基于岩块轮廓属性的爆堆图像自适应分割方法

2023-11-02郭钦鹏相志斌杨仕教王昱琛

工程爆破 2023年5期

郭钦鹏,相志斌,杨仕教,王昱琛,尹裕

(1．南华大学资源环境与安全工程学院,湖南衡阳 421000;2．中国有色金属长沙勘察设计研究院有限公司,长沙 410000)

爆破以其经济、高效等优点,被广泛应用于采矿和土木工程中。块度分布作为衡量爆破效果的重要技术指标,直接影响后续铲运、破碎及粉磨等工序的成本和效率,也为爆破参数优化提供必要的依据[1-3]。因此,建立爆破块度快速准确的检测方法对指导爆破施工,提高爆破效益具有重要的理论意义和实用价值。

爆堆具有规模大、岩块粘连严重且形状不规则、粒度差异大、灰度差异小等特点。现有的爆破块度测量方法可概括为传统爆破块度测量、基于三维点云数据的爆破块度测量和基于图像处理的爆破块度测量3大类。传统的爆破块度测量方法,如大块计量法和筛分法等,虽然检测结果相对准确,但存在工作量大、检测样本数少、对生产干扰大等缺点。而基于三维点云数据的爆破块度测量方法和基于图像处理的爆破块度测量方法避免了传统测量法的缺点,成为智能爆破、智能矿山生产领域的研究热点[4-7]。刘强等[8]采用Locally Convex Connected Patches (LCCP)算法对表面岩块点云模型进行分析,小规模试验表明基于三维点云数据的爆破块度统计存在1～3 cm粒径偏差。WANG Y等[9]基于平面拟合改进LCCP算法对德兴铜矿的爆堆进行分析,实现了0.5 m以上岩块的正确计算, 但无法有效分割较小岩块。基于三维点云数据的爆破块度测量方法研究成果较少,分析方法主要以聚类分析为主,而基于图像处理的爆破块度测量方法作为目前最常用的检测手段,分析方法较多,研究成果主要集中于基于区域的分割和基于神经网络的分割[10-14]。李鸿翔等[15]采用GAN-Unet模型对传送带上矿石的图像进行分割,结果表明该方法可减少边缘未闭合和错误分割等问题,提高分割准确性。柳小波等[16]首先采用U-Net模型提取传送带矿石图像轮廓,并将图像二值化处理,然后采用Res_UNet模型进行轮廓优化,分割结果表明该方法相较于分水岭算法和不进行轮廓优化的U-Net模型更适合于传送带矿石图像分割。然而基于神经网络的岩石图像分割训练异常耗时,且上述研究针对的是粒度差异较小的传送带矿石,是否适用于大规模且粒度差异大的爆堆岩块分割有待研究。YANG Z等[17]提出一种新的亲和度构建模型改进超像素图像分割技术,实现爆堆图像的岩块分割。杨丹丹等[18]利用尺度变换改进基于图论的聚类分割算法对矿岩图像进行分割,结果表明该方法可以满足多种矿岩颗粒图像的分割要求。叶平坤[19]通过采用强制最小技术改进分水岭算法实现矿岩颗粒的分割,并与人工筛分结果相对比,证明了图像检测的准确性和可行性。MA L C等[20]将分水岭分割算法与Canny边缘检测获得的矿岩图像分割线相结合从而得到优化后的分割图像,研究结果表明该方法可减少岩块的过分割和欠分割。

分水岭算法因其对微弱边缘具有较好的反应,被广泛应用于岩块颗粒分割,但由于爆堆图像存在较多无意义的局部极小值,即冗余种子点,导致分水岭算法产生严重的错误分割,尤其是过分割[12,19-21]。针对分水岭算法在爆堆岩块图像分割过程中存在的局限性,提出基于岩块轮廓坚实度的种子点标记方法,形成基于岩块轮廓属性的分水岭算法,减少过分割和欠分割现象,实现对爆堆中粘连岩块的有效分割。

1 爆堆图像预处理和二值分割

由于爆破现场环境复杂,采集的爆堆图像存在较为严重的噪声,且岩块堆积严重,相互粘连,背景差异度小、颜色信息不明显。为有效地对爆堆岩块进行分割,需对爆堆图像进行预处理和二值分割,流程如图1所示。首先采用双边滤波对爆堆灰度图像去噪,其次通过限制对比度自适应直方图均衡化使岩块边缘更加明显,然后利用基于局部图像性质的Phansalkar法[22]对爆堆图像进行二值分割,最后对爆堆二值图像进行形态学优化,并进行面积滤波。经预处理和二值分割后的效果如图2所示。

图1 爆堆图像预处理和二值分割流程Fig.1 Blasting pile of pre-processing and binary segmentation effects

