CN103679790A - 一种基于图像处理技术的井下煤仓煤位检测方法 - Google Patents

Abstract

本发明公开了一种基于图像处理技术的井下煤仓煤位检测方法，首先采用距离选通激光主动成像技术由增强型摄像机ICCD对煤仓进行图像采集；由视频解码器SAA7113H把采集到的模拟信号转换为DM642芯片可以处理的数字信号；DM642芯片从存储器中读取图像数据并对其进行滤波处理；结合BEMD分解和互信息熵及图像叠加的优势，对滤波后的图像提取边缘；根据事先确定好的基于照明中的几何信息来提取景物中几何信息的煤位检测识别算法，实现煤位高度信息的提取。本发明测距精度高、抗干扰性好、实时性强，解决了煤矿安全生产监控与通信的关键问题，对于煤矿的安全生产、提高经济效益有着积极的现实和长远意义。

Description

一种基于图像处理技术的井下煤仓煤位检测方法

技术领域

本发明涉及煤矿安全生产监控领域，具体来说就是一种基于图像处理技术的井下煤仓煤位检测方法。

背景技术

煤炭作为一次性能源，是我国国民经济发展的重要支柱。在煤炭生产中，需要在煤矿井上、井下的主要运输环节设置各种煤仓，用以缓解各环节生产造成的提升运输不均。尤其是井下煤仓，作为煤矿生产的咽喉,其冒仓(溢出)和空仓(排空)对于安全生产具有更大的威胁。因此，实时准确地监测煤仓煤位是保证安全生产、提高效率的关键。

由于空间所限，井下煤仓的直径一般在5至7m,高度在40m左右,深的也可达80m。由于储卸煤时仓内粉尘浓度很高，为免煤尘过密，需要很大的湿度，而这易使仓壁粘上煤粉，长久以来，煤仓仓壁会积累厚薄不均的煤垢,使得煤仓壁面很粗糙，难以区分煤与仓壁之间的分界线；另外，由于各环节生产不均及不同种类煤的自然安息角不等，会导致煤仓煤面出现不同形状；煤仓煤位的变化速度也很缓慢,大约几十分钟甚至数小时才会变化一米。当前条件下，井下煤仓还没有任何照明设施，仅靠人眼无法识别煤仓煤位的情况，只能借助辅助光源才能对煤仓情况进行一定了解。

近年来，根据井下煤仓的具体环境、被测介质的状态、安装要求及现场的工作状况等,人们采用各种技术对煤仓煤位进行检测,如利用无线电波的反射原理、超声波技术，核子料位仪以及机杆式技术等。虽然这些技术各自都有成功的地方，但在实际使用时都有其难以克服的缺陷。如超声波技术对煤仓直径与深度比有一定要求，测量盲区较大，另外测量深度受温度影响也较大，因而可靠性差；γ射线式对防护要求高，作连续测量时，价格昂贵。而煤矿生产的现代化发展迫切需要一种简单易行、工作可靠的适用于井下煤仓的煤位检测装置对煤仓料位进行不间断的检测，以确保各个生产环节安全高效运行。

由煤矿特点可知，井下煤仓处于低照度、高湿度、高粉尘的恶劣环境下，因此要用图像处理技术来检测井下煤仓煤位一直受到诸多限制。但是随着图像识别技术的发展，已有利用计算机视觉技术，采用辅助光源进行料位检测的方法。因此，在现有煤仓煤位检测方法的基础上，针对井下煤仓的特点，本发明构建了一种基于图像处理技术的煤仓煤位检测方法。其工作原理是由激光器产生测量所需的固定光束,该光束在煤仓表面形成特征光点,当煤位深度变化时,光点在摄像机ICCD像面上形成的像点位置也会随之变化,那么根据成像原理,可由像点的移动距离计算出被测物面的位置，从而实现对煤仓深度的快速精确检测。

发明内容

随着图像处理技术的发展，煤位深度获取方法也有新的进展，从广义角度来看待深度的获取问题，就是如何从二维图像中获取三维信息，重建三维物体表面的问题。其实质就是利用辅助光源获取图像，通过处理图像信息得到煤位高度。但该测距方法用于井下煤仓时，煤位图像的采集受到诸多干扰因素的限制，对图像处理算法有很高的要求。因此，本发明采用形态学小尺寸、多方向结构元素对原图像滤波，再结合BEMD分解和互信息熵及图像叠加的优势，将互信息与边缘梯度特征有效融合提取图像边缘，以得到准确的煤位深度。首先通过调整辅助光源到合适的位置、角度及强度，采集得到煤仓图像，然后采用图像处理技术对图像数据进行特征提取，分析得到所需的煤位参数。硬件系统以高性能DSP芯片TMS320DM642为核心，外扩视频解码器、存储模块、显示模块、报警模块等，实现对井下煤仓煤位数据的快速检测、显示煤位深度的变化趋势、异常报警等功能。

