帶式輸送機煤量檢測技術及其發(fā)展趨勢

劉 飛，張樂群，潘紅光，李 利

(1.西安科技大學電氣與控制工程學院，陜西省西安市，710054；2.西安市電氣設備狀態(tài)監(jiān)測與供電安全重點實驗室，陜西省西安市，710054)

0 引言

近年來，煤礦帶式輸送機大量采用變頻驅(qū)動，液壓耦合器驅(qū)動的帶式輸送機也逐漸轉(zhuǎn)變?yōu)樽冾l驅(qū)動[1]。由于采礦條件和生產(chǎn)環(huán)節(jié)的特殊性，帶式輸送機負載是不斷變化的。因此，帶式輸送機經(jīng)常在輕載或空載狀態(tài)下長時間全速運行不僅會浪費能源，而且還會造成帶式輸送機各個運行部分的無效磨損，縮短設備使用壽命[2-3]。

為了節(jié)約能源和延長設備使用時間，可以根據(jù)帶式輸送機上的煤量來控制其運行的速度。想要實現(xiàn)這一點，就需要實時檢測帶式輸送機上的載煤量[4-5]。筆者將帶式輸送機上煤量檢測方法分為傳統(tǒng)接觸式檢測方法與非接觸式檢測方法，并對這2種方法的發(fā)展進行了歸納和分析。

1 傳統(tǒng)的煤量檢測方法

傳統(tǒng)帶式輸送機動態(tài)煤量計量主要使用機械式膠帶秤、電子膠帶秤、核子秤3種方式。

(1)機械式膠帶秤。美國是最早開始使用機械式膠帶秤的國家，赫伯特·梅里克結合重力開發(fā)的動態(tài)物料重量計量設備被認為是機械式膠帶秤的鼻祖[6]。在20世紀40年代，帶式輸送機運輸物料計量技術得到深入推廣，直到21世紀50年代，電子膠帶秤開始將其全面取代。

(2)電子膠帶秤。我國從20世紀60年代中期開始使用電子膠帶秤。自改革開放開始，為了有效解決帶式輸送機物料計量問題，我國開始引入國外電子膠帶秤技術，隨著相關技術的深入發(fā)展，還制定了安裝電子膠帶秤的相關標準。目前，電子膠帶秤仍然是帶式輸送機計量物料流量的主要方式。然而，影響電子膠帶秤動態(tài)測量精度的因素較多，包括安裝傾角、運行慣性、輸送膠帶材料、輸送膠帶重量等，特別是在物料較少的情況下，計量精度不高，誤差超過20%。

在煤礦井下，由于工作環(huán)境的復雜性，導致電子膠帶秤在應用過程中出現(xiàn)2個方面的問題：一是當輸送膠帶上煤量過少時，電子膠帶秤測量精度會大打折扣；二是由煤礦運出的煤塊含有大量異物，容易損傷電子膠帶秤，增加成本。

(3)核子秤。核子秤是一種非接觸式的散裝物料在線連續(xù)計量和監(jiān)控裝置，主要利用物料對 γ 射線束吸收的原理，對帶式輸送機傳送的散裝物料進行在線連續(xù)計量。20 世紀 80 年代以來，核子秤技術不斷發(fā)展，從工業(yè)現(xiàn)場應用來看，核子秤具有技術先進、性能可靠、故障率低、運行穩(wěn)定等特點。盡管核子秤精度較高，但核子秤的校準比較復雜，同時放射性材料會嚴重影響到人體健康，特別是在密閉的井下作業(yè)環(huán)境。由于近年來政府越來越關注環(huán)境保護，越來越重視安全生產(chǎn)和從業(yè)人員的職業(yè)健康，相關部門嚴格評價放射源，盡可能縮減使用放射源場合，這也導致核子秤的應用范圍受到限制。

2 非接觸式煤量檢測方法

隨著機器視覺和圖像處理技術高速發(fā)展，基于機器視覺的非接觸測量法成為煤量檢測領域的研究主流[7]，非接觸式煤量檢測主要包括單目視覺檢測、雙目立體視覺檢測、線激光檢測3種方法。

