基于遺傳算法的OTSU煤礦井筒裂縫快速識(shí)別方法

岳國(guó)偉 盧秀山 賈紅果 劉如飛（山東科技大學(xué),山東省青島市,266590）

?

基于遺傳算法的OTSU煤礦井筒裂縫快速識(shí)別方法

岳國(guó)偉 盧秀山 賈紅果 劉如飛
（山東科技大學(xué),山東省青島市,266590）

摘要井筒巡檢儀采集的井筒序列影像,占用存儲(chǔ)空間達(dá)90G以上,數(shù)據(jù)量大,分析處理費(fèi)時(shí)費(fèi)力。最大類(lèi)間方差法作為一種典型的圖像自適應(yīng)閾值分割方法,在進(jìn)行圖像分割時(shí),存在計(jì)算復(fù)雜度高、時(shí)間消耗多、分割精度低等問(wèn)題。為提高裂縫識(shí)別效率,提出了一種基于遺傳算法的OTSU煤礦井筒裂縫快速識(shí)別方法,遺傳算法用來(lái)提高迭代求解速度和計(jì)算效率。實(shí)驗(yàn)結(jié)果表明,本文方法不僅能縮短運(yùn)算時(shí)間30%以上,而且能夠快速準(zhǔn)確識(shí)別井筒裂縫病害,提高井筒巡檢的自動(dòng)化程度。

關(guān)鍵詞遺傳算法 最大類(lèi)間方差法 井筒巡檢 裂縫識(shí)別

煤礦生產(chǎn)中,豎井井筒是人員上下、煤炭出井、物料收送的重要通道,是整個(gè)煤炭生產(chǎn)的安全出口。隨著井筒服役年限的增加,井筒內(nèi)部會(huì)出現(xiàn)一些井筒病害,如井壁裂縫等。目前井筒巡檢主要采取人工巡檢的方式,病害識(shí)別能力低,且存在較大人身安全隱患。為改善井筒巡檢方式和手段,提高巡檢自動(dòng)化程度和病害識(shí)別能力,本文引入圖像處理技術(shù),對(duì)井筒裂縫進(jìn)行自動(dòng)識(shí)別。

關(guān)于圖像裂縫目標(biāo)識(shí)別,當(dāng)前已有不少研究成果,研究領(lǐng)域主要集中在地鐵隧道裂縫識(shí)別、道路路面裂縫檢測(cè)、古建筑裂縫檢測(cè)等。目前,對(duì)煤礦井筒圖像裂縫識(shí)別還很少有人研究。井筒裂縫的出現(xiàn)不僅會(huì)降低井壁的抗?jié)B能力,影響井筒正常使用功能,而且隨著裂縫的發(fā)育擴(kuò)散,會(huì)導(dǎo)致混凝土的碳化,降低材料的耐久性,影響井壁的承載能力,需要及時(shí)發(fā)現(xiàn)裂縫病害并進(jìn)行修復(fù)治理。

本文依托青島秀山移動(dòng)測(cè)量有限公司研發(fā)的井筒巡檢儀,進(jìn)行豎井井筒圖像采集。該巡檢儀裝配了高質(zhì)量的工業(yè)組合相機(jī),具有較高的圖像分辨能力,能有效識(shí)別井筒細(xì)節(jié)信息,反映井筒的真實(shí)特征。巡檢儀裝載在井筒內(nèi)的升降罐籠上,行進(jìn)速度1 m/s,相機(jī)拍攝幀頻4幀/s。以濟(jì)寧二號(hào)煤礦副井為例,井筒深度630 m,一次巡檢采集的序列影像達(dá)17096張,存儲(chǔ)空間消耗93.6 G,采集頻率高,圖像數(shù)據(jù)量大。傳統(tǒng)的OTSU進(jìn)行數(shù)據(jù)處理時(shí)耗費(fèi)大量運(yùn)算時(shí)間,計(jì)算效率低,不能滿(mǎn)足井筒巡檢的實(shí)時(shí)性要求。本文結(jié)合遺傳算法和最大類(lèi)間方差法,提出了一種井筒裂縫快速提取方法,旨在提高井筒裂縫病害的識(shí)別能力。

