高采样频率的矿井电火花图像识别及抗干扰方法研究

李小伟 王建业

摘要：隔爆外殼外的电缆和电气设备漏电、大功率无线电发射在金属支护和机电设备金属上感生电动势放电产生的矿井电火花，会引起瓦斯和煤尘爆炸及矿井火灾事故，因此有必要尽早感知矿井电火花。影响矿井电火花识别的主要是矿井光源，为减少矿井光源对矿井电火花图像识别的干扰，提出了一种高采样频率的矿井电火花图像识别及抗干扰方法：依据电火花的最长持续发光时间和闪光光源的最短持续发光时间，计算摄像机的采样频率，保证每次电火花出现时，电火花图像只出现在1帧图像上，且矿井光源存在时，干扰光源图像至少出现在连续2帧图像上；计算每帧图像的像素灰度和，若当前帧图像的像素灰度和与前后相邻帧图像的像素灰度和的差值均大于设定的阈值，则发出矿井电火花报警信号。试验结果表明：在无干扰光源条件下，该方法可准确识别矿井电火花图像，准确率达100%；在有日光灯、白炽灯等常亮光源干扰条件下，电火花与日光灯混合图像中电火花识别准确率达99.40%，电火花与白炽灯混合图像中电火花识别准确率达99.67%；在有闪光光源干扰条件下，电火花与闪光灯混合图像中电火花识别准确率达100%。

关键词：矿井电火花；电火花识别；图像识别；矿井光源；高采样频率

中图分类号： TD67    文献标志码： A

Research on high sampling frequency mine electric spark image recognition and anti-interference methods

LI Xiaowei， WANG Jianye

（School of Artificial Intelligence， China University of Mining and Technology-Beijing， Beijing 100083， China）

Abstract： Leakage of electricity from cables and electrical equipment outside the explosion-proof enclosure， and minesparks generated by high-power radio transmissions on metal supports and metal of electromechanical equipment due to induced electromotive discharges， can cause gas and coal dust explosions and mine fires. Therefore， it is necessary to detect mine electrical sparks as soon as possible. The main factor affecting the recognition of mine electric sparks is the mine light source. In order to reduce the interference of mine light sources on mine electric spark image recognition， a high sampling frequency mine electric spark image recognition and anti-interference method has been proposed. Based on the longest continuous emission time of the electric spark and the shortest continuous emission time of the flashlight source， the sampling frequency of the camera is calculated to ensure that the electric spark image only appears in one frame of the image each time the electric spark appears. When the mine light source exists， the interference light source image appears on at least 2 consecutive frames of image. The method calculates the pixel grayscale sum of each image frame. If the difference between the pixel grayscale of the current frame image and the pixel grayscale sum of adjacent frames is greater than the set threshold， a mine electric spark alarm signal will be issued. The experimental results show that under the condition of no interference light source， this method can accurately recognize mine electric spark images with an accuracy rate of 100%. Under the interference of constant light sources such as fluorescent lamps and incandescent lamps， the recognition accuracy of electric sparks in mixed images of electric sparks andfluorescent lamps reaches 99.40%. The recognition accuracy of electric sparks in mixed images of electric sparks and incandescent lamps reaches 99.67%. Under the interference of a flashing light source， the accuracy of electric spark recognition in the mixed image of electric spark and flash lamp reaches 100%.

Key words： mine electric spark; spark recognition; image recognition; mine light source; high sampling frequency

0 引言

煤矿井下电火花（以下简称矿井电火花）会引起瓦斯和煤尘爆炸及矿井火灾事故[1-4]，严重威胁煤矿安全生产[4-6]。矿井电火花因其出现位置不同分为隔爆外壳内电火花和隔爆外壳外电火花[2-3]。因隔爆外壳的隔爆作用，电气开关分合和电气设备故障等产生的隔爆外壳内电火花，不会引起隔爆外壳外的瓦斯和煤尘爆炸及矿井火灾。而直接暴露在煤矿井下空间中的电缆和电气设备漏电、大功率无线电发射在金属支护和机电设备金属上感生电动势放电产生的电火花，会引起瓦斯和煤尘爆炸及矿井火灾事故[1-3]。据统计[5-6]，2005—2014年全国煤矿发生一次死亡10人以上重特大瓦斯爆炸事故108起，其中电气火源引爆瓦斯事故48起，事故占比高达44.4%；在引爆瓦斯的各种火源中，电气火源引起瓦斯爆炸最多。因此，尽早感知矿井电火花，快速启动应急响应，能够最大程度地保证人身及财产安全，具有重要意义[6-9]。

