方形覘標(biāo)作為測(cè)點(diǎn)標(biāo)志，采用Canon EOS750D數(shù)碼相機(jī)拍攝的最佳物距為1.5～2.0 m。
2 圖像預(yù)處理
2.1 圖像畸變處理
采用物距為1.5～2.0 m 拍照方式，得到的圖像仍存在較小的畸變。為此，采用燕耀等[13]提出的非對(duì)稱圖像畸變均勻性虛擬校正方法對(duì)圖像進(jìn)行預(yù)處理。通過獲取所構(gòu)建的非對(duì)稱原始圖像和畸變后非對(duì)稱圖像位置的校正模型，求得最小擬合誤差，以提高非對(duì)稱圖像畸變校正的準(zhǔn)確度，獲取畸變系數(shù)[14]。在此基礎(chǔ)上，設(shè)定目標(biāo)函數(shù)，對(duì)獲取的畸變系數(shù)進(jìn)行優(yōu)化求解，最后采用雙線性插值法對(duì)畸變圖像的灰度進(jìn)行重建，完成對(duì)非對(duì)稱圖像畸變均勻性的校正。圖像畸變校正后的殘差影響會(huì)反映在測(cè)點(diǎn)標(biāo)志的提取誤差中。
2.2 全景圖像拼接
利用全景圖像拼接技術(shù)將上述108 張高分辨的圖像序列進(jìn)行自動(dòng)拼接，得到一幅高分辨率的無縫全景圖像。目前比較成熟的圖像拼接方法有Matlab 工具箱拼接、PS 拼接、融合算法拼接，其中融合算法可操作性強(qiáng)，拼接誤差小。采用趙向陽等[15]提出的一種全自動(dòng)穩(wěn)健的圖像拼接融合算法，對(duì)經(jīng)過畸變處理后的108 張圖像序列進(jìn)行拼接。該融合算法的主要步驟為：
1)利用Harris 角點(diǎn)檢測(cè)算子進(jìn)行特征提??；
2)利用鄰域像素灰度互相關(guān)法粗略估計(jì)兩幅圖像的偽匹配點(diǎn)；
3)運(yùn)用RANSAC 估計(jì)圖像間變換矩陣H：并重復(fù)N次隨機(jī)采樣。具體為
(a)隨機(jī)選取4 對(duì)偽匹配點(diǎn) (選取的4 點(diǎn)應(yīng)保證H的秩為3)，線性地計(jì)算變換矩陣H；
(b)計(jì)算每對(duì)偽匹配點(diǎn)離H的垂直距離dv；
(c)根據(jù)內(nèi)點(diǎn)距離小于閾值dv4)由RANSAC 的N次隨機(jī)采樣得到了最大內(nèi)點(diǎn)集合，運(yùn)用 LM 優(yōu)化算法對(duì)H進(jìn)行優(yōu)化估計(jì)；
5)根據(jù)H再對(duì)所有數(shù)據(jù)進(jìn)行內(nèi)點(diǎn)計(jì)算，直到內(nèi)點(diǎn)數(shù)目趨于一致。
6)采用顏色插值對(duì)交接處進(jìn)行顏色過渡。
試驗(yàn)中利用上述融合算法可將特征提取精度提高至亞像素級(jí)。使用RANSAC 算法將偽匹配點(diǎn)進(jìn)行集合分類，以提高匹配準(zhǔn)確率，圖像匹配過程如圖3 所示。采用顏色插值法處理接邊誤差，得到拼接后的圖像（圖3d）。
對(duì)108 張圖像序列進(jìn)行上述自動(dòng)處理后，得到高分辨率的模型全景圖像，如圖4 所示。
圖4 模型全景圖像Fig.4 Panoramic image
該全景圖像較常規(guī)的固定相機(jī)姿態(tài)一次拍攝的模型全景圖像在分辨率方面提高約10 倍，為高精度地提取測(cè)點(diǎn)位置坐標(biāo)奠定了基礎(chǔ)。
3 圖像識(shí)別處理
圖像識(shí)別是對(duì)模型圖像測(cè)點(diǎn)位置的檢測(cè)，并在檢測(cè)到的區(qū)域框中進(jìn)行測(cè)點(diǎn)坐標(biāo)的精確提取。隨著深度學(xué)習(xí)方法的不斷發(fā)展，一些學(xué)者將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到位置檢測(cè)，提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法[16]（Faster R-CNN 算法），而坐標(biāo)提取則常采用穩(wěn)健的基于相關(guān)性模板匹配算法[17]，基于上述算法進(jìn)行模型測(cè)點(diǎn)坐標(biāo)提取。
3.1 基于Faster R-CNN 算法的測(cè)點(diǎn)位置檢測(cè)
Faster R-CNN 算法由Fast R-CNN （Fast Region-Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)快速檢測(cè)）模塊[18]與RPN（RegionProposal Network，區(qū)域候選網(wǎng)絡(luò)）2 部分組成，其算法框架如圖5 所示。FastRCNN 檢測(cè)模塊利用建議區(qū)域和ROI（Region of Interest，池化層）對(duì)候選區(qū)域進(jìn)一步細(xì)化，實(shí)現(xiàn)檢測(cè)。RPN 網(wǎng)絡(luò)是一個(gè)全連接卷積網(wǎng)絡(luò)，通過卷積層獲取測(cè)點(diǎn)范圍的特征圖，然后利用區(qū)域建議卷積層對(duì)特征圖計(jì)算不同尺度和縱橫比的建議區(qū)域。整個(gè)框架是一個(gè)統(tǒng)一的目標(biāo)檢測(cè)網(wǎng)絡(luò)，2 個(gè)模塊共享卷積神經(jīng)網(wǎng)絡(luò)層，可進(jìn)行聯(lián)合訓(xùn)練。與其他檢測(cè)算法相比，該算法的優(yōu)點(diǎn)是能生成高質(zhì)量建議區(qū)域框，實(shí)現(xiàn)與檢測(cè)網(wǎng)絡(luò)卷積層的共享，能夠有效地減少測(cè)點(diǎn)位置檢測(cè)耗費(fèi)的時(shí)間[19]。
1）RPN 的改進(jìn)。RPN 網(wǎng)絡(luò)對(duì)CNN 卷積特征圖利用滑窗策略在特征圖中每個(gè)位置進(jìn)行卷積處理，從而得到矩形候選區(qū)域（錨）。錨[20]是預(yù)設(shè)的一組不同尺度不同位置的固定參考框，覆蓋幾乎所有位置和尺度，每個(gè)參考框負(fù)責(zé)檢測(cè)與其交并比大于訓(xùn)練預(yù)設(shè)值的目標(biāo)，其作用是不需要多尺度遍歷滑窗，也能快速檢測(cè)最優(yōu)位置。通過預(yù)測(cè)框時(shí)會(huì)產(chǎn)生w×h×k個(gè)錨點(diǎn)(其中w為預(yù)測(cè)框的寬度，h為預(yù)測(cè)框高度，k為區(qū)域建議網(wǎng)絡(luò)個(gè)數(shù))，試驗(yàn)中特征圖像為黑白圖像，尺寸較小且相似，為了節(jié)省計(jì)算時(shí)間，文中對(duì)錨點(diǎn)個(gè)數(shù)添加置信度，設(shè)定錨點(diǎn)個(gè)數(shù)小于2 000，使得候選區(qū)面積變大，RPN 變小，檢測(cè)速率提高。在訓(xùn)練時(shí)，RPN 使用重疊交并比 IoU 進(jìn)行正負(fù)標(biāo)簽的分配，IoU>0.8 時(shí)分配正標(biāo)簽，IoU<0.2 分配負(fù)標(biāo)簽。在獲得候選區(qū)域后，通過ROI 池化作用將特征圖轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，并傳輸?shù)椒诸惼?，進(jìn)而完成了Faster R-CNN 的整個(gè)流程。
