基于樹莓派的井下水倉水位智能測控系統

陳海艦 王唯一 范錦鴿 潘逸冬 閆子驥 吳保磊

摘要：針對目前井下水倉水位監測方法精度較低、易受環境影響、實時性不強、對機器算力的要求較高、硬件成本較高等問題，提出了一種基于樹莓派的井下水倉水位智能測控系統。該系統通過防爆監控攝像機采集水倉標尺周圍水位圖像，采用樹莓派作為圖像處理平臺。首先，將采集的彩色圖像轉換為灰度圖像，利用 Otsu 法對圖像進行閾值分割，通過形態學運算去除噪聲并增強圖像邊緣信息，進而將標尺輪廓從背景中分離出來；其次，利用 Canny 算子檢測標尺邊緣，并利用 Hough 變換方法提取水位線與標尺豎邊的交線，得到水位線在圖像空間中的坐標；然后，對水位線附近區域一定范圍內的標尺數字圖像進行閾值分割和濾波增強處理，再通過模板匹配法實現標尺數字識別，從而得到水位線數值；最后，將水倉水位線數值轉換為電流模擬量，利用樹莓派發送給水泵控制器，根據電流大小控制水泵開停，實現水倉水位智能控制。該系統具有成本較低、部署便捷、精度高、實時性好等優點，能夠實現水倉水位快速精準識別與控制。

關鍵詞：井下水倉；水位測控；樹莓派；邊緣檢測；Hough 變換；數字識別

中圖分類號： TD745??? 文獻標志碼： A

Intelligent measurement and control system of mine water level based on Raspberry Pi

CHEN Haijian1，2， WANG Weiyi3， FAN Jinge3， PAN Yidong3， YAN Ziji3， WU Baolei3

（1. CCTEG Changzhou Research Institute，Changzhou 213015， China；2. Tiandi（Changzhou） Automation Co.， Ltd.，Changzhou 213015， China；3. School of Computer Science and Technology， China University of Mining andTechnology， Xuzhou 221116， China）

Abstract： The current water level monitoring methods have the problems of low precision， susceptibility to environmental impact， weak real-time performance， high requirements for machine computing power， and high hardware costs. In order to solve the above problems， a Raspberry Pi-based intelligent water level measurement and control system for underground water storage is proposed. The system collects water level images around the water tank scale through explosion-proof monitoring cameras， and uses raspberry pie as the image processing platform. Firstly， the method converts the collected color images into grayscale images， and uses the Otsu method to perform threshold segmentation on the images. The method removes noise and enhances image edge information through morphological operations， and then separates the ruler contour from the background. Secondly， the Canny operator is used to detect the edge of the scale， and the Hough transform method is used to extract the intersection line between the water level line and the vertical edge of the scale， obtaining the coordinates of the water level line in the image space. Thirdly， threshold segmentation and filtering enhancement processing are performed on the digital image of the scale within a certain range of the area near the water levelline. Then， the template matching method is used to achieve the recognition of the scale number， thereby obtaining the water level line value. Finally， the method converts the numerical value of the water level line in the water tank into a current analog quantity， and uses Raspberry Pi to send the water pump controller to control the start and stop of the water pump based on the current magnitude. The method achieves intelligent control of the mine water level. This system has the advantages of low cost， convenient deployment， high precision， and good real- time performance. It can achieve rapid and accurate recognition and control of mine water level.

Key words： mine water tank; water level measurement and control; Raspberry Pi; edge detection; Hough transform; number recognition

0 引言

礦井水是煤炭開采生產過程中的必然產物，主要由地下水滲漏、涌水、設備用水和礦井降塵用水等部分組成。礦井水流經各采區工作面、掘進工作面和巷道，最終流入井下水倉[1]。井下水倉由主水倉和副水倉2個部分構成，2個水倉交替循環使用。根據《煤礦安全規程》《煤礦防治水規定》和 MT/T 674—1997《礦井生產時期排水技術規范》等規定，為保證礦井安全，預防井下水害，水倉的空倉容量應當經常保持在總容量的50%以上[2]，并設有水倉水位監測設施[3]。在煤炭開采過程中，及時準確獲取水倉水位的高度信息，以確定排水泵開停，對礦井安全生產至關重要。