1　OTSU方法原理

最大類(lèi)間方差法,簡(jiǎn)稱(chēng)OTSU方法,是一種典型的自適應(yīng)閾值分割方法。它是按圖像的灰度特性,將圖像分成背景和目標(biāo)兩部分。背景和目標(biāo)之間的類(lèi)間方差越大,說(shuō)明構(gòu)成圖像的兩部分的差別越大,當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小,使類(lèi)間方差最大的分割意味著錯(cuò)分概率最小。OTSU通過(guò)計(jì)算不同閾值T條件下,背景和目標(biāo)之間的類(lèi)間方差,獲取使得背景和目標(biāo)類(lèi)間方差最大的閾值T,從而實(shí)現(xiàn)圖像目標(biāo)和背景分割。

假定給定圖像的灰度值范圍是［1,L］,灰度值為i的像素?cái)?shù)為ni,則圖像總像素?cái)?shù)為N＝,各灰度值存在的概率為,圖像的平均灰度值為。最大類(lèi)間方差的基本思路為:設(shè)灰度閾值T將原始圖像劃分為C0和C1,其中C0的灰度值區(qū)間為［1,T］,灰度值分布概率為;C1的灰度值區(qū)間為［T＋ 1,L］,灰度值分布概率為＝1－ω0,則這兩個(gè)類(lèi)的灰度平均值分別為× Pi）/ω0和μ1＝（i×Pi）/ω1,且滿(mǎn)足式（1）所示約束條件。

OTSU方法計(jì)算C0、C1類(lèi)間方差的函數(shù)如式（2）所示。

滿(mǎn)足式（2）取值最大時(shí)的圖像灰度分割閾值T,即為OTSU方法求得的最佳閾值Topt,如式（3）所示。

2　基于遺傳算法的OTSU井筒裂縫快速識(shí)別方法

傳統(tǒng)的基于OTSU的圖像分割,需要遍歷圖像中所有灰度值,并進(jìn)行方差計(jì)算,計(jì)算量非常大,搜索效率低,求解速度慢。針對(duì)此問(wèn)題,本文提出了一種基于遺傳算法的OTSU井筒裂縫識(shí)別方法,方法流程圖如圖1所示。

圖1　基于遺傳算法的OTSU井筒裂縫快速識(shí)別方法流程圖

遺傳算法作為一種基于自然選擇和生物進(jìn)化論的優(yōu)化算法,具有并行工作能力和全局尋優(yōu)的特點(diǎn)?；谶z傳算法的OTSU井筒裂縫快速識(shí)別方法主要步驟如下。

2.1圖像預(yù)處理

井筒圖像采集時(shí),由于井筒內(nèi)部光照不足、煤炭粉塵、井下淋水等因素,導(dǎo)致井筒圖像成像灰度不均、無(wú)明顯邊緣信息且存在噪聲干擾。本文通過(guò)圖像增強(qiáng)技術(shù)來(lái)改善井筒圖像質(zhì)量,一方面改善圖像對(duì)比度,另一方面抑制圖像噪聲干擾。

（1）對(duì)比度改善:將灰度值狹窄的待處理圖映射為一寬帶輸出,調(diào)節(jié)圖像的對(duì)比度或動(dòng)態(tài)范圍。通過(guò)增強(qiáng)圖像中灰暗部分,抑制圖像中亮度大的部分,通過(guò)式（4）所示的變換實(shí)現(xiàn)。

式中:F（x,y）——原始圖像;

Fmax和Fmin——分別為原始圖像的最大、最小灰度;

d——新的動(dòng)態(tài)范圍值;

