礦井煤流數字孿生激光掃描質量評價方法研究

李曉雅，李猛鋼，胡而已，裴文良

(1.應急管理部信息研究院，北京市朝陽區，100029；2.中國礦業大學機電工程學院，江蘇省徐州市，221116；3.中信重工開誠智能裝備有限公司，河北省唐山市，063020)

0 引言

近年來，煤礦智能化已成為煤炭行業基礎研究和新技術研發應用的熱點領域，隨著大數據、人工智能、機器人、智能傳感等高新技術的不斷引入，我國煤礦智能化已進入全面發展階段[1]。葛世榮等[2-3]提出了礦山數字孿生技術框架構想，面向煤礦智能化應用，發揮數字孿生連接物理世界和信息世界的橋梁與紐帶作用，研究了數字孿生智采工作面系統的概念、架構及構建方法。孿生建模是數字孿生的基礎和核心技術之一，采用三維激光掃描技術可以高速、高精度地獲取海量被測物體的點云數據，實現被測物的動態三維創建，從而保持孿生模型的高保真、高可靠、高精度特征。

因此，激光掃描技術可用于全礦井數字孿生虛擬模型的構建，目前已有部分學者[4]將其用于地面煤場、井下巷道、設備的掃描等，但多數進行的是先驗靜態模型構建。胡而已等[5]前期已開展了基于激光掃描技術的煤流監測數字孿生建模研究，主要通過激光掃描技術建立井下帶式輸送機和刮板輸送機的運煤數字模型[6]，由此實時構建運輸設備上部堆煤的三維物理場信息，作為煤礦主煤流系統的智能調控依據。在煤流數字孿生掃描建模中，激光點云模型直接反映了帶式輸送機或刮板輸送機上部的煤流輪廓高度參量。由于井下激光掃描容易受到煤礦復雜工況條件的影響，激光傳感器、采集及傳輸系統易受到干擾，終端獲取的點云模型質量得不到保障，因此如何評價基于激光掃描的數字孿生建模精度成為亟待研究解決的關鍵問題。為了動態調參、優化點云模型質量，對劣化后的煤流點云模型進行實時模型質量評價，評估模型的失真程度，作為模型增強和算法分析比較的依據，進而為提高系統數字孿生建模精度提供支持。

根據對參考模型信息的依賴程度，模型質量評價方法主要分為無參考、半參考、全參考[7]，其中全參考模型質量評價算法需要真實且不存在失真的參考模型，而半參考只要求部分真實模型信息，無參考則不需要任何真實模型信息[8-9]。在模型評價方法發展初期，Wang等[10-11]提出結構相似度方法，性能強于PSNR(Peak Signal-to-Noise Ratio)方法[12]，但是該算法不能很好地評價模型的劣化程度。隨著機器學習技術的發展，Mittal等人[13]提出了依據空間域下的NSS(Natural Scene Statistics)特征來構建模型質量評價的半參考模型，該方法使用GDD和AGGD模型參數作為特征，描述SVM(Support Vector Machine)特征與模型質量之間的映射關系。而在深度學習領域，Kang等[14]提出了基于CNN(Convolutional Neural Network)的NR-IQA(No Reference Image Quality Assessment)半參考模型，該模型包含1個卷積層和池化層、2個全連接層，通過線性回歸最小二乘法預測質量分數。

目前基于深度學習的質量評價方法屬于數據驅動的黑盒模型，不僅過度依賴樣本，而且缺乏有力的理論支撐。由于井下工況環境復雜，缺少針對煤流點云的開源樣本集，也無法將現有的質量評價方法直接遷移到煤流點云模型的精度評價中。因此，筆者以綜放工作面后部刮板輸送機運煤孿生建模為研究對象，系統研究影響煤流點云模型質量的主要因素，并提出一種適用于礦井復雜惡劣環境的數字孿生煤流點云質量評價方法，以提升放煤口煤流激光掃描孿生監測的精度，為綜放工作面精準智能放煤提供科學依據。

1 煤流激光掃描數字孿生建模原理

數字孿生智采工作面是采用數據化方式構建物理工作面的虛擬模型，通過物理工作面與數字工作面的鏡像反饋、數據交互分析、決策迭代優化等手段，以超現實的形式反映物理工作面的采煤流程變化，達到最優化生產配置和裝備協同化開采的目的。而煤流數字孿生建模是對煤流實體進行仿真預測，通過構建動態反饋的煤流虛擬鏡像，逼真模擬實際煤流運動，為數字孿生工作面提供煤流數據交互、同步反饋及煤流監控功能。

