基于海洋捕獵者算法優化的采煤過程截割干涉檢測方法

任躍武,廉 鵬,馬戰鵬

(1.西安重裝智慧礦山工程技術有限公司,陜西 西安 710032 2.蘇州優米康通信技術有限公司,江蘇 蘇州 215104)

0 引言

煤炭是我國能源供給的穩定器和壓艙石,在當前我國經濟發展過程中的戰略地位不可動搖。2020年,國家發展改革委、國家能源局等8部委共同印發的《關于加快煤礦智能化發展的指導意見》明確提出,2025年大型煤礦和災害嚴重煤礦基本實現智能化[1]。近年來,許多基于機器視覺、雷達等先進技術手段被相繼應用于作業、定位、保護等不同方面以提升煤礦裝備的智能化水平[2-3]。采煤機和液壓支架作為綜采工作面的兩大關鍵裝備,如何提高兩者綜采作業過程的協調性是保障高效可靠煤炭開采所需面對的重要問題。其中,如何在綜采作業進程中避免采煤機滾筒與液壓支架護幫板之間發生截割干涉,是實際應用與研究中所遇到的熱點難點問題之一。

針對這一問題,中國礦業大學的滿溢橋[4]設計了基于圖像特征的液壓支架護幫板位姿解算和截割干涉檢測方法,通過設計液壓支架護幫板圖像增強方法,采用特征提取算法實現了液壓支架護幫板下邊緣的提取,并通過建立護幫板與采煤機滾筒間的空間干涉模型實現了兩者截割干涉狀態的識別,通過試驗得出,采用此方法的截割干涉狀態識別準確率為95.3%。雖然通過實驗室實驗證明了該方法的有效性,但采用該方法需要設置的參數較多,包括同態濾波[5]中常數c、高頻增益RH和低頻增益RL,以及雙邊濾波[6]中影響尺度高斯核Gσr和空間高斯核Gσs的兩標準差σs和σr,難以針對不同綜采工作面情況自適應的進行調節,導致難以保證該系統在不同綜采工作面環境下有效正常工作,且該方法為進行煤礦井下試驗,難以對其實際應用效果進行有效判斷。

針對上述問題,在以上液壓支架護幫板與采煤機滾筒截割干涉檢測方法的基礎上,通過引入海洋捕獵者[7]算法,實現了同態濾波中常數c、高頻增益RH和低頻增益RL,以及雙邊濾波中影響尺度高斯核Gσr和空間高斯核Gσs的兩標準差σs和σr的自適應動態調節,提高了該方法針對不同綜采工作面環境的適應性和有效性,并開展了工業性試驗,通過與上述算法的對比,驗證所提出基于海洋捕獵者算法優化的采煤過程截割干涉檢測方法實際有效性。

1 基于機器視覺的采煤過程截割干涉檢測方法

1.1 基于機器視覺的采煤過程截割干涉檢測系統

采用如圖1所示的礦用工業防爆相機固定模式,正對液壓支架護幫板位置拍攝。通過礦用阻燃網線接入礦用工業交換機,由礦用通訊光纖發送至井下集控中心的視覺處理服務器,實現圖像的分析,并生成采煤機控制命令。通過采煤機遠程監控系統,經鎧裝電纜內的通訊線路,發送給采煤機機載控制器,實現采煤機對液壓支架護幫板收回動作實現不良時的應急處理,包含降速及制動等。

圖1 采煤過程截割干涉檢測系統Fig.1 Cutting interference detection system in coal mining process

1.2 基于機器視覺的采煤過程截割干涉檢測方法

基于機器視覺的采煤過程截割干涉檢測方法主要包括液壓支架護幫板圖像增強、特征提取、截割干涉識別模型建立3部分。首先對以上3部分的實現過程進行概述,并分析影響截割干涉檢測系統性能的主要原因并提出解決方案。