F0——偏移量。

目前較為常用的改善對(duì)比度的方法有線性函數(shù)法、對(duì)數(shù)函數(shù)法、冪次函數(shù)法等。

（2）噪聲抑制:通過(guò)中值濾波來(lái)實(shí)現(xiàn)。濾波過(guò)程中,首先設(shè)定一個(gè)含有奇數(shù)個(gè)像素的窗口,然后根據(jù)一定規(guī)則使窗口在圖像中平滑移動(dòng),窗口每到達(dá)一個(gè)位置,則將窗口中心點(diǎn)的灰度值替換為窗口內(nèi)各點(diǎn)灰度值的中值。設(shè)有一個(gè)一維序列f0, f1,f2,…,fn－1,窗口長(zhǎng)度為2m＋1,在某個(gè)位置上,窗口內(nèi)的2m＋1個(gè)像素為fi－m, fi－m＋1,…,fi,…,fi＋m,則中值濾波公式如式（5）所示。

2.2編碼

是將一個(gè)待求解的問(wèn)題的實(shí)際可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的過(guò)程。由于圖像灰度有0～255共256個(gè)灰度值,正好對(duì)應(yīng)著計(jì)算機(jī)中一個(gè)8位二進(jìn)制碼,因此使用一個(gè)二進(jìn)制位作為一個(gè)基因,一個(gè)字節(jié)作為一個(gè)染色體。對(duì)于染色體的解碼正好是編碼的逆過(guò)程,即字節(jié)由二進(jìn)制到十進(jìn)制的轉(zhuǎn)換。若某個(gè)體的編碼為b8b7b6b5b4b3b2b1,則對(duì)應(yīng)的解碼公式如式（6）所示。

2.3種群初始化

種群的規(guī)模不能選取過(guò)大也不能太小,其選取與實(shí)際問(wèn)題有關(guān)。根據(jù)先驗(yàn)成果,初始規(guī)模一般為10～100之間。初始規(guī)模設(shè)置越大,算法執(zhí)行越慢?？紤]到圖像大小,本文初始規(guī)模選為10,并隨機(jī)初始化每一個(gè)染色體,得到10個(gè)不同的染色體,這實(shí)際上決定了解的初始值。不同的初始值,遺傳算法取得最優(yōu)解的收斂速度會(huì)有差異。

2.4評(píng)價(jià)函數(shù)

用來(lái)表征個(gè)體在種群中的適應(yīng)程度。適應(yīng)程度較高的個(gè)體會(huì)有更多繁殖機(jī)會(huì),而適應(yīng)程度較低的個(gè)體,繁殖機(jī)會(huì)將減少,甚至消失。在遺傳算法中,一般通過(guò)評(píng)價(jià)函數(shù)來(lái)衡量某一個(gè)個(gè)體的適應(yīng)度高低。本文以式（2）所示的OTSU判別函數(shù)作為每一個(gè)染色體的評(píng)價(jià)函數(shù)。對(duì)每個(gè)染色體的適應(yīng)度函數(shù)值,當(dāng)方差最大時(shí),目標(biāo)和背景差異最大,也就是此時(shí)的灰度是最佳閾值。

2.5選擇算子

用于種群中選優(yōu),將優(yōu)秀的個(gè)體直接遺傳到下一代或通過(guò)配對(duì)交叉產(chǎn)生新的個(gè)體再遺傳到下一代。選擇是根據(jù)新個(gè)體的適應(yīng)度進(jìn)行,以適應(yīng)度高低為導(dǎo)向。本文使用保存最佳個(gè)體策略法來(lái)進(jìn)行選擇操作。

2.6交叉算子

將種群內(nèi)的個(gè)體隨機(jī)搭配成對(duì),對(duì)每一對(duì)個(gè)體,以某個(gè)概率遵循某一種規(guī)則交換它們之間的部分染色體,重組生成一個(gè)新染色體。交叉算子在遺傳算法中起核心作用。通過(guò)交叉操作可以得到新一代個(gè)體,新個(gè)體組合了其父輩個(gè)體的特性,交叉體現(xiàn)了信息交換的思想。本文使用雙點(diǎn)交叉策略,即在相互配對(duì)的個(gè)體中,隨機(jī)設(shè)置2個(gè)交叉點(diǎn),然后進(jìn)行基因相互置換,交換2個(gè)交叉點(diǎn)之間的部分編碼基因。

