基于視頻技術的煤礦監控系統設計

丁海英

(陜西能源職業技術學院 煤炭與化工產業學院，陜西 咸陽 712000)

當前，煤礦關鍵位置的安全監測主要是基于攝像機采集和監測。如發生異常安全事故，可以通過視頻跟蹤來分析事故原因[1]。然而，關鍵產區缺乏有效的智能傳感、識別和分析系統，特別是對絞車車道、工作面等關鍵產區主要設備的工作狀態、異常狀態和人員入侵等的檢測缺乏監測和分析，導致部分生產管理環節存在一定的安全隱患[2]。由于煤礦地下作業遠離地面，地形復雜，環境惡劣，容易發生事故。地面監測人員利用智能監測識別系統，可以直接實時監測地下情況，不僅可以直接監測和記錄井下工作現場的安全生產情況，還可以通過智能監測分析及時發現事故隱患，為事后事故分析提供第一手信息[3]。隨著煤炭科學技術的發展，煤礦視頻監控系統在安全生產監督中發揮著越來越重要的作用。本文采用去噪增強的方法對視頻圖像進行預處理，可以大大提高監控圖像的清晰度，提高視覺效果，更好地發揮視頻監控系統的作用，對我國煤礦安全監管具有一定的意義。在原有自動控制系統的基礎上，本文綜合利用圖像處理、數據分析、物聯網、云計算等先進技術，開發了智能監控識別系統，從而有效解決了煤礦安全監管困難、生產效率低、資源浪費等問題，對促進煤礦安全生產發揮了積極作用。

1 煤礦智能監測系統的組成

煤礦智能監控系統對煤礦關鍵崗位的設備安全狀態、人員安全狀態和生產過程安全識別進行監測，包括：人員入侵、人員穿越、噴霧故障、管道泄漏、泄漏監測、膠帶異常、膠帶斷裂、膠帶堆煤、膠帶異物、軌道監測、等待監測、泵室監測、儀表閥、明火監測、異常聲音等。煤礦智能監控系統的硬件主要包括傳感操作服務器、工業計算機、監控顯示屏、PC終端、礦山隔爆攝像機、紅外成像儀、礦山隔爆和本質安全環網交換機和礦山防爆檢測機器人。系統采用云、邊緣、端技術架構，實時監控和識別關鍵領域，確保安全生產。系統功能主要分為4個部分，系統組成如圖1所示。

圖1 煤礦智能監測系統組成示意Fig.1 Composition diagram of coal mine intelligent monitoring system

(1)數據采集層。由現場隔爆攝像機、紅外成像儀、巡邏機器人等采集組件組成，可實現現場設備和人員的圖像和音頻采集。

(2)網絡層。基于地下10 KM視頻環網絡和核心交換機，將采集到的現場數據上傳到計算服務器上。

(3)操作層。操作服務器和工業計算機主要完成3部分工作。①識別：對采集到的數據信息進行定制的圖像和音頻識別分析。②邏輯方面：對與分析結果相關的關鍵區域的設備進行邏輯控制，報警和警告人員入侵識別和異常設備。③數據庫管理：根據識別結果和監控過程，實現數據查詢和數據分析。

(4)監控層。監控數據可通過地面計算機監控終端和工業計算機進行管理和訪問，監控視頻數據也可傳輸到監控大屏幕進行實時顯示。

2 數據采集

數據采集是煤礦智能監測系統中的重要組成部分。除用于圖像采集的固定攝像頭外，系統中還使用檢測機器人對膠帶道和泵房進行24 h不間斷檢查。

軌道檢測機器人由控制模塊、無線通信模塊、驅動機構、攝像機和拾取器、紅外熱成像儀、傳感器、充電裝置和電源組成。控制模塊是檢測機器人的核心，它控制機器人完成各種檢測任務，并通過無線網絡與地面監控中心交換信息[4]。軌道檢測機器人的結構如圖2所示。

圖2 軌道檢測機器人的結構示意Fig.2 Structural diagram of track detection robot

在低光照、高濕度、粉塵環境下，檢測機器人可以采集現場環境和帶式輸送機、水泵、電纜、管道、儀表閥等監測設備的圖像和聲音。視頻圖像在地面監控中心的服務器和大屏幕上存儲和顯示。通過對圖像和聲音的分析，可以判斷生產現場是否存在異常、設備故障位置和損壞程度。檢測機器人配備非接觸式紅外熱圖像溫度計，捕捉設備輻射的熱紅外線[5]，檢測設備的表面溫度，形成熱圖像，顯示設備的溫度分布。同時，檢測機器人配備多參數氣體探測器、煙霧傳感器和避障傳感器，可準確檢測環境中甲烷、硫化氫、一氧化碳和氧的濃度，判斷有毒氣體和煙霧是否超過限值，判斷障礙物的距離。為滿足地下煤礦設備長期檢查的需要，檢測機器人采用可充電電池作為電源，在檢查機器人的一端安裝充電裝置，與軌道上安裝的充電塞、插座對接進行充電。