2）損失函數(shù)。Faster R-CNN 中的損失包括回歸損失和分類損失，總的損失函數(shù)表達(dá)式如下：
式中：pi為預(yù)測(cè)為目標(biāo)的概率；ti為第i個(gè)錨預(yù)測(cè)的邊框回歸的參數(shù)化坐標(biāo)；Ncls為總的錨的數(shù)量；為目標(biāo)和非目標(biāo)的對(duì)數(shù)損失，是典型的二分類交叉熵?fù)p失。Nreg由錨位置的數(shù)量決定，表示只有正樣本才有邊框回歸損失， λ為權(quán)重平衡參數(shù)。
RPN 和ROI 的分類損失表達(dá)式相同，均是交叉熵?fù)p失。但RPN 損失是二分類交叉熵?fù)p失，ROI損失是多分類交叉熵?fù)p失。其表達(dá)式如公式（2）所示。
RPN 和ROI 的回歸損失函數(shù)均是由Smooth L1 Loss 計(jì)算的，其解決了預(yù)測(cè)值和真實(shí)值接近時(shí)發(fā)生梯度爆炸以及函數(shù)在0 點(diǎn)不可導(dǎo)而影響收斂的問題。Smooth L1 Loss 的表達(dá)式如式（3）所示?；貧w損失函數(shù)的表達(dá)式如式（4）所示。
3）算法實(shí)現(xiàn)。上述算法使用Windows7 旗艦版64位計(jì)算機(jī)實(shí)現(xiàn)；處理器為Intel(R)Xeon(R)CPU E5-2600 v4@2.00 GHz2.00 GHz(2 處理器)；GPU 為NIVDIA GeForce 830 M，Cuda9.1，以Matlab 2019a 作為試驗(yàn)平臺(tái)，調(diào)用深度學(xué)習(xí)工具箱，采用改進(jìn)的Faster RCNN 算法和GPU 加速運(yùn)算，過程采用VGG16 預(yù)訓(xùn)練模型，其參數(shù)權(quán)重是在ImageNet 下進(jìn)行訓(xùn)練的，試驗(yàn)共有拼接好的圖片50 張，將40 張作為訓(xùn)練集，10張作為驗(yàn)證集，將初始學(xué)習(xí)率設(shè)定為0.001，迭代10次后將學(xué)習(xí)率設(shè)為0.000 1，總共迭代15 次。檢測(cè)后的圖像部分區(qū)域如圖6 所示，準(zhǔn)確率和mAP（Mean Average Precision，均值平均精度）見表3。
表3 不同RPN 網(wǎng)絡(luò)的準(zhǔn)確率和mAP 值Table 3 Accuracy and mAP value of different RPN networks
圖6 特征點(diǎn)檢測(cè)結(jié)果Fig.6 Detection results of feature points
3.2 測(cè)點(diǎn)坐標(biāo)提取
為了從測(cè)點(diǎn)所在區(qū)域中提取其像素坐標(biāo)，采用穩(wěn)健的基于相關(guān)性的模板匹配算法進(jìn)行測(cè)點(diǎn)提取。該方法利用尺寸為3×3 的模板R，在待匹配圖像中尋找目標(biāo)[20]。如圖7 所示，將R 疊放在待匹配圖像上平移，模板覆蓋下的目標(biāo)子圖的中心點(diǎn)Rr(x,y)為像點(diǎn)在搜索圖中的坐標(biāo)。
圖7 圖像矩陣匹配Fig.7 Image matrix matching
由圖7 可以看出，模板R 在平移的過程中，按照一定的順序，以每次一個(gè)像素點(diǎn)的距離使搜索窗口在待匹配的圖像上移動(dòng)，在每次移動(dòng)過程中，需要計(jì)算模板圖像與模板窗口之間的相關(guān)性，然后將計(jì)算得到的相關(guān)性數(shù)值與給定的相關(guān)性閾值進(jìn)行比較，如果相關(guān)性大于該閾值，就可以認(rèn)為匹配成功，即找到待匹配的目標(biāo)。否則，就繼續(xù)移動(dòng)窗口進(jìn)行查找，最終精確得到測(cè)點(diǎn)的像素坐標(biāo)。
4 試驗(yàn)?zāi)Ｐ妥冃翁崛?/h2>4.1 測(cè)點(diǎn)坐標(biāo)提取及其精度統(tǒng)計(jì)
試驗(yàn)?zāi)Ｐ筒荚O(shè)了6 排測(cè)點(diǎn)標(biāo)志，下面主要針對(duì)地表層測(cè)點(diǎn)、底部巖層測(cè)點(diǎn)及3-1 與4-1 煤層之間的3 排測(cè)點(diǎn)進(jìn)行沉降變形分析。為了驗(yàn)證本文算法提取測(cè)點(diǎn)坐標(biāo)的實(shí)際精度，首先對(duì)開采前圖像的4個(gè)角點(diǎn)J1-J4坐標(biāo)分別提取4 次，其結(jié)果見表4。
表4 各角點(diǎn)像素坐標(biāo)重復(fù)提取結(jié)果Table 4 Pixel coordinates of image corners extracted repeatedly
通過白塞爾公式計(jì)算各角點(diǎn)提取坐標(biāo)的中誤差。根據(jù)相機(jī)參得到圖像中1 像素對(duì)應(yīng)的物方大小為0.076 1 mm，將像素中誤差轉(zhuǎn)換為物方坐標(biāo)中誤差，各角點(diǎn)物方坐標(biāo)提取的中誤差結(jié)果見表5。
表5 各角點(diǎn)物方坐標(biāo)提取的中誤差Table 5 Error in object-square coordinates of measuring points in different directions
由表5 可知，試驗(yàn)中測(cè)點(diǎn)坐標(biāo)提取的中誤差最大為0.027 mm，而本試驗(yàn)中模型比例尺為1∶200，將模型的測(cè)量誤差換算成原型誤差，則實(shí)地測(cè)量精度優(yōu)于6 mm，完全滿足相似材料模型試驗(yàn)對(duì)觀測(cè)精度的要求。
4.2 模型試驗(yàn)結(jié)果分析
1）循環(huán)開采后覆巖破壞特征。模型左半邊為多煤層開采試驗(yàn)。首采2-2 煤層時(shí)，從距離模型左邊界25 cm 處作為開切眼，按照時(shí)間相似比從左向右開采，每次推進(jìn)10 cm，用時(shí)10 min。當(dāng)工作面推進(jìn)至50 cm 時(shí)，發(fā)生初次垮落(圖8a)；工作面推進(jìn)至110 cm 時(shí)，離層空間向上移動(dòng)，發(fā)生周期性垮落。
圖8 開采后模型變形破壞情況Fig.8 Deformation and failure of model after mining
3-1 煤層從模型左邊界開采，工作面累計(jì)推進(jìn)40 cm 時(shí)，距離底板114 cm 處發(fā)育的裂隙延伸至地表，靜置2 h 后發(fā)生垮落，此時(shí)3-1 煤工作面與2-2 煤工作面導(dǎo)通(圖8b)。留25 cm 煤柱后繼續(xù)開采，工作面累計(jì)推進(jìn)至110 cm 時(shí)停采。