1.2.1 液壓支架護幫板圖像增強

基于機器視覺的采煤過程截割干涉檢測方法的核心是機器視覺圖像處理,為解決綜采工作面圖像普遍存在的照度低、光照不均勻(點光源炫光)等問題[8],首先采用同態濾波方法進行初步增強,然后采用雙直方圖均衡化的方法改善對比度低、關鍵特征不清晰的問題,最后采用雙邊濾波方法對處理后圖像所含的噪聲進行濾除,以獲取最終高質量圖像,具體實現流程如圖2所示。

圖2 混合圖像增強算法框架Fig.2 Framework of hybrid image enhancing algorithms

1.2.2 液壓支架護幫板特征提取

在采煤機完成當前液壓支架支護位置截割,液壓支架完成支護動作,護幫板未伸出時刻,采集當前礦用工業防爆相機所拍攝圖像,作為背景圖像。經Δt時間間隔后,再次采集該區域圖像,采用背景差分的方式,提取移動的前景圖像,即為護幫板圖像,再通過二值化、圖像形態學處理[9]的方法提取完整護幫板結構。最后,采用Hough直線檢測[10]的方法提取關鍵的液壓支架護幫板下邊緣信息,具體實現流程如圖3所示。

圖3 護幫板特征提取實現流程Fig.3 Implementation process of face-guard feature extraction

1.2.3 采煤過程截割干涉識別模型建立

為了實現采煤過程截割干涉的準確可靠檢測,建立如下液壓支架護幫板與采煤機滾筒相對位置模型,如圖4所示。其中,液壓支架護幫板下邊緣位置(Q)基于由液壓支架結構姿態以及相機成像模型進行求解,采煤機滾筒右側邊緣位置(F)也可根據采煤機結構及姿態信息進行解算。因此,液壓支架護幫板與采煤機滾筒是否發生截割干涉可由此模型進行判斷。

圖4 截割干涉相對位置模型Fig.4 Relative position model of cutting interference

實際工程中,為保證截割干涉檢測系統可以有效保障設備安全性,應設定安全余量。因此,如圖4所示,在本系統中將實際位置線與安全位置線中間設定為警告位置區域,安全位置線以下為安全區域,實際位置線以上為干涉區域。至此,只要結合所識別出的液壓支架護幫板下邊緣所在位置生成安全區域、警告區域及干涉區域,并依據該模型對采煤機滾筒右側邊緣位置(F)所處區域進行判斷,即可實現基于機器視覺方法的采煤過程截割干涉檢測。

1.3 問題分析

以上采煤過程中截割干涉檢測方法的核心是機器視覺技術,在理論上能有效識別液壓支架護幫板與采煤機滾筒之間是否發生截割干涉。但由于綜采工作面環境復雜,且不同綜采工作面、甚至綜采工作面不同位置所處的環境條件都有較大差異,以上方法在對液壓支架護幫板圖像進行增強的過程中僅采用某一位置的特定圖像作為樣本圖像,通過反復測試的方法對包括同態濾波中常數c、高頻增益RH和低頻增益RL,以及雙邊濾波中影響尺度高斯核Gσr和空間高斯核Gσs的兩標準差σs和σr等關鍵參數的選擇,該方法難以自適應的維持所采集的整體質量,導致截割干涉檢測系統的適應性較差,無法滿足實際需求。

2 基于海洋捕獵者算法優化的采煤過程截割干涉檢測方法

針對上述問題,提出了基于海洋捕獵者算法優化的采煤過程截割干涉檢測方法,在以上截割干涉檢測系統的基礎上,采用海洋捕獵者算法自適應的選取以下參數的最佳設定值,包括同態濾波中常數c、高頻增益RH和低頻增益RL,以及雙邊濾波中影響尺度高斯核Gσr和空間高斯核Gσs的兩標準差σs和σr。首先對海洋捕獵者算法進行概述,然后提出優化后截割干涉檢測系統的主要架構及實現流程。

2.1 海洋捕獵者算法

海洋捕獵者算法(Marine Predators Algorithm,MPA)是一種元啟發算法,2020年由FARAMZRZI A等提出。海洋捕獵者算法主要分為以下步驟。

(2)當迭代次數小于最大迭代次數的1/3,根據式(1)、式(2)更新捕獵者位置。

(1)

(2)

