基于圖像的煤巖界面識別技術研究

張釋如，張艷花

(西安科技大學 通信與信息工程學院，陜西 西安 710054)

1 概 述

國家能源科技“十三五”規(guī)劃提出煤礦無人工作面，無人值守理念，煤巖界面自動識別是實現該理念的重要技術之一。礦井下的煤和巖石主要是間隔分布，采煤時需要準確識別煤巖界面，在界面處下刀，只采煤而不采矸，提高采煤效率[1]。

目前我國的采煤方式多為記憶截割加人工遠程干預[2-6]，通過人眼觀察進行界面識別，再對采煤機進行遠程操控，并未實現煤巖界面的自動識別和無人開采。此外，采用記憶截割加人工遠程干預開采技術，開采成本較大，若未準確識別煤和巖，有可能導致瓦斯爆炸、突水等礦井事故發(fā)生，嚴重威脅工作人員的人身安全，更嚴重的會對周圍環(huán)境甚至整個生態(tài)圈造成破壞。正是由于這些潛在危險，急需研究出一種以“綠色安全高效”開采為目的，無人開采為最終目標的開采技術，即在環(huán)保的前提下使得環(huán)境破環(huán)最小化、安全系數最大化、采煤效率最高化的采煤技術。煤巖界面識別技術可使采煤機自動追蹤煤巖界面，控制采煤機的滾筒高度，防止誤割巖石，改善煤質，提高采煤效率與安全系數[7]。因此煤巖界面識別[8]是實現此目標的一種有效途徑。

本文主要對基于圖像的煤巖識別技術和應用進行探討。首先對基于圖像的煤巖界面識別方法，及其優(yōu)缺點進行分析。之后，提出將煤巖圖像三維建模和關注煤巖不同介電特性的方法相結合，是一種具有前途的可行方法。該方法可以構建出煤巖界面縱深方向3D可視化圖像，得知采掘面深層的煤巖分布情況，從而更準確地控制采煤機滾筒高度，提高煤質和采煤效率。最后，分析煤巖界面識別技術在采煤機和液壓支架上的潛在應用，并指出攝像頭的合理安裝位置尤為重要，它直接影響了三維建模的效果和煤巖界面識別的準確率。

2 基于圖像的煤巖界面識別研究進展

在真實的煤礦中，煤炭的賦存條件不確定。采煤機在開采時主要根據煤層和巖層的邊界對滾筒高度進行調整。當遇到三角煤或可回采的煤柱等特殊情況，煤巖界面的準確識別顯得尤為重要。目前煤巖界面識別方法主要有射線探測法[9]、紅外探測法[10，11]、有功功率探測法[12]、震動探測法[13-16]、聲音探測法[17-21]等，但這些方法易受到煤礦中其他因素的影響，例如礦井的電磁波干擾、放射性物質的含量、煤層和巖層的普氏系數、煤層厚度、夾矸量等。隨著圖像處理與模式識別技術的迅速發(fā)展，學者們逐步開始研究基于圖像的煤巖界面識別技術，并取得了一些初步的成果。下面主要從經典圖像處理法、常規(guī)模式識別和三維建模法對基于可見光圖像的煤巖界面識別技術進行介紹。

2.1 經典圖像處理法

2.1.1 利用圖像灰度特征

理想情況下，煤和巖石具有不同的灰度值，可通過圖像灰度級出現的頻數、灰度范圍、灰度分布狀況等參數識別煤巖界面[7]。董麗紅教授等[22]通過改進Canny算法，利用煤和巖石的灰度均值、方差識別煤巖邊界；黃韶杰[23]選取灰度區(qū)分度較高的工作面煤壁圖像，通過圖像的灰度特征設定閾值，研究了煤巖界面識別；彭靜[1]通過改進Hough變換設定閾值，使煤巖灰度均值的類間方差達到最大，從而準確找到煤巖分界線。以上方法的仿真結果較好，但實驗樣本非常理想即煤巖灰度差異較大，易于識別。在實際中，煤礦井下的環(huán)境較復雜，采集的圖像質量很差，上述煤巖界面識別方法未必都能適用。

