李平超

（1. 河南省地質(zhì)礦產(chǎn)勘查開發(fā)局測繪地理信息院，河南 鄭州 450006）

煤炭開采破壞了圍巖的應(yīng)力平衡，上覆巖層將產(chǎn)生垮落、斷裂和彎曲變形，因此研究采動覆巖裂隙場發(fā)育規(guī)律可保障礦井的安全生產(chǎn)。相似材料模擬實(shí)驗是研究采動覆巖裂隙場的重要手段之一，若能采用圖像處理技術(shù)自動提取模型表面裂隙，則可降低人工判讀的誤差。文獻(xiàn)檢索發(fā)現(xiàn)，裂隙識別研究可分為兩類[1]：人工輔助自動識別，主要包括閾值分割法、邊緣檢測法和區(qū)域生長法，如伏金浩[2]、Jiang C F[3]、李曉峰[4]等提高了醫(yī)學(xué)影像分割方法的信噪比，王世芳[5]、吳洪憲[6]等提出了一種瀝青路面裂縫檢測方法，閆東陽[7]、法煒[8]等利用改進(jìn)的區(qū)域生長算法來分割遙感影像；機(jī)器學(xué)習(xí)智能識別，主要包括統(tǒng)計機(jī)器學(xué)習(xí)和深度學(xué)習(xí)，如陶開云[9]等針對大壩表面裂隙損傷提出了一種機(jī)器識別算法，逐步融合區(qū)域生長算法與卷積神經(jīng)網(wǎng)絡(luò)來識別裂隙[10]，Zhang L[11]等利用神經(jīng)網(wǎng)絡(luò)來識別道路裂隙。此外，對裂隙識別還有神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方面的研究[12-16]。綜上所述，前人從不同行業(yè)背景和專業(yè)視角構(gòu)建了形式各異、功能多樣的數(shù)學(xué)模型，豐富了裂隙、裂隙場的識別理論；但識別相似材料模擬實(shí)驗在開挖過程中形成的裂隙場的研究還不多。

基于此，本文以峰峰市九龍煤礦15235 工作面為工程研究背景，開展物理模擬實(shí)驗，首先利用定焦相機(jī)從不同視角批量獲取目標(biāo)區(qū)影像；再對這些影像進(jìn)行拼接、校正，生成正射影像；最后采用Python編寫機(jī)器學(xué)習(xí)自動識別模型，自動識別相似材料模型表面的裂隙信息。

1 研究方法

1.1 GMS算法

確定數(shù)字影像上圖形邊界的方法是檢測影像上每個像素及其直接鄰域的狀態(tài)，具有所需特性的像素點(diǎn)稱之為邊界點(diǎn)。當(dāng)圖像中各像素點(diǎn)灰度值用來反映各像素點(diǎn)符合邊界點(diǎn)要求的程度時，這種圖像就是邊緣圖或邊界圖。檢測邊界圖邊界上每個像素的鄰域并對亮度值進(jìn)行量化的過程即為邊緣檢測。本文算法也是一種邊緣檢測過程。

為計算方便，將目標(biāo)圖像呈現(xiàn)黑白效果，為凸顯圖像中的物體輪廓，將數(shù)字圖像二值化。假設(shè)目標(biāo)圖像S(x'y)是大小為m×n二值化圖像，f(i'j)為像素點(diǎn)(i'j)的亮度值。

由于S(x'y)為二值化灰度圖，因此其像素灰度值可表示為：

式中，T為閾值。

式（1）的輪廓圖形包含興趣輪廓和干擾輪廓，采用影像匹配方法消除規(guī)則化干擾圖形，假設(shè)T(x'y)是大小為M×N的模板圖像，且M＜＜m，N＜＜n。

在目標(biāo)圖像S中，以M×N大小的子圖為窗口，遵循從左至右、從上至下的原則，滑動子圖窗口。假設(shè)以點(diǎn)(i'j)為窗口左上角，計算其與模板圖像的相似度，遍歷整個目標(biāo)圖，在所有子圖中找到與模板圖最相似的子圖作為最終匹配結(jié)果。選取平均絕對差D(i'j)作為相似度評價標(biāo)準(zhǔn)，值越小，表明模板圖像和目標(biāo)圖像越相似，因此只需找到最小的D(i'j)，即可確定目標(biāo)圖像中最優(yōu)匹配結(jié)果的子圖位置，則有：

式中，1 ≤i≤m-M+1'1 ≤j≤n-N+1。

由式（4）可知，最佳匹配結(jié)果投影到目標(biāo)圖像S(i'j)中是以像素坐標(biāo)(i'j) 為起點(diǎn)的M×N子圖像素矩陣。令子圖像素陣列元素為零，對S(i'j)中匹配結(jié)果的投影像素矩陣掩膜，即令子圖像素陣列亮度值f(x'y)=0 ，獲得消除有規(guī)律的干擾圖像的目標(biāo)圖像。

當(dāng)目標(biāo)圖形邊緣和背景亮度值反差足夠清晰時，按照從左至右、從上至下的順序遍歷f(x'y)中的元素，從左至右掃描時，在S(x'y)中找到第一個子集[0 255]，即為第一個輪廓起點(diǎn)的左上角位置點(diǎn)左邊界，找到第一個子集[255 0]，即為第一個輪廓終點(diǎn)的右上角位置點(diǎn)右邊界；從上至下掃描時，找到第一個[0 255]T子集，即為第一個輪廓的左上角邊界點(diǎn)上邊界，找到第一個[255 0]T子集，即為第一個輪廓的左下角邊界點(diǎn)。同理，遍歷S(x'y)中f(x'y)值，即可找出輪廓G(x'y)，見圖1。