本发明的目的，在于提供一种基于图像处理技术的井下煤仓煤位检测方法，其能够实时检测井下煤仓煤位状况，保障井下煤矿生产安全。为了达成上述目的，本发明的解决方案包括如下步骤：

（1）首先采用距离选通激光主动成像技术由增强型摄像机ICCD对煤仓进行图像采集；

（2）由视频解码器SAA7113H把步骤（1）采集到的模拟信号转换为DM642可以处理的数字信号；

（3）DM642芯片从存储器中读取图像数据并对其进行滤波处理；

（4）结合BEMD分解和互信息熵及图像叠加的优势，对滤波后的图像提取边缘；

（5）根据事先确定好的基于照明中的几何信息来提取景物中几何信息的煤位检测识别算法，实现煤位高度信息的提取。

上述步骤（3）中，对采集到的图像进行滤波处理时，假定A为采用距离选通激光主动成像技术获得的煤仓源图像。具体方法如下：

依次用结构元素B1和B2对图像A进行形态开闭平滑，以滤除噪声:

f=(AOB₁)·B₂                       (1)

其中 $B_1=\left[\begin{array}{cc}1& 1\\ 1& 1\end{array}\right]$ $B_2=\left[\begin{array}{ccc}& 1& \\ 1& 1& 1\\ & 1& \end{array}\right]$

由于B1为2*2小尺度结构元素，而B2为3*3钻石形结构元素，相对的小尺度结构元素B1虽然去噪能力弱，但能更好的保留图像细节；大尺度结构元素B2虽然会模糊图像细节，但去噪能力强。所以利用两者依次滤波能够在保留图像细节的同时较好地滤除噪声干扰。

上述步骤（4）中，对滤波后的图像进行边缘提取时结合BEMD分解和互信息熵及图像叠加的优势，将互信息与边缘梯度特征有效融合提取图像边缘。具体步骤如下：

（41）对滤波后的图像ｆ_{（ｘ，ｙ）}进行BEMD分解，得到不同的BIMF分量；

对灰度图像而言，BEMD分解要首先在投影面上进行局部极大值点和极小值点的选取，并形成其所定义的包络曲面，得到局部均值曲面，然后通过不断地筛选，最终得到有限个二维固有模态分量BIMF和趋势项。具体来说，就是对给定信号，先得到信号极值，而后通过插值获得信号包络及其均值，再计算原数据与均值的差，分解得到一层信号，直到将信号分解成有限个本征模态函数IMF和残差r_n(t)的组合，分解过程可表示为：

$m\left(t\right)=\frac{1}{2}[u\left(t\right)+v\left(t\right)]---\left(2\right)$

h₁(t)=x(t)-m(t)                       (3)

r₁=x(t)-c₁                       (4)

x(t)=C₁(t)+C₂(t)+…+C_n(t)+r_n(t)                (5)

其中，r_n叫做残差函数，表示信号的平均趋势。

在式(5)中若忽略r_n(t)，则有

$X\left(t\right)=x\left(t\right)-\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{C}_i\left(t\right)---\left(6\right)$

式(6)中，

表示不同频率分量的IMF之和；x(t)表示原始信号。那么由式(6)可知，从原始信号中减去噪声信号，就去除了噪声信号，即完成了有效信号的提取。

（42）按照公式(8)、(9)计算各分量的能量熵；

对图像进行二维EMD分解得到不同分量IMF1，IMF2，…，IMFn。分别对每个IMF求其能量：

$E_i=-{\log }_2\left(\frac{P_i}{P}\right)---\left(7\right)$

式中:为第i段信号的能量熵，P_i为第i段信号的能量，P为信号总能量，n是二维EMD分解得出的分量个数。那么各IMF分量相应的固有能量熵为：

$H\left(x\right)=E[-\mathrm{lgP}\left(x_i\right)]=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}P\left(x_i\right)\mathrm{lgP}\left(x_i\right)---\left(8\right)$

利用互信息描述二维EMD分解后的相邻分量的能量熵之间的相关性，其互信息为：

I(X_i,X_i+1)=H(X_i)+H(X_i+1)-H(X_iX_i+1)                    (9)

（43）按照公式(10)计算各分量能量熵之间的互信息；

在二维EMD分解时，图像信号从高频到低频依次分解。则式(4)可以写为：

x(t)=h_i,k(t)+l_j,k(t)+r_n(t)                     (10)

