基于圖像識別的礦山相似材料試驗?zāi)Ｐ妥冃涡畔⑻崛?/h1>
2023-12-21 09:25:42湯伏全柴成富郭千慧子武金輝
煤炭科學技術(shù) 2023年11期
湯伏全 ，柴成富 ，郭千慧子 ，武金輝
（1.西安科技大學 測繪科學與技術(shù)學院, 陜西 西安 710054；2.國土資源部煤炭資源勘查與綜合利用重點實驗室, 陜西 西安 710021）
0 引 言
相似材料模擬試驗是研究礦山開采損害規(guī)律的重要手段。根據(jù)地質(zhì)采礦條件制作相似材料模型并獲取測點位移信息，可揭示地下開采引起的覆巖與地表變形損害規(guī)律[1]。在相似材料試驗?zāi)Ｐ妥冃螠y量的諸多方法中，傳統(tǒng)的儀器測量法以及透鏡放大法等外業(yè)工作量大，測量精度較低，且耗時耗力[2]；將光纖傳感器技術(shù)[3]應(yīng)用于模型試驗，能夠準確測得模型中的微小應(yīng)變情況，但無法測得模型產(chǎn)生的較大形變量。隨著數(shù)字攝影測量技術(shù)的發(fā)展，利用高分辨率數(shù)碼相機采集瞬時圖像，獲得試驗?zāi)Ｐ烷_采過程的圖像數(shù)據(jù)，所獲取的變形信息更直觀且精度更高，已成為相似材料模型試驗數(shù)據(jù)采集的主要方法[4]。一些學者采用非量測相機進行全景觀測并建立模型控制場，將像平面坐標轉(zhuǎn)換為模型測量坐標[5]，證明了非量測相機用于模型變形測量的可行性；有學者將具有高精度、非接觸性和全場觀測等優(yōu)點的數(shù)字散斑技術(shù)[6]應(yīng)用于模型試驗，利用 MATLAB 進行一系列處理，驗證了散斑方法的高效性與可行性，進一步提出了用支持向量機算法對模型中的變形點和非變形點進行識別，采用自檢校光束平差法對影像進行處理，能夠更好地監(jiān)測模型的實時變形過程[7]；有學者使用西安交通大學研發(fā)的數(shù)字近景工業(yè)攝影測量系統(tǒng)(XJTUDP)，采用攝影比例尺轉(zhuǎn)換-時間基線視差(PST-TBP)法[8]對相似材料模型進行監(jiān)測，高效地獲取了測點坐標；還有學者基于圖像信息的拓撲關(guān)系提出了三維點云變形監(jiān)測方法[9]，利用小波模極大值技術(shù)提取二維灰度圖像的特征，得到相應(yīng)的特征點云從而確定模型的變形量。
然而，以上方法主要采用固定相機姿態(tài)對試驗?zāi)Ｐ鸵淮闻臄z全景圖像的方式進行數(shù)據(jù)采集。由于外業(yè)拍攝須固定相機姿態(tài)，不便于靈活作業(yè)，而一次成像所獲取的模型全景圖像由于拍攝距離較遠導致圖像的分辨率受限。因礦山相似材料模型剖面長度在2 000 mm 以上，若采用4 000×4 000 陣列的數(shù)碼相機進行全剖面一次攝影，像元分辨率僅為0.5 mm。受到圖像分辨率的制約，特征提取的精度通常只能達到0.1 mm 左右,難以完全滿足模型試驗需求。
針對現(xiàn)有攝影測量方法中固定相機姿態(tài)一次成像導致圖像分辨率較低的問題，采用航帶法思想[10]，將相機近距離置于模型側(cè)面正前方，進行橫向重疊度大于55%，豎向重疊度大于30%的正射拍照，形成高分辨率的數(shù)碼圖像序列，利用一種全自動穩(wěn)健的圖像拼接融合算法，對通過模型側(cè)表面上的散斑圖像對圖像序列進行拼接，所形成的模型全景圖像較固定位姿一次拍攝全景的圖像在分辨率方面提高約10 倍。為了高效地獲取模型測點標志的位置信息，通過改進的卷積神經(jīng)網(wǎng)絡(luò)目標快速檢測方法（簡稱Faster R-CNN 算法）對測點標志進行快速識別，顯著改善測點位置提取的效率和準確率。在此基礎(chǔ)上，針對陜北某礦多煤層開采及采空區(qū)充填模型開展相似材料模擬試驗，利用上述方法進行模型的變形測量，揭示多煤層開采及采空區(qū)充填后覆巖與地表的變形破壞規(guī)律。
1 數(shù)據(jù)采集
1.1 地質(zhì)采礦模型
以陜北某礦多煤層開采及采空區(qū)充填為原型制作相似材料試驗?zāi)Ｐ汀９灿? 個開采煤層，其中2-2煤厚度4.15 m，埋深209 m；3-1 煤厚度2.9 m，埋深243 m；4-2 煤厚度3.6 m，埋深為294 m。模型地層剖面如圖1 所示。
圖1 模型地層剖面Fig.1 Model stratum profile
1.2 試驗?zāi)Ｐ?/h3>
根據(jù)相似材料模擬原理，采用河沙、石膏、大白粉、云母為試驗材料，計算出合理的材料配比進行模型制作。模型制成并風干后，在模型側(cè)面噴繪無序散斑點用作圖像拼接的特征標志。為研究開挖引起的覆巖層變化特征，在模型側(cè)面布設(shè)6 排×20 個的測點標志。試驗?zāi)Ｐ图皽y點布設(shè)如圖2 所示。模型的幾何相似比為1∶200，模型長×寬×高分別為2 250 mm×200 mm×2 000 mm，模型左半邊模擬多煤層開采，留設(shè)煤柱250 mm，開采寬度110 mm，右半邊模擬采空區(qū)充填，充填開采寬度700 mm，兩側(cè)各留設(shè)煤柱100 mm(圖9—圖11)。
圖2 試驗?zāi)Ｐ图皽y點標志Fig.2 Experimental model and measuring point mark
試驗中采用Canon EOS750D 數(shù)碼相機[11]進行圖像采集。該相機的有效像素為2 420 萬，帶CMOS傳感器和定焦鏡頭，拍攝像片的畸變相對較小。在模型開挖過程中，將相機置于模型側(cè)面正前方約1.5～2.0 m，從模型左上側(cè)開始進行拍照，保持橫向重疊度大于55%，豎向重疊度大于30%，每期采集的圖像序列含108 張圖片。
1.3 精度影響因子分析
1)測點標志大小對精度的影響。為了保證在弱光環(huán)境下得到明顯的觀測點數(shù)據(jù)，試驗采用正方形回光反射標志[12]作為測點標志，表1 為不同寬度的觀測標志在等距離、等角度條件下連續(xù)拍攝5 次后得到的像素大小和經(jīng)過白塞爾公式解算得到的測點標志提取誤差的統(tǒng)計結(jié)果。
表1 測點標志大小對提取精度的影響統(tǒng)計Table 1 Statistics on the influence of observation point size on experimental accuracy
2)影像分辨率對測點提取精度的影響。定焦相機拍攝相片時，像元分辨率會因物距不同而變化，而影像分辨率直接影響圖像質(zhì)量和測點提取精度。試驗中通過改變拍攝距離（物距）來確定測點提取精度最高時的相機位置。表2 所示為相同條件下連續(xù)拍攝5 次后得到的測點標志提取精度的統(tǒng)計結(jié)果。