2.1 單目視覺檢測

單目視覺檢測主要通過獲取帶式輸送機不同煤量的運輸圖像，然后提取圖像的特征值，并將輸送膠帶實時圖像中提取的特征值與已有的特征值進行比較，可以得到輸送膠帶的煤量狀態(tài)。單目視覺檢測雖然簡單且應用較多，但是這種方法只能對輸送膠帶煤量做狀態(tài)分析，且煤量狀態(tài)的界定不夠清晰，這就導致了數(shù)據(jù)誤差較大，影響控制精度。

關于使用單目視覺檢測進行煤量檢測研究，最初是通過傳統(tǒng)的圖像算法提取圖像特征，進而實現(xiàn)對煤量的檢測。陶偉忠[8]使用傳統(tǒng)的人工提取圖像特征的方法提取帶式輸送機上煤流圖像的顏色、運動和能量3種特征，將其作為時域、頻域特征，同時使時域、頻域圖像交集計算需求得以保證，再對煤流區(qū)域面積進行求解；李紀棟[9]利用圖像邊緣檢測能夠求解煤流寬度，利用知識庫模糊計算求解出運輸量。然而，由于井下昏暗的環(huán)境限制使得實驗獲取的煤流圖像含有大量噪聲，導致人工特征提取方法的效果較差，從而導致煤量實驗最終檢測的精度較低，識別效率不高。

在進行帶式輸送機煤量單目視覺檢測技術研究時，相機所拍攝的煤流圖像作為唯一的研究目標，受到礦井下燈光、粉塵等環(huán)境的影響較大，如何消除或減輕礦井環(huán)境影響而得到理想的帶式輸送機煤流圖像，是實現(xiàn)帶式輸送機煤量檢測至關重要的一步。

賀杰[10]等研究人員提出了一種基于圖像處理技術的帶式輸送機煤量測量方法，利用線激光儀和工業(yè)攝像機采集帶式輸送機上的煤流圖像，將獲取的圖像進行濾波去除圖像的噪聲，再將圖像進行二值化處理提取圖像信息，最后對預處理后的圖像進行膨脹，減少骨架提取的毛刺現(xiàn)象得到煤堆的骨架。將所得的骨架與空載時獲得的基線進行比較來形成煤輪廓，計算出帶式輸送機上煤流截面積，根據(jù)帶式輸送機煤流的截面積與帶速的關系，測量輸送膠帶上煤流體積?；趫D像處理技術的煤量檢測方案如圖1所示。

圖1 基于圖像處理技術的煤量檢測方案

王宗省[11]等研究人員提出一種基于窗口閾值的濾波方法，用來解決因?qū)嶒灚@取的圖像存在反光問題導致實驗結果不準確。該方法能夠在有效去除噪聲的同時保留邊界信息，使用不同反射程度的模板進行EMD匹配解決了邊界對比度低、場光源不穩(wěn)定等問題。經(jīng)過腐蝕與膨脹后，使用改進的自適應閾值算法進行分割；采用幀間差分法對一次輸送膠帶的運行狀態(tài)進行識別以協(xié)調(diào)控制能耗?；诖翱陂撝档臑V波方法煤流圖像處理流程如圖2所示。

圖2 基于窗口閾值的濾波方法煤流圖像處理流程

雖然上述的方法可以成功的測量帶式輸送機上的煤流，但圖像作為實驗中唯一的依據(jù)卻容易受到實驗環(huán)境和材料形態(tài)的影響。如果使用固定的算法或參數(shù)處理圖像，容易產(chǎn)生較大的誤差。隨著深度學習的發(fā)展，深度學習被越來越多研究人員應用于各個領域。王桂梅[12]等研究人員以深度學習為基礎提出一種新的檢測方法，可以直接檢測永磁直驅(qū)帶式輸送機的煤量并對其進行分類，并采用遷移學習方法將ImageNet訓練的網(wǎng)絡模型進行遷移，以彌補訓練樣本數(shù)量相對較少的不足。根據(jù)密集連接的思想，提出了FF-CNN網(wǎng)絡，在網(wǎng)絡的每個組塊中連接不同的層。改進后的網(wǎng)絡能夠自動提取煤流圖像特征進行端到端學習，在訓練過程中對特征進行重用，減少了梯度消失的問題，實現(xiàn)煤量的檢測分類，將煤流圖像分為“無煤量”“少煤量”“中煤量”“多煤量”“滿載量”5個類別?；谏疃葘W習的煤量檢測流程如圖3所示。