當前，水倉水位測量方法有人工目測法、超聲波測量法、壓力傳感法等。人工目測法不僅易受水面起伏、個人經驗影響，而且人員觀測的角度往往受環境限制，導致數據精度不高；同時，人工觀測數據的傳輸不具備實時性，需要人員定時采集，但是許多檢測地點交通不便，造成人力資源浪費，安全性難以保障[4]。超聲波測量法利用超聲波傳感器發射的超聲波從觀測點到水面的回波時間，根據測試環境下的聲速計算觀測點到水面的距離；然而，超聲波傳感器易受相對濕度和氣溫等外部環境因素影響，特別是聲速的誤差直接影響水位測定精度[5]。壓力傳感法是將壓力傳感器安裝在最低水位以下，根據傳感器所測壓力進行轉換計算得到水位高度[6]；但礦井水中常含有煤巖渣、煤泥和乳化液等雜質，壓力傳感器容易被堵塞，導致觀測值與實際水位高度出入較大。

隨著圖像處理技術的發展，采用圖像處理技術對水位監控圖像進行實時處理，能夠快速、準確測量水位高度，實時監測水位變化情況，提高對礦井水倉水位的管理效率。目前，已有不少研究工作利用圖像處理技術進行水位檢測。王磊等[7]采用 YOLOv3模型從圖像中檢測標尺位置并將其裁剪出來，再利用ResNet網絡識別圖像中標尺刻度值，從而根據標尺總長及刻度值計算水位高度。 Wang Xing 等[8]逐幀處理視頻中的圖像，首先采用圖像平滑模糊技術得到灰度圖像，然后使用拐點算子提取圖像的邊緣特征，利用提取到的特征檢測水位線、分割標尺刻度值，最后采用深度神經網絡對特征進行識別，并通過標尺刻度值和預設的比例尺計算水位高度。但以上方法在應用時對機器算力的要求較高，需要配置的硬件成本相對也較高。

與 STM32和51單片機等常規嵌入式微控制器不同，樹莓派不僅可以進行 IO 引腳控制，還可進行復雜的任務管理和調度，運行適配的操作系統，支持更高層次的應用[9]。在開發環境方面，樹莓派支持 C、Python 等語言，還可以連接上層的應用與底層的硬件，實現物聯網的云控制和云管理。在開發能力方面，樹莓派體積小、成本低，具備一定的 CPU 和 GPU 計算能力，能夠實現圖像處理技術相關的任務與應用。因此，本文提出了一種基于樹莓派的井下水倉水位智能測控系統。利用防爆監控攝像機采集水倉標尺周圍水位圖像，在樹莓派上運行圖像處理技術，獲取井下水倉水位數值；通過樹莓派連接水泵控制器，實現井下水倉水位智能控制。

1 系統原理

基于樹莓派的井下水倉水位智能測控系統組成如圖1所示。

將防爆監控攝像機安裝在井下水倉頂角處，采集水倉中標尺周圍水位圖像，利用樹莓派運行圖像處理技術，獲得水倉實時水位數值，并根據水倉水位變化情況及時開停水泵，實現井下水倉水位智能控制。

2 系統實現

基于樹莓派的井下水倉水位智能測控系統流程如圖2所示。首先，將防爆監控攝像機采集的彩色圖像轉換為灰度圖像，對圖像進行閾值分割，將標尺從背景中分離出來，并運用形態學運算增強圖像，再通過提取標尺邊緣和檢測水位線，確定水位線在圖像空間中的具體位置。然后，依據檢測出的水位線縱坐標，利用模板匹配法識別水位線對應的標尺數字，得到水位線數值。最后，通過模數轉換模塊將水位線數值轉換為水泵控制器能夠識別的電流模擬量數值，利用樹莓派能夠進行 IO 引腳控制的特點，通過樹莓派將電流值發送給水泵控制器，根據電流大小控制水泵自動開停，實現水倉水位智能控制。