表2 不同物距對測點提取精度的影響統(tǒng)計Table 2 Statistics of influence of grid width on precision
從表1、表2 中可知，測點標志大小、圖像分辨率在一定范圍內(nèi)具有最優(yōu)值，當拍攝條件改變時，測點提取精度隨之改變。試驗中選擇寬度為5 mm的正方形覘標作為測點標志，采用Canon EOS750D數(shù)碼相機拍攝的最佳物距為1.5～2.0 m。
2 圖像預(yù)處理
2.1 圖像畸變處理
采用物距為1.5～2.0 m 拍照方式，得到的圖像仍存在較小的畸變。為此，采用燕耀等[13]提出的非對稱圖像畸變均勻性虛擬校正方法對圖像進行預(yù)處理。通過獲取所構(gòu)建的非對稱原始圖像和畸變后非對稱圖像位置的校正模型，求得最小擬合誤差，以提高非對稱圖像畸變校正的準確度，獲取畸變系數(shù)[14]。在此基礎(chǔ)上，設(shè)定目標函數(shù)，對獲取的畸變系數(shù)進行優(yōu)化求解，最后采用雙線性插值法對畸變圖像的灰度進行重建，完成對非對稱圖像畸變均勻性的校正。圖像畸變校正后的殘差影響會反映在測點標志的提取誤差中。
2.2 全景圖像拼接
利用全景圖像拼接技術(shù)將上述108 張高分辨的圖像序列進行自動拼接，得到一幅高分辨率的無縫全景圖像。目前比較成熟的圖像拼接方法有Matlab 工具箱拼接、PS 拼接、融合算法拼接，其中融合算法可操作性強，拼接誤差小。采用趙向陽等[15]提出的一種全自動穩(wěn)健的圖像拼接融合算法，對經(jīng)過畸變處理后的108 張圖像序列進行拼接。該融合算法的主要步驟為：
1)利用Harris 角點檢測算子進行特征提?。?/p>
2)利用鄰域像素灰度互相關(guān)法粗略估計兩幅圖像的偽匹配點；
3)運用RANSAC 估計圖像間變換矩陣H：并重復N次隨機采樣。具體為
(a)隨機選取4 對偽匹配點 (選取的4 點應(yīng)保證H的秩為3)，線性地計算變換矩陣H；
(b)計算每對偽匹配點離H的垂直距離dv；
(c)根據(jù)內(nèi)點距離小于閾值dv4)由RANSAC 的N次隨機采樣得到了最大內(nèi)點集合，運用 LM 優(yōu)化算法對H進行優(yōu)化估計；
5)根據(jù)H再對所有數(shù)據(jù)進行內(nèi)點計算，直到內(nèi)點數(shù)目趨于一致。
6)采用顏色插值對交接處進行顏色過渡。
試驗中利用上述融合算法可將特征提取精度提高至亞像素級。使用RANSAC 算法將偽匹配點進行集合分類，以提高匹配準確率，圖像匹配過程如圖3 所示。采用顏色插值法處理接邊誤差，得到拼接后的圖像（圖3d）。
對108 張圖像序列進行上述自動處理后，得到高分辨率的模型全景圖像，如圖4 所示。
圖4 模型全景圖像Fig.4 Panoramic image
該全景圖像較常規(guī)的固定相機姿態(tài)一次拍攝的模型全景圖像在分辨率方面提高約10 倍，為高精度地提取測點位置坐標奠定了基礎(chǔ)。
3 圖像識別處理
圖像識別是對模型圖像測點位置的檢測，并在檢測到的區(qū)域框中進行測點坐標的精確提取。隨著深度學習方法的不斷發(fā)展，一些學者將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到位置檢測，提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法[16]（Faster R-CNN 算法），而坐標提取則常采用穩(wěn)健的基于相關(guān)性模板匹配算法[17]，基于上述算法進行模型測點坐標提取。
3.1 基于Faster R-CNN 算法的測點位置檢測
Faster R-CNN 算法由Fast R-CNN （Fast Region-Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)快速檢測）模塊[18]與RPN（RegionProposal Network，區(qū)域候選網(wǎng)絡(luò)）2 部分組成，其算法框架如圖5 所示。FastRCNN 檢測模塊利用建議區(qū)域和ROI（Region of Interest，池化層）對候選區(qū)域進一步細化，實現(xiàn)檢測。RPN 網(wǎng)絡(luò)是一個全連接卷積網(wǎng)絡(luò)，通過卷積層獲取測點范圍的特征圖，然后利用區(qū)域建議卷積層對特征圖計算不同尺度和縱橫比的建議區(qū)域。整個框架是一個統(tǒng)一的目標檢測網(wǎng)絡(luò)，2 個模塊共享卷積神經(jīng)網(wǎng)絡(luò)層，可進行聯(lián)合訓練。與其他檢測算法相比，該算法的優(yōu)點是能生成高質(zhì)量建議區(qū)域框，實現(xiàn)與檢測網(wǎng)絡(luò)卷積層的共享，能夠有效地減少測點位置檢測耗費的時間[19]。
1）RPN 的改進。RPN 網(wǎng)絡(luò)對CNN 卷積特征圖利用滑窗策略在特征圖中每個位置進行卷積處理，從而得到矩形候選區(qū)域（錨）。錨[20]是預(yù)設(shè)的一組不同尺度不同位置的固定參考框，覆蓋幾乎所有位置和尺度，每個參考框負責檢測與其交并比大于訓練預(yù)設(shè)值的目標，其作用是不需要多尺度遍歷滑窗，也能快速檢測最優(yōu)位置。通過預(yù)測框時會產(chǎn)生w×h×k個錨點(其中w為預(yù)測框的寬度，h為預(yù)測框高度，k為區(qū)域建議網(wǎng)絡(luò)個數(shù))，試驗中特征圖像為黑白圖像，尺寸較小且相似，為了節(jié)省計算時間，文中對錨點個數(shù)添加置信度，設(shè)定錨點個數(shù)小于2 000，使得候選區(qū)面積變大，RPN 變小，檢測速率提高。在訓練時，RPN 使用重疊交并比 IoU 進行正負標簽的分配，IoU>0.8 時分配正標簽，IoU<0.2 分配負標簽。在獲得候選區(qū)域后，通過ROI 池化作用將特征圖轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，并傳輸?shù)椒诸惼?，進而完成了Faster R-CNN 的整個流程。
2）損失函數(shù)。Faster R-CNN 中的損失包括回歸損失和分類損失，總的損失函數(shù)表達式如下：