矿井电火花的产生具有偶发性，每次放电时间极短，加之其他光源干扰，很难被发现[3]。煤矿井下没有日光、月光、星光和闪电等自然光源，影响矿井电火花识别的主要是 LED 灯[10]、白炽灯和日光灯等矿井光源。为减少矿井光源对矿井电火花图像识别的影响，针对煤矿井下环境特点，本文提出了一种高采样频率的矿井电火花图像识别及抗干扰方法。

1 高采样频率的矿井电火花图像识别及抗干扰方法

矿井光源可分为固定光源（如巷道灯、巷道指示灯等）和移动光源[11]（如矿灯、车灯等），又可分为常亮光源（如巷道灯、矿灯、车灯等）和闪光光源（如闪烁的信号灯、指示灯等）。研究表明，常亮移动光源和闪光移动光源对固定摄像机的照射都是非连续的[3]。因此，可以将常亮移动光源和闪光移动光源对固定摄像机的干扰统一按闪光光源处理。

高采样频率的矿井电火花图像识别及抗干扰方法原理：将电火花的最长持续发光时间[12-14]和闪光光源的最短持续发光时间[15-18]作为限制条件，计算摄像机的采样频率；保证每次电火花出现时，电火花图像只出现在1帧图像上，且矿井光源存在时，干扰光源图像至少出现在连续2帧图像上；计算每帧图像的像素灰度和，若当前帧图像的像素灰度和与前后相邻帧图像的像素灰度和的差值均大于设定的阈值，则发出矿井电火花报警信号。

1.1 摄像机采样频率

为保证电火花图像只出现在1帧图像上，且干扰光源图像至少出现在连续2帧图像上，摄像机采样频率 F 应满足以下要求：

式中：GTmin为闪光光源的最短持续发光时间；DTmax为电火花的最长持续发光时间。

研究表明[3，14，17]，闪光光源的最短持续发光时间GTmin=240 ms，电火花的最长持续发光时间DTmax=4 ms，将其代入式（1），可得摄像机采样频率范围：8.33 Hz＜F＜250 Hz。

当摄像机采样频率为8.33～250 Hz 时，能够保证电火花图像出现在1帧图像上且不连帧，干扰光源图像至少出现在连续2帧图像上。为便于计算，本文取 F=200 Hz。

1.2 方法流程

高采样频率的矿井电火花图像识别及抗干扰方法流程如图1所示，具体步骤如下。

1）根据式（1）计算摄像机的采样频率范围，并设定采样频率 F。

2）基于采样频率 F，对摄像机采集到的视頻图像进行分帧预处理，并分别计算单帧图像的像素灰度和。

3）计算第i帧图像的像素灰度和与第 i?1帧图像的像素灰度和的差值：

式中：Hxy为像素点（x，y）像素值；M，Q 分别为像素点横纵坐标最大值。

4）判断第i帧图像的像素灰度和与第 i?1帧图像的像素灰度和的差值 Ni?1是否大于设定的阈值 N。若是，则计算第i帧图像的像素灰度和与第 i+1帧图像的像素灰度和的差值Ni+1，否则返回继续监测。

5）判断第i帧图像的像素灰度和与第 i+1帧图像的像素灰度和的差值 Ni+1是否大于设定的阈值 N。若是，则进行矿井电火花报警，并启动人工应急响应，否则返回继续监测。若人工没有启动应急响应，则继续矿井电火花报警；若人工启动应急响应，则退出报警，返回继续监测。

2 高采样频率的矿井电火花图像识别及抗干扰方法试验验证

本试验采用的电火花发生装置及其产生的电火花如图2所示。采用pco.ultraviolet型紫外摄像机（图3（a））采集电火花图像，摄像机分辨率为1042×1394，工作波段为190～1100 nm，摄像机曝光量和焦距手动可调。在摄像机前设置（365±10）nm 紫外滤光片（图3（b）），滤光后成像波段为355～375 nm。摄像机采用独立电源供电，并通过 USB 端口与计算机相连。

2.1 无光源干扰条件下矿井电火花图像识别试验

无光源干扰条件下矿井电火花图像识别试验过程：采集电火花图像，经分帧处理后得到600帧图像样本，其中包含28帧电火花图像。采用本文方法进行计算机识别，运行程序得到的结果如图4和图5所示。由图4可知，在无光源干扰条件下，有电火花的帧图像像素灰度和与其相邻帧无电火花背景图像像素灰度和区分明显。由图5可知，遍历所有帧图像样本，共检测出有电火花的图像28帧，其中误检0帧，漏检0帧，能准确识别电火花图像。

