基于遺傳算法的OTSU煤礦井筒裂縫快速識別方法

岳國偉 盧秀山 賈紅果 劉如飛（山東科技大學,山東省青島市,266590）

?

基于遺傳算法的OTSU煤礦井筒裂縫快速識別方法

岳國偉 盧秀山 賈紅果 劉如飛
（山東科技大學,山東省青島市,266590）

摘要井筒巡檢儀采集的井筒序列影像,占用存儲空間達90G以上,數據量大,分析處理費時費力。最大類間方差法作為一種典型的圖像自適應閾值分割方法,在進行圖像分割時,存在計算復雜度高、時間消耗多、分割精度低等問題。為提高裂縫識別效率,提出了一種基于遺傳算法的OTSU煤礦井筒裂縫快速識別方法,遺傳算法用來提高迭代求解速度和計算效率。實驗結果表明,本文方法不僅能縮短運算時間30%以上,而且能夠快速準確識別井筒裂縫病害,提高井筒巡檢的自動化程度。

關鍵詞遺傳算法 最大類間方差法 井筒巡檢 裂縫識別

煤礦生產中,豎井井筒是人員上下、煤炭出井、物料收送的重要通道,是整個煤炭生產的安全出口。隨著井筒服役年限的增加,井筒內部會出現一些井筒病害,如井壁裂縫等。目前井筒巡檢主要采取人工巡檢的方式,病害識別能力低,且存在較大人身安全隱患。為改善井筒巡檢方式和手段,提高巡檢自動化程度和病害識別能力,本文引入圖像處理技術,對井筒裂縫進行自動識別。

關于圖像裂縫目標識別,當前已有不少研究成果,研究領域主要集中在地鐵隧道裂縫識別、道路路面裂縫檢測、古建筑裂縫檢測等。目前,對煤礦井筒圖像裂縫識別還很少有人研究。井筒裂縫的出現不僅會降低井壁的抗滲能力,影響井筒正常使用功能,而且隨著裂縫的發育擴散,會導致混凝土的碳化,降低材料的耐久性,影響井壁的承載能力,需要及時發現裂縫病害并進行修復治理。

本文依托青島秀山移動測量有限公司研發的井筒巡檢儀,進行豎井井筒圖像采集。該巡檢儀裝配了高質量的工業組合相機,具有較高的圖像分辨能力,能有效識別井筒細節信息,反映井筒的真實特征。巡檢儀裝載在井筒內的升降罐籠上,行進速度1 m/s,相機拍攝幀頻4幀/s。以濟寧二號煤礦副井為例,井筒深度630 m,一次巡檢采集的序列影像達17096張,存儲空間消耗93.6 G,采集頻率高,圖像數據量大。傳統的OTSU進行數據處理時耗費大量運算時間,計算效率低,不能滿足井筒巡檢的實時性要求。本文結合遺傳算法和最大類間方差法,提出了一種井筒裂縫快速提取方法,旨在提高井筒裂縫病害的識別能力。

1　OTSU方法原理

最大類間方差法,簡稱OTSU方法,是一種典型的自適應閾值分割方法。它是按圖像的灰度特性,將圖像分成背景和目標兩部分。背景和目標之間的類間方差越大,說明構成圖像的兩部分的差別越大,當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小,使類間方差最大的分割意味著錯分概率最小。OTSU通過計算不同閾值T條件下,背景和目標之間的類間方差,獲取使得背景和目標類間方差最大的閾值T,從而實現圖像目標和背景分割。

假定給定圖像的灰度值范圍是［1,L］,灰度值為i的像素數為ni,則圖像總像素數為N＝,各灰度值存在的概率為,圖像的平均灰度值為。最大類間方差的基本思路為:設灰度閾值T將原始圖像劃分為C0和C1,其中C0的灰度值區間為［1,T］,灰度值分布概率為;C1的灰度值區間為［T＋ 1,L］,灰度值分布概率為＝1－ω0,則這兩個類的灰度平均值分別為× Pi）/ω0和μ1＝（i×Pi）/ω1,且滿足式（1）所示約束條件。

OTSU方法計算C0、C1類間方差的函數如式（2）所示。

滿足式（2）取值最大時的圖像灰度分割閾值T,即為OTSU方法求得的最佳閾值Topt,如式（3）所示。

2　基于遺傳算法的OTSU井筒裂縫快速識別方法

傳統的基于OTSU的圖像分割,需要遍歷圖像中所有灰度值,并進行方差計算,計算量非常大,搜索效率低,求解速度慢。針對此問題,本文提出了一種基于遺傳算法的OTSU井筒裂縫識別方法,方法流程圖如圖1所示。