2.1.2 利用圖像紋理特征

圖像的紋理特征是物質的表面特性，是在一定區(qū)域內對圖像像素的統(tǒng)計結果。紋理最明顯的視覺特征是物體表面的粗糙度、方向性和周期性。灰度共生矩陣[24]常用來描述圖像的紋理，即統(tǒng)計特定間隔、特定方向上的像素對在圖像中出現的頻率。在煤巖識別中，學者們往往通過計算紋理特征的統(tǒng)計量(例如熵、相差度、能量、逆差矩)來分辨煤和巖石。例如，文獻[25]利用角二階矩、對比度、相關性等22個基于灰度共生矩陣的特征參數對煤巖界面進行識別，識別率達到93%；文獻[26]利用可分性準則選擇貢獻率最多的4個基于灰度共生矩陣的紋理特征即方差、方差和、自相關和平均值之和用于識別煤巖界面，識別率達到94.12%；文獻[27]通過計算能量、對比度、自相關、和熵4個基于灰度共生矩陣的紋理特征，結合神經網絡識別煤巖界面，識別率達到95.8%。以上方法的識別率較高，但它們都是在實驗室條件下取得的，實際應用效果還需進一步驗證。

除了直接應用灰度共生矩陣分析煤巖圖像紋理，文獻[28]利用小波變換較好的局部特性和奇異特性，提出了一種基于多小波變換的煤巖界面識別方法。該方法用小波變換表達了煤巖的紋理特性，獲得了96.14%的識別率。

以上是學術論文的情況，在專利方面，劉俊利等[29]提出了基于機器視覺的煤巖界面識別方法，對采集的圖像進行形態(tài)學處理，得到一條完整的煤巖分界線；劉送永教授等[30]通過對采集的煤巖圖像進行去噪、紋理提取等操作，建立煤巖圖像坐標系，對煤巖界面軌跡進一步優(yōu)化，進而控制采煤機滾筒高度。

2.2 常規(guī)模式識別法

2.2.1 神經網絡方法

神經網絡是一種在不同程度和層次上模仿人腦神經系統(tǒng)的分布式并行處理信息的數學模型。隨著科技的發(fā)展，研究者們將神經網絡進行改進，有時還和其他信號處理方法進行結合，旨在獲得高識別率、高識別速度的方法。孫繼平教授等[31]用分塊離散余弦變換處理煤巖圖像，采用學習向量量化的神經網絡識別煤和巖石，識別率達96.67%；文獻[32]提出利用RBF神經網絡提取的煤巖圖像紋理特征實現煤和巖石的識別，獲得0.00006的識別誤差。文獻[33]將VGG、區(qū)域建議網絡和R-CNN網絡進行結合，輸出煤層邊界點的像素坐標值，再利用針孔模型計算出煤巖邊界，實現煤巖界面的識別。

神經網絡方法，雖然識別率高，但在訓練網絡模型時需要大量的樣本，這在實際中非常困難。因此很難用于實際。

2.2.2 支持向量機方法

支持向量機是專門用于小樣本學習的機器學習分類方法，借助二次規(guī)劃來求解支持向量，對于二分類的魯棒性較好。目前支持向量機對煤巖界面識別的研究主要是處理采煤機的振動信號[34]和切割力[35]等一維信號，用于煤巖邊界圖像的研究甚少。支持向量機不需要任何先驗知識，直接通過數學方法將特征向量分類，對于小樣本分類，尤其是二分類效果較好。由于礦井復雜的環(huán)境，采集大量高質量的煤巖界面圖像有一定困難，因此將支持向量機應用到煤巖邊界圖像識別具有較大的潛力。