2.1 標尺邊緣提取與水位線檢測

2.1.1 標尺邊緣提取

攝像機采集的標尺周圍水位圖像如圖3所示。由于采集的圖像為彩色，為了節省內存空間，加快圖像處理速度，需要將彩色圖像轉換成灰度圖像。

為使背景與標尺分離以突出目標邊緣信息，需要進行二值化處理，即設定合適的閾值，將低于該閾值的像素點設為黑，高于該閾值的像素點設為白。常用的圖像二值化處理方法有雙峰法、迭代法、 Niblack 法、Bernsen 法和 Otsu 法等[10]。雙峰法簡單易行，但當波峰不明顯或圖像呈單峰及多峰相混淆時，該方法在很大程度上是無效的。迭代法具備較強的穩定性和抗噪性，能夠很好地保留圖像的細節和特征，然而對于一些特定的圖像，需要減少迭代次數，數據的微小變化就會使分割效果產生極大的反差。Nibalck法在某些環境中能夠提供較好的分割效果，但依賴于預設定的鄰域窗口或修正系數。 Bernsen 法是一種局部二值化算法，在處理光照不均勻的圖像時有較好的效果，但對各種類型的噪聲比較敏感[11]。Otsu 法能夠通過最大化圖像直方圖的類間方差來自適應確定分割閾值，使得前景和背景之間的差異最大化，同時，該方法還考慮了圖像全局信息，能夠更好地捕捉圖像前景和背景之間的差異，從而較好地將圖像分成前景和背景2個部分[12]。因此，本文采用 Otsu法對圖像進行二值化處理。

通過二值化處理將標尺從背景分離出來后，邊緣輪廓細節部分不可避免會有缺失，圖像中原有的噪點也會被保留，需要進一步對圖像進行形態學處理。形態學處理是將二值圖像視為數值集合，并使用結構元素對其進行操作。其中，腐蝕和膨脹是最基本的運算。二值圖像的腐蝕變換是基于圖像的連續形態腐蝕，膨脹變換是基于圖像的連續形態膨脹。二者廣泛應用于搜索圖像中明顯的極大值區域或極小值區域，以分割和連接圖像中相鄰的像素和消除噪聲。先腐蝕后膨脹的過程稱為開運算，具有去除細小物體、在纖細處分離物體和平滑較大物體邊界的作用[13]。因此，本文對二值圖像進行開運算，以抑制噪聲，改善圖像質量，突出標尺的邊緣特征，形態學處理結果如圖4所示。

為提取標尺邊緣，本文利用邊緣檢測算法對開運算之后的圖像做進一步處理。傳統的邊緣檢測算子主要有 Roberts 算子、Sobel 算子、Laplacian 算子和 Canny 算子等。Roberts 算子檢測水平和垂直邊緣效果較好，但抗噪性相對較差。 Sobel 算子邊緣檢測效果較好，且對圖像中噪聲具有平滑作用，但同時會檢測出許多偽邊緣，精度不高[14]。Laplacian 算子主要用于在已知邊緣像素后確定該像素是處于圖像的暗區還是明區，對噪聲非常敏感，且不能提供邊緣方向信息[15]。Canny 算子利用非極大值抑制的方法和形態學連接操作，具有較好的抗噪性能，在圖像邊緣有較高的定位精度，相比其他邊緣檢測算子效果較好[16-18]。因此，本文采用 Canny 算子對圖像進行邊緣檢測。先利用 Gauss 函數對圖像進行平滑濾波，再計算平滑后圖像的梯度幅值和方向，并對梯度幅值進行非極大值抑制，獲得最終的邊緣圖像，如圖5所示。

2.1.2 水位線檢測

利用 Canny 算子進行邊緣檢測得到的圖形下邊緣與水位線非常接近，但整個標尺邊緣圖形由多條線段組成，無法定量表征水位線在圖像中的具體位置。因此，本文進一步利用 Hough 變換方法提取標尺的豎直邊緣和下邊緣，進而得到水位線在圖像空間中的縱坐標。