式中：i=1,…,k；j=k,…,n。

（44）按照公式(11)寻找高频与低频部分的转折点；

假设高频和低频部分的相互统计独立,由信息论可知：相互独立的两个随机变量之间的互信息应为零。相邻的IMF分量之间的互信息值将会由高频到低频出现从大到小再到大的过程，中间必将出现一个转折点。因此，利用这个特点，通过互信息原则，可以找到高频部分和低频部分的转折点，于是，可得到目标函数：

$k=\mathrm{first}\left(\arg \underset{1\≤i\≤n-1}{\min }\right[I(X_i,X_{i+1})\left]\right)---\left(11\right)$

（45）根据步骤（44）得出的转折点，如果将高频分量直接舍弃，会损失存在于其中的有用信息，并且达不到降噪效果。因此这里分别对分界后的低频近似子图像f_L用改进的灰值数学形态学进行边缘检测得到其边缘ｆ_Le，对高频细节子图像ｆ_H用小波模极大值法抑止噪声进行边缘检测得到其边缘ｆ_He。

f_e=f_He+f_Le                    (12)

上述步骤（5）中，根据事先确定好的基于照明中的几何信息来提取景物中几何信息的煤位检测识别，具体算法如下：

附图图2中H为测距系统与目标煤仓的距离，L为煤仓高度，摄像机的光轴Z轴与Y轴交于M点，镜头所处位置在O点，其水平和垂直距离分别为h和v。摄像机部位的几何关系放大如图3，其中f为摄像机的焦距，d为形成的像偏离主轴的距离，则有

tanα=d/f             （13）

三角形OMP中：

sinα/d₁=sinγ/d₂                   （14）

其中d₂=MO，对于一定距离的系统来说，是已知定值。d₁=MP即为待求距离Y。由图2知γ=β-α，则

sinγ=sinβcosα-cosβsinα                    （15）

那么式（14）可写成

d₁=d₂sinα(sinβcosα-cosβsinα)             （16）

即d₁=(d₂cscβ/f)d/[1-(cotβf)/d]              （17）

假设摄像机的水平扫描线与条形光相平行，设s和t为水平和垂直的像素间距，则图像某一点的坐标（g,d），以采样数（i,j）来表达，有g=si，d=tj。式（17）可写成：

d₁=Aj/(1-Bj)                    （18）

式中：A=d₂(t/f)cscβ，B=(t/f)cotβ；

h为O点距离激光平面的垂直距离。

则Y=Aj/(1-Bj)+C                 （19）

Y即为煤表面反光点的深度信息，煤仓煤位深度：

D=H+L-[Aj/(1-Bj)+C]              （20）

由于激光与仓内煤块的灰度值相差很大，激光束在煤层界面上形成清晰可见的亮斑，通过基于形态学算法的图像处理后，亮斑从背景中精确提取出来。设煤层边界图像的初始坐标为（0,0），由式（19）可知，只要求出亮斑与图像初始纵坐标之间的纵向距离j,即可获得煤位的高度信息。

采用上述方案后，本发明结合BEMD分解和互信息熵确定高频和低频部分的分界，充分利用BEMD的自适应多分辨特性，与小波降噪相比，该方法不存在基函数和分解层数的选取等问题，其降噪过程是完全由信号特征决定的自适应降噪。该算法结合了边缘比对方法的高效性和最大互信息方法的精确性，在有效保留边缘的同时又较好地体现了原图像的细节特征。同传统方法相比，这种改进的边缘检测方法在有效提取出图像边缘细节的同时抑制了噪声，准确度较高，细节信息保留较多，但又不会检测出过多的边缘，为后续煤仓煤位检测的几何算法提供了一个很好的基础。

本发明通过激光主动成像技术获取煤仓图像，基于图像处理技术对源图像进行边缘提取，根据事先确定好的基于照明中的几何信息来提取景物中几何信息的煤位检测识别算法，实现煤位高度信息的提取。此种检测方法能够实时精确地监测井下煤仓煤位，实现对煤仓图像的采集、图像数据的分析处理、显示煤位参数、监测煤位数据的变化特征、异常报警等功能。

附图说明

图1是本发明的流程图。

图2是煤位几何算法原理图。

图3是摄像机几何放大关系

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

如图1所示，本发明提供一种基于图像处理技术的井下煤仓煤位检测方法，包括如下步骤：

（1）利用SNV-842W/X型激光器-ICCD系统和基于Altera公司的CPLD器件EPM240T100C5的同步控制电路实现激光距离选通成像；

（2）视频解码器SAA7113H把采集到的模拟信号转换为TMS320DM642可以处理的数字信号；

（3）DM642芯片从存储器中读取图像数据并对其进行滤波处理；

（4）结合BEMD分解和互信息熵及图像叠加的优势，对滤波后的图像提取边缘；

（5）根据事先确定好的基于照明中的几何信息来提取景物中几何信息的煤位检测识别算法，实现煤位高度信息的提取。

Claims (1)