開采4-1 煤層時(shí)從模型左邊界開始，工作面累計(jì)推進(jìn)60 cm 時(shí)，距離開切眼55 cm 處發(fā)育1 號(hào)地表裂縫，寬度為0.3 cm(圖8c)。累計(jì)推進(jìn)至90 cm 時(shí)，1號(hào)地表裂縫寬度增加至0.6 cm，出現(xiàn)臺(tái)階式裂縫，工作面有微小錯(cuò)臺(tái)，且圍繞地表裂縫周邊有整體下沉現(xiàn)象。工作面累計(jì)推進(jìn)至100 cm 時(shí)留25 cm 煤柱，此后再推進(jìn)10 cm 后停采。
2）充填開采后覆巖破壞特征。模型右半邊為采空區(qū)充填試驗(yàn)。2-2 煤層在模型右邊界預(yù)留10 cm煤柱，從左向右開采，每次開采后立即用準(zhǔn)備好的20 cm×10 cm×2 cm 木板將采空區(qū)進(jìn)行充填，工作面累計(jì)推進(jìn)至50 cm 時(shí)發(fā)生頂板垮落，累計(jì)推進(jìn)至70 cm 時(shí)，采空區(qū)木板全部被壓實(shí)(圖8d)。
3-1 煤層在模型右邊界預(yù)留10 cm 煤柱后從左向右開采，累計(jì)推進(jìn)至50 cm 時(shí)，距離底板4.5 cm 處發(fā)育新的離層，長(zhǎng)度為12 cm；老采空區(qū)中間部分壓實(shí)充填物(圖8e)。
4-1 煤層從模型右邊界開采，預(yù)留10 cm 煤柱，推進(jìn)40 cm 時(shí)，發(fā)生垮落，垮落體壓實(shí)木板，此時(shí)留15 cm 煤柱，繼續(xù)充填開采開采10 cm 后(圖8f)，開采結(jié)束。
3)覆巖沉陷變形特征。利用本文算法高精度地提取模型上測(cè)點(diǎn)標(biāo)志的坐標(biāo)值，計(jì)算出不同層位測(cè)點(diǎn)的下沉和水平位移值。選取地表層、底部巖層和3-1 煤層與4-1 煤層中間巖層3 排測(cè)點(diǎn)在垂直方向的變形量繪制相應(yīng)下沉曲線，如圖9—圖11 所示。
圖9 地表層下沉曲線Fig.9 Surface subsidence curve
圖10 底部巖層下沉曲線Fig.10 Bottom strata subsidence curve
圖11 3-1 煤層與4-1 煤層中間巖層下沉曲線Fig.11 Subsidence curve of intermediate strata between 3-1 coal seam and 4-1 coal seam
在工作面循環(huán)開采過程中，首采2-2 煤層對(duì)巖層的垂向位移影響最??；3-1 煤層開采時(shí)，發(fā)育的裂隙延伸至地表，發(fā)生跨落，對(duì)底部巖層影響最大，在開切眼處下沉最大，4-1 煤層開采過程中，從開切眼到停采區(qū)位置，模型整體跨落并發(fā)育地表裂縫，形成如圖9 所示的下沉突變。
在充填開采過程中受到采空區(qū)的影響，模型測(cè)點(diǎn)的下沉值在采空區(qū)附近也是大于模型右邊界處。對(duì)于模型總體而言，地表下沉值僅為2 mm，表明充填開采模式對(duì)于保護(hù)地表建筑物具有積極作用。
5 討 論
針對(duì)礦山相似材料模型試驗(yàn)的高精度變形測(cè)量問題，利用非量測(cè)相機(jī)近距離拍攝高分辨率的圖像序列，通過圖像畸變糾正并對(duì)圖像序列進(jìn)行拼接，形成分辨率很高的模型全景圖像，進(jìn)一步利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法高精度地提取測(cè)點(diǎn)標(biāo)志的坐標(biāo)值，實(shí)現(xiàn)基于圖像識(shí)別的模型試驗(yàn)數(shù)據(jù)采集。
針對(duì)圖像畸變影響圖像拼接質(zhì)量的問題，文中運(yùn)用燕耀等[14]提出的非對(duì)稱圖像畸變均勻性虛擬校正方法對(duì)圖像進(jìn)行預(yù)處理。該算法通過構(gòu)建誤差校正模型獲取畸變系數(shù)，求取最小擬合誤差平方提高畸變校正的準(zhǔn)確度，從測(cè)點(diǎn)坐標(biāo)提取的中誤差不超過0.027 mm 可知，校正效果極佳。
針對(duì)圖像序列的拼接問題，運(yùn)用一種全自動(dòng)穩(wěn)健的圖像拼接算法對(duì)經(jīng)過畸變處理后的序列圖像進(jìn)行拼接，該算法采用Harris 角點(diǎn)檢測(cè)算子進(jìn)行特征點(diǎn)提取，運(yùn)用RANSAC 算法將偽匹配點(diǎn)集合劃分為內(nèi)點(diǎn)和外點(diǎn)，最后采用顏色插值對(duì)交接處進(jìn)行顏色過渡。
Faster R-CNN[16]的創(chuàng)新在于提出了一種有效生成目標(biāo)候選框的方法，其本質(zhì)就是用RPN 來提取檢測(cè)區(qū)域，同時(shí) RPN 網(wǎng)絡(luò)和整個(gè)檢測(cè)網(wǎng)絡(luò)共享全圖卷積特征來縮短計(jì)算時(shí)間。本文通過添加置信度的形式使滑動(dòng)過程僅保留2 000 個(gè)錨點(diǎn)，此時(shí)候選區(qū)面積越大，RPN 越小，在獲得候選區(qū)域之后，特征圖通過ROI 池化作用轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，精確獲得特征區(qū)域。
相關(guān)性模板匹配算法利用模板圖像與待匹配圖像上的搜索窗口之間的像素灰度值的差別來衡量?jī)烧咧g的相關(guān)性，將計(jì)算得到的相關(guān)性數(shù)值與文中給定的相關(guān)性閾值進(jìn)行比較，從而決定匹配是否成功，進(jìn)而得到匹配后的坐標(biāo)結(jié)果。對(duì)提取的結(jié)果進(jìn)行坐標(biāo)轉(zhuǎn)換后可進(jìn)行模型變形曲線的繪制，分析多煤層充填開采巖移規(guī)律。
模型試驗(yàn)結(jié)果表明，多煤層循環(huán)開采與充填開采對(duì)上覆巖層造成的破壞性影響大不相同。循環(huán)開采時(shí)，采空區(qū)覆巖發(fā)育離層與裂隙，并伴隨垮落等現(xiàn)象，從圖9—圖11 可知，循環(huán)開采對(duì)底部巖層的破壞最大，下沉量達(dá)到-28.201 mm，此時(shí)地表最大下沉值為-18.937 mm，3-1 煤和4-1 煤的中間巖層最大下沉值達(dá)-24.262 mm。充填開采對(duì)覆巖與地表破壞程度最小，受充填物作用，地表層最大下沉量不超過2 mm 而對(duì)底部巖層和3-1 煤和4-1 煤的中間巖層影響很小。
6 結(jié) 論
1）利用近距離拍攝的高分辨率圖像序列可以高精度地獲取試驗(yàn)?zāi)Ｐ蜏y(cè)點(diǎn)的坐標(biāo)值。試驗(yàn)結(jié)果表明，與常規(guī)的固定相機(jī)姿態(tài)一次拍攝模型全景的方法相比，利用非量測(cè)普通相機(jī)在1.5～2.0 m 距離拍攝數(shù)碼圖像的分辨率提高近10 倍，在模型中提取測(cè)點(diǎn)標(biāo)志的精度接近0.01 mm。