式中：pi為預(yù)測為目標的概率；ti為第i個錨預(yù)測的邊框回歸的參數(shù)化坐標；Ncls為總的錨的數(shù)量；為目標和非目標的對數(shù)損失，是典型的二分類交叉熵損失。Nreg由錨位置的數(shù)量決定，表示只有正樣本才有邊框回歸損失， λ為權(quán)重平衡參數(shù)。
RPN 和ROI 的分類損失表達式相同，均是交叉熵損失。但RPN 損失是二分類交叉熵損失，ROI損失是多分類交叉熵損失。其表達式如公式（2）所示。
RPN 和ROI 的回歸損失函數(shù)均是由Smooth L1 Loss 計算的，其解決了預(yù)測值和真實值接近時發(fā)生梯度爆炸以及函數(shù)在0 點不可導而影響收斂的問題。Smooth L1 Loss 的表達式如式（3）所示?；貧w損失函數(shù)的表達式如式（4）所示。
3）算法實現(xiàn)。上述算法使用Windows7 旗艦版64位計算機實現(xiàn)；處理器為Intel(R)Xeon(R)CPU E5-2600 v4@2.00 GHz2.00 GHz(2 處理器)；GPU 為NIVDIA GeForce 830 M，Cuda9.1，以Matlab 2019a 作為試驗平臺，調(diào)用深度學習工具箱，采用改進的Faster RCNN 算法和GPU 加速運算，過程采用VGG16 預(yù)訓練模型，其參數(shù)權(quán)重是在ImageNet 下進行訓練的，試驗共有拼接好的圖片50 張，將40 張作為訓練集，10張作為驗證集，將初始學習率設(shè)定為0.001，迭代10次后將學習率設(shè)為0.000 1，總共迭代15 次。檢測后的圖像部分區(qū)域如圖6 所示，準確率和mAP（Mean Average Precision，均值平均精度）見表3。
表3 不同RPN 網(wǎng)絡(luò)的準確率和mAP 值Table 3 Accuracy and mAP value of different RPN networks
圖6 特征點檢測結(jié)果Fig.6 Detection results of feature points
3.2 測點坐標提取
為了從測點所在區(qū)域中提取其像素坐標，采用穩(wěn)健的基于相關(guān)性的模板匹配算法進行測點提取。該方法利用尺寸為3×3 的模板R，在待匹配圖像中尋找目標[20]。如圖7 所示，將R 疊放在待匹配圖像上平移，模板覆蓋下的目標子圖的中心點Rr(x,y)為像點在搜索圖中的坐標。
圖7 圖像矩陣匹配Fig.7 Image matrix matching
由圖7 可以看出，模板R 在平移的過程中，按照一定的順序，以每次一個像素點的距離使搜索窗口在待匹配的圖像上移動，在每次移動過程中，需要計算模板圖像與模板窗口之間的相關(guān)性，然后將計算得到的相關(guān)性數(shù)值與給定的相關(guān)性閾值進行比較，如果相關(guān)性大于該閾值，就可以認為匹配成功，即找到待匹配的目標。否則，就繼續(xù)移動窗口進行查找，最終精確得到測點的像素坐標。
4 試驗?zāi)Ｐ妥冃翁崛?/h2>4.1 測點坐標提取及其精度統(tǒng)計
試驗?zāi)Ｐ筒荚O(shè)了6 排測點標志，下面主要針對地表層測點、底部巖層測點及3-1 與4-1 煤層之間的3 排測點進行沉降變形分析。為了驗證本文算法提取測點坐標的實際精度，首先對開采前圖像的4個角點J1-J4坐標分別提取4 次，其結(jié)果見表4。
表4 各角點像素坐標重復提取結(jié)果Table 4 Pixel coordinates of image corners extracted repeatedly
通過白塞爾公式計算各角點提取坐標的中誤差。根據(jù)相機參得到圖像中1 像素對應(yīng)的物方大小為0.076 1 mm，將像素中誤差轉(zhuǎn)換為物方坐標中誤差，各角點物方坐標提取的中誤差結(jié)果見表5。
表5 各角點物方坐標提取的中誤差Table 5 Error in object-square coordinates of measuring points in different directions
由表5 可知，試驗中測點坐標提取的中誤差最大為0.027 mm，而本試驗中模型比例尺為1∶200，將模型的測量誤差換算成原型誤差，則實地測量精度優(yōu)于6 mm，完全滿足相似材料模型試驗對觀測精度的要求。
4.2 模型試驗結(jié)果分析
1）循環(huán)開采后覆巖破壞特征。模型左半邊為多煤層開采試驗。首采2-2 煤層時，從距離模型左邊界25 cm 處作為開切眼，按照時間相似比從左向右開采，每次推進10 cm，用時10 min。當工作面推進至50 cm 時，發(fā)生初次垮落(圖8a)；工作面推進至110 cm 時，離層空間向上移動，發(fā)生周期性垮落。
圖8 開采后模型變形破壞情況Fig.8 Deformation and failure of model after mining
3-1 煤層從模型左邊界開采，工作面累計推進40 cm 時，距離底板114 cm 處發(fā)育的裂隙延伸至地表，靜置2 h 后發(fā)生垮落，此時3-1 煤工作面與2-2 煤工作面導通(圖8b)。留25 cm 煤柱后繼續(xù)開采，工作面累計推進至110 cm 時停采。
開采4-1 煤層時從模型左邊界開始，工作面累計推進60 cm 時，距離開切眼55 cm 處發(fā)育1 號地表裂縫，寬度為0.3 cm(圖8c)。累計推進至90 cm 時，1號地表裂縫寬度增加至0.6 cm，出現(xiàn)臺階式裂縫，工作面有微小錯臺，且圍繞地表裂縫周邊有整體下沉現(xiàn)象。工作面累計推進至100 cm 時留25 cm 煤柱，此后再推進10 cm 后停采。
2）充填開采后覆巖破壞特征。模型右半邊為采空區(qū)充填試驗。2-2 煤層在模型右邊界預(yù)留10 cm煤柱，從左向右開采，每次開采后立即用準備好的20 cm×10 cm×2 cm 木板將采空區(qū)進行充填，工作面累計推進至50 cm 時發(fā)生頂板垮落，累計推進至70 cm 時，采空區(qū)木板全部被壓實(圖8d)。
3-1 煤層在模型右邊界預(yù)留10 cm 煤柱后從左向右開采，累計推進至50 cm 時，距離底板4.5 cm 處發(fā)育新的離層，長度為12 cm；老采空區(qū)中間部分壓實充填物(圖8e)。
4-1 煤層從模型右邊界開采，預(yù)留10 cm 煤柱，推進40 cm 時，發(fā)生垮落，垮落體壓實木板，此時留15 cm 煤柱，繼續(xù)充填開采開采10 cm 后(圖8f)，開采結(jié)束。