2.7變異算子

變異是指種群個(gè)體中一個(gè)或多個(gè)基因按照較小的概率而發(fā)生變化,這也是形成新個(gè)體的一種有效途徑。變異為新個(gè)體的產(chǎn)生提供了機(jī)會(huì)。

3　實(shí)驗(yàn)

3.1實(shí)驗(yàn)概況

本文實(shí)驗(yàn)對(duì)象為濟(jì)寧二號(hào)煤礦實(shí)地采集的井筒圖像,采集時(shí)間2015年8月12日。井筒巡檢儀采集的井筒序列影像,拼接后整體效果及部分裂縫病害分布如圖2所示。從井筒圖像中可以看出,由于巡檢儀是在罐籠中工作,而不是緊靠井筒內(nèi)壁拍攝,因此在采集的井筒圖像中有井壁附屬物成像等噪聲干擾。圖像中包含多個(gè)井筒裂縫,裂縫識(shí)別的重要任務(wù)是快速識(shí)別出裂縫圖像并進(jìn)行標(biāo)注。

圖2　井筒裂縫病害示意圖

3.2井筒裂縫識(shí)別

圖3是使用本文裂縫識(shí)別方法,對(duì)濟(jì)寧二號(hào)煤礦副井井筒進(jìn)行單裂縫提取的整個(gè)過(guò)程。裂縫提取過(guò)程中,首先要對(duì)原始井筒圖像進(jìn)行灰度變換,然后要進(jìn)行圖像預(yù)處理,包括中值濾波如圖3（b）所示、灰度二值化如圖3（c）所示、刪除噪聲如圖3（d）所示等,其中中值濾波是為了保持圖像細(xì)節(jié)和邊緣的前提下,濾除圖像中的散亂噪聲點(diǎn),如椒鹽噪聲等,而刪除噪聲點(diǎn)的作用是為了刪除提取出來(lái)的微小連通區(qū)域,這些連通區(qū)域在圖像中作為孤立的噪聲塊,會(huì)對(duì)后續(xù)裂縫提取起到干擾作用。預(yù)處理中的二值化操作,不是簡(jiǎn)單的全局二值化處理,往往要結(jié)合圖像直方圖分布和灰度離散情況,劃分不同區(qū)域而進(jìn)行局部二值化處理,這樣得到的圖像才能保持較好的提取效果如圖3（c）所示。

裂縫粗分割后見(jiàn)圖3（e）,圖像中仍然會(huì)存在大量的偽裂縫信息,這時(shí)還需要對(duì)裂縫圖像進(jìn)行進(jìn)一步去噪操作。使用王耀東等提出的聯(lián)通區(qū)域?yàn)V波方法除去偽裂縫后,能夠得到裂縫信息并標(biāo)注出來(lái)如圖3（f）所示。

圖3　井筒單裂縫提取示意圖

煤礦井筒裂縫有時(shí)呈水平橫向分布,有時(shí)呈豎直縱向分布,有時(shí)橫向和縱向錯(cuò)綜交叉呈網(wǎng)狀分布。圖3為橫向單一裂縫提取過(guò)程,圖4為縱向多裂縫提取示意圖。從圖中可以看出,裂縫圖像與常規(guī)裂縫不同,此處的裂縫因長(zhǎng)期氧化作用,在裂縫邊緣布滿(mǎn)了堿物質(zhì),在圖像中灰度值呈現(xiàn)出白色。在這種情況下,預(yù)處理操作中還需要進(jìn)行一次反色操作。裂縫提取效果如圖4（c）所示。

