熱電廠運煤車廂動態監測及體積測量方法

盧進南，韓建國，王常寶，郭友瑞，王志良

(1.遼寧工程技術大學 機械工程學院， 遼寧 阜新 123000；2.開灤(集團)有限責任公司， 河北 唐山 063018；3.唐山開灤熱電有限責任公司， 河北 唐山 063018)

0 引言

燃煤占據了熱電廠運營的最大成本，為發電總成本的50%～80%[1]。加強燃煤卸運監控管理、提高管理水平、改善管理手段，是火力發電廠保證安全、降低成本的重要措施，對電廠的安全經濟運行有重要意義。準確獲取當前堆場的散料儲量是企業進行效益評估、戰略儲備規劃和生產計劃安排的關鍵。

如何檢測運煤車輛的裝載效果，及時統計卸運效果和儲煤量，是熱電廠煤炭量科學管理的關鍵。錢震峰等通過提升斗輪機的自動化程度，結合盤煤技術，實現卸煤和堆煤的智能控制[2]。李紅偉利用Refine Net和基于卷積網絡的深度估計方法，研究了一套基于機器視覺的智能輸煤檢測系統[3]。關丙火通過數字攝像儀和激光儀器獲取帶式輸送機上散煤的圖像，利用Ohta顏色空間特性提取激光線輪廓，采用梯形面積累積法獲得帶式輸送機的瞬時運煤量[4]。綜上可知，目前針對瞬時煤量檢測的研究內容較多，但是針對統計和優化供耗的研究內容較少。因此，研究了一套車廂物料卸運監控系統,該系統是熱電廠煤量管理系統的重要組成部分，通過卸運監控，企業可以對存煤量進行動態監測與分析，從而保證熱電廠存煤量的合理性和車廂煤炭卸運的高效性。

對煤量的動態檢測技術，一直是包括電廠、港口和選煤廠等現場需要的煤量統計重要手段，而現有的技術可以完成煤量的動態監測，但所使用的元件和系統經濟成本非常高。提出一種基于圖像和激光相結合的運煤車廂卸運動態監測和非接觸式體積測量系統，利用攝像頭實現車廂實時監控，重點要獲取車廂類型和測速信息；利用激光傳感器獲得車廂及煤量距離信息，及運煤車廂煤量的點云數據，結合車廂速度，最終得到車廂的煤量體積數據。

1 基于YOLOv3的車廂類型識別

隨著對鐵路煤炭運輸車廂編號識別精度要求的提高，現有的RFID射頻識別技術已不能滿足分類識別的精度和可靠性的需求。為了提高車廂編號識別精度和可靠性，利用深度學習方法對熱電廠的運煤車廂進行編號識別。

YOLO (You Only Look Once)v3是目前速度和精度最均衡的目標檢測網絡，引入多尺度機制，用效率更高的基礎分類網絡與分離器，可彌補YOLO系列的劣勢(如不擅長檢測小物體等)，達到了良好的效果和較高的速度。

YOLO的核心思想是將整個圖片輸入網絡，直接在輸出層回歸邊界框的位置標記機器所屬類別。即將一副圖像分為N×N的網格，每個網格產生若干個可能包含目標的預測邊界框，然后對每個網格進行預測，最終得到目標區域信息。網絡結構預測算法原理如圖1所示。

圖1 YOLO v3目標識別原理

YOLO算法的快速性規避了卸運系統對運煤車廂行駛速度的約束，但是，車廂上編號數字字體的非統一性，也給車廂類型識別帶來了困難。

因此，通過K-means聚類算法將訓練已標注好的數字框進行聚類， 從中挑選出幾類最適合的數字框類型作為錨框，以確保車廂上數字編號的識別精度。

此外，通過調整卷積層參數以平衡模型大小、檢測速度，從而達到速度與精度的最優組合。

2 車廂速度非接觸測量

2.1 車廂體積測量原理

目前，對移動目標的非接觸式體積檢測，總體可分成以下方法：

1) 基于圖像的體積測量方法[5-7]，由于視場的限制，需要對目標進行多次測量，導致數據采集過程復雜，計算時間長，且易受外界光線、陰影等因素的影響。

2) 激光掃描體積測量方法[8-10]，但高精度的三維傳感器價格昂貴，對作業環境要求苛刻，且后處理復雜，處理周期較長。

3) 激光和圖像相結合的體積測量方法[11-12]，雖然此類方法依然存在受陽光、陰影影響的問題，并對安裝平臺的依賴性強，但此類方法依然是目前常用的非接觸式體積測量方法。