2）針對(duì)高分辨率的圖像序列進(jìn)行畸變校正、自動(dòng)拼接、特征提取所采用的算法及其改進(jìn)方法，實(shí)現(xiàn)了相似材料試驗(yàn)?zāi)Ｐ妥冃涡畔⒌母咝?、精?zhǔn)提取。試驗(yàn)中運(yùn)用全自動(dòng)穩(wěn)健的圖像拼接算法進(jìn)行拼接，基于改進(jìn)的Faster R-CNN 算法，采用候選框加入置信度并保留較少候選框的方法，提高了測(cè)點(diǎn)標(biāo)志提取的效率和準(zhǔn)確度。試驗(yàn)中測(cè)點(diǎn)坐標(biāo)提取的中誤差不超過0.027 mm，相當(dāng)于實(shí)地測(cè)量誤差5 mm，完全能夠滿足模型試驗(yàn)對(duì)變形測(cè)量精度的要求。
3）通過相似材料模型試驗(yàn)揭示了多煤層開采及采空區(qū)充填后覆巖與地表變形破壞的不同特征。利用高分辨率圖像提取到的模型各排測(cè)點(diǎn)的位移量分析表明，多煤層循環(huán)開采后覆巖與地表變形破壞較為嚴(yán)重，底部巖層最大下沉量達(dá)到-28.201 mm，地表最大下沉量達(dá)-18.937 mm；而采空區(qū)充填情況下覆巖與地表破壞程度很小，地表下沉量接近0。上述試驗(yàn)結(jié)果與現(xiàn)場(chǎng)實(shí)地觀測(cè)情況一致，進(jìn)一步驗(yàn)證了本文針對(duì)模型試驗(yàn)提出的變形測(cè)量方法具有很好的實(shí)用性，有推廣應(yīng)用價(jià)值。
猜你喜歡
一半模型童話王國·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38 重要模型『一線三等角』中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50 談詩的變形中華詩詞(2020年1期)2020-09-21 09:24:52 重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24 “我”的變形計(jì)小學(xué)生作文(中高年級(jí)適用)(2018年5期)2018-06-11 01:22:56 變形巧算數(shù)學(xué)小靈通·3-4年級(jí)(2017年10期)2017-11-08 08:42:59 例談拼圖與整式變形中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2017年11期)2017-04-23 07:18:00 會(huì)變形的餅數(shù)學(xué)大王·中高年級(jí)(2016年12期)2016-12-26 21:37:36 3D打印中的模型分割與打包光學(xué)精密工程(2016年6期)2016-11-07 09:07:19 FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究核科學(xué)與工程(2015年4期)2015-09-26 11:59:03
湯伏全 ，柴成富 ，郭千慧子 ，武金輝
（1.西安科技大學(xué) 測(cè)繪科學(xué)與技術(shù)學(xué)院, 陜西 西安 710054；2.國土資源部煤炭資源勘查與綜合利用重點(diǎn)實(shí)驗(yàn)室, 陜西 西安 710021）
0 引 言
相似材料模擬試驗(yàn)是研究礦山開采損害規(guī)律的重要手段。根據(jù)地質(zhì)采礦條件制作相似材料模型并獲取測(cè)點(diǎn)位移信息，可揭示地下開采引起的覆巖與地表變形損害規(guī)律[1]。在相似材料試驗(yàn)?zāi)Ｐ妥冃螠y(cè)量的諸多方法中，傳統(tǒng)的儀器測(cè)量法以及透鏡放大法等外業(yè)工作量大，測(cè)量精度較低，且耗時(shí)耗力[2]；將光纖傳感器技術(shù)[3]應(yīng)用于模型試驗(yàn)，能夠準(zhǔn)確測(cè)得模型中的微小應(yīng)變情況，但無法測(cè)得模型產(chǎn)生的較大形變量。隨著數(shù)字?jǐn)z影測(cè)量技術(shù)的發(fā)展，利用高分辨率數(shù)碼相機(jī)采集瞬時(shí)圖像，獲得試驗(yàn)?zāi)Ｐ烷_采過程的圖像數(shù)據(jù)，所獲取的變形信息更直觀且精度更高，已成為相似材料模型試驗(yàn)數(shù)據(jù)采集的主要方法[4]。一些學(xué)者采用非量測(cè)相機(jī)進(jìn)行全景觀測(cè)并建立模型控制場(chǎng)，將像平面坐標(biāo)轉(zhuǎn)換為模型測(cè)量坐標(biāo)[5]，證明了非量測(cè)相機(jī)用于模型變形測(cè)量的可行性；有學(xué)者將具有高精度、非接觸性和全場(chǎng)觀測(cè)等優(yōu)點(diǎn)的數(shù)字散斑技術(shù)[6]應(yīng)用于模型試驗(yàn)，利用 MATLAB 進(jìn)行一系列處理，驗(yàn)證了散斑方法的高效性與可行性，進(jìn)一步提出了用支持向量機(jī)算法對(duì)模型中的變形點(diǎn)和非變形點(diǎn)進(jìn)行識(shí)別，采用自檢校光束平差法對(duì)影像進(jìn)行處理，能夠更好地監(jiān)測(cè)模型的實(shí)時(shí)變形過程[7]；有學(xué)者使用西安交通大學(xué)研發(fā)的數(shù)字近景工業(yè)攝影測(cè)量系統(tǒng)(XJTUDP)，采用攝影比例尺轉(zhuǎn)換-時(shí)間基線視差(PST-TBP)法[8]對(duì)相似材料模型進(jìn)行監(jiān)測(cè)，高效地獲取了測(cè)點(diǎn)坐標(biāo)；還有學(xué)者基于圖像信息的拓?fù)潢P(guān)系提出了三維點(diǎn)云變形監(jiān)測(cè)方法[9]，利用小波模極大值技術(shù)提取二維灰度圖像的特征，得到相應(yīng)的特征點(diǎn)云從而確定模型的變形量。
然而，以上方法主要采用固定相機(jī)姿態(tài)對(duì)試驗(yàn)?zāi)Ｐ鸵淮闻臄z全景圖像的方式進(jìn)行數(shù)據(jù)采集。由于外業(yè)拍攝須固定相機(jī)姿態(tài)，不便于靈活作業(yè)，而一次成像所獲取的模型全景圖像由于拍攝距離較遠(yuǎn)導(dǎo)致圖像的分辨率受限。因礦山相似材料模型剖面長(zhǎng)度在2 000 mm 以上，若采用4 000×4 000 陣列的數(shù)碼相機(jī)進(jìn)行全剖面一次攝影，像元分辨率僅為0.5 mm。受到圖像分辨率的制約，特征提取的精度通常只能達(dá)到0.1 mm 左右,難以完全滿足模型試驗(yàn)需求。
針對(duì)現(xiàn)有攝影測(cè)量方法中固定相機(jī)姿態(tài)一次成像導(dǎo)致圖像分辨率較低的問題，采用航帶法思想[10]，將相機(jī)近距離置于模型側(cè)面正前方，進(jìn)行橫向重疊度大于55%，豎向重疊度大于30%的正射拍照，形成高分辨率的數(shù)碼圖像序列，利用一種全自動(dòng)穩(wěn)健的圖像拼接融合算法，對(duì)通過模型側(cè)表面上的散斑圖像對(duì)圖像序列進(jìn)行拼接，所形成的模型全景圖像較固定位姿一次拍攝全景的圖像在分辨率方面提高約10 倍。為了高效地獲取模型測(cè)點(diǎn)標(biāo)志的位置信息，通過改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)快速檢測(cè)方法（簡(jiǎn)稱Faster R-CNN 算法）對(duì)測(cè)點(diǎn)標(biāo)志進(jìn)行快速識(shí)別，顯著改善測(cè)點(diǎn)位置提取的效率和準(zhǔn)確率。在此基礎(chǔ)上，針對(duì)陜北某礦多煤層開采及采空區(qū)充填模型開展相似材料模擬試驗(yàn)，利用上述方法進(jìn)行模型的變形測(cè)量，揭示多煤層開采及采空區(qū)充填后覆巖與地表的變形破壞規(guī)律。