3)覆巖沉陷變形特征。利用本文算法高精度地提取模型上測點標志的坐標值，計算出不同層位測點的下沉和水平位移值。選取地表層、底部巖層和3-1 煤層與4-1 煤層中間巖層3 排測點在垂直方向的變形量繪制相應(yīng)下沉曲線，如圖9—圖11 所示。
圖9 地表層下沉曲線Fig.9 Surface subsidence curve
圖10 底部巖層下沉曲線Fig.10 Bottom strata subsidence curve
圖11 3-1 煤層與4-1 煤層中間巖層下沉曲線Fig.11 Subsidence curve of intermediate strata between 3-1 coal seam and 4-1 coal seam
在工作面循環(huán)開采過程中，首采2-2 煤層對巖層的垂向位移影響最?。?-1 煤層開采時，發(fā)育的裂隙延伸至地表，發(fā)生跨落，對底部巖層影響最大，在開切眼處下沉最大，4-1 煤層開采過程中，從開切眼到停采區(qū)位置，模型整體跨落并發(fā)育地表裂縫，形成如圖9 所示的下沉突變。
在充填開采過程中受到采空區(qū)的影響，模型測點的下沉值在采空區(qū)附近也是大于模型右邊界處。對于模型總體而言，地表下沉值僅為2 mm，表明充填開采模式對于保護地表建筑物具有積極作用。
5 討 論
針對礦山相似材料模型試驗的高精度變形測量問題，利用非量測相機近距離拍攝高分辨率的圖像序列，通過圖像畸變糾正并對圖像序列進行拼接，形成分辨率很高的模型全景圖像，進一步利用改進的神經(jīng)網(wǎng)絡(luò)算法高精度地提取測點標志的坐標值，實現(xiàn)基于圖像識別的模型試驗數(shù)據(jù)采集。
針對圖像畸變影響圖像拼接質(zhì)量的問題，文中運用燕耀等[14]提出的非對稱圖像畸變均勻性虛擬校正方法對圖像進行預(yù)處理。該算法通過構(gòu)建誤差校正模型獲取畸變系數(shù)，求取最小擬合誤差平方提高畸變校正的準確度，從測點坐標提取的中誤差不超過0.027 mm 可知，校正效果極佳。
針對圖像序列的拼接問題，運用一種全自動穩(wěn)健的圖像拼接算法對經(jīng)過畸變處理后的序列圖像進行拼接，該算法采用Harris 角點檢測算子進行特征點提取，運用RANSAC 算法將偽匹配點集合劃分為內(nèi)點和外點，最后采用顏色插值對交接處進行顏色過渡。
Faster R-CNN[16]的創(chuàng)新在于提出了一種有效生成目標候選框的方法，其本質(zhì)就是用RPN 來提取檢測區(qū)域，同時 RPN 網(wǎng)絡(luò)和整個檢測網(wǎng)絡(luò)共享全圖卷積特征來縮短計算時間。本文通過添加置信度的形式使滑動過程僅保留2 000 個錨點，此時候選區(qū)面積越大，RPN 越小，在獲得候選區(qū)域之后，特征圖通過ROI 池化作用轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，精確獲得特征區(qū)域。
相關(guān)性模板匹配算法利用模板圖像與待匹配圖像上的搜索窗口之間的像素灰度值的差別來衡量兩者之間的相關(guān)性，將計算得到的相關(guān)性數(shù)值與文中給定的相關(guān)性閾值進行比較，從而決定匹配是否成功，進而得到匹配后的坐標結(jié)果。對提取的結(jié)果進行坐標轉(zhuǎn)換后可進行模型變形曲線的繪制，分析多煤層充填開采巖移規(guī)律。
模型試驗結(jié)果表明，多煤層循環(huán)開采與充填開采對上覆巖層造成的破壞性影響大不相同。循環(huán)開采時，采空區(qū)覆巖發(fā)育離層與裂隙，并伴隨垮落等現(xiàn)象，從圖9—圖11 可知，循環(huán)開采對底部巖層的破壞最大，下沉量達到-28.201 mm，此時地表最大下沉值為-18.937 mm，3-1 煤和4-1 煤的中間巖層最大下沉值達-24.262 mm。充填開采對覆巖與地表破壞程度最小，受充填物作用，地表層最大下沉量不超過2 mm 而對底部巖層和3-1 煤和4-1 煤的中間巖層影響很小。
6 結(jié) 論
1）利用近距離拍攝的高分辨率圖像序列可以高精度地獲取試驗?zāi)Ｐ蜏y點的坐標值。試驗結(jié)果表明，與常規(guī)的固定相機姿態(tài)一次拍攝模型全景的方法相比，利用非量測普通相機在1.5～2.0 m 距離拍攝數(shù)碼圖像的分辨率提高近10 倍，在模型中提取測點標志的精度接近0.01 mm。
2）針對高分辨率的圖像序列進行畸變校正、自動拼接、特征提取所采用的算法及其改進方法，實現(xiàn)了相似材料試驗?zāi)Ｐ妥冃涡畔⒌母咝?、精準提取。試驗中運用全自動穩(wěn)健的圖像拼接算法進行拼接，基于改進的Faster R-CNN 算法，采用候選框加入置信度并保留較少候選框的方法，提高了測點標志提取的效率和準確度。試驗中測點坐標提取的中誤差不超過0.027 mm，相當于實地測量誤差5 mm，完全能夠滿足模型試驗對變形測量精度的要求。
3）通過相似材料模型試驗揭示了多煤層開采及采空區(qū)充填后覆巖與地表變形破壞的不同特征。利用高分辨率圖像提取到的模型各排測點的位移量分析表明，多煤層循環(huán)開采后覆巖與地表變形破壞較為嚴重，底部巖層最大下沉量達到-28.201 mm，地表最大下沉量達-18.937 mm；而采空區(qū)充填情況下覆巖與地表破壞程度很小，地表下沉量接近0。上述試驗結(jié)果與現(xiàn)場實地觀測情況一致，進一步驗證了本文針對模型試驗提出的變形測量方法具有很好的實用性，有推廣應(yīng)用價值。
猜你喜歡
液壓支架整機靜強度試驗及等效應(yīng)力分析機械設(shè)計與制造(2023年2期)2023-02-27 12:40:16 老采空區(qū)建設(shè)場地采空塌陷地質(zhì)災(zāi)害及防治河北地質(zhì)(2022年2期)2022-08-22 06:23:32 瞬變電磁法在煤礦采空區(qū)探測中的應(yīng)用資源信息與工程(2021年5期)2022-01-15 05:37:36 基于CATIA的汽車測點批量開發(fā)的研究與應(yīng)用汽車實用技術(shù)(2021年10期)2021-06-04 07:51:00 在Lightroom中校正鏡頭與透視畸變攝影之友(影像視覺)(2017年10期)2017-11-07 02:37:15 某礦山采空區(qū)處理方案新疆鋼鐵(2015年2期)2015-11-07 03:27:52 回風井底附近采空區(qū)防滅火技術(shù)探討同煤科技(2015年2期)2015-02-28 16:59:15 拱壩結(jié)構(gòu)損傷的多測點R/S分析水利水電科技進展(2014年1期)2014-10-17 02:29:14 輻射誘導染色體畸變的快速FISH方法的建立癌變·畸變·突變(2014年2期)2014-03-01 04:39:41 《癌變·畸變·突變》2014年第26卷索引癌變·畸變·突變(2014年6期)2014-02-27 06:15:03