在煤礦主煤流智能輸送系統中，通過激光掃描數字孿生可實現礦井全煤流智能監測。其中煤流的起始點，即采煤工作面的煤流動態孿生是整個智能化主運輸系統的技術瓶頸。以綜放工作面為例，應用煤流數字孿生監測可精準反映放煤口的放煤量大小和煤塊顆粒度信息等，避免后部刮板輸送機過載和破碎機卡阻，為轉載設備及后端帶式輸送系統的調控預留提前量，從而提升整個主運輸系統的效率和安全性。

綜放工作面刮板輸送機激光掃描監測模型如圖1所示，該模型采用基于飛行時間的煤流監測方法，在液壓支架下方、輸送機側上部安裝激光雷達掃描裝置，通過激光雷達的內置激光器發射紅外激光，實時掃描待測煤堆表面，形成煤流實體的虛擬鏡像模型，應用時間關聯規則和點云配準算法，反演計算出實時輸送煤堆的三維數字孿生動態模型，進而達到模擬煤流動力學運動、煤流數據同步反饋和煤流即時監控的目的。

圖1 綜放工作面刮板輸送機激光掃描監測模型

煤流數字孿生建模算法流程如圖2所示，激光雷達高頻掃描煤堆形貌，將反射信號解碼為點云數據流。按照時間和位置關聯規則，求解點云幀間的位姿變換矩陣，對連續幀點云進行拼接和配準[15]，重建成煤流稀疏點云。為了抑制高頻噪聲、補充缺失值和剔除異常散點，利用泰勒公式、最小二乘法濾波插補和平滑點云數據[16]，聯系時空域關系重構為煤流稠密點云。由于算法流程中存在多個低通濾波環節，引起整個系統的群時延和相位滯后，需要根據煤流動力學原理，對煤流點云的運動趨勢進行卡爾曼預測，保證煤流數字孿生模型的高保真、高可靠、高精度特征。

圖2 煤流數字孿生建模算法流程

2 煤流點云信息熵分析

激光信噪比SINR為激光雷達物體反射強度Ps與環境噪聲的反射強度Pnoise比率。物體的激光反射信號容易受到反射率、粉塵、強光等因素干擾，導致測量物體的反射強度由最大值Pmax發生衰減，物體的反射強度Ps可以由激光雷達直接測量得到，而環境噪聲的反射強度Pnoise不可測，所以用Pmax和Ps的差值表示Pnoise，計算公式見式(1)和式(2)：

式中：SINR——激光信噪比；

Ps——激光雷達反射強度；

Pnoise——環境噪聲反射強度；

Pmax——激光雷達反射強度上限。

不同環境下的激光信噪比存在差異，其中室外環境與綜采工作面的信噪比差異最大，表明礦井環境中存在影響激光雷達測量精度的噪聲。筆者使用的單線激光雷達型號為Sick LMS511，基本參數如下：掃描范圍參考值為190°，工作距離參考值為0.7～80 m，精度參考值為±3%，角度分辨率參考值0.333°，掃描頻率為50 Hz。不同環境下的激光信噪比見表1。

表1 不同環境下的激光信噪比

礦井環境下粉塵、光照、掃描角度、煤流量等因素都可能引起噪聲，進而降低煤流點云的建模質量。若能夠精準評價各影響因素對模型的干擾強度，量化模型的失真程度，可為動態調參優化點云模型質量奠定基礎。

2.1 投影平面的信息熵分析

信息熵是一種能有效量化點云噪音強弱的指標。通常情況下，信息熵是一種標定系統信息含量的指數，系統的不確定度越高，信息熵越大。信息熵的表達式見式(3)：

(3)

式中：M——系統；

H(M)——系統M的信息熵；

m——系統中的單個事件；

p(m)——事件m的發生概率。

對于包含了噪聲的點云而言，噪音強度越大，點云的幾何參數分布越離散，信息熵也就越大。如式(4)所示，在真實點云I(x，y，z)中引入噪聲強度為σnoise的噪聲G(x，y，z)，可形成測量點云I′(x，y，z)，其中噪聲強度的取值范圍為[0，1]。

I′(x，y，z)=I(x，y，z)+σnoise·G(x，y，z)

(4)