圖4　多裂縫提取示意圖

3.3性能分析

根據(jù)圖像大小和灰度分布,實(shí)驗(yàn)中有關(guān)遺傳算法的參數(shù)設(shè)置:染色體長(zhǎng)度設(shè)置為8,種群大小設(shè)置為10,交叉概率初始化為0.7,變異概率初始化為0.4,最大代數(shù)初始化為150。當(dāng)進(jìn)化到末期的時(shí)候調(diào)整變異概率為0.3,種群規(guī)模以3%速度減少。算法運(yùn)行中,初始化種群不需要人工設(shè)置,均由計(jì)算機(jī)隨機(jī)生成。不同的初始種群數(shù)值,對(duì)進(jìn)化速度和迭代次數(shù)有一定影響。

表1　引入遺傳算法前后的OTSU方法性能比較

算法代碼基于Opencv3.0開(kāi)發(fā)平臺(tái),編程語(yǔ)言C＋＋,運(yùn)行硬件環(huán)境:CPU為Intel（R）Core （TM）,主頻3.66 GHz,內(nèi)存8 GB,操作系統(tǒng)為Windows 7.0。傳統(tǒng)OTSU方法在求解最佳閾值時(shí),對(duì)每一個(gè)灰度值必須都要計(jì)算方差,當(dāng)所有灰度值計(jì)算完成后比較找到最大的方差及對(duì)應(yīng)的灰度值,計(jì)算復(fù)雜度大,時(shí)間消耗多。假設(shè)每一個(gè)灰度值計(jì)算方差的時(shí)間為T(mén),則OTSU總的計(jì)算時(shí)間復(fù)雜度為256T。大量實(shí)驗(yàn)表明,引入遺傳算法后的裂縫提取過(guò)程中,當(dāng)繁衍代數(shù)最多達(dá)到20時(shí),已達(dá)到最佳的結(jié)果,其評(píng)價(jià)函數(shù)也達(dá)到最大值,根據(jù)遺傳算法的特點(diǎn),此時(shí)的解已經(jīng)達(dá)到了最優(yōu)解。從表1可以看出,5種不同初始種群的計(jì)算時(shí)間分別為101T、54T、132T、89T、102T,分別比傳統(tǒng)的計(jì)算時(shí)間節(jié)約時(shí)間開(kāi)支41.0%、35.9%、30.5%、48.4%、44.5%。濟(jì)寧二號(hào)煤礦副井井筒一次完整的井筒巡檢采集的序列影像,采用傳統(tǒng)的OTSU進(jìn)行裂縫檢測(cè)需要耗時(shí)541 min,約9 h,而采用本文方法后耗時(shí)349 min,約5.8 h,節(jié)約時(shí)間3 h以上。

4　結(jié)語(yǔ)

本文基于遺傳算法和最大類(lèi)間方差法,提出了一種新的井筒裂縫圖像快速識(shí)別和提取方法,遺傳算法的引入,有效解決了OTSU圖像分割時(shí)運(yùn)算效率低的問(wèn)題。通過(guò)實(shí)驗(yàn)可以看出,本文提出的裂縫識(shí)別方法能準(zhǔn)確識(shí)別井筒裂縫,并進(jìn)行自動(dòng)標(biāo)注和裂縫量測(cè),且算法運(yùn)算時(shí)間比傳統(tǒng)的OTSU方法節(jié)約30%以上。后續(xù)的工作中,做好井筒圖像數(shù)據(jù)索引,建立井筒巡檢歷史大數(shù)據(jù),比對(duì)多期數(shù)據(jù)變化,分析裂縫病害發(fā)育趨勢(shì),是下一步的研究重點(diǎn)。

參考文獻(xiàn):

［1］Yu Q,Ikuta S,Shimada H,et al. Application of Underground Continuous Impervious Curtain to Shaft Lining Rupture Treatment in Eastern Chinese Coal Mines［J］. Memoirs of the Faculty of Engineering,2012（2）

［2］Valen?a J,Dias Costa D,Julio E,et al. Automatic crack monitoring using photogrammetry and image processing［J］. Measurement,2013（1）