在圖像空間x-y中，經過空間中任一點（xm，ym）的直線方程可表示為[19]

式中：k 為直線斜率； b 為截距。

通過點（xm，ym）的直線有無數條，分別對應不同的k和b。若將xm和ym視作常數，將參數k和 b 視為變量，則式（1）可表示為

由此變換到參數空間k-b，這個變換即圖像空間中對于點（xm，ym）的 Hough 變換。該直線是圖像空間中的點（xm，ym）在參數空間中的唯一方程。同理，圖像空間中與點（xm，ym）共線的另一個點（xn，yn）在參數空間中也有1條直線方程：

由式（2）和式（3）可得，這條直線與點（xm，ym）在參數空間中的直線一定相交于某點（k0，b0）。由此可知，圖像空間中經過點（xm，ym）和點（xn，yn）的直線上的每一點在參數空間中各自對應1條直線，這些直線都相交于點（k0，b0），而k0和b0就是圖像空間中點（xm，ym）和點（xn，yn）所確定的直線的參數。根據這個特點，可利用圖5中得到的邊緣點，通過 Hough 變換確定連接這些點的直線方程。然而，當直線的斜率不存在時，無法在圖像空間中求取直線方程，此時需要將直角坐標系轉換到極坐標系，如圖6所示。在極坐標系中，直線方程用極坐標可表示為[20]

式中：ρ為原點到直線的垂直距離；θ為直線與 x 軸的夾角，取值范圍為?90～90?。

與直角坐標類似，極坐標中的 Hough 變換也將圖像空間中的點變換到參數空間中。此時，如果存在多個點共線，必有這些點在θ取某個值θ0時，這些點的ρ近似等于ρ0。即在極坐標表示下，原圖像空間中共線的點變換到參數空間后都相交于同一點，此時所得的ρ0和θ0即為所求直線的極坐標參數。

為準確提取標尺邊緣與水位線，并提高 Hough 變換檢測的精度和速度，在求解參數ρ和θ時，本文對標尺邊緣與水位線進行解空間的約束。考慮攝像機是在固定狀態下采集水位線的圖像，在正常情況下，標尺邊緣與水位線之間應為近似垂直的關系。因此，本文將距離相近、夾角相近的直線歸為同一條直線，以消除多余直線對檢測結果的影響，提高直線檢測效率。利用標尺邊緣和水位線的直線方程即可求出標尺豎直邊緣線與水位線的交點坐標，將交點坐標轉換為直角坐標后，再求取縱坐標的平均值，即可確定水位線在圖像空間中的具體位置。Hough 變換直線檢測結果如圖7所示。

從圖7可看出，Hough 變換后得到 N 條直線，從這 N 條直線中選取任意2條，標記為i和 j（i，j=1，2，…，N，i≠j）。當 N 的值很大時，不同ρ的差值絕對值 'ρi -ρj'與不同θ的差值絕對值'θi -θj'對水位線識別準確率影響較大。為提高直線檢測效率，本文進行了不同參數組合取值對水位線識別準確率的影響測試，結果見表1。可看出當'ρi -ρj'取6.5～7.0、'θi -θj' 取0.13～0.19時，水位線識別準確率較高。因此，本文將該范圍內的直線歸為同一條直線，以消除多余直線對檢測結果的影響，減少算法處理時間，提高直線檢測效率。

2.2 標尺數字識別

2.2.1 水位線附近標尺數字區域圖像預處理

由于攝像機采集的圖像數據量通常較大，為減少圖像中不相關信息帶來的誤差和樹莓派的運算量，提高標尺數字識別的準確率，基于檢測出的水位線縱坐標，截取水位線附近區域一定范圍內的標尺數字圖像（圖8（a）），并對圖像進行去噪、分割和增強等預處理，以提高截取區域圖像的清晰度和對比度。采用 Otsu法選取分割閾值。為適應黑白像素點分布情況不同的圖像，提高算法運行效率，在進行標尺數字圖像二值化分割時，通過比對二值化后圖像中的白色、黑色像素點個數，采用像素點個數少的顏色作為閾值，即如果黑色像素點個數多于白色像素點個數（圖8（b）），則采用白色像素作為閾值（圖8（c））。之后，使用中值濾波法將每個像素點周圍鄰域內的中值作為新灰度值，以去除差異較大的噪聲點，使圖像更加平滑，并保護圖像中的邊緣信息。