式中：I′(x，y，z)——測量點云；

I(x，y，z)——真實點云；

σnoise——噪聲強度；

G(x，y，z)——點云噪聲。

由于高斯混合模型(Gaussian Mixture Model，GMM)可以任意精度正逼近實數的非負黎曼可積函數[17]，因此環境噪聲G(x，y，z)概率密度函數可被GMM模型無限逼近，本質上礦井環境噪聲就是多種高斯噪聲的加權和。環境噪聲的混合高斯模型描述見式(5)：

(5)

式中：αi——第i個高斯分布權重；

Ni——第i個高斯分布；

μx——高斯分布x軸均值；

μy——高斯分布y軸均值；

μz——高斯分布z軸均值；

C——協方差矩陣。

因此，只需研究混合高斯噪聲對煤流點云的影響，就可模擬礦井環境下煤流點云分布情況。噪音強度不同的煤流點云分布如圖3所示。

圖3 噪音強度不同的煤流點云分布

由圖3可以看出煤流點云中引入噪聲強度不同的混合高斯噪聲，點云的不同顏色代表了不同的深度z。分析結果可知，隨著噪聲強度的提高，點云的輪廓更加模糊，幾何分布更加離散。

為了進一步了解點云分布變化，將測量點云I′(x，y，z)投影到xoy平面上，考量點云在xoy平面的分布情況。不同噪聲強度下點云在xoy平面分布如圖4所示。

圖4 不同噪聲強度下點云在xoy平面分布

由圖4可以看出，不同噪聲強度的點云在xoy平面的分布情況，xoy平面被均分為多個區域，圓點的大小和顏色則反映了該區域點云占總數的比重。每個區域被投影到越多的點，占總數量的比重越大，圓點越大，顏色越深。對測量點云I′(x，y，z)在xoy平面的分布進行信息熵的計算見式(6)：

(6)

p(x，y)——點云在(x，y)的分布概率。

通過計算可得，圖4(a)～(d)中的信息熵分別為4.60、4.87、5.01、5.18，結果表明噪聲G(x，y，z)為混合高斯噪聲時，信息熵隨著噪聲強度增大而增大。

2.2 法線分布的信息熵分析

點云信息熵既要反映整體趨勢，又要描述細節變化。xoy面信息熵表征點云空間分布情況，卻忽視了細節變化。而法線信息熵，可以很好說明點、面間的關系，是對點云信息熵細節變化的補充。

環境噪聲同樣會對點云的法線參數分布有影響。對噪聲強度不同的點云分布進行法線估計[18]，統計其法線分布并進行信息熵的計算。可以看出噪聲強度越高，法線越散亂。點云法線估計如圖5所示，其中白色細線為其估計法線。

圖5 點云法線估計

法線分布信息熵的表達式見式(7)：

(7)

式中：N——點云法線的集合；

H(N)——點云法線信息熵；

n(x，y，z)——點(x，y，z)的法向量；

p(n(x，y，z))——n(x，y，z)的法向量占總數的比重。

通過式(7)計算，可得不同噪聲強度下點云法向量分布的信息熵變化情況，圖5(a)～(d)的信息熵分別為5.56、5.91、6.05、6.16。結果表明，隨著噪聲強度的增大，點云法向量分布的信息熵越來越高。

綜上，實驗表明噪聲強度與激光點云幾何參數分布的信息熵呈正相關，可用于激光點云模型的噪音強度預測。

3 基于信息熵的噪音強度預測

3.1 多因素方差分析

由于噪聲強度與點云信息熵呈正相關，點云信息熵的高低能夠反映噪音強度的大小，可用于點云模型質量評價。但影響信息熵變化的因素較多，直接使用信息熵預測噪音強度，會造成結果偏差。因此，需要分析環境中其他因素對點云信息熵的影響。

在實驗室環境下對煤堆進行多次激光掃描，開展多因素方差試驗分析[19]，充分考慮激光的掃描角度、光照強度、輸送機速度、粉塵濃度、煤流量等變量，探究多種因素對點云信息熵的影響。掃描角度特指激光雷達掃描中線與輸送機平面所成的入射角。

本實驗的因變量為點云模型xoy面的信息熵，將掃描角度、光照強度、輸送機速度、粉塵濃度以及煤流量等變量分為A、B、C、D、E這5組，為五因素四水平，選用的正交表為L16(45)，顯著性水平為0.05。按照表3給出的五因素四水平進行正交實驗設計，按正交表L16(45)篩選出16個具有代表性的實驗組合見表4，分別進行信息熵的測定，每個組合重復測量3次。