圖1　基于遺傳算法的OTSU井筒裂縫快速識別方法流程圖

遺傳算法作為一種基于自然選擇和生物進化論的優化算法,具有并行工作能力和全局尋優的特點。基于遺傳算法的OTSU井筒裂縫快速識別方法主要步驟如下。

2.1圖像預處理

井筒圖像采集時,由于井筒內部光照不足、煤炭粉塵、井下淋水等因素,導致井筒圖像成像灰度不均、無明顯邊緣信息且存在噪聲干擾。本文通過圖像增強技術來改善井筒圖像質量,一方面改善圖像對比度,另一方面抑制圖像噪聲干擾。

（1）對比度改善:將灰度值狹窄的待處理圖映射為一寬帶輸出,調節圖像的對比度或動態范圍。通過增強圖像中灰暗部分,抑制圖像中亮度大的部分,通過式（4）所示的變換實現。

式中:F（x,y）——原始圖像;

Fmax和Fmin——分別為原始圖像的最大、最小灰度;

d——新的動態范圍值;

F0——偏移量。

目前較為常用的改善對比度的方法有線性函數法、對數函數法、冪次函數法等。

（2）噪聲抑制:通過中值濾波來實現。濾波過程中,首先設定一個含有奇數個像素的窗口,然后根據一定規則使窗口在圖像中平滑移動,窗口每到達一個位置,則將窗口中心點的灰度值替換為窗口內各點灰度值的中值。設有一個一維序列f0, f1,f2,…,fn－1,窗口長度為2m＋1,在某個位置上,窗口內的2m＋1個像素為fi－m, fi－m＋1,…,fi,…,fi＋m,則中值濾波公式如式（5）所示。

2.2編碼

是將一個待求解的問題的實際可行解從其解空間轉換到遺傳算法所能處理的搜索空間的過程。由于圖像灰度有0～255共256個灰度值,正好對應著計算機中一個8位二進制碼,因此使用一個二進制位作為一個基因,一個字節作為一個染色體。對于染色體的解碼正好是編碼的逆過程,即字節由二進制到十進制的轉換。若某個體的編碼為b8b7b6b5b4b3b2b1,則對應的解碼公式如式（6）所示。

2.3種群初始化

種群的規模不能選取過大也不能太小,其選取與實際問題有關。根據先驗成果,初始規模一般為10～100之間。初始規模設置越大,算法執行越慢。考慮到圖像大小,本文初始規模選為10,并隨機初始化每一個染色體,得到10個不同的染色體,這實際上決定了解的初始值。不同的初始值,遺傳算法取得最優解的收斂速度會有差異。

2.4評價函數

用來表征個體在種群中的適應程度。適應程度較高的個體會有更多繁殖機會,而適應程度較低的個體,繁殖機會將減少,甚至消失。在遺傳算法中,一般通過評價函數來衡量某一個個體的適應度高低。本文以式（2）所示的OTSU判別函數作為每一個染色體的評價函數。對每個染色體的適應度函數值,當方差最大時,目標和背景差異最大,也就是此時的灰度是最佳閾值。

2.5選擇算子

用于種群中選優,將優秀的個體直接遺傳到下一代或通過配對交叉產生新的個體再遺傳到下一代。選擇是根據新個體的適應度進行,以適應度高低為導向。本文使用保存最佳個體策略法來進行選擇操作。

2.6交叉算子

將種群內的個體隨機搭配成對,對每一對個體,以某個概率遵循某一種規則交換它們之間的部分染色體,重組生成一個新染色體。交叉算子在遺傳算法中起核心作用。通過交叉操作可以得到新一代個體,新個體組合了其父輩個體的特性,交叉體現了信息交換的思想。本文使用雙點交叉策略,即在相互配對的個體中,隨機設置2個交叉點,然后進行基因相互置換,交換2個交叉點之間的部分編碼基因。