圖3 基于深度學習的煤量檢測流程

李東軍[13]將深度學習圖像處理技術與線性回歸模型相結合，通過案例分割算法自適應學習圖像特征并提取實例模板，最終建立煤矸石凹陷投影圖像面積與物體質(zhì)量的線性回歸方程，以此來計算輸送膠帶上負載的重量，實現(xiàn)從定性測量到定量測量的轉(zhuǎn)變。

2.2 雙目立體視覺檢測

雙目立體視覺檢測是一種被動三維測量技術，使用2臺面陣相機來實現(xiàn)物體的三維測量。 它的優(yōu)點在于其使用面廣，可以在不同的情況下測量目標的三維信息。 而在無法使用結構光照明的情況下其優(yōu)勢更加明顯。屈濱[14]等研究人員利用雙目相機抓取圖像信息，通過拼接對煤場三維曲面進行擬合，這樣就可以計算體積，但是由于拼接圖像的像素灰度與梯度等有著顯著差異，圖像中存在顯著裂縫，從視覺來看是間斷的；高如新[15]等研究人員提出來一種新的煤體積計算方法，通過雙目視覺與魯棒性特征匹配法，將特征點提取出來并求解體積，然而因為特征點是稀疏的，導致體積測量誤差較大。

雖然屈濱和高如新的研究能估算出煤量的體積，但是誤差較大，毛佳紅[16]等研究人員提出了一種新的煤量體積計算方法，通過基于三維重建方法的整體體積測量，利用線性結構光法和雙目視覺原理實現(xiàn)物體表面的三維重建。這種方法相較于前2種方法能夠很精確地測量出煤的體積。然而在測量過程中，一定要保證掃描儀前進速度，直至掃描全部物體，方可獲取表面信息。這一方法在應用時，操作難度較大，同時成本較高，推廣難度較大。

代偉[17]提出了以雙目視覺深度感知為依托的檢測方法，該方法由運煤識別模塊、運煤三維信息提取模塊和運煤量計算模塊3個部分組成。在運煤圖像識別模塊中，首先采用小波變換算法對運煤圖像進行增強，采用K-means聚類算法對運煤圖像進行分割，然后運煤物料的三維信息提取模塊采用雙目視覺的方法獲取煤流圖像各點的深度信息，從而獲得運煤物料的三維點云信息，最后運煤物料的體積計算模塊結合Delaunay算法和T-S模糊推理算法得到煤料體積，利用煤料體積計算公式實現(xiàn)煤體積檢測。

在大多數(shù)三維測量系統(tǒng)中，均通過投影矩陣法將三維點坐標求解出來，然而此方法未對標定參數(shù)有效應用，同時矩陣間計算較復雜。周麒[18]為了得到三維點信息，使用自然光雙目系統(tǒng)拍攝待測量物體的雙目圖像，通過獲取物體表面點的三維信息來進行體積測量。

喬載[19]提出了雙視點流量測量法，該方法是以機器視覺為依托，使用2個雙目相機，主要在輸送膠帶上部與下部放置，這樣可以獲取煤流上表面和輸送膠帶下表面圖像。標定相機之后就能夠采集煤流圖像信息，矯正獲取的圖像后通過處理圖像獲取煤流厚度，并構建模型獲取瞬時橫戴面積，進而測量煤流體積。

