運用GMS 算法自動識別相似模擬材料實驗裂隙場

李平超

（1. 河南省地質礦產勘查開發局測繪地理信息院，河南 鄭州 450006）

煤炭開采破壞了圍巖的應力平衡，上覆巖層將產生垮落、斷裂和彎曲變形，因此研究采動覆巖裂隙場發育規律可保障礦井的安全生產。相似材料模擬實驗是研究采動覆巖裂隙場的重要手段之一，若能采用圖像處理技術自動提取模型表面裂隙，則可降低人工判讀的誤差。文獻檢索發現，裂隙識別研究可分為兩類[1]：人工輔助自動識別，主要包括閾值分割法、邊緣檢測法和區域生長法，如伏金浩[2]、Jiang C F[3]、李曉峰[4]等提高了醫學影像分割方法的信噪比，王世芳[5]、吳洪憲[6]等提出了一種瀝青路面裂縫檢測方法，閆東陽[7]、法煒[8]等利用改進的區域生長算法來分割遙感影像；機器學習智能識別，主要包括統計機器學習和深度學習，如陶開云[9]等針對大壩表面裂隙損傷提出了一種機器識別算法，逐步融合區域生長算法與卷積神經網絡來識別裂隙[10]，Zhang L[11]等利用神經網絡來識別道路裂隙。此外，對裂隙識別還有神經網絡和深度學習方面的研究[12-16]。綜上所述，前人從不同行業背景和專業視角構建了形式各異、功能多樣的數學模型，豐富了裂隙、裂隙場的識別理論；但識別相似材料模擬實驗在開挖過程中形成的裂隙場的研究還不多。

基于此，本文以峰峰市九龍煤礦15235 工作面為工程研究背景，開展物理模擬實驗，首先利用定焦相機從不同視角批量獲取目標區影像；再對這些影像進行拼接、校正，生成正射影像；最后采用Python編寫機器學習自動識別模型，自動識別相似材料模型表面的裂隙信息。

1 研究方法

1.1 GMS算法

確定數字影像上圖形邊界的方法是檢測影像上每個像素及其直接鄰域的狀態，具有所需特性的像素點稱之為邊界點。當圖像中各像素點灰度值用來反映各像素點符合邊界點要求的程度時，這種圖像就是邊緣圖或邊界圖。檢測邊界圖邊界上每個像素的鄰域并對亮度值進行量化的過程即為邊緣檢測。本文算法也是一種邊緣檢測過程。

為計算方便，將目標圖像呈現黑白效果，為凸顯圖像中的物體輪廓，將數字圖像二值化。假設目標圖像S(x'y)是大小為m×n二值化圖像，f(i'j)為像素點(i'j)的亮度值。

由于S(x'y)為二值化灰度圖，因此其像素灰度值可表示為：

式中，T為閾值。

式（1）的輪廓圖形包含興趣輪廓和干擾輪廓，采用影像匹配方法消除規則化干擾圖形，假設T(x'y)是大小為M×N的模板圖像，且M＜＜m，N＜＜n。

在目標圖像S中，以M×N大小的子圖為窗口，遵循從左至右、從上至下的原則，滑動子圖窗口。假設以點(i'j)為窗口左上角，計算其與模板圖像的相似度，遍歷整個目標圖，在所有子圖中找到與模板圖最相似的子圖作為最終匹配結果。選取平均絕對差D(i'j)作為相似度評價標準，值越小，表明模板圖像和目標圖像越相似，因此只需找到最小的D(i'j)，即可確定目標圖像中最優匹配結果的子圖位置，則有：

式中，1 ≤i≤m-M+1'1 ≤j≤n-N+1。

由式（4）可知，最佳匹配結果投影到目標圖像S(i'j)中是以像素坐標(i'j) 為起點的M×N子圖像素矩陣。令子圖像素陣列元素為零，對S(i'j)中匹配結果的投影像素矩陣掩膜，即令子圖像素陣列亮度值f(x'y)=0 ，獲得消除有規律的干擾圖像的目標圖像。

當目標圖形邊緣和背景亮度值反差足夠清晰時，按照從左至右、從上至下的順序遍歷f(x'y)中的元素，從左至右掃描時，在S(x'y)中找到第一個子集[0 255]，即為第一個輪廓起點的左上角位置點左邊界，找到第一個子集[255 0]，即為第一個輪廓終點的右上角位置點右邊界；從上至下掃描時，找到第一個[0 255]T子集，即為第一個輪廓的左上角邊界點上邊界，找到第一個[255 0]T子集，即為第一個輪廓的左下角邊界點。同理，遍歷S(x'y)中f(x'y)值，即可找出輪廓G(x'y)，見圖1。