2.7變異算子

變異是指種群個體中一個或多個基因按照較小的概率而發生變化,這也是形成新個體的一種有效途徑。變異為新個體的產生提供了機會。

3　實驗

3.1實驗概況

本文實驗對象為濟寧二號煤礦實地采集的井筒圖像,采集時間2015年8月12日。井筒巡檢儀采集的井筒序列影像,拼接后整體效果及部分裂縫病害分布如圖2所示。從井筒圖像中可以看出,由于巡檢儀是在罐籠中工作,而不是緊靠井筒內壁拍攝,因此在采集的井筒圖像中有井壁附屬物成像等噪聲干擾。圖像中包含多個井筒裂縫,裂縫識別的重要任務是快速識別出裂縫圖像并進行標注。

圖2　井筒裂縫病害示意圖

3.2井筒裂縫識別

圖3是使用本文裂縫識別方法,對濟寧二號煤礦副井井筒進行單裂縫提取的整個過程。裂縫提取過程中,首先要對原始井筒圖像進行灰度變換,然后要進行圖像預處理,包括中值濾波如圖3（b）所示、灰度二值化如圖3（c）所示、刪除噪聲如圖3（d）所示等,其中中值濾波是為了保持圖像細節和邊緣的前提下,濾除圖像中的散亂噪聲點,如椒鹽噪聲等,而刪除噪聲點的作用是為了刪除提取出來的微小連通區域,這些連通區域在圖像中作為孤立的噪聲塊,會對后續裂縫提取起到干擾作用。預處理中的二值化操作,不是簡單的全局二值化處理,往往要結合圖像直方圖分布和灰度離散情況,劃分不同區域而進行局部二值化處理,這樣得到的圖像才能保持較好的提取效果如圖3（c）所示。

裂縫粗分割后見圖3（e）,圖像中仍然會存在大量的偽裂縫信息,這時還需要對裂縫圖像進行進一步去噪操作。使用王耀東等提出的聯通區域濾波方法除去偽裂縫后,能夠得到裂縫信息并標注出來如圖3（f）所示。

圖3　井筒單裂縫提取示意圖

煤礦井筒裂縫有時呈水平橫向分布,有時呈豎直縱向分布,有時橫向和縱向錯綜交叉呈網狀分布。圖3為橫向單一裂縫提取過程,圖4為縱向多裂縫提取示意圖。從圖中可以看出,裂縫圖像與常規裂縫不同,此處的裂縫因長期氧化作用,在裂縫邊緣布滿了堿物質,在圖像中灰度值呈現出白色。在這種情況下,預處理操作中還需要進行一次反色操作。裂縫提取效果如圖4（c）所示。

圖4　多裂縫提取示意圖

3.3性能分析

根據圖像大小和灰度分布,實驗中有關遺傳算法的參數設置:染色體長度設置為8,種群大小設置為10,交叉概率初始化為0.7,變異概率初始化為0.4,最大代數初始化為150。當進化到末期的時候調整變異概率為0.3,種群規模以3%速度減少。算法運行中,初始化種群不需要人工設置,均由計算機隨機生成。不同的初始種群數值,對進化速度和迭代次數有一定影響。

表1　引入遺傳算法前后的OTSU方法性能比較

算法代碼基于Opencv3.0開發平臺,編程語言C＋＋,運行硬件環境:CPU為Intel（R）Core （TM）,主頻3.66 GHz,內存8 GB,操作系統為Windows 7.0。傳統OTSU方法在求解最佳閾值時,對每一個灰度值必須都要計算方差,當所有灰度值計算完成后比較找到最大的方差及對應的灰度值,計算復雜度大,時間消耗多。假設每一個灰度值計算方差的時間為T,則OTSU總的計算時間復雜度為256T。大量實驗表明,引入遺傳算法后的裂縫提取過程中,當繁衍代數最多達到20時,已達到最佳的結果,其評價函數也達到最大值,根據遺傳算法的特點,此時的解已經達到了最優解。從表1可以看出,5種不同初始種群的計算時間分別為101T、54T、132T、89T、102T,分別比傳統的計算時間節約時間開支41.0%、35.9%、30.5%、48.4%、44.5%。濟寧二號煤礦副井井筒一次完整的井筒巡檢采集的序列影像,采用傳統的OTSU進行裂縫檢測需要耗時541 min,約9 h,而采用本文方法后耗時349 min,約5.8 h,節約時間3 h以上。