湯伏全 ，柴成富 ，郭千慧子 ，武金輝
（1.西安科技大學 測繪科學與技術(shù)學院, 陜西 西安 710054；2.國土資源部煤炭資源勘查與綜合利用重點實驗室, 陜西 西安 710021）
0 引 言
相似材料模擬試驗是研究礦山開采損害規(guī)律的重要手段。根據(jù)地質(zhì)采礦條件制作相似材料模型并獲取測點位移信息，可揭示地下開采引起的覆巖與地表變形損害規(guī)律[1]。在相似材料試驗?zāi)Ｐ妥冃螠y量的諸多方法中，傳統(tǒng)的儀器測量法以及透鏡放大法等外業(yè)工作量大，測量精度較低，且耗時耗力[2]；將光纖傳感器技術(shù)[3]應(yīng)用于模型試驗，能夠準確測得模型中的微小應(yīng)變情況，但無法測得模型產(chǎn)生的較大形變量。隨著數(shù)字攝影測量技術(shù)的發(fā)展，利用高分辨率數(shù)碼相機采集瞬時圖像，獲得試驗?zāi)Ｐ烷_采過程的圖像數(shù)據(jù)，所獲取的變形信息更直觀且精度更高，已成為相似材料模型試驗數(shù)據(jù)采集的主要方法[4]。一些學者采用非量測相機進行全景觀測并建立模型控制場，將像平面坐標轉(zhuǎn)換為模型測量坐標[5]，證明了非量測相機用于模型變形測量的可行性；有學者將具有高精度、非接觸性和全場觀測等優(yōu)點的數(shù)字散斑技術(shù)[6]應(yīng)用于模型試驗，利用 MATLAB 進行一系列處理，驗證了散斑方法的高效性與可行性，進一步提出了用支持向量機算法對模型中的變形點和非變形點進行識別，采用自檢校光束平差法對影像進行處理，能夠更好地監(jiān)測模型的實時變形過程[7]；有學者使用西安交通大學研發(fā)的數(shù)字近景工業(yè)攝影測量系統(tǒng)(XJTUDP)，采用攝影比例尺轉(zhuǎn)換-時間基線視差(PST-TBP)法[8]對相似材料模型進行監(jiān)測，高效地獲取了測點坐標；還有學者基于圖像信息的拓撲關(guān)系提出了三維點云變形監(jiān)測方法[9]，利用小波模極大值技術(shù)提取二維灰度圖像的特征，得到相應(yīng)的特征點云從而確定模型的變形量。
然而，以上方法主要采用固定相機姿態(tài)對試驗?zāi)Ｐ鸵淮闻臄z全景圖像的方式進行數(shù)據(jù)采集。由于外業(yè)拍攝須固定相機姿態(tài)，不便于靈活作業(yè)，而一次成像所獲取的模型全景圖像由于拍攝距離較遠導致圖像的分辨率受限。因礦山相似材料模型剖面長度在2 000 mm 以上，若采用4 000×4 000 陣列的數(shù)碼相機進行全剖面一次攝影，像元分辨率僅為0.5 mm。受到圖像分辨率的制約，特征提取的精度通常只能達到0.1 mm 左右,難以完全滿足模型試驗需求。
針對現(xiàn)有攝影測量方法中固定相機姿態(tài)一次成像導致圖像分辨率較低的問題，采用航帶法思想[10]，將相機近距離置于模型側(cè)面正前方，進行橫向重疊度大于55%，豎向重疊度大于30%的正射拍照，形成高分辨率的數(shù)碼圖像序列，利用一種全自動穩(wěn)健的圖像拼接融合算法，對通過模型側(cè)表面上的散斑圖像對圖像序列進行拼接，所形成的模型全景圖像較固定位姿一次拍攝全景的圖像在分辨率方面提高約10 倍。為了高效地獲取模型測點標志的位置信息，通過改進的卷積神經(jīng)網(wǎng)絡(luò)目標快速檢測方法（簡稱Faster R-CNN 算法）對測點標志進行快速識別，顯著改善測點位置提取的效率和準確率。在此基礎(chǔ)上，針對陜北某礦多煤層開采及采空區(qū)充填模型開展相似材料模擬試驗，利用上述方法進行模型的變形測量，揭示多煤層開采及采空區(qū)充填后覆巖與地表的變形破壞規(guī)律。
1 數(shù)據(jù)采集
1.1 地質(zhì)采礦模型
以陜北某礦多煤層開采及采空區(qū)充填為原型制作相似材料試驗?zāi)Ｐ汀９灿? 個開采煤層，其中2-2煤厚度4.15 m，埋深209 m；3-1 煤厚度2.9 m，埋深243 m；4-2 煤厚度3.6 m，埋深為294 m。模型地層剖面如圖1 所示。
圖1 模型地層剖面Fig.1 Model stratum profile
1.2 試驗?zāi)Ｐ?/h3>
根據(jù)相似材料模擬原理，采用河沙、石膏、大白粉、云母為試驗材料，計算出合理的材料配比進行模型制作。模型制成并風干后，在模型側(cè)面噴繪無序散斑點用作圖像拼接的特征標志。為研究開挖引起的覆巖層變化特征，在模型側(cè)面布設(shè)6 排×20 個的測點標志。試驗?zāi)Ｐ图皽y點布設(shè)如圖2 所示。模型的幾何相似比為1∶200，模型長×寬×高分別為2 250 mm×200 mm×2 000 mm，模型左半邊模擬多煤層開采，留設(shè)煤柱250 mm，開采寬度110 mm，右半邊模擬采空區(qū)充填，充填開采寬度700 mm，兩側(cè)各留設(shè)煤柱100 mm(圖9—圖11)。
圖2 試驗?zāi)Ｐ图皽y點標志Fig.2 Experimental model and measuring point mark
試驗中采用Canon EOS750D 數(shù)碼相機[11]進行圖像采集。該相機的有效像素為2 420 萬，帶CMOS傳感器和定焦鏡頭，拍攝像片的畸變相對較小。在模型開挖過程中，將相機置于模型側(cè)面正前方約1.5～2.0 m，從模型左上側(cè)開始進行拍照，保持橫向重疊度大于55%，豎向重疊度大于30%，每期采集的圖像序列含108 張圖片。
1.3 精度影響因子分析
1)測點標志大小對精度的影響。為了保證在弱光環(huán)境下得到明顯的觀測點數(shù)據(jù)，試驗采用正方形回光反射標志[12]作為測點標志，表1 為不同寬度的觀測標志在等距離、等角度條件下連續(xù)拍攝5 次后得到的像素大小和經(jīng)過白塞爾公式解算得到的測點標志提取誤差的統(tǒng)計結(jié)果。
表1 測點標志大小對提取精度的影響統(tǒng)計Table 1 Statistics on the influence of observation point size on experimental accuracy