图2 爆堆图像预处理和二值分割效果Fig.2 Blasting pile image preprocessing and binary segmentation effect

Phansalkar方法[22]是一种基于局部图像性质的自适应局部阈值方法,该方法对图像中每个像素(x,y)处理,考虑以该像素为中心的一个w×w大小的窗口,该窗口内的像素灰度平均值为m(x,y),标准差为s(x,y),则针对该像素的局部阈值T(x,y)为

T(x,y)=m(x,y)[1+pe-qm(x,y)+

(1)

式中:p和q为常数。

Phansalkar方法可以根据局部平均值与标准差的大小确定阈值的选取,通过调整参数p,q,k的取值,可以调整Phansalkar方法的结果,具有很大的灵活性,处理效果见图2d。为表明该方法的有效性,将该方法与Otsu[23]和Sauvola[24]进行对比,对比的阈值方法对图2c处理的效果如图3所示。从图中可看出Otsu方法会产生2种错误:①把岩石较暗区域和被阴影遮挡的岩石错误分割为背景;②把部分大岩石内部区域分为背景。部分错误区域见图中方框部分,严重影响后续的粘连岩块的分割。Sauvola方法只是把岩块的大致轮廓分割出来,并没有区分出目标和背景区域。而Phansalkar方法能准确地将背景与岩石颗粒区分,效果理想。

图3 不同方法的二值分割效果Fig.3 Binary segmentation effects of different methods

图2e为经形态学优化后的爆堆二值图像,将该图与图2d对比可发现,形态学优化可消除二值图像中较小的“孔洞”和噪声点,平滑目标边缘,但是仍有部分“孔洞”较大区域和噪声点无法去除。图2f为采用面积滤波消除较大“孔洞”和噪声点后的爆堆二值图像,取得了较为理想的结果,但仍存在部分噪点,对岩块分割造成影响,如果增加面积阈值,就会造成部分小岩块周围的背景被去除。

2 基于岩块轮廓属性的爆堆图像分割方法

2.1 分水岭算法原理

分水岭算法[25-26]原理是以三维方式来把一幅图像形象化为地形图。在这种“地形学”中,考虑三种类型的点,如图4所示:①局部最小值点或最小值面,该点对应一个盆地的最低点,也称为种子点;②盆地的其他位置点;③盆地的边缘点,即该盆地和其他盆地交接点。对于一个特定的区域最小值,满足条件②的点的集合称为该最小值的汇水盆地或分水岭。满足条件③的点形成地面的锋线,称为分割线或分水线。基于这些概念的分割算法的主要目标是找出分割线,也就是图像中岩块的边缘。

图4 分水岭二维地形Fig.4 2D topographic image of watershed

传统的分水岭算法通常是无标记分割,输入对象是梯度图像,是基于亮度变化的,它只反映图像的边缘信息,会因图像存在许多无意义的局部极小值导致分水岭产生过分割现象。

2.2 岩块轮廓的坚实度

在一些特殊粘连对象的分割过程中,例如粘连的细胞、球形颗粒等,可采用一些经验知识,如细胞核的颜色、球形颗粒的形状等信息来对种子点进行纠正。但对于爆堆岩块分割,除了形状外无其他经验知识,且爆堆岩块形状大部分为不规则的多边形。为探究爆堆岩块形状规律,对爆堆图像进行人工分割,分割效果如图5所示。

图5 人工分割Fig.5 Manual segmentation

通过图像轮廓检测技术,统计爆堆中岩块的信息,其中包括岩块的面积、岩块轮廓凸包的面积、岩块轮廓坚实度,其中轮廓检测为检测并提取具有相同颜色或灰度的所有连续点,这些点连接后为岩块的边缘曲线,即岩块的轮廓。然后统计该轮廓内部的像素点个数,可获得岩块的面积。通过检查岩块的边缘曲线是否存在凸凹缺陷并对凹处进行校正,形成始终突出或至少平坦的凸曲线,即为岩块轮廓凸包,统计该凸包内部的像素点个数,即岩块轮廓凸包的面积。岩块轮廓坚实度为岩块面积与岩块轮廓凸包面积的比值。面积大于1 000 cm2的岩块的轮廓坚实度分布直方图如图6所示。从图6可看出该图中较大岩块的轮廓坚实度范围在0.78～0.96之间,主要集中在0.84～0.96之间,因此爆堆岩块轮廓的坚实度较高,由此可得出爆堆岩块形状接近或等于凸多面体。

图6 坚实度分布直方图Fig.6 Solidity distribution histogram

2.3 基于岩块轮廓属性的爆堆图像自适应分割

基于以上研究,为减少分水岭算法对爆堆岩块错误分割的现象,在对爆堆图像预处理和二值分割的基础上,采用迭代腐蚀的方法对爆堆的二值图像(图2f)进行处理,并利用岩块轮廓坚实度较高这一轮廓属性标记种子点,最后采用分水岭算法进行分割。其中迭代腐蚀为采用同一个结构元素对目标进行多次腐蚀处理,岩块轮廓坚实度作为评判是否为种子点的依据。