2.2.3 K-means方法

聚類方法主要針對數據量較大的的數據分類，使同一簇內的對象盡可能地相近或者相關，不同簇內的對象盡可能地遠離或者不相關。常見的聚類準則有閾值準則和函數準則[36]，其中最為經典的是基于函數準則的K-均值聚類方法，簡稱K-means方法。此方法可以很好地獲取圖像的局部信息，實現過程簡單，只需調節(jié)簇數K。對于煤/巖兩簇分類具有較好的可行性。江靜[37]將K-means方法用于煤巖界面識別，通過仿真發(fā)現只有當初始點數目選擇恰當，識別效果才能好?？梢奒-means方法受制于初始點數目的選擇，初始點數目選取過多，導致算法復雜度增大；初始點數目選取過少，達不到分類的效果[38，39]。

2.3 三維建模法

三維建模法指對礦井工作面的采煤壁進行三維模型的構建，目的是便于直觀地觀察到煤巖界面。傳統(tǒng)的煤層三維模型是利用三維地震波探測數據擬合形成的。馬宏偉教授[40]提出通過采集實測地質數據和預測滾筒高度軌跡，實現煤層三維模型的構建、煤巖界面的準確識別；文獻[41]通過建立基于統(tǒng)一坐標系的煤巖分界面地質預測模型與綜采裝備群三維空間位姿模型，獲取采煤機的截割軌跡線，采用視頻圖像的方式識別煤巖界面。此類方法主要通過采集地質數據建立煤層三維模型，但對于地質數據的采集需要專業(yè)人士采集，且構建的系統(tǒng)結構復雜。

除了利用地質數據構建煤層三維模型，文獻[42]提出利用廣義反射-透射系數法和一維水平多層速度模型得到傳輸信道波的理論色散曲線，再結合三維反投影技術，通過傳輸信道波的數據得到煤層工作面的三維速度圖像，最后根據三維速度圖像上面的煤巖界面剪切波速的變化和反演速度的變化率定量解釋煤層厚度。

3 三維建模與煤矸介電特性結合的新方法

鑒于煤和巖石是夾層分布，采煤機在割煤時會誤割巖石。作者認為僅靠煤巖表層的界面識別是不夠的，必須探索表層下面的深層煤巖分布結構，因此可以采集煤巖界面的表面圖像，對其進行煤巖表面的三維建模，然后利用煤和巖石對電磁波的不同介電特性進行煤巖表面下的深層次三維建模。這樣，采煤機就可根據表面的界面情況進行調高，然后根據表面下的深層次立體模型調動采煤機頭的運動方向，進而連續(xù)準確地控制采煤機的滾筒高度，實現無人化的精準開采。

煤和巖石兩種物質本質上差別很大，表1和表2[43]列舉了常見的煤和巖石的相對介電常數和電導率。研究者們可利用電磁波在介質中傳播時不同介電常數、電導率和衰減系數以及發(fā)射頻率之間的關系，研究煤巖界面電磁波探測的理論條件和依據[44，45]。例如，探地雷達就可利用煤和巖石具有不同介電特性，從而得到不同的反射波，實現煤巖界面識別。文獻[43、46]通過理論分析和相關實驗證明探地雷達可用于煤巖界面。其中文獻[43]是在郭莊煤礦用400MHz的雷達天線探測氣煤和砂巖的界面，實驗表明400MHz的雷達天線可探測深度是3～10m。

表1 常見煤介質的相對介電常數和靜態(tài)電導率

表2 常見巖介質的相對介電常數和靜態(tài)電導率

因此，本文提出可以先拍攝采掘面表面圖像，生成表面的3D模型，再利用探地雷達得到內部深層次的三維煤巖分布模型，從而實現準確識別煤巖界面、精準調整采煤機的滾筒高度和采煤機頭的方向。