2.2 有光源干扰条件下矿井电火花图像识别试验

在井下实际环境中，存在着干扰电火花图像识别的矿井光源。因此，本文进行了有光源干扰（日光灯、白炽灯、闪光灯）条件下矿井电火花图像识别试验。

1）使用紫外摄像机拍摄电火花与日光灯混合图像，经分帧处理后得到500帧图像样本，其中包含28帧电火花图像，采用本文方法进行计算机识别，运行程序得到的结果如图6和图7所示。由图6可知，虽然背景图像整体像素灰度和在1.705×107～1.709× 107范围内波动，但本文方法根据前后相邻帧图像像素灰度和的差值判定电火花，存在电火花的帧图像像素灰度和与其相邻帧无电火花背景图像像素灰度和区分依旧明显。由图7可知，遍历所有帧图像样本，共检测出电火花图像29帧，其中第121帧、第325帧为非电火花图像，但被识别为电火花图像，误检2帧，第327帧为电火花图像，但未被识别出来，漏检1帧。

2）使用紫外摄像机拍摄电火花与白炽灯混合图像，经分帧处理后得到898帧图像样本，其中包含56帧电火花图像。采用本文方法进行计算机识别，运行程序得到的结果如图8和图9所示。由图8可知，虽然背景图像整体像素灰度和在1.21×106～1.27×106范围内波动，但本文方法根据前后相邻帧图像像素灰度和的差值判定电火花，存在电火花的帧图像像素灰度和与其相邻帧无电火花背景图像像素灰度和区分依旧明显。由图9可知，遍历所有帧图像样本，共检测出电火花图像59帧，其中第121帧、第123帧、第169帧为非电火花图像，但被识别为电火花图像，误检3帧，漏检0帧。

3）使用紫外摄像机拍摄电火花与闪光灯混合图像，经分帧处理后得到800帧图像样本，其中包含48帧电火花图像。采用本文方法进行计算机识别，运行程序得到的结果如图10和图11所示。

由图10可知，本文方法根据前后相邻帧图像像素灰度和的差值判定电火花，存在电火花的帧图像像素灰度和与其相邻帧无电火花背景图像像素灰度和区分明显。由图11可知，遍历所有帧图像样本，共检测出有电火花的图像48帧，其中误检0帧，漏检0帧。

2.3 试验结果分析

采用精确率、准确率及召回率[19-21]对试验结果进行分析，见表1。

从表1可看出：在无光源干扰条件下，可准确识别矿井电火花图像，准确率达100%；在常亮光源干扰条件下，电火花与日光灯混合图像中电火花识别准确率达99.40%；电火花与白炽灯混合图像中电火花识别准确率达99.67%；在闪光光源干扰条件下，电火花与闪光灯混合图像中电火花识别准确率达100%。

3 结论

1）提出了高采样频率的矿井电火花图像识别及抗干扰方法：依据电火花的最长持续发光时间和闪光光源的最短持续发光时间，计算摄像机的采样频率，保证每次电火花出现时，电火花图像只出现在1帧图像上，且矿井光源存在时，干扰光源图像至少出现在连续2帧图像上；计算每帧图像的像素灰度和，若当前帧图像像素灰度和与前后相邻帧图像像素灰度和的差值均大于设定的阈值，则发出矿井电火花报警信号。

2）试验结果表明：在无光源干扰条件下，该方法可准确识别矿井电火花图像，准确率达100%；在有日光灯、白炽灯等常亮光源干扰条件下，电火花与日光灯混合图像中电火花识别准确率达99.40%，电火花与白炽灯混合图像中电火花识别准确率达99.67%。在有闪光光源干扰条件下，电火花与闪光灯混合图像中电火花识别准确率达100%。

参考文献（References）：

[1] 孙继平.屯兰煤矿“2·22”特别重大瓦斯爆炸事故原因及教训[J].煤炭学报，2010，35（1）：72-75.

SUN Jiping. The causes and lessons of "2.22" gas explosion disaster at Tunlan Coal Mine[J]. Journal of China Coal Society，2010，35（1）：72-75.

[2] 孙继平，李小伟，徐旭，等.礦井电火花及热动力灾害紫外图像感知方法研究[J].工矿自动化，2022，48（4）：1-4，95.

SUN Jiping，LI Xiaowei，XU Xu，et al. Research on ultraviolet image perception method of mine electric spark and thermal power disaster[J]. Journal of Mine Automation，2022，48（4）：1-4，95.

[3] 孙继平，李小伟，王建业.基于图像邻帧像素灰度和的矿井电火花识别及报警方法研究[J].工矿自动化，2023，49（7）：1-5.

SUN Jiping，LI Xiaowei，WANG Jianye. Research on mine electric spark recognition and alarm method based on the sum of adjacent frame pixel grayscale of images[J]. Journal of Mine Automation，2023，49（7）：1-5.

[4] 孙继平.煤矿瓦斯和煤尘爆炸感知报警与爆源判定方法研究[J].工矿自动化，2020，46（6）：1-5，11.

SUN Jiping. Research on method of coal mine gas and coal dust explosion perception alarm and explosion source judgment[J]. Industry and Mine Automation，2020，46（6）：1-5，11.