假設(shè)在S(x'y)中共找到k個輪廓，將第k個輪廓G(xk'yk)對應(yīng)的面積G(k)作為元素放到新的矩陣中，則有：

遍歷式（6）中所有輪廓面積矩陣元素，求取矩陣中輪廓面積的眾數(shù)值M0作為閾值，對面積進(jìn)行篩選。

式中，z為正整數(shù)。

此時輪廓面積矩陣可表示為：

式中，NULL 為空集。

在某些條件下，當(dāng)M0不能滿足篩選要求時，可參考M0來調(diào)節(jié)G(k)的取值，從而改變篩選范圍，用篩選后輪廓面積矩陣元素信息在式（5）上勾繪輪廓，即得到使用本文算法獲取的裂隙檢測結(jié)果。

1.2 編程實(shí)現(xiàn)

本文提出的識別相似模擬材料裂紋的圖像處理流程見圖2。為驗證GMS 算法的有效性，本文采用Python語言編寫程序，將GMS分解為基本的計算機(jī)可執(zhí)行的指令序列，再編譯成計算機(jī)語言，讓其執(zhí)行GMS的每一個計算步驟。

圖2 程序流程圖

首先將原始彩色圖像轉(zhuǎn)換為灰度圖像，為突顯裂縫和背景的色差，對灰度圖像做二值化處理；然后在二值化圖像上執(zhí)行一系列操作。二值化完成后，整個計算機(jī)處理過程包括兩個部分：①消除規(guī)則大面積非裂隙形狀，利用圖像匹配技術(shù)清除規(guī)則大面積的干擾裂縫，逐像素地將一個模板圖像窗口大小的灰度矩陣與目標(biāo)圖像所有可能的窗口灰度陣列進(jìn)行匹配，采用平均絕對差度量相似性的方法進(jìn)行搜索，獲得消除大面積規(guī)則形狀的目標(biāo)圖像；②消除不規(guī)則小面積非裂隙形狀，利用小區(qū)域連通域篩選技術(shù)去除不規(guī)則的小面積噪聲點(diǎn)。

2 研究結(jié)果

將尺寸為393×874 的原圖導(dǎo)入程序，通過人機(jī)交互、修改閾值、二值化、去除雜噪等一系列處理，識別原圖中的裂縫，整個過程見圖3，可以看出，原圖中存在毛筆筆跡、網(wǎng)格線等非裂隙陰影干擾時，常規(guī)算法會將非裂隙陰影識別為裂隙，而通過二值化，可更加突顯裂隙陰影和非裂隙陰影。在訓(xùn)練樣本中使用多種形態(tài)的線段，以匹配不同圖像中形狀各異的線段目標(biāo)。對大面積規(guī)則非裂縫陰影進(jìn)行標(biāo)記并掩膜，再將掩膜后的圖像中所有陰影作為裂隙進(jìn)行識別。由于規(guī)則大面積非裂隙陰影被掩膜，剩余非裂隙陰影雖然形狀不規(guī)則，但面積較小，通過篩選可得到裂隙識別結(jié)果。

3 結(jié) 語

研究發(fā)現(xiàn)，常規(guī)的裂隙識別算法在識別沙盤物理模型實(shí)驗平臺模擬煤炭開采時垮落裂隙的效果不佳。因此，根據(jù)計算機(jī)視覺中的圖像階躍狀邊緣梯度幅值變化原理，選取大面積非裂隙陰影作為訓(xùn)練樣本集，采用機(jī)器學(xué)習(xí)技術(shù)分割相似模擬實(shí)驗平臺中的網(wǎng)格點(diǎn)、網(wǎng)格線非裂縫形狀；以連通域面積篩選技術(shù)和眾數(shù)值為篩選閾值，丟棄任何小于閾值的連通域方法，提出了一種新的裂隙識別算法。結(jié)果表明，在沙盤物理模型平臺模擬開采沉陷的垮落裂隙識別應(yīng)用中，該算法在去除非裂隙陰影的前提下，能夠較完整地保留上覆巖層垮落裂隙的識別。與傳統(tǒng)裂隙識別算法，尤其是Canny 算法相比，本文算法的識別效果較接近，比其他算法中圖像開閉運(yùn)算過程中裂隙信息損失少。Canny 算法是對非裂縫陰影識別的處理，能更好地保留裂縫陰影的識別；而本文算法在裂隙識別過程中加入了機(jī)器學(xué)習(xí)技術(shù)和連通域面積篩選算法，使計算機(jī)視覺能更好地判斷非裂縫信息，但也存在訓(xùn)練樣本數(shù)據(jù)多、計算量大、面積篩選過程中自適應(yīng)性弱等局限性。

本文在沙盤物理模型實(shí)驗平臺進(jìn)行研究，為研究模擬開采沉陷上覆巖層垮落裂隙的發(fā)育規(guī)律提供一種參考方法，但并不局限于沙盤物理模型實(shí)驗平臺的裂隙識別，也可用于骨折醫(yī)學(xué)影像識別、高速公路路面裂縫災(zāi)害的識別、紀(jì)念碑裂縫識別和古老建筑墻面裂縫發(fā)育識別等文物保護(hù)領(lǐng)域。