考慮現場車廂運行環境和設備安裝條件，本系統采用的車廂煤量體積測量采用激光和圖像相互結合的方式，也就需要獲得車廂的速度和行駛方向截面面積等信息。

在沿車廂行駛出口正上方位置安裝一個二維激光雷達，在出口側方安裝一臺攝像頭。激光雷達的作用是檢測車廂煤炭截面距離數據。攝像頭可識別車廂類型和視覺里程計，車廂類型的識別用于卸運煤量數據統計和供耗優化，視覺里程計用于獲得車廂瞬時速度，以便于最終計算車廂裝載量，本系統的算法原理如圖2所示。

圖2 車廂檢測算法原理

2.2 基于光流法的車廂速度計算

視覺里程計(Visual Odometry，VO)是一個通過分析相關圖像序列，以確定運動物體的位置和朝向過程的方法。光流描述了像素在圖像中的運動，稀疏光流以 Lucas-Kanade 光流[13-14]為代表，并可以在 VO中用于跟蹤特征點位置。

同一個空間點的像素灰度值，在各個圖像中是固定不變的，對于t時刻位于(x，y)處的像素，在經過dt時刻，該點運動到 (x+dx，y+dy)處。由于灰度不變，可得：

I(x+dx,y+dt,t+dt)=I(x,y,t)

(1)

I(x,y,t)為t時刻，位于(x,y)處的像素的灰度。對式(1)左邊進行泰勒展開，保留一階項，得：

I(x+dx,y+dt,t+dt)≈I(x,y,t)+

(2)

結合式(1)可以得到：

(3)

式(3)兩邊除以dt，得：

(4)

式(4)中 ：dx/dt為空間該點像素在x軸上運動速度，dy/dt為空間該點像素在y軸上運動速度，把它們記為u，v。同時，?I/?x為該點像素在x方向的灰度梯度，?I/?y同理，記為Ix，Iy。把等式右邊記為It，并寫成矩陣形式，得到：

(5)

對于本系統的圖像對象而言，瞬時的運動速度可看作勻速行駛，若攝像頭獲得的車廂圖像的像素大小為w×w，它含有w2數量的像素。由于該圖像內像素具有同樣的運動，因此我們共有w2個方程：

(6)

設：

式(6)變換為：

(7)

式(7)是一個關于u，v的超定線性方程，通過求最小二乘解得：

(8)

由式(8)即可求得車廂相對攝像頭的兩個方向運動速度u和v。

3 車廂煤量體積計算

運煤車廂裝煤量體積計算，核心問題就是需要車廂表面輪廓數據，即激光點云數據。由于本系統采用的是二維激光器，且運卸煤炭過程中車廂一直處于運動過程中，也就導致車廂煤炭同一截面的點云數據存在錯位現象，上一小節中利用光流法獲取車廂運行速度，從而解決了該問題。

3.1 車廂點云數據濾波

直接通過二維激光器獲得的點云數據噪聲點多、密度分布不均、數據不連續，會影響后續分割和體積計算結果。因此，在點云分割之前需要對初始點云數據進行精簡處理。

系統通過二維激光器采集到的點云數據具有以下特征：

1) 點云數據中包含大量測量區域外的點，包括雜物、地面設備等。

2) 由于激光器相對車廂行走車軌道安裝位置固定，所以點云數據的有效區域是己知的。

因此，根據本系統中獲得的點云數據特征，使用條件濾波即可實現對原始點云數據的過濾。

初始點云數據經過條件濾波后，就是需要對符合車廂內煤炭上表面輪廓的點云數據進行分割，繼而利用分割后的數據進行體積計算。系統采用的數據分割方法是區域生長法，該算法主要思路是：首先對濾波后點云數據進行鄰近搜索樹的構建，以方便索引和計算。然后，根據一定范圍臨近點所構成的小曲面，計算每一個點的曲率值，利用曲率值由小到大順序對點進行排序。其次，同樣采用K-means聚類算法確定小曲面中的種子線，并求得小曲面中各相鄰點法線與當前聚類中種子點法線之間的夾角，若角度小于某閾值，則將該點添加到當前聚類中。再次，對聚類中的每一個點進行曲率值檢驗，如果曲率小于某閾值，則將該點添加到種子隊列中，即完成一次生長。最后，對種子隊列種的數據重復進行上述計算，直到種子隊列中沒有點數據存在，生長算法完成。

