基于機(jī)器視覺(jué)的帶式輸送機(jī)高精度煤流檢測(cè)研究

摘要：針對(duì)現(xiàn)有基于機(jī)器視覺(jué)的帶式輸送機(jī)煤流檢測(cè)方法存在的圖像細(xì)節(jié)缺失、在多處斷裂或斷裂間距較大區(qū)域擬合效果較差的問(wèn)題，基于直射斜收式激光三角測(cè)量原理，提出了一種基于機(jī)器視覺(jué)的帶式輸送機(jī)高精度煤流檢測(cè)系統(tǒng)，將線激光發(fā)射器布置在帶式輸送機(jī)測(cè)量位置正上方并垂直照射煤堆，煤堆隨帶式輸送機(jī)勻速運(yùn)動(dòng)，利用相機(jī)在斜上方實(shí)時(shí)拍攝包含激光條紋的煤堆表面圖像。對(duì)煤流檢測(cè)系統(tǒng)進(jìn)行標(biāo)定，包括相機(jī)內(nèi)參數(shù)標(biāo)定和激光平面標(biāo)定，得到煤堆的高度信息；對(duì)煤流截面激光條紋圖像進(jìn)行處理，從提取精度、算法實(shí)時(shí)性等角度對(duì)比分析了灰度重心法和區(qū)域骨架法，根據(jù)對(duì)比結(jié)果選用區(qū)域骨架法提取激光條紋中心；針對(duì)利用圖像膨脹操作進(jìn)行激光條紋斷裂修補(bǔ)擬合效果較差的問(wèn)題，提出采用最小二乘法作為激光條紋斷裂修補(bǔ)算法，相較于閉運(yùn)算，最小二乘法擬合處理的平滑效果更好，精度較高；建立煤流截面積計(jì)算模型，通過(guò)計(jì)算每一幀上煤堆的橫截面積，即可得出不同帶速下的煤流體積。實(shí)驗(yàn)結(jié)果表明，當(dāng)帶速分別為0.25，0.5，1 m/s 時(shí)，煤流檢測(cè)系統(tǒng)誤差均較小，最大誤差分別為2.78%，3.61% 和3.89%，驗(yàn)證了煤流檢測(cè)系統(tǒng)具有較高的準(zhǔn)確性。

關(guān)鍵詞：帶式輸送機(jī)；煤流檢測(cè)；機(jī)器視覺(jué)；線激光發(fā)射；激光三角測(cè)量；激光條紋中心提取；激光條紋斷裂修補(bǔ)；區(qū)域骨架法；最小二乘法

中圖分類(lèi)號(hào)：TD634 文獻(xiàn)標(biāo)志碼：A

0 引言

煤礦井下帶式輸送機(jī)功率大、使用時(shí)間長(zhǎng)，是礦井運(yùn)輸系統(tǒng)主要的能耗設(shè)備[1-4]。傳統(tǒng)帶式輸送機(jī)大多采用“逆煤流啟動(dòng)、順煤流停止”啟停方式，雖然可保障煤炭運(yùn)輸安全，但也導(dǎo)致部分輸送帶處于空載狀態(tài)，同時(shí)由于無(wú)法保證帶式輸送機(jī)物料運(yùn)量均勻，導(dǎo)致系統(tǒng)或單臺(tái)帶式輸送機(jī)在負(fù)載較輕或無(wú)負(fù)載狀態(tài)下長(zhǎng)時(shí)間全速運(yùn)轉(zhuǎn)，不僅造成電能浪費(fèi)，而且也使帶式輸送機(jī)傳動(dòng)系統(tǒng)、轉(zhuǎn)動(dòng)部件、輸送帶形成無(wú)效磨損，縮短了設(shè)備使用壽命[5]。

準(zhǔn)確的煤流檢測(cè)是實(shí)現(xiàn)帶式輸送機(jī)智能控制的前提[6]。機(jī)器視覺(jué)技術(shù)具有非接觸測(cè)量、精度高、可適應(yīng)較差環(huán)境等優(yōu)點(diǎn)[7]，被應(yīng)用于帶式輸送機(jī)煤流檢測(cè)中。文獻(xiàn)[8]利用圖像邊緣檢測(cè)求取煤流寬度，結(jié)合知識(shí)庫(kù)模糊計(jì)算求取煤流量，但該方法檢測(cè)精度較低，識(shí)別效率不高。文獻(xiàn)[9]提出了基于深度學(xué)習(xí)的帶式輸送機(jī)煤流量雙目視覺(jué)檢測(cè)方法，利用卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)煤料視差，計(jì)算煤堆體積，該方法對(duì)靜態(tài)煤堆體積的測(cè)量較精確，但實(shí)時(shí)性較差，不適合測(cè)量動(dòng)態(tài)煤流量。文獻(xiàn)[10]利用激光測(cè)距飛行時(shí)間原理，結(jié)合測(cè)速傳感器計(jì)算煤流量，該方法受環(huán)境影響小，但存在飛行像素噪聲與多徑誤差噪聲，無(wú)法準(zhǔn)確計(jì)算物體邊緣深度。文獻(xiàn)[11]提出了基于激光掃描與機(jī)器視覺(jué)的煤流測(cè)量方法，通過(guò)相機(jī)內(nèi)外參數(shù)標(biāo)定，結(jié)合激光器投射角度進(jìn)行機(jī)器視覺(jué)系統(tǒng)標(biāo)定，利用圖像膨脹修復(fù)激光光斑斷點(diǎn)，進(jìn)而擬合光斑區(qū)域邊緣骨架，計(jì)算激光光斑條紋中心線的煤流截面積，最后結(jié)合速度傳感器求取煤流體積。但是利用圖像膨脹操作進(jìn)行激光條紋斷裂修補(bǔ)會(huì)導(dǎo)致圖像細(xì)節(jié)缺失，在多處斷裂或斷裂間距較大區(qū)域擬合效果較差。