2.2.2 基于模板匹配法的數字識別

對于固定字體的阿拉伯數字，模板匹配是一種簡單、快速且方便實現的數字識別方法。該方法為每個類別創建1個或多個標準模板，并將待識別樣本與模板進行比較，通過對比樣本與模板的邊緣信息的對應程度，將樣本歸入與模板最接近的類別[21]。考慮到樹莓派的計算能力和系統應用場景，本文先對預處理后的圖像進行圖形輪廓檢測，結果如圖9（a）所示（紅框為圖形輪廓）；之后根據圖形的長寬比篩選出符合阿拉伯數字特征的圖像，再采用模板匹配法遍歷篩選后的每個數字區域圖像，輸出最終匹配成功的數字，如圖9（b）所示。

3 結語

為滿足煤礦井下水倉水位低成本實時監測和水泵智能聯動控制的需要，提出了一種基于樹莓派的井下水倉水位智能測控系統。該系統利用防爆監控攝像機采集水倉標尺周圍水位圖像，采用樹莓派作為圖像處理平臺。先通過 Otsu法對圖像進行閾值分割，采用形態學運算進行圖像增強，再利用 Canny 算子檢測標尺邊緣，并通過 Hough 變換檢測出水位線在圖像空間中的縱坐標；之后利用模板匹配法識別水位線附近標尺圖像數字，得到水倉水位數值，再將其轉換為水泵控制器能夠識別的電流模擬量，根據電流大小控制水泵開停，實現水倉水位智能控制。該系統具有成本較低、部署便捷、精度高、實時性好等優點。

參考文獻（References）：

[1] 石軍杰.煤礦井下水倉智能清理機的設計及關鍵技術研究[D].太原：太原理工大學，2022.

SHI Junjie. Design and key technology research of intelligent waster silo cleaning machine in coal mine[D]. Taiyuan：Taiyuan University of Technology，2022.

[2] 李文俊.煤礦與非煤礦山安全評價指導手冊[M].徐州：中國礦業大學出版社，2006.

LI Wenjun. Guidelines for safety assessment of coal and non coal mines[M]. Xuzhou：China University of Mining and Technology Press，2006.

[3] MT/T 674—1997礦井生產時期排水技術規范[S].

MT/T 674-1997 Technical specification for drain of mine water during the period of production[S].

[4] 林王峰.基于視頻圖像的船舶水尺自動測量系統的設計與實現[D].廈門：集美大學，2017.

LIN Wangfeng. The design and implementation of a ship's draft automatica measurement system base on thevideo image recognition technology[D]. Xiamen：Jimei University，2017.

[5] 郭秀艷.船舶水尺吃水值檢測方法研究[D].大連：大連海事大學，2014.

GUO Xiuyan. Research on detection method of ship draft[D]. Dalian：Dalian Maritime University，2014.

[6] 張亞，宗軍，蔣東進，等.氣泡壓力式水位計現場檢測裝置設計與實現[J].水文，2021，41（6）：60-65.

ZHANG Ya，ZONG Jun，JIANG Dongjin，et al. Design and implementation of field detection device for bubble pressure-type stage recorder[J]. Journal of China Hydrology，2021，41（6）：60-65.

[7] 王磊，陳明恩，孟凱凱，等.基于深度學習算法的水位識別方法研究[J].水利信息化，2020（3）：39-43，56.

WANG Lei，CHEN Ming'en，MENG Kaikai，et al. Research on water level recognition method based on deep? learning? algorithms[J]. Water? Resources Informatization，2020（3）：39-43，56.

[8] WANG Xing，CHEN Hu，WU Qinge，et al. On research of video? stream detection algorithm for ship waterline[C]. International Conference on Big Data， Artificial? Intelligence? and? Internet? of? Things Engineering，Fuzhou，2020：204-208.