1 數(shù)據(jù)采集
1.1 地質(zhì)采礦模型
以陜北某礦多煤層開采及采空區(qū)充填為原型制作相似材料試驗(yàn)?zāi)Ｐ?。共? 個(gè)開采煤層，其中2-2煤厚度4.15 m，埋深209 m；3-1 煤厚度2.9 m，埋深243 m；4-2 煤厚度3.6 m，埋深為294 m。模型地層剖面如圖1 所示。
圖1 模型地層剖面Fig.1 Model stratum profile
1.2 試驗(yàn)?zāi)Ｐ?/h3>
根據(jù)相似材料模擬原理，采用河沙、石膏、大白粉、云母為試驗(yàn)材料，計(jì)算出合理的材料配比進(jìn)行模型制作。模型制成并風(fēng)干后，在模型側(cè)面噴繪無序散斑點(diǎn)用作圖像拼接的特征標(biāo)志。為研究開挖引起的覆巖層變化特征，在模型側(cè)面布設(shè)6 排×20 個(gè)的測(cè)點(diǎn)標(biāo)志。試驗(yàn)?zāi)Ｐ图皽y(cè)點(diǎn)布設(shè)如圖2 所示。模型的幾何相似比為1∶200，模型長(zhǎng)×寬×高分別為2 250 mm×200 mm×2 000 mm，模型左半邊模擬多煤層開采，留設(shè)煤柱250 mm，開采寬度110 mm，右半邊模擬采空區(qū)充填，充填開采寬度700 mm，兩側(cè)各留設(shè)煤柱100 mm(圖9—圖11)。
圖2 試驗(yàn)?zāi)Ｐ图皽y(cè)點(diǎn)標(biāo)志Fig.2 Experimental model and measuring point mark
試驗(yàn)中采用Canon EOS750D 數(shù)碼相機(jī)[11]進(jìn)行圖像采集。該相機(jī)的有效像素為2 420 萬，帶CMOS傳感器和定焦鏡頭，拍攝像片的畸變相對(duì)較小。在模型開挖過程中，將相機(jī)置于模型側(cè)面正前方約1.5～2.0 m，從模型左上側(cè)開始進(jìn)行拍照，保持橫向重疊度大于55%，豎向重疊度大于30%，每期采集的圖像序列含108 張圖片。
1.3 精度影響因子分析
1)測(cè)點(diǎn)標(biāo)志大小對(duì)精度的影響。為了保證在弱光環(huán)境下得到明顯的觀測(cè)點(diǎn)數(shù)據(jù)，試驗(yàn)采用正方形回光反射標(biāo)志[12]作為測(cè)點(diǎn)標(biāo)志，表1 為不同寬度的觀測(cè)標(biāo)志在等距離、等角度條件下連續(xù)拍攝5 次后得到的像素大小和經(jīng)過白塞爾公式解算得到的測(cè)點(diǎn)標(biāo)志提取誤差的統(tǒng)計(jì)結(jié)果。
表1 測(cè)點(diǎn)標(biāo)志大小對(duì)提取精度的影響統(tǒng)計(jì)Table 1 Statistics on the influence of observation point size on experimental accuracy
2)影像分辨率對(duì)測(cè)點(diǎn)提取精度的影響。定焦相機(jī)拍攝相片時(shí)，像元分辨率會(huì)因物距不同而變化，而影像分辨率直接影響圖像質(zhì)量和測(cè)點(diǎn)提取精度。試驗(yàn)中通過改變拍攝距離（物距）來確定測(cè)點(diǎn)提取精度最高時(shí)的相機(jī)位置。表2 所示為相同條件下連續(xù)拍攝5 次后得到的測(cè)點(diǎn)標(biāo)志提取精度的統(tǒng)計(jì)結(jié)果。
表2 不同物距對(duì)測(cè)點(diǎn)提取精度的影響統(tǒng)計(jì)Table 2 Statistics of influence of grid width on precision
從表1、表2 中可知，測(cè)點(diǎn)標(biāo)志大小、圖像分辨率在一定范圍內(nèi)具有最優(yōu)值，當(dāng)拍攝條件改變時(shí)，測(cè)點(diǎn)提取精度隨之改變。試驗(yàn)中選擇寬度為5 mm的正方形覘標(biāo)作為測(cè)點(diǎn)標(biāo)志，采用Canon EOS750D數(shù)碼相機(jī)拍攝的最佳物距為1.5～2.0 m。
2 圖像預(yù)處理
2.1 圖像畸變處理
采用物距為1.5～2.0 m 拍照方式，得到的圖像仍存在較小的畸變。為此，采用燕耀等[13]提出的非對(duì)稱圖像畸變均勻性虛擬校正方法對(duì)圖像進(jìn)行預(yù)處理。通過獲取所構(gòu)建的非對(duì)稱原始圖像和畸變后非對(duì)稱圖像位置的校正模型，求得最小擬合誤差，以提高非對(duì)稱圖像畸變校正的準(zhǔn)確度，獲取畸變系數(shù)[14]。在此基礎(chǔ)上，設(shè)定目標(biāo)函數(shù)，對(duì)獲取的畸變系數(shù)進(jìn)行優(yōu)化求解，最后采用雙線性插值法對(duì)畸變圖像的灰度進(jìn)行重建，完成對(duì)非對(duì)稱圖像畸變均勻性的校正。圖像畸變校正后的殘差影響會(huì)反映在測(cè)點(diǎn)標(biāo)志的提取誤差中。
2.2 全景圖像拼接
利用全景圖像拼接技術(shù)將上述108 張高分辨的圖像序列進(jìn)行自動(dòng)拼接，得到一幅高分辨率的無縫全景圖像。目前比較成熟的圖像拼接方法有Matlab 工具箱拼接、PS 拼接、融合算法拼接，其中融合算法可操作性強(qiáng)，拼接誤差小。采用趙向陽等[15]提出的一種全自動(dòng)穩(wěn)健的圖像拼接融合算法，對(duì)經(jīng)過畸變處理后的108 張圖像序列進(jìn)行拼接。該融合算法的主要步驟為：
1)利用Harris 角點(diǎn)檢測(cè)算子進(jìn)行特征提??；
2)利用鄰域像素灰度互相關(guān)法粗略估計(jì)兩幅圖像的偽匹配點(diǎn)；
3)運(yùn)用RANSAC 估計(jì)圖像間變換矩陣H：并重復(fù)N次隨機(jī)采樣。具體為
(a)隨機(jī)選取4 對(duì)偽匹配點(diǎn) (選取的4 點(diǎn)應(yīng)保證H的秩為3)，線性地計(jì)算變換矩陣H；
(b)計(jì)算每對(duì)偽匹配點(diǎn)離H的垂直距離dv；