[5] 孙继平，钱晓红.2004—2015年全国煤矿事故分析[J].工矿自动化，2016，42（11）：1-5.

SUN Jiping，QIAN Xiaohong. Analysis of coal mine accidents in China during 2004-2015[J]. Industry and Mine Automation，2016，42（11）：1-5.

[6] 孫继平.互联网+煤矿监控与通信[M].北京：煤炭工业出版社，2016.

SUN Jiping. Internet+coal mine monitoring and communication[M]. Beijing： China Coal Industry Press，2016.

[7] 孙继平.煤矿事故分析与煤矿大数据和物联网[J].工矿自动化，2015，41（3）：1-5.

SUN Jiping. Accident analysis and big data and Internet of things in coal mine[J]. Industry and Mine Automation，2015，41（3）：1-5.

[8] 余星辰，李小伟.基于特征融合的煤矿瓦斯和煤尘爆炸声音识别方法[J/OL].煤炭学报：1-10[2023-07-28]. https：//doi.org/10.13225/j.cnki.jccs.2022.1421.

YU Xingchen，LI Xiaowei. Sound recognition method of coal mine gas and coal dust explosion based on feature fusion[J/OL]. Journal of China Coal Society：1-10[2023-07-28]. https：//doi.org/10.13225/j.cnki.jccs.2022.1421.

[9] 孙继平，范伟强.基于视频图像的瓦斯和煤尘爆炸感知报警及爆源判定方法[J].工矿自动化，2020，46（7）：1-4，48.

SUN Jiping， FAN Weiqiang. Gas and coal dust explosion perception alarm and explosion source judgment method based on video image[J]. Industry and Mine Automation，2020，46（7）：1-4，48.

[10] 徐晓冰，许可义，穆道明，等.矿井LED灯的发热分析及光源设计[J].煤矿机械，2017，38（4）：12-15.

XU Xiaobing，XU Keyi，MU Daoming，et al. Heat analysis and light source design of mine LED lamp[J]. Coal Mine Machinery，2017，38（4）：12-15.

[11] 国家安全生产监督管理总局.煤矿安全规程[M].北京：煤炭工业出版社，2022：2-115.

State Administration of Work Safety. Coal mine safety regulations[M]. Beijing：China Coal Industry Publishing House，2022：2-115.

[12] 陈坤，张小良，陶光远，等.影响静电火花放电的因素[J].中国粉体技术，2021，27（5）：1-10.

CHEN Kun，ZHANG Xiaoliang， TAO Guangyuan， et al. Influence factors of electrostatic  spark discharge[J]. China Powder Science and Technology，2021，27（5）：1-10.

[13] 刘佳.静电火花放电特性探究[D].大连：大连理工大学，2020.

LIU Jia. Exploring the characteristics of electrostatic spark discharge[D]. Dalian： Dalian University of Technology，2020.

[14] 梁天宇.浅谈电火花加工的要素[J].中国高新技术企业，2015（4）：91-92.

LIANG Tianyu. Discussion on the elements of electrical discharge machining[J]. China High-Tech Enterprises，2015（4）：91-92.

[15] GB 17509—2008汽车及挂车转向信号灯配光性能[S]. GB 17509-2008 Photometric characteristics of direction indicators for motor vehicles and their trailers[S].

[16] GB 14886—2016道路交通信号灯设置与安装规范[S]. GB 14886-2016 Specifications for road traffic signal setting and installation[S].

[17] GA/T 743—2016闪光警告信号灯[S].

GA/T 743-2016 Flash alarm signals[S].

[18] JB/T 12707—2016道路监控电子闪光装置[S].

JB/T 12707-2016 Electronic flash apparatus for road monitoring[S].

[19] 曹玉超，范伟强.基于不同深度识别算法的矿井水位标尺刻度识别性能分析与研究[J].煤炭学报，2019，44（11）：3529-3538.

CAO Yuchao，FAN Weiqiang. Performance analysis and research of mine water level scale recognition based on different depth recognition algorithms[J]. Journal of China Coal Society，2019，44（11）：3529-3538.

[20] 余星辰，王云泉.基于小波包能量的煤矿瓦斯和煤尘爆炸声音识别方法[J].工矿自动化，2023，49（1）：131-139.

YU Xingchen，WANG Yunquan. Coal mine gas and coal dust explosion sound recognition method based on wavelet packet energy[J]. Journal of Mine Automation，2023，49（1）：131-139.

[21] 王建业.矿井电火花图像感知方法研究[D].北京：中国矿业大学（北京），2023：11-15.

WANG Jianye. Research on mine electric spark image perception method[D]. Beijing：China University of Mining and Technology-Beijing，2023：11-15.