(3)當迭代次數處于最大迭代次數的1/3～2/3,捕獵者個體1～n/2執行以下操作。

(3)

(4)

式中,CF為捕獵者移動步長自適應參數,其定義見式(5)。

(5)

式中,iter為當前迭代次數;Max_iter為最大迭代次數。

其他捕獵者個體執行以下操作。

(6)

(7)

(3)當迭代次數大于最大迭代次數的2/3。

(8)

(9)

海洋捕獵者算法通過捕獵者獵物之間的博弈,模擬海洋中由于渦流等作用的存在,影響海洋捕獵者和獵物之間的相互作用。經證明,海洋捕獵者算法在求解最優化問題中表現出較為優秀的性質,適合解決實際工程問題。

2.2 基于海洋捕獵者算法的圖像法增強方法

2.2.1 建立適應度函數

由于基于海洋捕獵者算法優化的采煤截割干涉檢測方法的核心是基于前文所提到的基于機器視覺的犯法的基礎上而實現的,所以根據前文分析,液壓支架護幫板圖像中的護幫板部分下邊緣信息為其關鍵特征。因此,為了有效保留該特征,并在處理過程中對噪聲成分進行有效濾除,建立如下適應度函數。

(10)

式中,Iorignal和Ienhance分別為原始圖像和增強后的圖像;IE()為求解圖像信息熵;corr()為求解兩二維圖像相關性系數。

2.2.2 基于海洋捕獵者優化改進的護幫板圖像增強方法

為了增強采煤過程截割干涉狀態識別系統的可靠性及適應性,通過引入海洋捕獵者算法對同態濾波中常數c、高頻增益RH和低頻增益RL,以及雙邊濾波中影響尺度高斯核Gσr和空間高斯核Gσs的兩標準差σs和σr等關鍵參數的選擇,并采用等式(10)所建立的適應度函數為基準,通過最小化適應度函數,實現混合圖像增強算法中各個關鍵參數的最佳選擇,算法框架如圖5所示。

圖5 改進的混合圖像增強算法框架Fig.5 Framework of improved hybrid image enhancing algorithms

基于海洋捕獵者算法優化的護幫板圖像增強方法具體實現流程如下。

步驟1:通過礦用工業防爆相機采集當前圖像,并輸入圖像處理系統。

步驟2:隨機初始化海洋捕獵者算法關鍵參數,包括種群數量n,最大迭代次數Max_iter,以及解的維度d,由于需要對上文所述5個關鍵參數進行優化,所以在本系統中,d=5。

步驟3:為捕獵者個體各個維度變量添加約束:0≤c≤1,1.1≤RH≤10.0,0.01≤RL≤0.99,0≤σs≤1和0≤σr≤min(x,y),其中x和y為圖像尺寸。進而,隨機初始化5個關鍵參數。

步驟4:采用所生成的5個關鍵參數,依次進行同態濾波、雙直方圖均衡化和雙邊濾波,輸出增強圖像Ienhance,根據等式(10)計算適應度函數。

步驟6:執行步驟4至步驟5,直至達到最大迭代次數,輸出最終最佳適應度函數及最佳關鍵參數組合。

2.3 基于海洋捕獵者算法的采煤過程截割干涉方法

基于海洋捕獵者算法的采煤過程截割方法的具體實現流程如圖6所示。

圖6 改進采煤過程截割干涉狀態檢測流程Fig.6 Flow of improved cutting interference state detection in coal mining process

3 仿真實驗研究

經上文分析與論述,在采煤過程截割干涉檢測方法中,液壓支架護幫板圖像增強部分性能對最終截割干涉狀態檢測的準確性及可靠性影響顯著。本部分通過與基于機器視覺的采煤過程截割干涉檢測系統相對比,驗證本文提出算法在此部分的改進。

3.1 液壓支架護幫板圖像增強對比

本部分所采用的兩典型煤礦井下圖像如圖7所示,分別采用原方法與改進方法對上述圖像進行增強,并采用圖像信息熵和圖像對比度兩指標,對所提出算法的性能進行比較分析,增強后的圖像如圖8所示,評價指標見表1,其中峰值信噪比(Peak Signal to Noise Ratio,PSNR[2])和結構相似度(Structural Similarity Index Measure,SSIM[11])。