3 判別分析

配備攝像機的檢測機器人可實現帶式輸送輥、膠帶表面、電機、滾筒、隧道電纜、管道、儀表、閥桿等的圖像采集。實時檢測識別膠帶上大矸石、錨桿、路原木、鐵管等大塊材料、長桿尖銳物體，發現異常時及時報警、停止，而不是傳統的手動監控視頻圖像、手動判斷故障報警模式，具有安全、可靠、高精確度的優點[6]。大矸石自動識別的屏幕截圖如圖3所示，可以看出自動識別的效果明顯。巡邏機器人還配備了一個高靈敏度的音頻收集傳感器，而不是由巡邏人員實時收集實時聲音。它采用清晰語音自適應動態降噪處理技術，內置高速DSP數字信號處理器，結合音頻模型算法進行識別和處理，判斷是否有異常聲音，并在出現異常時自動報警。

圖3 自動識別系統大矸石的識別結果Fig.3 Identification results of large gangue in automatic identification system

4 圖像增強方法

對于地面設備和環境監測，目前的視頻監控系統通常能夠發揮更理想的效果。但對于煤礦環境比較復雜，照明較差，粉塵較多[7]。對于大多數視頻監控系統來說，煤礦采集的圖像不如正常光照情況好。一旦有了井下安全的風險，有時就不容易找到了。因此，有必要對煤礦采集的圖像進行預處理，以提高圖像的清晰度[8]，如果煤礦存在風險，管理人員能夠直觀、快速地了解井下生產，最大限度地發揮視頻監控系統的作用。

視頻圖像采集過程由于傳感器靈敏度、噪聲和模擬數字轉換的定量等因素的影響，可能導致圖像無法識別到人眼或不能滿足圖像后識別處理的視覺特征[9]。圖像增強是指需要在某些信息中突出顯示一個特定的圖像，并削弱或刪除一些不必要的信息處理方法[10]。其處理后的圖像比初始圖像更適合于人的視覺識別或機器。基本的圖像增強技術包括頻域法和空間法2類。本文在直方圖均衡方法中采用了一種空間方法及其改進的算法。考慮到煤礦環境的空間性質、光線不均勻、對比度低、噪聲較大，首先采用中值濾波技術對圖像進行去噪。

4.1 中值濾波器

中值濾波器于1971年首次提出，最初用于時間序列分析，后來用于圖像處理，是一種去除噪聲的非線性方法，可用于去除煤礦[11]中最大的脈沖噪聲。中值濾波原則是將序列的當前值用點值的鄰域代替。中值濾波器是一維情況[12]中具有奇數像素的滑動窗口。由于數字圖像是二維表示的，因此圖像處理技術的中值濾波器應該推廣一維到二維的概念。取研究對象的二維結構，形狀可以為線性、圓形、交叉、圓環，然后對模板的像素逐像素對值進行排序，生成二維數據序列的單調增加或減少。其算法流程如圖4所示。

圖4 中值濾波算法流程Fig.4 Flow chart of median filtering algorithm

如果S為像素的鄰域(x0、y0)，(x、y為S中的元素)，f(x，y)為像素的灰度值，(x，y為S中的元素數量)，g(x，y)為過濾的像素灰度值。因此，經過中值濾波去噪后，(x0，y0)的灰度值可由公式表示[13]：

g(x0，y0)=[Sort(x，y)]0.5(s+1)

(1)

式中，Sort是一個對S中的所有元素進行排序的函數，包括(x0、y0)。

由于地下煤礦的噪聲大多為脈沖噪聲，根據基于數據排序的中值濾波原理，利用未受污染的像素值代替噪聲點的概率很大，因此噪聲抑制效果更好，而屏幕仍然保持清晰度。

4.2 自適應鄰域直方圖均衡化

直方圖均衡法是最常用的圖像增強方法，它是一種基于累積分布函數變換方法[14]的直方圖校正方法。以圖像每個像素灰度的累積分布函數(CDF)作為變換函數，可以得到像素值概率密度分布均勻的圖像。

直方圖均衡比例化圖像的整體亮度，特別是對于低對比度的圖像增強，這是一種全局的方法，但其缺點是局部增強不夠好，對于一些有照明圖像，直方圖均衡更難以達到期望的結果。自適應鄰域直方圖均衡化是對傳統直方圖的一種改進。首先對每個種子像素根據自適應鄰域的構造準則構建其自適應鄰域，并找出其鄰域直方圖。然后根據此統計信息調整初始種子像素的灰度值。該方法可以有效地增強局部區域，根據視覺對象中的局部圖像特征，有效地提高視覺對象信息和局部亮度信息的對比度，在獲得更多的信息細節后形成平衡的圖像。因此，當直方圖均衡比例化應用于煤礦圖像處理時，它是一種更有效的圖像增強方法。

為了驗證增強方法，采用Matlab2007作為處理軟件的有效性，采用煤礦實景進行視頻圖像分析，圖像拍攝采用相機規格的SONY-DSR-PDX-10P，DVCAM格式，107像素。采用Matlab源代碼如下。