王玉東[20]等研究人員開發(fā)了一種帶式輸送機煤重檢測系統(tǒng)，該系統(tǒng)集成了基于雙目視覺的三維煤重信息提取模塊和基于三維場景重建方法和T-S 模糊推理的煤重檢測計算模塊。首先，將局部熵變煤流圖像信息與k均值聚類分割方法相結合；對煤炭區(qū)域進行分割，利用雙目視覺技術進行煤炭三維信息提?。蝗缓笸ㄟ^基于三維場景重建方法離線采集輸送膠帶的三維信息，最后根據(jù)輸送膠帶和煤炭的三維信息重建場景，計算出初始煤炭體積。此外，該系統(tǒng)還通過分水嶺算法計算每個煤塊的面積和周長，并將每個煤塊的面積和周長作為T-S 模糊推理的輸入，估計出煤的空隙率，最終根據(jù)空隙率對煤體積進行修正，并利用密度和重量計算公式實現(xiàn)煤重檢測。

雙目立體視覺測量對環(huán)境光非常敏感。雙目立體視覺依靠環(huán)境中的自然光來采集圖像，但由于光照角度變化、光強變化等環(huán)境因素的影響，2幅圖像之間的亮度差較大，這對匹配算法提出了挑戰(zhàn)。此外，雙目立體視覺測量不適用于缺乏紋理的場景。由于雙目立體視覺根據(jù)視覺特征來匹配圖像，因此缺乏視覺特征的場景會使匹配圖像變得困難，導致匹配誤差較大，甚至匹配失敗。這些問題都會影響雙目立體視覺測量技術應用于煤量測量時的精度。

2.3 線激光檢測

線激光檢測使用激光器向被測物體表面投下一根細而亮度均勻的激光條，因為被測物體表面的凹凸不平，會使激光條也產(chǎn)生相應的變化。拍攝求取形變激光條上的世界坐標，這樣就能夠獲得被測物體表面的世界坐標最終得到被測物體的體積。

早期的研究人員使用直線激光測量靜態(tài)煤堆的體積，李克偉[21]在實驗室環(huán)境下進行了測量煤量的相關研究，這一研究主要結合激光三角測距理論，得到測量煤量的算法，從而使靜態(tài)煤堆體積測量得以真正實現(xiàn)；隨后張延芝[22]用激光掃描儀成功測量了帶式輸送機上的動態(tài)煤堆體積，雖然利用激光掃描儀實現(xiàn)了輸送膠帶上動態(tài)堆煤的體積測量，但是激光掃描很容易受到煙霧、灰塵、雨滴等環(huán)境的干擾。然而，通過激光對煤炭實施點、線掃描過程中，環(huán)境內(nèi)顆粒物會對其產(chǎn)生影響。井下粉塵會嚴重影響到激光掃描，干擾到獲取煤炭輪廓，因此為了提升煤量檢測的精度，研究人員使用圖像處理技術對激光掃描之后煤流圖像進行預處理；李萍[23]開發(fā)了動態(tài)測煤系統(tǒng)，這一系統(tǒng)以圖像處理為依托，通過單線激光對目標進行照射，預處理獲取的煤流圖像，將光條紋中心提取出來，獲取目標厚度數(shù)據(jù)，之后向煤流體積轉(zhuǎn)化；為了克服噪聲和粉塵對綜放工作面的影響，胡而已[24]開發(fā)出放煤智能監(jiān)測法，這一方法是以激光掃描為依托，根據(jù)防塵防爆硬件，再進行回歸預測，通過激光掃描的方式可以得到云數(shù)據(jù)，構建實時模型。自不同的維度入手，例如煤流量與截面積等，將煤流量變化特點全面展現(xiàn)出來。

曾飛和關丙火通過激光檢測儀對帶式輸送機運送的煤量進行檢測，以確定帶式輸送機是否出現(xiàn)堵煤或空載情況。曾飛[25]等研究人員通過激光來對輸送機物料掃描，測量瞬時流量，通過二維激光測距儀，將其與測速傳感器結合起來，在高速運行下對物料流三維云數(shù)據(jù)進行獲取，對掃描線中云空間形態(tài)特征進行分析，以此為依托提出自動提取物質(zhì)流輪廓法，同時以面元積分為基礎，構建瞬時煤流流量計算數(shù)學模型，這一方法就是利用激光掃描輸送膠帶獲取煤炭點云信息，結合點云形成的輪廓明確輸送膠帶輸煤量；關丙火[26]總結出瞬時煤量檢測法，這一方法以激光掃描為依托，利用數(shù)字攝像儀與激光儀器有機結合得到散煤圖像，通過Ohta顏色空間特性，對激光線輪廓進行提取，以梯形面積累積法為依托對散煤截面面積進行求解，獲取瞬時煤量。然而，在通過激光點、線掃描煤炭的過程中，環(huán)境內(nèi)部顆粒物會對其產(chǎn)生影響，井下的較多粉塵會嚴重影響到激光掃描效果，會對提取煤樣輪廓產(chǎn)生影響。

