基于钻孔返渣图像的煤岩界面识别方法研究

李彦明

（1.中煤科工集团重庆研究院有限公司，重庆400039；2.瓦斯灾害监控与应急技术国家重点实验室，重庆400039）

我国能源消费结构长期以来都是以煤炭为主，虽然近几年国家在清洁能源开发和利用方面取得了巨大进步，但受煤炭消耗体量大影响，以煤炭为主的消费格局还将持续很长一段时间。与此同时，为支撑煤炭行业的高质量发展，在自动化、大数据、物联网、人工智能等新技术的应用背景下[1-2]，建设智能化煤矿不仅是自身发展的需要，也是未来煤炭工业的战略方向[3-4]。

未来智能化煤矿的应用场景将包括采煤、掘进、运输、通风、瓦斯治理、监测监控等多个方面，其中钻孔施工作为瓦斯治理的主要手段，将形成基于钻孔机器人的智能化作业系统。在该系统中，为保证瓦斯抽采效果、减少抽采盲区，在钻孔施工时对煤岩界面进行实时识别是其中的关键技术之一。不过目前国内外针对煤矿开采的煤岩界面识别研究主要集中在智能开采方面[5-7]，对钻孔施工的煤岩识别研究较少。因此，为满足下一步钻孔机器人对智能化施工的要求，现在急需针对钻孔施工场景开展煤岩界面识别技术研究。

1 煤岩界面识别技术的研究现状

煤矿领域的煤岩界面识别研究多数集中在采煤作业场景，目的是通过识别煤层和顶底板岩层来及时调整采煤机滚筒截割高度，提高资源采出率、降低设备磨损。由于智能化钻孔也是要实时判别煤层和顶底板岩层的界面，与采煤作业的识别对象基本相同，所以原理上基于采煤作业场景的煤岩识别技术都可用于钻孔施工。

目前就煤岩界面的识别方法而言，大致可归纳为2 大类[8-11]：一类是利用传感器直接确定煤岩界面的直接检测法，主要包括自然γ 射线、人工γ 射线、雷达、图像等方式；另一类是根据施工装备作业参数和信息反馈进行判断的间接检测法，主要包括红外、振动、有功功率、声波频谱、激光粉尘等方式。

由于煤矿井下钻孔施工与采煤截割的应用场景存在很多差异，而不同的煤岩识别技术在实际应用时又存在局限性，所以导致大部分常规的识别技术无法直接用于钻孔施工场景。因钻孔作业为隐蔽施工，如采用γ 射线、雷达、红外、振动、有功功率、声波等煤岩识别技术，则需要将探测装置集成到钻头位置，而现有的钻具系统还无法实现该功能。针对激光粉尘检测法，当钻孔采用清水排渣时无法使用，而采用空气排渣时，由于持续钻进造成钻场附近的粉尘不容易沉降，导致返出的新粉尘与已有粉尘掺混，影响识别准确性。因此，综合分析现有煤岩识别技术的特点和井下钻孔作业场景，利用仪器采集孔内返出的岩屑和煤渣图像，并进行图像实时识别成为最可行的技术手段。

2 煤岩图像特征分析

图像特征主要包括颜色、纹理、形状和空间关系，其中颜色和纹理特征是全局特征，描述了图像或图像区域所对应景物的表面性质；形状特征分为轮廓特征，针对的是物体外边界；空间关系特征是指多个目标之间的相互的空间位置或相对方向关系[12]。

对于煤矿井下钻孔施工来说，钻进对象主要是煤层和顶底板岩层（以泥、砂岩为主），所以钻孔返出的钻屑只有煤渣、岩屑或二者的混合，由二者的图像特征对比可知，煤渣和岩屑在颜色特征方面差异最大，纹理、形状和空间关系特征存在交叉的模糊区域，因此针对钻孔返渣图像的煤岩识别方法主要基于煤岩的颜色（灰度）特征，最后再根据煤岩占比分析来实现煤岩识别。

采用颜色（灰度）特征识别煤岩时，受作业现场的光线、粉尘、振动、水雾等影响，容易造成图像失真，图像存在较大噪声，使得采集到的煤岩颜色特征不清晰。因此，为满足图像特征识别要求，需要对图像进行预处理，然后再进行图像分割和特征提取，最后实现分类识别。煤岩图像识别流程如图1。

图1 煤岩图像识别流程Fig.1 Coal and rock image recognition process

由图1 可以看出，在图像识别过程中，图像预处理和阈值分割是其中的关键，因此需要根据井下钻孔作业场景开展相关技术研究。

3 煤岩图像预处理

研究的钻孔返渣煤岩图像识别是基于空气排渣方式，现场作业会存在大量粉尘，一方面使得采集仪器镜头沾满灰尘，在光源照射下发生漫反射，造成采集的图片目标区域模糊不清，另一方面基于可见光的采集方式对粉尘穿透性差，存在一定的致盲性。另外，钻孔施工时，现场的机电设备将对图像采集设备产生电磁干扰。因此，为了提高原始图像的对比度，改善图像质量，在进行图像分割和特征提取之前，需要对采集的原始图像进行预处理，主要包括提取明度分量、图像去噪和图像增强3 个步骤。

3.1 提取明度分量

相比于RGB，HSV 可更直观的表达颜色的色调、鲜艳程度和明暗程度，方便进行颜色对比，同时HSV 中的明度通道V 具备与光强度之间没有直接联系的特性。因此，针对钻孔场景中光照条件受粉尘、光源稳定性等因素影响造成图像光强度不稳定问题，通过提取V 分量图像在最大程度上减小环境光对图像处理的影响。