表3 水平因素

表4 正交實驗

在進行多因素方差分析前，設原假設為各因素均對xoy面信息熵、法線信息熵沒有顯著性影響，顯著性水平為0.05，df為自由度，當P值低于顯著性水平時，將會拒絕原假設。表5、表6為多因素方差的分析結果，其中掃描角度、光照強度、輸送機速度以及粉塵濃度的p值均大于0.05，而煤流量p值小于0.05，表明了掃描角度、光照角度、輸送機速度以及粉塵濃度對xoy面信息熵、法線信息熵沒有顯著性影響，而煤流量對xoy面信息熵、法線信息熵有顯著性影響。

表5 xoy面信息熵的效應檢驗

表6 法線信息熵的效應檢驗

目前可見，煤流點云信息熵的變化主要與煤流量、噪音強度有關，點云信息熵與噪音強度呈正相關的，而與煤流量之間的變化情況尚不明確。

3.2 噪音強度預測模型

煤流點云信息熵與噪音強度呈正相關，但與煤流量之間變化情況尚不明確。為了進一步獲得三者之間的關系，引入混合高斯噪聲模擬礦井環境，對不同煤流量、噪音強度的點云調和信息熵進行統計，構建了煤流點云的調和信息熵等高線投影如圖6所示。

圖6 調和信息熵等高線投影

式(8)為調和信息熵Hharmonic，代表xoy面信息熵與法線信息熵的調和平均數[20]，反映了點云分布的整體趨勢、細節變化，可同時自適應均分兩種信息熵的權重。

(8)

式中：Hharmonic——調和信息熵；

H(N)——點云法線信息熵。

通過計算可得，煤流量、噪音強度與信息熵均呈現正相關，當煤流量越大、噪音越強時，信息熵越大。

根據點云信息熵變化情況，建立了一個點云噪音強度預測模型，參考了不同的曲面方程進行擬合，通過高斯-牛頓法[21]進行迭代優化。

各曲面方程的擬合情況見表7，其中R2反映了曲面的擬合效果，該值越接近1，擬合效果越好。表7中的各曲面函數光滑且參數量小，便于求解二階導數，高斯-牛頓法不需要調整學習率，就可在有限的迭代次數逼近最優解。

表7 曲面方程擬合程度

(9)

A1，A2，A3，A4，A5，A0——待預測參數；

x——調和信息熵；

y——煤流量。

二次曲面參數計算見式(10)：

(10)

式中：ω——二次曲面方程參數。

迭代優化的殘差函數計算見式(11)：

(11)

式中：L——殘差函數；

xi——第i個樣本的調和信息熵；

yi——第i個樣本的煤流量。

高斯牛頓迭代的參數計算見式(12)：

ωk+1≈ωk-(?LT?L)-1?L

(12)

式中：ωk+1——第k+1次曲面方程參數；

ωk——第k次曲面方程參數；

▽L——殘差函數L的梯度，也可視為雅可比矩陣。

曲面方程初始參數見式(13)：

ω0～N(0，1)

(13)

式中：ω0——曲面方程初始參數；

N(0，1)——標準高斯分布。

噪音強度預測模型如圖7所示，經高斯牛頓法的有限次迭代后，二次曲面噪音預測方程已收斂，A1、A2、A3、A4、A5、A0參數分別為1.49、0.05、-2.61、1.50、-0.16、-6.11。噪音預測模型表征了噪音強度、調和信息熵與煤流量之間的變化關系，通過調和信息熵與煤流量可以預測出煤流點云模型的噪音強度。需要注意的是，當預測的噪音強度小于0時，表明點云存在過度平滑的失真現象；預測的噪音強度大于0，表明點云數據中混有環境噪聲。

圖7 噪音強度預測模型

3.3 基于噪音強度和模糊理論的點云濾波

構建噪音強度預測模型的根本目的是建立煤流點云質量優化濾波的可靠指標，利用噪音強度等反推出合適的點云濾波參數，進而得到高保真、高可靠以及高精度的煤流點云模型。

然而，噪音強度和點云濾波之間的關系，是非線性、難量化且不確定的。以高斯點云濾波為例，高斯濾波[22]的方差(sigma)參數是根據同分布的先驗假設和中心極限定理確定的，而噪音強度是基于多因素方差分析和曲面方程預測出的，理論依據的差異導致兩者之間的關系難以論證。由此可見，通過建立噪音強度、高斯濾波間的理論模型，進一步推理出濾波參數是明顯不可行的。