ING1=imread(′../../inage/gsls..test.tif′.):% 讀取jpg圖像

%ING1=rgbgray(ING1):

h=size(ING1，1):%讀取圖像高度

w = size (ING1，2)；% 讀取圖像高度

% ------------------

%Stepl:進行像素灰度級數統計

NumPixel = zeros(1，256): %統計 0～255灰度指數

for i = I:h

for j-=1:V

NumPixel(ING1(i，j)+1)=NumPixel(ING1(i，j)+ 1)+1；

end

end

%Stepl:進行像素灰度級數累計統計

CumPixel = zeros(1，256):

for i= 1:256

if i= 1

CumPixel(i) = NumPixel(i):

else

CumPixel(i) = CumPixel(i- 1)+ NumPixel(i):

end

end

原始圖像以及相對應的直方圖如圖5所示。

圖5 礦井下拍攝的原始圖像及其直方圖Fig.5 Original image taken under the mine and its histogram

由于地下有很多的脈沖噪聲，所以原始圖像首先采用中值濾波方法進行降噪，降噪效果以及相對應的直方圖如圖6所示。與原始圖像相比，去噪圖像在視覺上有一定的改進。但由于圖像的對比度仍然較低，背景和前景分辨率不太清晰，因此通過使用直方圖均衡和自適應直方圖均衡的初始降噪來增強圖像，增強效果以及相對應的直方圖分別如圖7、圖8所示。

圖6 采用中值濾波方法降噪后的圖像及其直方圖Fig.6 Image and its histogram after noise reduction by median filtering method

從圖7、圖8可以看出，中值濾波噪聲濾波過程只是一個去噪的過程，中值濾波后圖像的灰度分布變化不大，而直方圖均衡和自適應直方圖均衡將圖像拉伸到整個灰度范圍，提高了對比度。局部區域的自適應直方圖比直方圖均衡化效果更好。

圖7 采用直方圖均衡方法降噪后的圖像及其直方圖Fig.7 Image and histogram after noise reduction by histogram equalization method

圖8 采用自適應直方圖均衡方法降噪后的圖像及其直方圖Fig.8 Image and histogram after noise reduction using adaptive histogram equalization method

5 系統應用

煤礦智能監控識別系統將人工智能技術和自動控制技術應用于煤礦監控系統。對膠帶道、絞車道、水泵房、變電站、上井口、下井口、工作面等關鍵區域的主要設備進行識別和分析，實現膠帶偏差、錨桿異物、讀表、閥門狀態、異常聲音等的自動識別。

(1)智能識別。煤礦特定場景設備狀態和人員狀態。

(2)智能聯動。通過標準協議實現監控與識別結果與其他監控平臺之間的數據交互。應急管理和控制可在異常情況下實現，并可與膠帶、絞車、排水、工作面等系統進行交互。

(3)智能運維。可以實時控制監控設備的在線狀態，降低手動操作和維護的壓力，減少人員數量，提高效率。

(4)數據存儲。支持手動、定時和事件觸發存儲和多維數據查詢和分析。

(5)多終端接入。支持防爆計算機、地面計算機、大屏幕監控、移動終端的多終端接入。

煤礦智能監測和識別系統已應用于煤礦井下。針對膠帶道、絞車道的人員管理，實現了人員入侵、人員交叉和人員停留的識別，確保了生產過程中人員的安全。對關鍵管道和泵站的泄漏監測，采用視頻流數據分析來識別泄漏和泄漏，有效減少了安全事故的擴大。通過對電機、水泵、惰輪異常聲音的識別和監測，及時分析了設備故障的隱患。該系統的應用情況如圖9所示。

圖9 煤礦智能監控和識別系統識別結果Fig.9 intelligent identification results of coal mine intelligent monitoring and identification system

6 結論

智能礦山建設被認為是煤礦新舊動能轉型的重點，是企業轉型升級的方向。隨著煤炭科學技術的發展，煤礦視頻監控系統在安全生產監督中發揮著越來越重要的作用。本文針對煤礦帶式輸送機、水泵房等重要設備監測中存在的問題，建立了煤礦智能監測和識別系統，介紹了其組成和實現功能。由于煤礦的低照度和低對比度，從視頻監控系統捕獲的圖像有時不太清晰，針對煤礦的特殊環境，提出了一種圖像增強的方法。

應用表明，系統運行可靠，取代人工監控和巡檢，提高了效率，達到無人值守操作的目的，取得了良好的經濟效益。本文采用的去噪增強的方法對視頻圖像進行預處理，可以大大提高監控圖像的清晰度，提高視覺效果，更好地發揮視頻監控系統的作用。煤礦智能監控識別系統將人工智能集成到煤礦安全生產管理中，監控和識別特定區域場景中的設備狀態和人員狀態，建立無人智能礦山人工智能模型，提高礦山安全生產管理的信息化和決策智能水平，對我國煤礦安全監管具有一定的意義。