[9] 石則斌，羅雪峰，王隱，等.基于卷積神經網絡的智能垃圾分揀車[J].實驗室研究與探索，2022，41（12）：123-126.

SHI Zebin，LUO Xuefeng，WANG Yin，et al. Intelligent garbage sorting vehicle based on convolutional neural network[J]. Research and Exploration in Laboratory，2022，41（12）：123-126.

[10] 張琪.結合邊緣檢測的圖像二值化算法[D].長春：吉林大學，2011.

ZHANG Qi. Image binarization algorithm combined with edge detection[D]. Changchun：Jilin University，2011.

[11] 林愛萍.智能平倉機器人的視覺導航系統設計[D].成都：電子科技大學，2021.

LIN Aiping. Research on the vision navigation system of intelligent grain leveling robot[D]. Chengdu：University of Electronic Science and Technology of China，2021.

[12] 范九倫，趙鳳.灰度圖像的二維Otsu曲線閾值分割法[J].電子學報，2007（4）：751-755.

FAN Jiulun， ZHAO Feng. Two-dimensional Otsu's curve thresholding segmentation method for gray-level images[J]. Acta Electronica Sinica，2007（4）：751-755.

[13] 戴青云，余英林.數學形態學在圖象處理中的應用進展[J].控制理論與應用，2001（4）：478-482.

DAI Qingyun， YU Yinglin. The advances? of mathematical morphology in image processing[J]. Control Theory & Applications，2001（4）：478-482.

[14] 王家晨，王新房.基于ButterWorth濾波的X射線鋼管焊縫缺陷檢測方法[J].微型機與應用，2017，36（23）：21-24.

WANG Jiachen，WANG Xinfang. Automatic detection of weld defects in X-ray based on ButterWorth filtering[J]. Microcomputer & Its Applications，2017，36（23）：21-24.

[15] 段瑞玲，李慶祥，李玉和.圖像邊緣檢測方法研究綜述[J].光學技術，2005（3）：415-419.

DUAN Ruiling，LI Qingxiang，LI Yuhe. Summary of image edge detection[J]. Optical Technique，2005（3）：415-419.

[16] 陳若珠，薛彪.基于MATLAB的改進Canny算子的圖像邊緣檢測研究[J].工業儀表與自動化裝置，2014（4）：113-116.

CHEN Ruozhu，XUE Biao. The research of image edge detection based on improved Canny operator of MATLAB[J].? Industrial? Instrumentation? and Automation，2014（4）：113-116.

[17] 王植，賀賽先.一種基于Canny理論的自適應邊緣檢測方法[J].中國圖象圖形學報，2004（8）：65-70.

WANG Zhi，HE Saixian. An adaptive edge-detection method based on Canny algorithm[J]. Journal of Image and Graphics，2004（8）：65-70.

[18] 李靜，陳桂芬，丁小奇.基于改進Canny算法的圖像邊緣檢測方法研究[J].計算機仿真，2021，38（4）：371-375.

LI Jing，CHEN Guifen，DING Xiaoqi. Research on image edge detection method based on improved Canny algorithm[J]. Computer Simulation，2021，38（4）：371-375.

[19] 李小蘭.基于霍夫變換的海面小目標檢測方法研究[D].西安：西安電子科技大學，2022.

LI Xiaolan. Detection methods based on Hough transforms of sea-surface small targets[D]. Xi'an：Xidian University，2022.

[20] 張志強，馮偉，趙小虎，等.面向邊緣計算的選煤廠刮板檢測方法[J].工礦自動化，2021，47（4）：92-97.

ZHANG Zhiqiang，FENG Wei，ZHAO Xiaohu，et al. Edge computing-oriented scraper detection method for coal preparation? plants[J]. Industry and Mine Automation，2021，47（4）：92-97.

[21] 王健.基于PHOW特征的人臉姿態識別算法研究[D].濟南：山東財經大學，2016.

WANG Jian. PHOW based feature detection for head pose estimation[D]. Jinan：Shandong University of Finance and Economics，2016.