3 圖像處理技術

基于圖像識別的非接觸測量法中圖像作為唯一的研究目標，其清晰與否對最終煤量檢測結果的精確度有較大的影響。因此，在基于圖像識別的非接觸測量法中通過圖像處理技術對獲取的原始圖像進行預處理是至關重要的一步。

圖像處理技術[27]也被稱作影像處理技術，為了使圖像達到所需要的結果，通常使用計算機對圖像進行處理。圖像處理技術的主要內(nèi)容包括圖像壓縮、增強復原、匹配描述識別3個部分，常見的處理方式有圖像數(shù)字化、圖像編碼、圖像增強、圖像復原、圖像分割和圖像分析等[28]。煤量檢測過程中常用的圖像處理方法包括圖像增強和圖像分割，該方法是實現(xiàn)輸送膠帶煤量精準檢測的重要圖像處理技術。

3.1 圖像增強

在處理昏暗礦井下所拍攝的圖像時，往往有很多重要信息在圖片中很模糊。 為了使這些信息變得清晰，可以采用圖像增強技術。圖像增強作為一種基本的圖像處理技術，其目的是使處理過的圖像比原始圖像更適合于特定的應用，即圖像增強是根據(jù)特定需要有目的進行的一種方法。

傳統(tǒng)的圖像增強方法可分為空間域增強法和頻域增強法兩大類。 空間域增強法是對圖像中像素點的灰度值進行變換，如線性灰度變換、非線性灰度變換、直方圖均衡化處理等。 而與空間域增強法不同的是頻域增強法要先在頻域?qū)D像進行相應的變換，然后對變換之后所得圖像各頻譜成分進行處理，最后再經(jīng)過逆變換得到所需的效果圖像。圖像增強方法歸納圖如圖4所示。

圖4 圖像增強方法歸納

(1)灰度變換?；叶茸儞Q是圖像增強的一種空間域處理方法，使用灰度變換改變圖像的灰度值增加其動態(tài)范圍，這樣會使圖像對比度增強，圖像的顯示效果得到改善，圖像變得更加清晰，圖像中的細節(jié)也變得更加突出?；叶茸儞Q制定規(guī)則改變圖像的每個像素的灰度值，圖像反演、對數(shù)變換和伽馬變換都是常見的灰度變換方法。

(2)直方圖修正。直方圖修正同樣是從圖像的灰度值入手，一張圖片的灰度值為0～255，將相同灰度值在圖片中出現(xiàn)的次數(shù)統(tǒng)計起來，最終將其轉(zhuǎn)化成直方圖，直方圖的橫坐標是灰度值，縱坐標是灰度值對應的出現(xiàn)次數(shù)[29]。為了使圖像灰度值分布更加均衡，需要對直方圖進行均衡化操作，從而增加圖像的整體對比度效果，讓圖像內(nèi)容變的更加清晰。

(3)圖像平滑。圖像平滑主要包括均值濾波法和中值濾波法。均值濾波法使用奇數(shù)個選取框，選取框中心點的像素值由選取框其他象素點的灰度值總和的平均值替代。這種方法能夠去除圖像灰度值中急劇變化的象素點。因為圖像中的噪聲點的灰度值一般與四周的灰度值相比變化劇烈，所以均值濾波能夠被用來處理圖像中的噪聲，這是均值濾波的優(yōu)點，但是均值濾波也有容易使圖像的輪廓變得不清晰、使圖象中有用的細節(jié)被弱化等缺點。不同于均值濾波，中值濾波法使用鄰域象素的中值替代，該方法計算更加簡單，相比均值濾波對孤立噪聲的平滑效果會更好。此外，該算法能更好地保護圖像邊界，但會使圖像失去細線和小目標區(qū)域。因此，如果想要使用中值濾波這一方法，就需要注意保持圖像中有用的細線。