盡管噪音強度、點云濾波間的理論模型是不明確的，但原則上，預測出的噪音強度越大，就需要更大的sigma參數進行平滑。為了防止分歧，噪音強度相同但分布不同的煤流點云，需要使用參數相同的高斯濾波。因此，對于所有的煤流點云，噪音強度和sigma參數應該是滿映射的單一對應關系。

按照模糊數學基本理論[23]，可以進行大量的模糊統計試驗，建立噪音強度、sigma的隸屬度函數，結合單一對應關系構建規則，量化推理噪音強度、點云濾波間的模糊關系R，最終計算噪音強度的模糊向量與模糊關系矩陣的內積，輸出sigma參數的推理向量。構建和推理模糊關系圖8所示。

圖8 構建和推理模糊關系

推理向量計算見式(14)：

u=a°R

(14)

式中：u——推理向量；

a——噪音強度的模糊向量；

R——模糊關系矩陣。

模糊統計試驗主要是統計噪音強度關于高斯濾波sigma參數的成功試驗頻率，該試驗需要至少一位專家參與。根據成功試驗頻率，建立噪音強度σn對S的隸屬度μs(σn)，其中S為代表sigma參數的模糊集合，可分為S1、S2、S3這3個模糊子集。

成功試驗是指當煤流點云噪音強度為σn時，點云經sigma參數為Si的高斯濾波處理后，專家認為濾波效果可接受，計入次數；反之，則為失敗試驗，不計入。Nσn，Si指噪音強度為σn、sigma參數為Si試驗的總次數。

成功試驗頻率計算見式(15)：

(15)

式中：μsi(σn)——模糊子集Si的隸屬度；

Nσn，Si——試驗的總次數；

Vσn，Si——成功試驗次數。

在構建過程中，進行了噪音強度σn為[0，1]、點云濾波sigma參數為{1，3，5}的模糊統計試驗。該試驗旨在統計成功試驗頻率，構建模糊子集隸屬度μsi(σn)，其中S1、S2、S3的sigma參數分別為1、3、5。可以看出，S1參數的濾波可以很好地處理噪音強度較低的點云，但是無法適應噪音強度較高的點云。而S2、S3能有效應對噪音強度較高、高的點云，卻不能解決噪音強度較低的點云，側面證明了噪音強度和sigma參數應該是單一對應的關系。隸屬函數如圖9所示。

圖9 隸屬函數

對模糊子集隸屬度函數離散化處理，拼接后構建模糊矩陣S見式(16)：

(16)

式中：μsi——模糊子集隸屬度。

按照單一對應關系，給出推理規則：如果原始點云的噪音強度隸屬于Si，就應當使用參數為Si的高斯濾波，其中i=1，2，3。因此，得到推理矩陣F見式(17)：

(17)

更進一步，計算模糊矩陣S的轉置與推理矩陣F內積，得到模糊關系矩陣R見式(18)：

R=ST°F=ST

(18)

式中：R——模糊關系矩陣；

F——推理矩陣；

ST——模糊矩陣。

模糊數學中的內積是先交運算再并運算，本質上就是尋找共性，再放大共性的過程。由于推理矩陣F為單位矩陣，利用內積求取關系矩陣R，將不會損失信息。

在推理過程中，將輸入的噪音強度σn離散化為模糊向量a，其中a=(a0，a1，a2，…a10)，見式(19)：

(19)

式中：ai——模糊向量中第i個分量；

σn——噪音強度。

按式(14)求取模糊向量a與模糊關系矩陣R的內積，得到推理向量u，其中u=(u1，u2，u3)，最終按平均值法，輸出高斯濾波參數sigma，見式(20)：

(20)

式中：sigma——高斯濾波參數；

ui——推理向量中第i個分量。

4 實驗與分析

為了驗證噪音預測模型的效果優劣，開展了煤礦井下激光掃描數據的實驗研究。在晉能控股集團塔山煤礦8222綜放工作面實地采集了大量的刮板輸送機煤流點云樣本。點云集中共有205組樣本。實驗人員對測試集中點云的噪音強度進行主觀評價，組成帶有噪音主觀分數的測試集，見表8。