2)影像分辨率對測點提取精度的影響。定焦相機拍攝相片時，像元分辨率會因物距不同而變化，而影像分辨率直接影響圖像質(zhì)量和測點提取精度。試驗中通過改變拍攝距離（物距）來確定測點提取精度最高時的相機位置。表2 所示為相同條件下連續(xù)拍攝5 次后得到的測點標志提取精度的統(tǒng)計結(jié)果。
表2 不同物距對測點提取精度的影響統(tǒng)計Table 2 Statistics of influence of grid width on precision
從表1、表2 中可知，測點標志大小、圖像分辨率在一定范圍內(nèi)具有最優(yōu)值，當拍攝條件改變時，測點提取精度隨之改變。試驗中選擇寬度為5 mm的正方形覘標作為測點標志，采用Canon EOS750D數(shù)碼相機拍攝的最佳物距為1.5～2.0 m。
2 圖像預(yù)處理
2.1 圖像畸變處理
采用物距為1.5～2.0 m 拍照方式，得到的圖像仍存在較小的畸變。為此，采用燕耀等[13]提出的非對稱圖像畸變均勻性虛擬校正方法對圖像進行預(yù)處理。通過獲取所構(gòu)建的非對稱原始圖像和畸變后非對稱圖像位置的校正模型，求得最小擬合誤差，以提高非對稱圖像畸變校正的準確度，獲取畸變系數(shù)[14]。在此基礎(chǔ)上，設(shè)定目標函數(shù)，對獲取的畸變系數(shù)進行優(yōu)化求解，最后采用雙線性插值法對畸變圖像的灰度進行重建，完成對非對稱圖像畸變均勻性的校正。圖像畸變校正后的殘差影響會反映在測點標志的提取誤差中。
2.2 全景圖像拼接
利用全景圖像拼接技術(shù)將上述108 張高分辨的圖像序列進行自動拼接，得到一幅高分辨率的無縫全景圖像。目前比較成熟的圖像拼接方法有Matlab 工具箱拼接、PS 拼接、融合算法拼接，其中融合算法可操作性強，拼接誤差小。采用趙向陽等[15]提出的一種全自動穩(wěn)健的圖像拼接融合算法，對經(jīng)過畸變處理后的108 張圖像序列進行拼接。該融合算法的主要步驟為：
1)利用Harris 角點檢測算子進行特征提?。?/p>
2)利用鄰域像素灰度互相關(guān)法粗略估計兩幅圖像的偽匹配點；
3)運用RANSAC 估計圖像間變換矩陣H：并重復N次隨機采樣。具體為
(a)隨機選取4 對偽匹配點 (選取的4 點應(yīng)保證H的秩為3)，線性地計算變換矩陣H；
(b)計算每對偽匹配點離H的垂直距離dv；
(c)根據(jù)內(nèi)點距離小于閾值dv 4)由RANSAC 的N次隨機采樣得到了最大內(nèi)點集合，運用 LM 優(yōu)化算法對H進行優(yōu)化估計； 5)根據(jù)H再對所有數(shù)據(jù)進行內(nèi)點計算，直到內(nèi)點數(shù)目趨于一致。 6)采用顏色插值對交接處進行顏色過渡。 試驗中利用上述融合算法可將特征提取精度提高至亞像素級。使用RANSAC 算法將偽匹配點進行集合分類，以提高匹配準確率，圖像匹配過程如圖3 所示。采用顏色插值法處理接邊誤差，得到拼接后的圖像（圖3d）。 對108 張圖像序列進行上述自動處理后，得到高分辨率的模型全景圖像，如圖4 所示。 圖4 模型全景圖像Fig.4 Panoramic image 該全景圖像較常規(guī)的固定相機姿態(tài)一次拍攝的模型全景圖像在分辨率方面提高約10 倍，為高精度地提取測點位置坐標奠定了基礎(chǔ)。 圖像識別是對模型圖像測點位置的檢測，并在檢測到的區(qū)域框中進行測點坐標的精確提取。隨著深度學習方法的不斷發(fā)展，一些學者將神經(jīng)網(wǎng)絡(luò)算法應(yīng)用到位置檢測，提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標檢測算法[16]（Faster R-CNN 算法），而坐標提取則常采用穩(wěn)健的基于相關(guān)性模板匹配算法[17]，基于上述算法進行模型測點坐標提取。 Faster R-CNN 算法由Fast R-CNN （Fast Region-Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò)快速檢測）模塊[18]與RPN（RegionProposal Network，區(qū)域候選網(wǎng)絡(luò)）2 部分組成，其算法框架如圖5 所示。FastRCNN 檢測模塊利用建議區(qū)域和ROI（Region of Interest，池化層）對候選區(qū)域進一步細化，實現(xiàn)檢測。RPN 網(wǎng)絡(luò)是一個全連接卷積網(wǎng)絡(luò)，通過卷積層獲取測點范圍的特征圖，然后利用區(qū)域建議卷積層對特征圖計算不同尺度和縱橫比的建議區(qū)域。整個框架是一個統(tǒng)一的目標檢測網(wǎng)絡(luò)，2 個模塊共享卷積神經(jīng)網(wǎng)絡(luò)層，可進行聯(lián)合訓練。與其他檢測算法相比，該算法的優(yōu)點是能生成高質(zhì)量建議區(qū)域框，實現(xiàn)與檢測網(wǎng)絡(luò)卷積層的共享，能夠有效地減少測點位置檢測耗費的時間[19]。 1）RPN 的改進。RPN 網(wǎng)絡(luò)對CNN 卷積特征圖利用滑窗策略在特征圖中每個位置進行卷積處理，從而得到矩形候選區(qū)域（錨）。錨[20]是預(yù)設(shè)的一組不同尺度不同位置的固定參考框，覆蓋幾乎所有位置和尺度，每個參考框負責檢測與其交并比大于訓練預(yù)設(shè)值的目標，其作用是不需要多尺度遍歷滑窗，也能快速檢測最優(yōu)位置。通過預(yù)測框時會產(chǎn)生w×h×k個錨點(其中w為預(yù)測框的寬度，h為預(yù)測框高度，k為區(qū)域建議網(wǎng)絡(luò)個數(shù))，試驗中特征圖像為黑白圖像，尺寸較小且相似，為了節(jié)省計算時間，文中對錨點個數(shù)添加置信度，設(shè)定錨點個數(shù)小于2 000，使得候選區(qū)面積變大，RPN 變小，檢測速率提高。在訓練時，RPN 使用重疊交并比 IoU 進行正負標簽的分配，IoU>0.8 時分配正標簽，IoU<0.2 分配負標簽。在獲得候選區(qū)域后，通過ROI 池化作用將特征圖轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，并傳輸?shù)椒诸惼?，進而完成了Faster R-CNN 的整個流程。 2）損失函數(shù)。