(4)圖像銳化。圖像銳化是從頻域的角度通過加強高頻成分使圖像中模糊的地方變得清晰。圖像銳化能夠保證圖像輪廓越來越清楚，而且能夠提高灰度對比度。對于后期使用圖像進行目標識別特征提取有較大幫助。圖像的銳化處理不僅可以增強圖像的邊緣特征，同時還會增加圖像的噪聲。微分法和高通濾波法是常用的圖像銳化2種方法。

(5)頻域濾波。頻域濾波(高通濾波、低通濾波、同態(tài)濾波)是一種在頻域中對圖像進行處理的方法。首先使用傅里葉變換得到圖像的頻譜，然后對其頻譜進行濾波，最后再通過傅里葉反變換得到處理后的圖片。在頻域中，圖像的平均灰度位于零頻率分量，平滑的圖像信號位于低頻率分量，圖像中的細節(jié)和邊界位于較高頻率的分量。因為噪聲的頻率位于高頻率分量中，所以對圖像高頻部分進行處理就是對圖像進行平滑處理。同樣，想要實現(xiàn)圖像的銳化和邊緣提取，就需要去除圖片頻域中低頻的部分。常用的頻域增強方法有低通濾波和高通濾波。

3.2 圖像分割

圖像分割的基本思想是將目標和背景視為一組各自滿足某種相似或相同特征的連通區(qū)域，通過像素灰度、紋理、亮度、色調(diào)等特征對目標和背景進行分類標簽建模，實現(xiàn)目標背景的分割[30]。在實現(xiàn)輸送膠帶上煤量檢測的過程中，將目標煤流從背景輸送膠帶提取出來的效果影響著最終煤量檢測的精確度。

(1)邊緣檢測。邊緣檢測技術是最早出現(xiàn)的圖像分割技術之一，該技術可以通過檢測不同均勻區(qū)域之間的邊緣來解決圖像分割問題。圖像邊緣的灰度值與邊緣兩側的灰度值相比變化較大，圖像的灰度值在邊緣處不再連續(xù)，可以利用求導檢測這種不連續(xù)性進而求得圖像的邊緣[31]。

(2)閾值分割。閾值分割是選擇合適的閾值將圖像的灰度分為幾個等級，并將同一個等級的像素當作同一個目標[32]。閾值分割中對閾值選擇是重中之重，一個合適的閾值能夠容易實現(xiàn)圖像分割，與之相反，如果閾值選取不合理，會使圖像分割的效果達不到理想值。

4 結論

(1)為了實現(xiàn)“大馬拉大車，小馬拉小車”的節(jié)能運輸模式，帶式輸送機負載檢測作為調(diào)節(jié)帶式輸送機轉(zhuǎn)速的先決條件，其檢測結果的精度與速度將直接影響到節(jié)能效果。

(2)由于井下作業(yè)環(huán)境較昏暗，同時光照強度存在差異，攝像機所采集到的圖像相較于充足光照下的圖像條紋不夠清晰，且存在毛刺現(xiàn)象。視頻圖像質(zhì)量不高極大地限制了對輸送膠帶上煤流的輪廓提取以及模型學習能力，因此需要使用圖像增強、特征融合等方法對圖像進行預處理，使視頻圖像的質(zhì)量適應煤礦井下煤量檢測的需求。

(3)在使用深度學習方法進行煤量檢測分類時，數(shù)據(jù)集樣本較少也是另一大難題。 在數(shù)據(jù)集樣本不足的情況下，很難得到較好的訓練模型，因此為了提高模型的泛化能力，需要使用遷移學習、強化學習等方法來訓練深度網(wǎng)絡模型。

(4)由于受到井下光線昏暗、高粉塵的環(huán)境限制以及控制設備高成本的影響，單目視覺檢測將會是未來發(fā)展的重點檢測技術之一，如何高效地消除環(huán)境的影響并快速識別煤量也是未來研究的重要方向。