表8 噪音主觀分數

由表8可以看出，點云的模型品質分為5個檔次，由人工劃定點云的模型噪音強度，并給出合理的主觀分數，主觀分數σ的取值范圍為(0，1)，用于表征點云模型的噪音強度。測試集點云評分效果如圖10所示。

圖10 測試集點云評分效果

為測試集的稠密煤流點云，由實驗人員根據表8的評分標準進行打分，其中黑色點云為煤流，綠色點云為刮板機底部背景。

以峰值信噪比(PSNR)及局部結構相似性(Mean Structural SIMilarity，MSSIM)為對照組，本文模型為實驗組，均對測試集點云噪音進行打分，選取了皮爾遜相關系數(PLCC)、斯皮爾曼相關系數(SROCC)、均方誤差(MSE)作為量化指標[24-25]，對比算法與其他算法之間性能差距，確定算法的模型評價效果。其中皮爾遜相關系數(PLCC)、斯皮爾曼相關系數(SROCC)、均方誤差(MSE)能夠準確描述主觀分數、客觀分數之間的相關程度，反映評價模型的準確性、單調性以及一致性，可以作為衡量本文評價模型的量化指標。

在實驗之前，將測試集點云均分為4個小組，1組用作評價模型性能，其余3組用于回歸，重復4次作交叉驗證，使每組樣本都參與評價[26]。按照噪音強度預測模型原理，實驗組以噪音強度(噪音分數)為因變量，煤流量、調和信息熵為自變量，進行二次曲面擬合。對照組則直接進行線性回歸，將指標h(PSNR、MSSIM)線性映射到主觀分數σ，wT、b為線性回歸模型的參數，線性回歸使用的損失函數為均方誤差，見式(21)：

(21)

式中：σ——主觀分數；

h——圖像質量指標；

wT、b——線性回歸模型參數；

對照實驗結果如圖11所示。

圖11 對照實驗結果

由圖11可以看出，模型得到的分數越貼近主觀分數，表明模型的量化能力越強，越能夠準確描述出圖像的失真程度。模型性能對比見表9。

表9 模型性能對比

其中PLCC、SROCC描述了模型分數與主觀分數的相關程度，該值越高越好，MSE反映了模型分數與主觀分數的直接差距，該值越低越好。實驗組的PLCC、SROCC均值為0.811、0.852，高于PSNR、MSSIM等對照組，表明實驗組算法具有比PSNR、MSSIM更好的一致性、單調性；實驗組算法的MSE均值為0.080，低于對照組算法，說明實驗組算法與結果有較小的偏差，比PSNR、MSSIM更加準確。

另一方面，需要探究基于噪音強度和模糊理論的點云濾波的降噪效果，驗證利用噪音預測模型優化點云的可行性。噪音強度對比、PSNR對比如圖12和圖13所示。

圖12 噪音強度對比

圖13 PSNR對比

從點云集中隨機選出10種不同質量水平的煤流點云，經本文濾波、高斯濾波處理，結合噪音強度、PSNR等指標進行圖像質量評價，高斯濾波的sigma參數為1。噪音強度指標越低，點云質量越好，而峰值信噪比(PSNR)越低，點云質量越差。可以看出，本文濾波算法能夠有效改善原始點云質量，對比高斯濾波，更適用于不同質量的煤流點云。

5 結論

(1)通過對煤流點云信息熵進行分析，確立了信息熵與噪音強度的相關關系，實驗表明煤流點云中的噪音強度越大，煤流點云幾何參數的分布就越離散，信息熵也就越大，可作為建立激光掃描數字孿生煤流點云模型質量評價方法的實驗依據。

(2)實驗分析了掃描角度、粉塵濃度以及煤流量等因素對信息熵的影響，根據煤流量、噪音強度以及信息熵間的關系，建立了點云模型的噪音強度二次曲面預測模型，利用高斯牛頓迭代法進行擬合優化，通過構建模糊關系矩陣，實現對點云濾波參數的模糊推理，進而得到高保真、高可靠以及高精度的煤流點云模型。

(3)驗證了點云質量評價算法的實際效果，以MSSIM、PSNR作為對比算法，使用綜放工作面煤流點云樣本作測試數據集，并探究基于噪音強度和模糊理論的點云濾波效果，實驗結果表明本文提出的算法具有更好的一致性、穩定性和單調性，更適用于煤礦井下復雜工況環境。