Faster R-CNN 中的損失包括回歸損失和分類損失，總的損失函數(shù)表達式如下： 式中：pi為預(yù)測為目標的概率；ti為第i個錨預(yù)測的邊框回歸的參數(shù)化坐標；Ncls為總的錨的數(shù)量；為目標和非目標的對數(shù)損失，是典型的二分類交叉熵損失。Nreg由錨位置的數(shù)量決定，表示只有正樣本才有邊框回歸損失， λ為權(quán)重平衡參數(shù)。 RPN 和ROI 的分類損失表達式相同，均是交叉熵損失。但RPN 損失是二分類交叉熵損失，ROI損失是多分類交叉熵損失。其表達式如公式（2）所示。 RPN 和ROI 的回歸損失函數(shù)均是由Smooth L1 Loss 計算的，其解決了預(yù)測值和真實值接近時發(fā)生梯度爆炸以及函數(shù)在0 點不可導而影響收斂的問題。Smooth L1 Loss 的表達式如式（3）所示?；貧w損失函數(shù)的表達式如式（4）所示。 3）算法實現(xiàn)。上述算法使用Windows7 旗艦版64位計算機實現(xiàn)；處理器為Intel(R)Xeon(R)CPU E5-2600 v4@2.00 GHz2.00 GHz(2 處理器)；GPU 為NIVDIA GeForce 830 M，Cuda9.1，以Matlab 2019a 作為試驗平臺，調(diào)用深度學習工具箱，采用改進的Faster RCNN 算法和GPU 加速運算，過程采用VGG16 預(yù)訓練模型，其參數(shù)權(quán)重是在ImageNet 下進行訓練的，試驗共有拼接好的圖片50 張，將40 張作為訓練集，10張作為驗證集，將初始學習率設(shè)定為0.001，迭代10次后將學習率設(shè)為0.000 1，總共迭代15 次。檢測后的圖像部分區(qū)域如圖6 所示，準確率和mAP（Mean Average Precision，均值平均精度）見表3。 表3 不同RPN 網(wǎng)絡(luò)的準確率和mAP 值Table 3 Accuracy and mAP value of different RPN networks 圖6 特征點檢測結(jié)果Fig.6 Detection results of feature points 為了從測點所在區(qū)域中提取其像素坐標，采用穩(wěn)健的基于相關(guān)性的模板匹配算法進行測點提取。該方法利用尺寸為3×3 的模板R，在待匹配圖像中尋找目標[20]。如圖7 所示，將R 疊放在待匹配圖像上平移，模板覆蓋下的目標子圖的中心點Rr(x,y)為像點在搜索圖中的坐標。 圖7 圖像矩陣匹配Fig.7 Image matrix matching 由圖7 可以看出，模板R 在平移的過程中，按照一定的順序，以每次一個像素點的距離使搜索窗口在待匹配的圖像上移動，在每次移動過程中，需要計算模板圖像與模板窗口之間的相關(guān)性，然后將計算得到的相關(guān)性數(shù)值與給定的相關(guān)性閾值進行比較，如果相關(guān)性大于該閾值，就可以認為匹配成功，即找到待匹配的目標。否則，就繼續(xù)移動窗口進行查找，最終精確得到測點的像素坐標。 試驗?zāi)Ｐ筒荚O(shè)了6 排測點標志，下面主要針對地表層測點、底部巖層測點及3-1 與4-1 煤層之間的3 排測點進行沉降變形分析。為了驗證本文算法提取測點坐標的實際精度，首先對開采前圖像的4個角點J1-J4坐標分別提取4 次，其結(jié)果見表4。 表4 各角點像素坐標重復提取結(jié)果Table 4 Pixel coordinates of image corners extracted repeatedly 通過白塞爾公式計算各角點提取坐標的中誤差。根據(jù)相機參得到圖像中1 像素對應(yīng)的物方大小為0.076 1 mm，將像素中誤差轉(zhuǎn)換為物方坐標中誤差，各角點物方坐標提取的中誤差結(jié)果見表5。 表5 各角點物方坐標提取的中誤差Table 5 Error in object-square coordinates of measuring points in different directions 由表5 可知，試驗中測點坐標提取的中誤差最大為0.027 mm，而本試驗中模型比例尺為1∶200，將模型的測量誤差換算成原型誤差，則實地測量精度優(yōu)于6 mm，完全滿足相似材料模型試驗對觀測精度的要求。 1）循環(huán)開采后覆巖破壞特征。模型左半邊為多煤層開采試驗。首采2-2 煤層時，從距離模型左邊界25 cm 處作為開切眼，按照時間相似比從左向右開采，每次推進10 cm，用時10 min。當工作面推進至50 cm 時，發(fā)生初次垮落(圖8a)；工作面推進至110 cm 時，離層空間向上移動，發(fā)生周期性垮落。 圖8 開采后模型變形破壞情況Fig.8 Deformation and failure of model after mining 3-1 煤層從模型左邊界開采，工作面累計推進40 cm 時，距離底板114 cm 處發(fā)育的裂隙延伸至地表，靜置2 h 后發(fā)生垮落，此時3-1 煤工作面與2-2 煤工作面導通(圖8b)。留25 cm 煤柱后繼續(xù)開采，工作面累計推進至110 cm 時停采。 開采4-1 煤層時從模型左邊界開始，工作面累計推進60 cm 時，距離開切眼55 cm 處發(fā)育1 號地表裂縫，寬度為0.3 cm(圖8c)。累計推進至90 cm 時，1號地表裂縫寬度增加至0.6 cm，出現(xiàn)臺階式裂縫，工作面有微小錯臺，且圍繞地表裂縫周邊有整體下沉現(xiàn)象。工作面累計推進至100 cm 時留25 cm 煤柱，此后再推進10 cm 后停采。 2）充填開采后覆巖破壞特征。模型右半邊為采空區(qū)充填試驗。2-2 煤層在模型右邊界預(yù)留10 cm煤柱，從左向右開采，每次開采后立即用準備好的20 cm×10 cm×2 cm 木板將采空區(qū)進行充填，工作面累計推進至50 cm 時發(fā)生頂板垮落，累計推進至70 cm 時，采空區(qū)木板全部被壓實(圖8d)。 3-1 煤層在模型右邊界預(yù)留10 cm 煤柱后從左向右開采，累計推進至50 cm 時，距離底板4.5 cm 處發(fā)育新的離層，長度為12 cm；老采空區(qū)中間部分壓實充填物(圖8e)。 4-1 煤層從模型右邊界開采，預(yù)留10 cm 煤柱，推進40 cm 時，發(fā)生垮落，垮落體壓實木板，此時留15 cm 煤柱，繼續(xù)充填開采開采10 cm 后(圖8f)，開采結(jié)束。 3)覆巖沉陷變形特征。