［3］Abdelqader I,Abudayyeh O,Kelly M E.Analysis of Edge-Detection Techniques for Crack Identification in Bridges［J］.Journal of Computing in Civil Engineering,2014（4）

［4］劉曉瑞,謝雄耀.基于圖像處理的隧道表面裂縫快速檢測(cè)技術(shù)研究［J］.地下空間與工程學(xué)報(bào),2009 （5）

［5］王耀東,余祖俊,白彪等.基于圖像處理的地鐵隧道裂縫識(shí)別算法研究［J］.儀器儀表學(xué)報(bào),2014（7）

［6］Tang Lei,Zhao Chunxia,Wang Hongnan,et al.Detection and Classification of Pavement Surface Cracks Based on Image Analysis［J］.Journal of Engineering Graphics,2008（3）

［7］奧村運(yùn)明,林穎文,李寧等.數(shù)字圖像技術(shù)在古建筑裂縫監(jiān)測(cè)中的應(yīng)用［J］.河南科學(xué),2008（26）

［8］Plaue R,Oellers B,Muller O.The optimal thresholding technique for image segmentation using fuzzy otsu method［J］. International Journal of Applied Engineering Research,2015（13）

［9］Oliveira H,Correia P L. Automatic Road Crack Detection and Characterization［J］.IEEE Transactions on Intelligent Transportation Systems,2013（1）

［10］Hashemi S,Kiani S,Noroozi N,et al.An image contrast enhancement method based on genetic algorithm ［J］.Pattern Recognition Letters,2010（13）

［11］Sawant M,Deore M. A Comprehensive Review of Image Enhancement Techniques［J］.International Journal of Computer Technology& Electronics Engineering,2011（2）

［12］Kropac O,Mucka P.Specification of Obstacles in the Longitudinal Road Profile by Median Filtering ［J］.Journal of Transportation Engineering,2014 （3）

［13］Yigang W,Meyer J W,Muhammad A,et al. A new genetic algorithm for release-time aware divisible-load scheduling［J］. Circulation Research, 2015（8）

［14］Elsayed S M,Sarker R A,Essam D L. A new genetic algorithm for solving optimization problems ［J］. Engineering Applications of Artificial Intelligence,2014（1）

［15］鞏敦衛(wèi),陳健.基于精英集選擇進(jìn)化個(gè)體的交互式遺傳算法［J］.電子學(xué)報(bào),2014（8）

［16］范青武,王普,高學(xué)金.一種基于有向交叉的遺傳算法［J］.控制與決策,2009（4）

（責(zé)任編輯張大鵬）

A method of mine shaft crack recognition based on genetic algorithm and OTSU

Yue Guowei,Lu Xiushan,Jia Hongguo,Liu Rufei
（Shandong University of Science and Technology,Qingdao,Shandong,266590,China）

AbstractThe sequence images collected by the mine shaft inspection instrument take up more than 90G of storage space.The data is very large and the analysis is time-consuming and laborious. OTSU is a typical image adaptive threshold segmentation method. There are many problems such as high computational complexity,high time consumption and low accuracy of segmentation when it is carrying on the image segmentation,in order to improve the efficiency of crack recognition,a new method of mine shaft crack recognition based on genetic algorithm is proposed.Genetic algorithm is used to improve the speed and efficiency. The experimental results show that this method can not only shorten the operation time of 30%,but also can quickly and accurately recognize the crack disease,which will improve the degree of automation of mine shaft inspection.

Key wordsgenetic algorithm,OTSU,mine shaft inspection,crack recognition

作者簡(jiǎn)介:岳國(guó)偉（1982－）,講師,大地測(cè)量學(xué)與測(cè)量工程博士生,研究方向?yàn)槟Ｊ阶R(shí)別,數(shù)字圖像處理,點(diǎn)云數(shù)據(jù)處理等。

中圖分類(lèi)號(hào)TD535

文獻(xiàn)標(biāo)識(shí)碼A