(c)根據(jù)內(nèi)點(diǎn)距離小于閾值dv 4)由RANSAC 的N次隨機(jī)采樣得到了最大內(nèi)點(diǎn)集合，運(yùn)用 LM 優(yōu)化算法對(duì)H進(jìn)行優(yōu)化估計(jì)； 5)根據(jù)H再對(duì)所有數(shù)據(jù)進(jìn)行內(nèi)點(diǎn)計(jì)算，直到內(nèi)點(diǎn)數(shù)目趨于一致。 6)采用顏色插值對(duì)交接處進(jìn)行顏色過渡。 試驗(yàn)中利用上述融合算法可將特征提取精度提高至亞像素級(jí)。使用RANSAC 算法將偽匹配點(diǎn)進(jìn)行集合分類，以提高匹配準(zhǔn)確率，圖像匹配過程如圖3 所示。采用顏色插值法處理接邊誤差，得到拼接后的圖像（圖3d）。 對(duì)108 張圖像序列進(jìn)行上述自動(dòng)處理后，得到高分辨率的模型全景圖像，如圖4 所示。 圖4 模型全景圖像Fig.4 Panoramic image 該全景圖像較常規(guī)的固定相機(jī)姿態(tài)一次拍攝的模型全景圖像在分辨率方面提高約10 倍，為高精度地提取測(cè)點(diǎn)位置坐標(biāo)奠定了基礎(chǔ)。 圖像識(shí)別是對(duì)模型圖像測(cè)點(diǎn)位置的檢測(cè)，并在檢測(cè)到的區(qū)域框中進(jìn)行測(cè)點(diǎn)坐標(biāo)的精確提取。隨著深度學(xué)習(xí)方法的不斷發(fā)展，一些學(xué)者將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到位置檢測(cè)，提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法[16]（Faster R-CNN 算法），而坐標(biāo)提取則常采用穩(wěn)健的基于相關(guān)性模板匹配算法[17]，基于上述算法進(jìn)行模型測(cè)點(diǎn)坐標(biāo)提取。 Faster R-CNN 算法由Fast R-CNN （Fast Region-Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)快速檢測(cè)）模塊[18]與RPN（RegionProposal Network，區(qū)域候選網(wǎng)絡(luò)）2 部分組成，其算法框架如圖5 所示。FastRCNN 檢測(cè)模塊利用建議區(qū)域和ROI（Region of Interest，池化層）對(duì)候選區(qū)域進(jìn)一步細(xì)化，實(shí)現(xiàn)檢測(cè)。RPN 網(wǎng)絡(luò)是一個(gè)全連接卷積網(wǎng)絡(luò)，通過卷積層獲取測(cè)點(diǎn)范圍的特征圖，然后利用區(qū)域建議卷積層對(duì)特征圖計(jì)算不同尺度和縱橫比的建議區(qū)域。整個(gè)框架是一個(gè)統(tǒng)一的目標(biāo)檢測(cè)網(wǎng)絡(luò)，2 個(gè)模塊共享卷積神經(jīng)網(wǎng)絡(luò)層，可進(jìn)行聯(lián)合訓(xùn)練。與其他檢測(cè)算法相比，該算法的優(yōu)點(diǎn)是能生成高質(zhì)量建議區(qū)域框，實(shí)現(xiàn)與檢測(cè)網(wǎng)絡(luò)卷積層的共享，能夠有效地減少測(cè)點(diǎn)位置檢測(cè)耗費(fèi)的時(shí)間[19]。 1）RPN 的改進(jìn)。RPN 網(wǎng)絡(luò)對(duì)CNN 卷積特征圖利用滑窗策略在特征圖中每個(gè)位置進(jìn)行卷積處理，從而得到矩形候選區(qū)域（錨）。錨[20]是預(yù)設(shè)的一組不同尺度不同位置的固定參考框，覆蓋幾乎所有位置和尺度，每個(gè)參考框負(fù)責(zé)檢測(cè)與其交并比大于訓(xùn)練預(yù)設(shè)值的目標(biāo)，其作用是不需要多尺度遍歷滑窗，也能快速檢測(cè)最優(yōu)位置。通過預(yù)測(cè)框時(shí)會(huì)產(chǎn)生w×h×k個(gè)錨點(diǎn)(其中w為預(yù)測(cè)框的寬度，h為預(yù)測(cè)框高度，k為區(qū)域建議網(wǎng)絡(luò)個(gè)數(shù))，試驗(yàn)中特征圖像為黑白圖像，尺寸較小且相似，為了節(jié)省計(jì)算時(shí)間，文中對(duì)錨點(diǎn)個(gè)數(shù)添加置信度，設(shè)定錨點(diǎn)個(gè)數(shù)小于2 000，使得候選區(qū)面積變大，RPN 變小，檢測(cè)速率提高。在訓(xùn)練時(shí)，RPN 使用重疊交并比 IoU 進(jìn)行正負(fù)標(biāo)簽的分配，IoU>0.8 時(shí)分配正標(biāo)簽，IoU<0.2 分配負(fù)標(biāo)簽。在獲得候選區(qū)域后，通過ROI 池化作用將特征圖轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，并傳輸?shù)椒诸惼?，進(jìn)而完成了Faster R-CNN 的整個(gè)流程。 2）損失函數(shù)。Faster R-CNN 中的損失包括回歸損失和分類損失，總的損失函數(shù)表達(dá)式如下： 式中：pi為預(yù)測(cè)為目標(biāo)的概率；ti為第i個(gè)錨預(yù)測(cè)的邊框回歸的參數(shù)化坐標(biāo)；Ncls為總的錨的數(shù)量；為目標(biāo)和非目標(biāo)的對(duì)數(shù)損失，是典型的二分類交叉熵?fù)p失。Nreg由錨位置的數(shù)量決定，表示只有正樣本才有邊框回歸損失， λ為權(quán)重平衡參數(shù)。 RPN 和ROI 的分類損失表達(dá)式相同，均是交叉熵?fù)p失。但RPN 損失是二分類交叉熵?fù)p失，ROI損失是多分類交叉熵?fù)p失。其表達(dá)式如公式（2）所示。 RPN 和ROI 的回歸損失函數(shù)均是由Smooth L1 Loss 計(jì)算的，其解決了預(yù)測(cè)值和真實(shí)值接近時(shí)發(fā)生梯度爆炸以及函數(shù)在0 點(diǎn)不可導(dǎo)而影響收斂的問題。Smooth L1 Loss 的表達(dá)式如式（3）所示?；貧w損失函數(shù)的表達(dá)式如式（4）所示。 3）算法實(shí)現(xiàn)。上述算法使用Windows7 旗艦版64位計(jì)算機(jī)實(shí)現(xiàn)；處理器為Intel(R)Xeon(R)CPU E5-2600 v4@2.00 GHz2.00 GHz(2 處理器)；GPU 為NIVDIA GeForce 830 M，Cuda9.1，以Matlab 2019a 作為試驗(yàn)平臺(tái)，調(diào)用深度學(xué)習(xí)工具箱，采用改進(jìn)的Faster RCNN 算法和GPU 加速運(yùn)算，過程采用VGG16 預(yù)訓(xùn)練模型，其參數(shù)權(quán)重是在ImageNet 下進(jìn)行訓(xùn)練的，試驗(yàn)共有拼接好的圖片50 張，將40 張作為訓(xùn)練集，10張作為驗(yàn)證集，將初始學(xué)習(xí)率設(shè)定為0.001，迭代10次后將學(xué)習(xí)率設(shè)為0.000 1，總共迭代15 次。檢測(cè)后的圖像部分區(qū)域如圖6 所示，準(zhǔn)確率和mAP（Mean Average Precision，均值平均精度）見表3。 