利用本文算法高精度地提取模型上測點標志的坐標值，計算出不同層位測點的下沉和水平位移值。選取地表層、底部巖層和3-1 煤層與4-1 煤層中間巖層3 排測點在垂直方向的變形量繪制相應(yīng)下沉曲線，如圖9—圖11 所示。 圖9 地表層下沉曲線Fig.9 Surface subsidence curve 圖10 底部巖層下沉曲線Fig.10 Bottom strata subsidence curve 圖11 3-1 煤層與4-1 煤層中間巖層下沉曲線Fig.11 Subsidence curve of intermediate strata between 3-1 coal seam and 4-1 coal seam 在工作面循環(huán)開采過程中，首采2-2 煤層對巖層的垂向位移影響最?。?-1 煤層開采時，發(fā)育的裂隙延伸至地表，發(fā)生跨落，對底部巖層影響最大，在開切眼處下沉最大，4-1 煤層開采過程中，從開切眼到停采區(qū)位置，模型整體跨落并發(fā)育地表裂縫，形成如圖9 所示的下沉突變。 在充填開采過程中受到采空區(qū)的影響，模型測點的下沉值在采空區(qū)附近也是大于模型右邊界處。對于模型總體而言，地表下沉值僅為2 mm，表明充填開采模式對于保護地表建筑物具有積極作用。 針對礦山相似材料模型試驗的高精度變形測量問題，利用非量測相機近距離拍攝高分辨率的圖像序列，通過圖像畸變糾正并對圖像序列進行拼接，形成分辨率很高的模型全景圖像，進一步利用改進的神經(jīng)網(wǎng)絡(luò)算法高精度地提取測點標志的坐標值，實現(xiàn)基于圖像識別的模型試驗數(shù)據(jù)采集。 針對圖像畸變影響圖像拼接質(zhì)量的問題，文中運用燕耀等[14]提出的非對稱圖像畸變均勻性虛擬校正方法對圖像進行預(yù)處理。該算法通過構(gòu)建誤差校正模型獲取畸變系數(shù)，求取最小擬合誤差平方提高畸變校正的準確度，從測點坐標提取的中誤差不超過0.027 mm 可知，校正效果極佳。 針對圖像序列的拼接問題，運用一種全自動穩(wěn)健的圖像拼接算法對經(jīng)過畸變處理后的序列圖像進行拼接，該算法采用Harris 角點檢測算子進行特征點提取，運用RANSAC 算法將偽匹配點集合劃分為內(nèi)點和外點，最后采用顏色插值對交接處進行顏色過渡。 Faster R-CNN[16]的創(chuàng)新在于提出了一種有效生成目標候選框的方法，其本質(zhì)就是用RPN 來提取檢測區(qū)域，同時 RPN 網(wǎng)絡(luò)和整個檢測網(wǎng)絡(luò)共享全圖卷積特征來縮短計算時間。本文通過添加置信度的形式使滑動過程僅保留2 000 個錨點，此時候選區(qū)面積越大，RPN 越小，在獲得候選區(qū)域之后，特征圖通過ROI 池化作用轉(zhuǎn)化成統(tǒng)一大小，且不存在變形問題，精確獲得特征區(qū)域。 相關(guān)性模板匹配算法利用模板圖像與待匹配圖像上的搜索窗口之間的像素灰度值的差別來衡量兩者之間的相關(guān)性，將計算得到的相關(guān)性數(shù)值與文中給定的相關(guān)性閾值進行比較，從而決定匹配是否成功，進而得到匹配后的坐標結(jié)果。對提取的結(jié)果進行坐標轉(zhuǎn)換后可進行模型變形曲線的繪制，分析多煤層充填開采巖移規(guī)律。 模型試驗結(jié)果表明，多煤層循環(huán)開采與充填開采對上覆巖層造成的破壞性影響大不相同。循環(huán)開采時，采空區(qū)覆巖發(fā)育離層與裂隙，并伴隨垮落等現(xiàn)象，從圖9—圖11 可知，循環(huán)開采對底部巖層的破壞最大，下沉量達到-28.201 mm，此時地表最大下沉值為-18.937 mm，3-1 煤和4-1 煤的中間巖層最大下沉值達-24.262 mm。充填開采對覆巖與地表破壞程度最小，受充填物作用，地表層最大下沉量不超過2 mm 而對底部巖層和3-1 煤和4-1 煤的中間巖層影響很小。 1）利用近距離拍攝的高分辨率圖像序列可以高精度地獲取試驗?zāi)Ｐ蜏y點的坐標值。試驗結(jié)果表明，與常規(guī)的固定相機姿態(tài)一次拍攝模型全景的方法相比，利用非量測普通相機在1.5～2.0 m 距離拍攝數(shù)碼圖像的分辨率提高近10 倍，在模型中提取測點標志的精度接近0.01 mm。 2）針對高分辨率的圖像序列進行畸變校正、自動拼接、特征提取所采用的算法及其改進方法，實現(xiàn)了相似材料試驗?zāi)Ｐ妥冃涡畔⒌母咝?、精準提取。試驗中運用全自動穩(wěn)健的圖像拼接算法進行拼接，基于改進的Faster R-CNN 算法，采用候選框加入置信度并保留較少候選框的方法，提高了測點標志提取的效率和準確度。試驗中測點坐標提取的中誤差不超過0.027 mm，相當于實地測量誤差5 mm，完全能夠滿足模型試驗對變形測量精度的要求。 3）通過相似材料模型試驗揭示了多煤層開采及采空區(qū)充填后覆巖與地表變形破壞的不同特征。利用高分辨率圖像提取到的模型各排測點的位移量分析表明，多煤層循環(huán)開采后覆巖與地表變形破壞較為嚴重，底部巖層最大下沉量達到-28.201 mm，地表最大下沉量達-18.937 mm；而采空區(qū)充填情況下覆巖與地表破壞程度很小，地表下沉量接近0。上述試驗結(jié)果與現(xiàn)場實地觀測情況一致，進一步驗證了本文針對模型試驗提出的變形測量方法具有很好的實用性，有推廣應(yīng)用價值。3 圖像識別處理
3.1 基于Faster R-CNN 算法的測點位置檢測
3.2 測點坐標提取
4 試驗?zāi)Ｐ妥冃翁崛?/h2>
4.1 測點坐標提取及其精度統(tǒng)計
4.2 模型試驗結(jié)果分析
5 討 論
6 結(jié) 論
猜你喜歡
機械設(shè)計與制造(2023年2期)2023-02-27 12:40:16
河北地質(zhì)(2022年2期)2022-08-22 06:23:32
資源信息與工程(2021年5期)2022-01-15 05:37:36
汽車實用技術(shù)(2021年10期)2021-06-04 07:51:00
攝影之友(影像視覺)(2017年10期)2017-11-07 02:37:15
新疆鋼鐵(2015年2期)2015-11-07 03:27:52
同煤科技(2015年2期)2015-02-28 16:59:15
水利水電科技進展(2014年1期)2014-10-17 02:29:14
癌變·畸變·突變(2014年2期)2014-03-01 04:39:41
癌變·畸變·突變(2014年6期)2014-02-27 06:15:03