1.一种基于图像处理技术的井下煤仓煤位检测方法，其特征在于采用一种改进的形态学算法对源图像进行滤波，并结合BEMD分解和互信息熵及图像叠加的优势，将互信息与边缘梯度特征有效融合提取图像边缘。具体步骤如下：

（1）采用形态学小尺寸、多方向结构元素对原图像滤波；

依次用结构元素B1和B2对原图像A进行形态开闭平滑，以滤除噪声:

f=(AOB₁)·B₂                        (1)

其中 $B_1=\left[\begin{array}{cc}1& 1\\ 1& 1\end{array}\right]$ $B_2=\left[\begin{array}{ccc}& 1& \\ 1& 1& 1\\ & 1& \end{array}\right]$

由于B1为2*2小尺度结构元素，而B2为3*3钻石形结构元素，相对的小尺度结构元素B1虽然去噪能力弱，但能更好的保留图像细节；大尺度结构元素B2虽然会模糊图像细节，但去噪能力强。所以利用两者依次滤波能够在保留图像细节的同时较好地滤除噪声干扰。

（2）结合BEMD分解和互信息熵及图像叠加的优势，将互信息与边缘梯度特征有效融合提取图像边缘，以得到准确的煤位深度。

（21）对滤波后的图像ｆ_{（ｘ，ｙ）}进行BEMD分解，得到不同的BIMF分量；分解过程可表示为：

$m\left(t\right)=\frac{1}{2}[u\left(t\right)+v\left(t\right)]---\left(2\right)$

h₁(t)=x(t)-m(t)                  (3)

r1=x(t)-c₁                    (4)

x(t)=C₁(t)+C₂(t)+…+C_n(t)+r_n(t)            (5)

其中，r_n叫做残差函数，表示信号的平均趋势。

在式(5)中若忽略r_n(t)，则有

$X\left(t\right)=x\left(t\right)-\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{C}_i\left(t\right)---\left(6\right)$

式(6)中，表示不同频率分量的IMF之和；x(t)表示原始信号。那么由式(6)可知，从原始信号中减去噪声信号，就去除了噪声信号，即完成了有效信号的提取。

（22）按照公式(8)、(9)计算各分量的能量熵；

对图像进行二维EMD分解得到不同分量IMF1，IMF2，…，IMFn。分别对每个IMF求其能量：

$E_i=-{\log }_2\left(\frac{P_i}{P}\right)---\left(7\right)$

式中:

E _i为第i段信号的能量熵，P_i为第i段信号的能量，P为信号总能量，n是二维EMD分解得出的分量个数。那么各IMF分量相应的固有能量熵为：

$H\left(x\right)=E[-\mathrm{lgP}\left(x_i\right)]=-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}P\left(x_i\right)\mathrm{lgP}\left(x_i\right)---\left(8\right)$

利用互信息描述二维EMD分解后的相邻分量的能量熵之间的相关性，其互信息为：

I(X_i,X_i+1)=H(X_i)+H(X_i+1)-H(X_iX_i+1)                 (9)

（23）按照公式(10)计算各分量能量熵之间的互信息；

在二维EMD分解时，图像信号从高频到低频依次分解。则式(4)可以写为：

x(t)=h_i,k(t)+l_j,k(t)+r_n(t)                  (10)

式中：i=1,…,k；j=k,…,n。

（24）按照公式(11)寻找高频与低频部分的转折点；

假设高频和低频部分的相互统计独立，由信息论可知：相互独立的两个随机变量之间的互信息应为零。相邻的IMF分量之间的互信息值将会由高频到低频出现从大到小再到大的过程，中间必将出现一个转折点。因此，利用这个特点，通过互信息原则，可以找到高频部分和低频部分的转折点，于是，可得到目标函数：

$k=\mathrm{first}\left(\arg \underset{1\≤i\≤n-1}{\min }\right[I(X_i,X_{i+1})\left]\right)---\left(11\right)$

（25）分别对分界后的低频近似子图像f_L用改进的灰值数学形态学进行边缘检测得到其边缘ｆ_Le，对高频细节子图像ｆ_H用小波模极大值法抑止噪声进行边缘检测得到其边缘ｆ_He。

f_e=f_He+f_Le                (12)

Images