表3 不同RPN 網(wǎng)絡(luò)的準(zhǔn)確率和mAP 值Table 3 Accuracy and mAP value of different RPN networks 圖6 特征點(diǎn)檢測(cè)結(jié)果Fig.6 Detection results of feature points 為了從測(cè)點(diǎn)所在區(qū)域中提取其像素坐標(biāo)，采用穩(wěn)健的基于相關(guān)性的模板匹配算法進(jìn)行測(cè)點(diǎn)提取。該方法利用尺寸為3×3 的模板R，在待匹配圖像中尋找目標(biāo)[20]。如圖7 所示，將R 疊放在待匹配圖像上平移，模板覆蓋下的目標(biāo)子圖的中心點(diǎn)Rr(x,y)為像點(diǎn)在搜索圖中的坐標(biāo)。 圖7 圖像矩陣匹配Fig.7 Image matrix matching 由圖7 可以看出，模板R 在平移的過程中，按照一定的順序，以每次一個(gè)像素點(diǎn)的距離使搜索窗口在待匹配的圖像上移動(dòng)，在每次移動(dòng)過程中，需要計(jì)算模板圖像與模板窗口之間的相關(guān)性，然后將計(jì)算得到的相關(guān)性數(shù)值與給定的相關(guān)性閾值進(jìn)行比較，如果相關(guān)性大于該閾值，就可以認(rèn)為匹配成功，即找到待匹配的目標(biāo)。否則，就繼續(xù)移動(dòng)窗口進(jìn)行查找，最終精確得到測(cè)點(diǎn)的像素坐標(biāo)。 試驗(yàn)?zāi)Ｐ筒荚O(shè)了6 排測(cè)點(diǎn)標(biāo)志，下面主要針對(duì)地表層測(cè)點(diǎn)、底部巖層測(cè)點(diǎn)及3-1 與4-1 煤層之間的3 排測(cè)點(diǎn)進(jìn)行沉降變形分析。為了驗(yàn)證本文算法提取測(cè)點(diǎn)坐標(biāo)的實(shí)際精度，首先對(duì)開采前圖像的4個(gè)角點(diǎn)J1-J4坐標(biāo)分別提取4 次，其結(jié)果見表4。 表4 各角點(diǎn)像素坐標(biāo)重復(fù)提取結(jié)果Table 4 Pixel coordinates of image corners extracted repeatedly 通過白塞爾公式計(jì)算各角點(diǎn)提取坐標(biāo)的中誤差。根據(jù)相機(jī)參得到圖像中1 像素對(duì)應(yīng)的物方大小為0.076 1 mm，將像素中誤差轉(zhuǎn)換為物方坐標(biāo)中誤差，各角點(diǎn)物方坐標(biāo)提取的中誤差結(jié)果見表5。 表5 各角點(diǎn)物方坐標(biāo)提取的中誤差Table 5 Error in object-square coordinates of measuring points in different directions 由表5 可知，試驗(yàn)中測(cè)點(diǎn)坐標(biāo)提取的中誤差最大為0.027 mm，而本試驗(yàn)中模型比例尺為1∶200，將模型的測(cè)量誤差換算成原型誤差，則實(shí)地測(cè)量精度優(yōu)于6 mm，完全滿足相似材料模型試驗(yàn)對(duì)觀測(cè)精度的要求。 1）循環(huán)開采后覆巖破壞特征。模型左半邊為多煤層開采試驗(yàn)。首采2-2 煤層時(shí)，從距離模型左邊界25 cm 處作為開切眼，按照時(shí)間相似比從左向右開采，每次推進(jìn)10 cm，用時(shí)10 min。當(dāng)工作面推進(jìn)至50 cm 時(shí)，發(fā)生初次垮落(圖8a)；工作面推進(jìn)至110 cm 時(shí)，離層空間向上移動(dòng)，發(fā)生周期性垮落。 圖8 開采后模型變形破壞情況Fig.8 Deformation and failure of model after mining 3-1 煤層從模型左邊界開采，工作面累計(jì)推進(jìn)40 cm 時(shí)，距離底板114 cm 處發(fā)育的裂隙延伸至地表，靜置2 h 后發(fā)生垮落，此時(shí)3-1 煤工作面與2-2 煤工作面導(dǎo)通(圖8b)。留25 cm 煤柱后繼續(xù)開采，工作面累計(jì)推進(jìn)至110 cm 時(shí)停采。 開采4-1 煤層時(shí)從模型左邊界開始，工作面累計(jì)推進(jìn)60 cm 時(shí)，距離開切眼55 cm 處發(fā)育1 號(hào)地表裂縫，寬度為0.3 cm(圖8c)。累計(jì)推進(jìn)至90 cm 時(shí)，1號(hào)地表裂縫寬度增加至0.6 cm，出現(xiàn)臺(tái)階式裂縫，工作面有微小錯(cuò)臺(tái)，且圍繞地表裂縫周邊有整體下沉現(xiàn)象。工作面累計(jì)推進(jìn)至100 cm 時(shí)留25 cm 煤柱，此后再推進(jìn)10 cm 后停采。 2）充填開采后覆巖破壞特征。模型右半邊為采空區(qū)充填試驗(yàn)。2-2 煤層在模型右邊界預(yù)留10 cm煤柱，從左向右開采，每次開采后立即用準(zhǔn)備好的20 cm×10 cm×2 cm 木板將采空區(qū)進(jìn)行充填，工作面累計(jì)推進(jìn)至50 cm 時(shí)發(fā)生頂板垮落，累計(jì)推進(jìn)至70 cm 時(shí)，采空區(qū)木板全部被壓實(shí)(圖8d)。 3-1 煤層在模型右邊界預(yù)留10 cm 煤柱后從左向右開采，累計(jì)推進(jìn)至50 cm 時(shí)，距離底板4.5 cm 處發(fā)育新的離層，長(zhǎng)度為12 cm；老采空區(qū)中間部分壓實(shí)充填物(圖8e)。 4-1 煤層從模型右邊界開采，預(yù)留10 cm 煤柱，推進(jìn)40 cm 時(shí)，發(fā)生垮落，垮落體壓實(shí)木板，此時(shí)留15 cm 煤柱，繼續(xù)充填開采開采10 cm 后(圖8f)，開采結(jié)束。 3)覆巖沉陷變形特征。利用本文算法高精度地提取模型上測(cè)點(diǎn)標(biāo)志的坐標(biāo)值，計(jì)算出不同層位測(cè)點(diǎn)的下沉和水平位移值。選取地表層、底部巖層和3-1 煤層與4-1 煤層中間巖層3 排測(cè)點(diǎn)在垂直方向的變形量繪制相應(yīng)下沉曲線，如圖9—圖11 所示。 圖9 地表層下沉曲線Fig.9 Surface subsidence curve 圖10 底部巖層下沉曲線Fig.10 Bottom strata subsidence curve 圖11 3-1 煤層與4-1 煤層中間巖層下沉曲線Fig.11 Subsidence curve of intermediate strata between 3-1 coal seam and 4-1 coal seam 在工作面循環(huán)開采過程中，首采2-2 煤層對(duì)巖層的垂向位移影響最??；3-1 煤層開采時(shí)，發(fā)育的裂隙延伸至地表，發(fā)生跨落，對(duì)底部巖層影響最大，在開切眼處下沉最大，4-1 煤層開采過程中，從開切眼到停采區(qū)位置，模型整體跨落并發(fā)育地表裂縫，形成如圖9 所示的下沉突變。 在充填開采過程中受到采空區(qū)的影響，模型測(cè)點(diǎn)的下沉值在采空區(qū)附近也是大于模型右邊界處。