4 煤巖界面識別的應用探討

上述提出了三維建模與煤矸介電特性結合的新方法，實際應用中三維建模算法的關鍵之一是圖像采集。所以攝像頭的安裝位置對后續(xù)的界面識別算法影響很大。

4.1 煤巖界面識別在采煤機上的潛在應用

鑒于國內采煤機最初沒有自帶攝像頭等傳感器，為滿足使用需求，部分煤礦嘗試在采煤機上安裝攝像頭。例如內蒙古神華集團景界煤礦在采煤機機身安裝4只攝像頭；2017年神東公司在對型號為EKFSL000-6595采煤機改造項目中，在采煤機機身安裝3只360°全方位攝像頭。之后，生產廠商開始嘗試直接在制造采煤機時安裝攝像頭。2019年7月，上海煤炭科學研究院發(fā)布了針對特厚煤層的新型MG1100/3050-WD系列3050采煤機。該設備包含機載截割視頻技術，清晰顯示了采煤機的滾筒高度。2019年8月，西煤機公司自主研發(fā)的世界首臺超大采高智能化采煤機MG1100/3030-GWD面世，該設備包含自動調高、遠程監(jiān)控、三維定位技術，可以清晰顯示采煤機的當前位置和滾筒高度。

國外采煤機也自帶了視頻采集裝置，日本小松礦業(yè)有限公司制造了長壁采煤機系列在搖臂上裝有紅外彩色攝像頭，該公司在2012拉斯維加斯煤機展的型號為7LS0。德國艾克夫公司在2015年北京國際煤機展上展示了SL300L采煤機，其本身自帶了攝像頭。這些技術雖然先進，但也只是便于人們遠程干預開采，并未利用煤巖界面識別技術進行真正的智能開采。

4.2 攝像頭安裝位置的探討

攝像頭裝在采煤機上，可使其跟隨采煤機活動，但攝像頭距離工作面較近，在采煤機工作時抖動過大，另外粉塵較多，使得采集的圖像質量大大下降，基本不可用。因此可以在液壓支架上安裝攝像頭。

目前很多煤礦都在液壓支架上安裝了攝像頭，其主要目的是監(jiān)測礦井下的安全。由于工作面一般長達200～300m，含有多個液壓支架，對于攝像頭的安裝位置研究者們進行了大量實驗。文獻[47]提出每隔6個液壓支架安裝1只攝像頭；文獻[48]提出每隔8個液壓支架安裝一只攝像頭；文獻[49]提出每間隔4～8臺液壓支架安裝一只攝像頭，這些方法安裝的攝像頭都是相同的攝像頭。何廣東等[50]提出每隔2臺液壓支架安裝1只本安型固定攝像頭，每隔6臺液壓支架安裝1只180°旋轉的云臺攝像頭。

如果攝像頭裝在液壓支架上，由于距離工作面較遠，采集的圖像質量會存在無法聚焦、模糊等現象，致使圖像質量很差。因此無論攝像頭安裝在采煤機上，還是安裝液壓支架上，都各有利弊。如果能解決攝像頭的防抖動、多粉塵的問題，可以將攝像頭安裝在采煤機上。若選用超高清、高聚焦的高級攝像頭，可嘗試將攝像頭安裝在液壓支架上。因此，為了高質量地采集采掘面的煤巖圖像，應該根據具體情況進行大量的實驗，確定攝像頭的安裝位置。只有獲取到高質量的煤巖圖像前提下，后續(xù)的煤巖界面識別算法才能達到較高的識別率?？傊?，攝像頭的安裝位置對于煤巖界面識別非常重要。

5 結 論

1)提出了圖像三維建模和介電特性相結合的方法，即可生成煤層表面的三維模型，又可將煤壁深層的煤巖界面可視化，構建內部深層次的煤巖分布模型，從而實現煤炭的智能開采。

2)指出了攝像頭安裝位置的重要性，安裝位置將大大影響到后續(xù)的圖像處理、三維建模的結果。為了提高煤巖界面識別算法準確率，需要合理設置攝像頭的安裝位置，從而高效、高質量地采集圖像數據。