整个分割方法伪代码如表1所示,其中第8行和第20行中f(x)代表对x进行腐蚀操作。需说明的是:①文中设置的坚实度阈值为0.8;②背景区域为二值图像中像素为0的区域,其中包含着少量的噪点,如图2f方框中的黑色区域,对照图2a可知该区域为噪点。在对爆堆的二值图像迭代腐蚀处理过程中,部分背景区域(尤其是噪点)的轮廓坚实度会逐渐增大,甚至会大于坚实度阈值,因此伪代码(见表1)的14～18行的作用为判断每个满足坚实度阈值的轮廓是否由背景区域膨胀之后产生。

表1 分割方法伪代码

3 实验结果与分析

3.1 种子点标记结果和分割效果

以上述图2a中爆破后岩块图像为试验对象,验证基于岩块轮廓属性的爆堆图像自适应分割算法的性能。图7分别为该方法对爆堆图像的种子点标记结果和分割结果。从图7可以看出该分割方法可有效地对岩块进行标记,并实现对严重堆叠和粘连的爆破堆石图像较为准确的分割。将爆破堆石种子点图分别与其预处理后的二值图像对比发现该种子点标记方法可避免因二值图像岩块内部噪声对分割的影响,如图2f方框内。但该方法同样存在一定问题:

图7 种子点标记结果和分割效果Fig.7 Seed point marking result and segmentation result

1)部分严重粘连岩块没有分割开,如图7a方框内。对比图2f相同位置可发现该情况主要是由于二值分割后粘连岩块之间没有存在明显的界限,且在种子点标记过程中粘连岩块形成的轮廓的坚实度大于坚实度阈值;

2)对部分岩块进行多次种子点标记,如图7a椭圆框内。从图中可看出存在多个种子点的岩块主要特征为在图像中存在多个面或表面起伏较大。由于自然光的原因,造成了岩块背面或者表面较低区域存在阴影,对种子点标记造成影响。

3.2 与现有方法的比较

为了评估基于岩块轮廓属性的爆堆图像自适应分割方法的准确性和先进性,将该算法与其他2种用于岩石分割的分水岭改进方法进行对比,并以人工分割结果作为分割标准对3种分割方法的分割效果进行评价,其中2种分水岭改进方法分别见文献[27]和[28]。采用文献[27]和[28]的分割方法对爆堆图像的分割结果如图8所示, 3种分割结果的面积累计分布曲线如图9所示,其中岩块面积累计曲线计算公式见公式(2)。分割结果的Area20,Area50和Area803个特征面积参数的对比如表3所示,分别代表累计面积分布百分数达到20%、50%和80%时所对应的面积。表3为分割结果在不同面积区间的岩石个数对比,需说明的是只统计面积为100 cm2以上岩块的个数。表2和表3均采用相对误差(Re)作为评价指标。

表2 3个特征面积参数

表3 爆堆图像分割结果中的岩块个数

图8 采用文献[27]和[28]分割方法的分割结果Fig.8 Segmentation results using the segmentation methods in literature [27] and [28]

图9 面积累计分布曲线Fig.9 Cumulative area distribution curve

(2)

式中:P为岩块累计面积比;Stotal为整个爆破堆石图像所有被识别岩块面积的总和;Sx为岩块在面积分级x处的累计面积。

从图8可看出文献[27]和[28]提出的分割方法均可实现对严重堆叠和粘连的爆破堆石图像的分割。从图9可看出,文献[28]方法的分割效果较差,其面积累计曲线高于人工分割的面积累计曲线,即在相同的岩块累计面积比的条件下,文献[28]方法分割结果所对应的面积均小于人工分割结果所对应的面积,如表2所示的3个特征面积参数,表明文献[28]方法存在较多的过分割现象,该现象也可从表3中文献[28]方法分割结果与人工分割结果在100 cm2以上的岩块个数对比结果看出。从图9和表3可看出,相对于文献[28]方法,文献[27]方法的分割效果具有一定的改善,该方法在0～1 000 cm2面积区间内具有欠分割现象,而对面积大于3 000 cm2的岩块具有过分割现象,从而导致了在1 000～3 000 cm2面积区间内的岩块个数大于人工分割的岩块个数。而本文方法对爆堆图像的分割效果最好,其面积累计分布曲线更接近于人工分割,分割结果的3个特征面积参数的相对误差最大仅为4.32%,不同面积区间内岩块个数的相对误差最大仅为3.28%,优于文献[27]和[28]提出的分割方法。