對(duì)于模型總體而言，地表下沉值僅為2 mm，表明充填開采模式對(duì)于保護(hù)地表建筑物具有積極作用。 針對(duì)礦山相似材料模型試驗(yàn)的高精度變形測(cè)量問題，利用非量測(cè)相機(jī)近距離拍攝高分辨率的圖像序列，通過圖像畸變糾正并對(duì)圖像序列進(jìn)行拼接，形成分辨率很高的模型全景圖像，進(jìn)一步利用改進(jìn)的神經(jīng)網(wǎng)絡(luò)算法高精度地提取測(cè)點(diǎn)標(biāo)志的坐標(biāo)值，實(shí)現(xiàn)基于圖像識(shí)別的模型試驗(yàn)數(shù)據(jù)采集。 針對(duì)圖像畸變影響圖像拼接質(zhì)量的問題，文中運(yùn)用燕耀等[14]提出的非對(duì)稱圖像畸變均勻性虛擬校正方法對(duì)圖像進(jìn)行預(yù)處理。該算法通過構(gòu)建誤差校正模型獲取畸變系數(shù)，求取最小擬合誤差平方提高畸變校正的準(zhǔn)確度，從測(cè)點(diǎn)坐標(biāo)提取的中誤差不超過0.027 mm 可知，校正效果極佳。 針對(duì)圖像序列的拼接問題，運(yùn)用一種全自動(dòng)穩(wěn)健的圖像拼接算法對(duì)經(jīng)過畸變處理后的序列圖像進(jìn)行拼接，該算法采用Harris 角點(diǎn)檢測(cè)算子進(jìn)行特征點(diǎn)提取，運(yùn)用RANSAC 算法將偽匹配點(diǎn)集合劃分為內(nèi)點(diǎn)和外點(diǎn)，最后采用顏色插值對(duì)交接處進(jìn)行顏色過渡。 Faster R-CNN[16]的創(chuàng)新在于提出了一種有效生成目標(biāo)候選框的方法，其本質(zhì)就是用RPN 來提取檢測(cè)區(qū)域，同時(shí) RPN 網(wǎng)絡(luò)和整個(gè)檢測(cè)網(wǎng)絡(luò)共享全圖卷積特征來縮短計(jì)算時(shí)間。本文通過添加置信度的形式使滑動(dòng)過程僅保留2 000 個(gè)錨點(diǎn)，此時(shí)候選區(qū)面積越大，RPN 越小，在獲得候選區(qū)域之后，特征圖通過ROI 池化作用轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，精確獲得特征區(qū)域。 相關(guān)性模板匹配算法利用模板圖像與待匹配圖像上的搜索窗口之間的像素灰度值的差別來衡量?jī)烧咧g的相關(guān)性，將計(jì)算得到的相關(guān)性數(shù)值與文中給定的相關(guān)性閾值進(jìn)行比較，從而決定匹配是否成功，進(jìn)而得到匹配后的坐標(biāo)結(jié)果。對(duì)提取的結(jié)果進(jìn)行坐標(biāo)轉(zhuǎn)換后可進(jìn)行模型變形曲線的繪制，分析多煤層充填開采巖移規(guī)律。 模型試驗(yàn)結(jié)果表明，多煤層循環(huán)開采與充填開采對(duì)上覆巖層造成的破壞性影響大不相同。循環(huán)開采時(shí)，采空區(qū)覆巖發(fā)育離層與裂隙，并伴隨垮落等現(xiàn)象，從圖9—圖11 可知，循環(huán)開采對(duì)底部巖層的破壞最大，下沉量達(dá)到-28.201 mm，此時(shí)地表最大下沉值為-18.937 mm，3-1 煤和4-1 煤的中間巖層最大下沉值達(dá)-24.262 mm。充填開采對(duì)覆巖與地表破壞程度最小，受充填物作用，地表層最大下沉量不超過2 mm 而對(duì)底部巖層和3-1 煤和4-1 煤的中間巖層影響很小。 1）利用近距離拍攝的高分辨率圖像序列可以高精度地獲取試驗(yàn)?zāi)Ｐ蜏y(cè)點(diǎn)的坐標(biāo)值。試驗(yàn)結(jié)果表明，與常規(guī)的固定相機(jī)姿態(tài)一次拍攝模型全景的方法相比，利用非量測(cè)普通相機(jī)在1.5～2.0 m 距離拍攝數(shù)碼圖像的分辨率提高近10 倍，在模型中提取測(cè)點(diǎn)標(biāo)志的精度接近0.01 mm。 2）針對(duì)高分辨率的圖像序列進(jìn)行畸變校正、自動(dòng)拼接、特征提取所采用的算法及其改進(jìn)方法，實(shí)現(xiàn)了相似材料試驗(yàn)?zāi)Ｐ妥冃涡畔⒌母咝?、精?zhǔn)提取。試驗(yàn)中運(yùn)用全自動(dòng)穩(wěn)健的圖像拼接算法進(jìn)行拼接，基于改進(jìn)的Faster R-CNN 算法，采用候選框加入置信度并保留較少候選框的方法，提高了測(cè)點(diǎn)標(biāo)志提取的效率和準(zhǔn)確度。試驗(yàn)中測(cè)點(diǎn)坐標(biāo)提取的中誤差不超過0.027 mm，相當(dāng)于實(shí)地測(cè)量誤差5 mm，完全能夠滿足模型試驗(yàn)對(duì)變形測(cè)量精度的要求。 3）通過相似材料模型試驗(yàn)揭示了多煤層開采及采空區(qū)充填后覆巖與地表變形破壞的不同特征。利用高分辨率圖像提取到的模型各排測(cè)點(diǎn)的位移量分析表明，多煤層循環(huán)開采后覆巖與地表變形破壞較為嚴(yán)重，底部巖層最大下沉量達(dá)到-28.201 mm，地表最大下沉量達(dá)-18.937 mm；而采空區(qū)充填情況下覆巖與地表破壞程度很小，地表下沉量接近0。上述試驗(yàn)結(jié)果與現(xiàn)場(chǎng)實(shí)地觀測(cè)情況一致，進(jìn)一步驗(yàn)證了本文針對(duì)模型試驗(yàn)提出的變形測(cè)量方法具有很好的實(shí)用性，有推廣應(yīng)用價(jià)值。3 圖像識(shí)別處理
3.1 基于Faster R-CNN 算法的測(cè)點(diǎn)位置檢測(cè)
3.2 測(cè)點(diǎn)坐標(biāo)提取
4 試驗(yàn)?zāi)Ｐ妥冃翁崛?/h2>
4.1 測(cè)點(diǎn)坐標(biāo)提取及其精度統(tǒng)計(jì)
4.2 模型試驗(yàn)結(jié)果分析
5 討 論
6 結(jié) 論
猜你喜歡
童話王國·奇妙邏輯推理(2024年5期)2024-06-19 16:03:38
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2020年10期)2020-11-26 08:24:50
中華詩詞(2020年1期)2020-09-21 09:24:52
數(shù)學(xué)物理學(xué)報(bào)(2020年2期)2020-06-02 11:29:24
小學(xué)生作文(中高年級(jí)適用)(2018年5期)2018-06-11 01:22:56
數(shù)學(xué)小靈通·3-4年級(jí)(2017年10期)2017-11-08 08:42:59
中學(xué)生數(shù)理化·七年級(jí)數(shù)學(xué)人教版(2017年11期)2017-04-23 07:18:00
數(shù)學(xué)大王·中高年級(jí)(2016年12期)2016-12-26 21:37:36
光學(xué)精密工程(2016年6期)2016-11-07 09:07:19
核科學(xué)與工程(2015年4期)2015-09-26 11:59:03