表1 圖像增強效果對比Table 1 Comparison of image enhancing effect

圖7 標準圖像Fig.7 Standard image

圖8 圖像增強效果對比Fig.8 Comparison of image enhancing effect

在圖8中,(a)和(c)為采用原混合圖像增強方法處理后的圖像,(b)和(d)為采用基于海洋捕獵者算法優化混合圖像增強方法處理后的圖像。

3.2 液壓支架護幫板圖像增強分析

由圖8可以看出,采用基于海洋捕獵者算法優化的混合圖像增強方法在保留關鍵結構特征方面表現更為出色,采煤機機身及液壓支架結構邊緣信息被保留的較為完整,且采煤機滾筒曲面及液壓支架立柱表面等部位的噪聲也被充分濾除。與之相比,原混合圖像增強方法處理后的圖像邊界被過度平滑,邊界特征與改進方法相比不明顯。結合表1中數據可知,所提出的基于海洋捕獵者算法優化的混合圖像增強方法能有效提升圖像的信息熵和對比度,與原圖像相比平均信息熵提升22.51%,對比度提升24.07%。且本文所提出的方法在信息熵、對比度、PSNR和SSIM均優于原方法。因此,通過本次仿真實驗證明,采用基于海洋捕獵者算法優化的混合圖像增強方法能有效提升圖像質量,為實現采煤過程中的截割干涉檢測奠定了充實基礎。

4 工業性試驗

為充分驗證基于海洋捕獵者算法優化的采煤過程截割干涉檢測方法的實際有效性,分別在河南三門峽耿村煤礦13230工作面和陜西銅川玉華煤礦2401工作面部署該截割干涉狀態檢測系統,系統架構如圖9所示。

圖9 工業試驗系統架構Fig.9 System architecture for industrial test

在本次工業性實驗中,分別在河南三門峽耿村煤礦13230工作面和陜西銅川玉華煤礦1417工作面分別部署3臺礦用工業防爆相機,進行連續12刀截割作業的圖像數據記錄(記每刀截割過程中向左截割為“左”,向右截割為“右”),共記錄144次相機部署架截割干涉狀態檢測試驗。同時,采用原基于機器視覺的采煤過程截割干涉狀態檢測方法作為對照,記錄截割狀態檢測結果見表2。

表2 截割干涉狀態檢測結果Table 2 Results of cutting interference state detection

通過對比表2中數據可以得出,采用原基于機器視覺的采煤過程截割干涉檢測方法正確識別截割干涉狀態109次,識別準確度為75.69%,而采用所提出方法正確識別截割狀態133次,識別準確率為92.36%。工業試驗結果表明,采用基于海洋捕獵者算法優化的采煤過程截割干涉檢測方法相比于原方法,其工業適應性更強,系統運行更加穩定,究其原因為所提的算法通過引入海洋捕獵者算法對原圖像增強部分5個關鍵參數的選擇進行了優化,有效提高了圖像質量,保留了關鍵邊緣信息,為后續基于圖像處理的特征檢測與提取提供了更為可靠的圖像數據基礎,因此在截割干涉檢測系統總體性能上得到了有效提升。

5 結語

綜采裝備的智能化水平高低是煤礦智能化水平的重要依據。液壓支架護幫板與采煤機滾筒之間發生截割干涉是綜采作業中常見的事故之一,嚴重影響了采煤作業中的設備安全,為綜采作業帶來了巨大的安全隱患。基于已有方法提出了基于海洋捕獵者算法優化的采煤過程截割干涉檢測方法,有效提升了以機器視覺為核心的截割檢測系統對不同環境的適應能力,提高了系統穩定性。仿真實驗及工業性試驗均表明,提出的優化方法可以通過有效提升圖像質量,進而提升截割干涉狀態識別的準確性,與原方法相比,截割檢測準確性提升了16.67%,達到了92.36%,大幅度提升了基于機器視覺的采煤過程截割干涉檢測方法的工業可靠性,具有更強的工業應用潛力。