HSV 模型通过色调H、饱和度S 及明度V 3 个参数进行描述。结合实验采集的图像，将RGB 到HSV 色彩空间的转换公式设计如下：

式中：r、g、b 分别为像素坐标下的红、绿、蓝三通道分量值，max、min 分别为r、g、b 的最大值以及最小值。

经过上述色彩空间转换后，采集图像的处理结果如图2。

图2 煤岩图像色彩转换结果Fig.2 The result of color conversion of coal and rock image

3.2 图像去噪

在钻孔施工时，现场进行煤岩图像采集、传输时还存在电子设备工频干扰问题，因此获取的原始图像存在较大噪声，在提取到V 通道图像后需要进行滤波去噪处理，以减少噪声对识别造成的干扰。

图像去噪主要包括时域、频域和空间域等去噪方法[13]，因识别的煤岩图像为采集的静态图片，而时域和频域内各种低通滤波器、自适应小波滤波器等去噪方法均建立在像素点时序关联性的基础上，因此采用空间域去噪方法，空间域滤波使用滤波器对图像进行逐像素点操作。

根据采集的煤岩图像，选择均值、领域平均和高斯3 种滤波器进行对比实验，对应的线性滤波器模板如图3，其中领域平均滤波器选取半径为。对应的不同模板滤波效果如图4。

图3 线性滤波器模板Fig.3 Linear filter template

图4 不同模板滤波效果Fig.4 Filtering effect of different templates

通过与原始图像对比，由图4 中不同模板的滤波效果可以看出，以上3 种滤波器均能不同程度去除了噪声，但高斯滤波由于其滤波器模板权值中心汇聚的特性，使其图像输出边缘更为清晰，且去除噪声的效果也较为明显，因此采用了高斯滤波进行图像去噪处理。

3.3 图像增强

因现场钻孔施工时存在许多干扰因素导致目标区域图像信息模糊不清，所以为了改善图像质量，在特征提取之前，需要对煤渣和岩屑图像进行图像增强。结合目前常用的图像增强方法以及钻孔返渣煤岩图像的特点，采用拉普拉斯变换作为图像增强方法。经过拉普拉斯方法对图像的增强结果如图5，由图中可以看出，原始的模糊图像经过图像增强处理后，对比度明显提升，同时维持了原图的灰度特性。

图5 图像增强效果图Fig.5 Image enhancement effect picture

4 煤岩图像分割

图像分割是机器视觉技术的基础，同时也是图像处理中最关键的环节。对于灰度图像，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。结合井下钻孔返渣的图像特点，分割算法需考虑2 个问题：①现场采集的图像存在全煤渣或全岩屑的情况，分割后的图像并非完全是2 种类别；②考虑系统的实时性需求，对于图像分割算法的计算量要足够小。因此，综合分析后本实验采用了固定单阈值分割方案，采取的途径如下：

1 副图像包括目标、背景和噪声，设定某一阈值T 将图像f（x，y）分成2 部分：大于T 的像素群和小于T 的像素群。

为了确定固定阈值T，采用最大类间方差法。最大类间方差法是根据图像的灰度特性，将图像分为前景和背景2 个部分。确定T 为前景与背景的分割阈值，前景点数占图像比例为ω0，平均灰度为u0；背景点数占图像比例为ω1，平均灰度为u1；图像的总平均灰度为u；前景和背景图象的方差为σ。则：

联立式（8）、式（9），得到

当方差σ 最大时，可以认为此时前景和背景差异最大，此时的灰度T 是最佳阈值。通过该方法，计算出采集样品图像的固定阈值为115，中图像分割结果如图6。

5 煤岩图像识别

图6 图像分割结果Fig.6 Image segmentation results

根据前节经过图像分割流程后获取的二值图像，以岩屑为前景图像，每个像素点灰度值均为1，对其求和即可得到岩所占的像素总数，设定通过以下公式得到岩屑、煤渣各自所占比例。

式中：A 为整个煤岩图像像素点总数；sum（F）为煤岩图像中岩屑所占的像素总数；Ry为岩屑所占比例；Rm为煤渣所占比例。

单帧图像煤岩比例识别结果如图7，其中数据标识为煤渣的含量，红色标记为岩屑所在的像素分布。

图7 单帧图像煤岩比例识别结果Fig.7 Single frame image coal-rock ratio recognition results

由于图像识别只针对煤岩图像表面特征进行分析，单帧煤岩图像辨识结果难以保证结果稳定性，需连续多次采样，结合多次采样结果分析得出最终结论，假定M 次采样，N 次结果煤所占比例大于设定阈值，通过判断N/M 即可得出该批次煤岩辨识结果。

6 结 语

针对煤矿井下钻孔的作业场景特点，因钻孔返渣中只有岩屑和煤渣，二者颜色特征差异较大，所以基于图像检测的煤岩界面识别方法是钻孔作业场景中最可行的技术手段。受现场作业环境影响，利用机器采集的图像存在噪声，为保证识别准确性，首先对图像进行预处理，包括采用HSV 颜色空间进行转换以提取明度分量、采用空间域滤波中的高斯滤波进行图像去噪、采用拉普拉斯方法实现图像增强。结合井下钻孔作业时返渣图像特点，图像分割采用固定单阈值分割方案。并利用最大类间方差法确定了采集样品图像的固定阈值为115。对于图像分割后的二值图像，通过计算煤渣和岩屑在图像像素点总数中各自所占比例，进行了煤岩标识，所以通过分析大量的样本数，并设置煤岩界限的阈值，最终实现钻孔作业场景下的图像识别。