4　結語

本文基于遺傳算法和最大類間方差法,提出了一種新的井筒裂縫圖像快速識別和提取方法,遺傳算法的引入,有效解決了OTSU圖像分割時運算效率低的問題。通過實驗可以看出,本文提出的裂縫識別方法能準確識別井筒裂縫,并進行自動標注和裂縫量測,且算法運算時間比傳統的OTSU方法節約30%以上。后續的工作中,做好井筒圖像數據索引,建立井筒巡檢歷史大數據,比對多期數據變化,分析裂縫病害發育趨勢,是下一步的研究重點。

參考文獻:

［1］Yu Q,Ikuta S,Shimada H,et al. Application of Underground Continuous Impervious Curtain to Shaft Lining Rupture Treatment in Eastern Chinese Coal Mines［J］. Memoirs of the Faculty of Engineering,2012（2）

［2］Valen?a J,Dias Costa D,Julio E,et al. Automatic crack monitoring using photogrammetry and image processing［J］. Measurement,2013（1）

［3］Abdelqader I,Abudayyeh O,Kelly M E.Analysis of Edge-Detection Techniques for Crack Identification in Bridges［J］.Journal of Computing in Civil Engineering,2014（4）

［4］劉曉瑞,謝雄耀.基于圖像處理的隧道表面裂縫快速檢測技術研究［J］.地下空間與工程學報,2009 （5）

［5］王耀東,余祖俊,白彪等.基于圖像處理的地鐵隧道裂縫識別算法研究［J］.儀器儀表學報,2014（7）

［6］Tang Lei,Zhao Chunxia,Wang Hongnan,et al.Detection and Classification of Pavement Surface Cracks Based on Image Analysis［J］.Journal of Engineering Graphics,2008（3）

［7］奧村運明,林穎文,李寧等.數字圖像技術在古建筑裂縫監測中的應用［J］.河南科學,2008（26）

［8］Plaue R,Oellers B,Muller O.The optimal thresholding technique for image segmentation using fuzzy otsu method［J］. International Journal of Applied Engineering Research,2015（13）

［9］Oliveira H,Correia P L. Automatic Road Crack Detection and Characterization［J］.IEEE Transactions on Intelligent Transportation Systems,2013（1）

［10］Hashemi S,Kiani S,Noroozi N,et al.An image contrast enhancement method based on genetic algorithm ［J］.Pattern Recognition Letters,2010（13）

［11］Sawant M,Deore M. A Comprehensive Review of Image Enhancement Techniques［J］.International Journal of Computer Technology& Electronics Engineering,2011（2）

［12］Kropac O,Mucka P.Specification of Obstacles in the Longitudinal Road Profile by Median Filtering ［J］.Journal of Transportation Engineering,2014 （3）

［13］Yigang W,Meyer J W,Muhammad A,et al. A new genetic algorithm for release-time aware divisible-load scheduling［J］. Circulation Research, 2015（8）

［14］Elsayed S M,Sarker R A,Essam D L. A new genetic algorithm for solving optimization problems ［J］. Engineering Applications of Artificial Intelligence,2014（1）

［15］鞏敦衛,陳健.基于精英集選擇進化個體的交互式遺傳算法［J］.電子學報,2014（8）

［16］范青武,王普,高學金.一種基于有向交叉的遺傳算法［J］.控制與決策,2009（4）

（責任編輯張大鵬）

A method of mine shaft crack recognition based on genetic algorithm and OTSU

Yue Guowei,Lu Xiushan,Jia Hongguo,Liu Rufei
（Shandong University of Science and Technology,Qingdao,Shandong,266590,China）

AbstractThe sequence images collected by the mine shaft inspection instrument take up more than 90G of storage space.The data is very large and the analysis is time-consuming and laborious. OTSU is a typical image adaptive threshold segmentation method. There are many problems such as high computational complexity,high time consumption and low accuracy of segmentation when it is carrying on the image segmentation,in order to improve the efficiency of crack recognition,a new method of mine shaft crack recognition based on genetic algorithm is proposed.Genetic algorithm is used to improve the speed and efficiency. The experimental results show that this method can not only shorten the operation time of 30%,but also can quickly and accurately recognize the crack disease,which will improve the degree of automation of mine shaft inspection.

Key wordsgenetic algorithm,OTSU,mine shaft inspection,crack recognition

作者簡介:岳國偉（1982－）,講師,大地測量學與測量工程博士生,研究方向為模式識別,數字圖像處理,點云數據處理等。

中圖分類號TD535

文獻標識碼A