假設在S(x'y)中共找到k個輪廓，將第k個輪廓G(xk'yk)對應的面積G(k)作為元素放到新的矩陣中，則有：

遍歷式（6）中所有輪廓面積矩陣元素，求取矩陣中輪廓面積的眾數值M0作為閾值，對面積進行篩選。

式中，z為正整數。

此時輪廓面積矩陣可表示為：

式中，NULL 為空集。

在某些條件下，當M0不能滿足篩選要求時，可參考M0來調節G(k)的取值，從而改變篩選范圍，用篩選后輪廓面積矩陣元素信息在式（5）上勾繪輪廓，即得到使用本文算法獲取的裂隙檢測結果。

1.2 編程實現

本文提出的識別相似模擬材料裂紋的圖像處理流程見圖2。為驗證GMS 算法的有效性，本文采用Python語言編寫程序，將GMS分解為基本的計算機可執行的指令序列，再編譯成計算機語言，讓其執行GMS的每一個計算步驟。

圖2 程序流程圖

首先將原始彩色圖像轉換為灰度圖像，為突顯裂縫和背景的色差，對灰度圖像做二值化處理；然后在二值化圖像上執行一系列操作。二值化完成后，整個計算機處理過程包括兩個部分：①消除規則大面積非裂隙形狀，利用圖像匹配技術清除規則大面積的干擾裂縫，逐像素地將一個模板圖像窗口大小的灰度矩陣與目標圖像所有可能的窗口灰度陣列進行匹配，采用平均絕對差度量相似性的方法進行搜索，獲得消除大面積規則形狀的目標圖像；②消除不規則小面積非裂隙形狀，利用小區域連通域篩選技術去除不規則的小面積噪聲點。

2 研究結果

將尺寸為393×874 的原圖導入程序，通過人機交互、修改閾值、二值化、去除雜噪等一系列處理，識別原圖中的裂縫，整個過程見圖3，可以看出，原圖中存在毛筆筆跡、網格線等非裂隙陰影干擾時，常規算法會將非裂隙陰影識別為裂隙，而通過二值化，可更加突顯裂隙陰影和非裂隙陰影。在訓練樣本中使用多種形態的線段，以匹配不同圖像中形狀各異的線段目標。對大面積規則非裂縫陰影進行標記并掩膜，再將掩膜后的圖像中所有陰影作為裂隙進行識別。由于規則大面積非裂隙陰影被掩膜，剩余非裂隙陰影雖然形狀不規則，但面積較小，通過篩選可得到裂隙識別結果。

3 結 語

研究發現，常規的裂隙識別算法在識別沙盤物理模型實驗平臺模擬煤炭開采時垮落裂隙的效果不佳。因此，根據計算機視覺中的圖像階躍狀邊緣梯度幅值變化原理，選取大面積非裂隙陰影作為訓練樣本集，采用機器學習技術分割相似模擬實驗平臺中的網格點、網格線非裂縫形狀；以連通域面積篩選技術和眾數值為篩選閾值，丟棄任何小于閾值的連通域方法，提出了一種新的裂隙識別算法。結果表明，在沙盤物理模型平臺模擬開采沉陷的垮落裂隙識別應用中，該算法在去除非裂隙陰影的前提下，能夠較完整地保留上覆巖層垮落裂隙的識別。與傳統裂隙識別算法，尤其是Canny 算法相比，本文算法的識別效果較接近，比其他算法中圖像開閉運算過程中裂隙信息損失少。Canny 算法是對非裂縫陰影識別的處理，能更好地保留裂縫陰影的識別；而本文算法在裂隙識別過程中加入了機器學習技術和連通域面積篩選算法，使計算機視覺能更好地判斷非裂縫信息，但也存在訓練樣本數據多、計算量大、面積篩選過程中自適應性弱等局限性。

本文在沙盤物理模型實驗平臺進行研究，為研究模擬開采沉陷上覆巖層垮落裂隙的發育規律提供一種參考方法，但并不局限于沙盤物理模型實驗平臺的裂隙識別，也可用于骨折醫學影像識別、高速公路路面裂縫災害的識別、紀念碑裂縫識別和古老建筑墻面裂縫發育識別等文物保護領域。