不論是點云數據濾波，還是點云數據分割，最終目的是獲得二維激光器直射在煤炭上表面且不是射在煤塊間隙的有效距離點云數據。

3.2 基于點云的車輛體積計算

車廂煤炭體積計算過程是一個以車廂底部平面為底的二重積分：

(9)

式中:Ω看作是由連續曲線y1=φ1(x)、y2=φ2(x)、x=a和x=b圍成的平面區域，a、b是車廂后/前擋板內側面相對坐標系的位置，y1和y2是車廂左右擋板內煤炭外輪廓曲線；f(x,y)是Ω上的連續函數。

式(9)可進行如下簡化：

(10)

式(10)中：

(11)

將式(11)和(10)帶入式(9)中，得到：

(12)

由式(12)可知，車廂內煤炭體積的計算原理：在笛卡爾坐標系下，將車廂內的煤炭分割成m×n個方柱體，m和n的具體數值受制于激光器的掃描頻率和車廂的行駛速度，其邊界界定由Ω確定，方柱體的高度信息由二維激光器獲得，每個圓柱體的體積記為Vij，則車廂煤炭體積總體積計算如下：

(13)

4 試驗

為驗證方法的正確性和工程實用性，依托唐山開灤熱電有限責任公司煤廠為應用現場，采用海康威視DS-2網絡相機和SICK LMS111-10100二維激光器構建數據采集平臺，設備安裝如圖3所示。采用Windows10操作系統，配置Intel i5-9400、 NVIDIA Geforce GTX 1660等低成本硬件作為數據處理平臺。

圖3 硬件安裝實物圖

攝像頭參數經多次調節，當圖像分辨率在640×480條件下，可確保在算法平臺YOLO v3-Tiny上具有90幀/s以上的檢測速度。系統中，經YOLO v3-Tiny在迭代20 000次后，車廂類型標記的數字識別精度達到98%以上，且在不同光照條件下，都可以穩定地識別出相應目標，具有速度快、魯棒性強的優點。車廂類型標記數字單個數字的精度召回率曲線(PR)和識別效果如圖4所示。

(a)

為了獲得車廂行駛的運動速度，獲取車廂運煤的圖像，利用光流的視覺里程計估計圖像間的運動，結果如圖5所示。

(a) 原始圖像

通過光流的視覺里程計估計出兩相鄰關鍵幀之間的運動，結合兩幀之間的時間差，即可算出車輛的行駛速度。

通過二維激光器結合光流測速生成的三維點云和點云濾波分割后的結果如圖6所示。

(a) 點云原始數據

利用神經網絡識別車牌號和分割后的車輛三維點云模型進行體積計算，最終得出該節車廂的編號及對應的體積。根據唐山開灤熱電有限責任公司林西電廠提供的某列運煤火車6節車廂裝煤量數據，得到車廂體積計算結果對比如表1所示。

表1 煤量體積對比

對比結果顯示，本系統計算得到的體積，精度可以達到92%以上。

5 結論

本文研究的熱電廠運煤車廂采用攝像頭和二維激光器相結合的低成本、非接觸式裝煤量體積檢測方法，利用光流法分析相鄰兩張圖像的灰度值，計算車廂的運行瞬時速度；采用條件濾波和區域長生法，對激光器獲得的距離信息進行簡化和分割，得到車廂內煤炭上表面的點云數據，并利用多重積分方法計算車廂內煤炭體積信息。經現場試驗和數據對比，測量精度達到92%以上，且具有投入費用低、安裝方便的特征，可以滿足熱電廠現場的使用要求。