為進(jìn)一步提高帶式輸送機(jī)煤流檢測(cè)效率和精度，提出一種基于機(jī)器視覺(jué)的帶式輸送機(jī)高精度煤流檢測(cè)系統(tǒng)。采用相機(jī)內(nèi)外參數(shù)標(biāo)定和激光平面標(biāo)定，直接得到煤堆的高度信息；采用多算法融合手段進(jìn)行圖像灰度化、圖像濾波和圖像分割等預(yù)處理，從提取精度、算法實(shí)時(shí)性等角度對(duì)比分析了灰度重心法和區(qū)域骨架法，探究最符合煤流檢測(cè)的激光條紋中心提取算法；針對(duì)利用圖像膨脹操作進(jìn)行激光條紋斷裂修補(bǔ)擬合效果較差的問(wèn)題，提出利用最小二乘法擬合效果好且可滿足算法實(shí)時(shí)性要求的特點(diǎn)，采用最小二乘法作為激光條紋斷裂修補(bǔ)算法；對(duì)煤流截面積計(jì)算模型進(jìn)行簡(jiǎn)化，計(jì)算不同帶速下的煤流體積。

1 煤流檢測(cè)系統(tǒng)原理與硬件平臺(tái)搭建

1.1 煤流檢測(cè)系統(tǒng)原理

激光三角測(cè)量是一種線結(jié)構(gòu)光測(cè)量技術(shù)。根據(jù)激光三角原理，采用激光光刀對(duì)物體表面進(jìn)行掃描，用工業(yè)相機(jī)采集物體表面漫反射信號(hào)并送入計(jì)算機(jī)，得到光刀曲線；利用基準(zhǔn)面、像點(diǎn)、像距等之間的關(guān)系計(jì)算物體表面的深度信息，結(jié)合測(cè)頭的位移得到物體表面三維坐標(biāo)信息[12]。在多種激光三角測(cè)量布置方式中，直射斜收式結(jié)構(gòu)緊湊，便于安裝與調(diào)試，適合進(jìn)行集成化設(shè)計(jì)，且激光光斑能量分布均勻，具有較高的測(cè)量精度和穩(wěn)定性[13]。因此本文基于直射斜收式激光三角測(cè)量原理搭建煤流檢測(cè)系統(tǒng)。

直射斜收式激光三角測(cè)量原理如圖1 所示。線激光垂直投射，礦用隔爆相機(jī)以一定角度照射，C 點(diǎn)為煤流平面上的投影點(diǎn)， 相機(jī)光軸交傳感器于O1 點(diǎn)，h 為被測(cè)物體實(shí)際高度，H 為鏡頭中心與參考平面之間的垂直距離，OO1 為礦用隔爆相機(jī)成像中心與鏡頭之間的距離，投射激光束AC 與相機(jī)鏡頭光軸OA 之間的夾角為，O1C1 為礦用隔爆相機(jī)成像平面上的光斑移動(dòng)量。根據(jù)三角形相似關(guān)系可求得被測(cè)物體實(shí)際高度：

將線激光發(fā)射器布置在帶式輸送機(jī)測(cè)量位置正上方并垂直照射煤堆，煤堆隨帶式輸送機(jī)勻速運(yùn)動(dòng)，利用相機(jī)在斜上方實(shí)時(shí)拍攝包含激光條紋的煤堆表面圖像，將連續(xù)圖像信息傳給計(jì)算機(jī)。

1.2 煤流檢測(cè)系統(tǒng)硬件平臺(tái)

實(shí)驗(yàn)搭建煤流檢測(cè)系統(tǒng)時(shí)，在硬件方面需要進(jìn)行帶式輸送機(jī)、相機(jī)和激光器的選型。實(shí)驗(yàn)用帶式輸送機(jī)相關(guān)參數(shù)見(jiàn)表1。

煤流檢測(cè)系統(tǒng)需要對(duì)圖像進(jìn)行逐幀處理，因此對(duì)實(shí)時(shí)性要求較高，同時(shí)為了排除外界干擾因素，需要減小增益和曝光時(shí)間，使得視野中盡可能只有激光條紋信息。選用SUA134GC 面陣相機(jī)，其有效像素大小為130 萬(wàn)，最大幀速率為211 幀/s，鏡頭可變焦距范圍為7～ 36 mm； 激光器采用型號(hào)為HO?Y650P100?26110 的主動(dòng)光源發(fā)射器，其輸出波長(zhǎng)為650 nm，具有方向性好、亮度高、單色性好和壽命長(zhǎng)等優(yōu)點(diǎn)。使用工業(yè)鋁型材搭建長(zhǎng)方體框架，用于安裝工業(yè)相機(jī)和線激光發(fā)射器，如圖2 所示。

2 煤流檢測(cè)系統(tǒng)標(biāo)定

在機(jī)器視覺(jué)尺寸測(cè)量中，相機(jī)標(biāo)定是圖像處理的首要步驟。

2.1 相機(jī)內(nèi)參標(biāo)定及畸變校正

利用HALCON 助手模塊進(jìn)行相機(jī)內(nèi)參標(biāo)定，具體步驟如下。

1） 生成標(biāo)定文件。調(diào)用gen_caltab 算子生成標(biāo)定板描述文件，包括標(biāo)定板點(diǎn)的行數(shù)和列數(shù)、兩圓心點(diǎn)間距、點(diǎn)直徑與點(diǎn)間距比值。

2） 相機(jī)參數(shù)初始化。根據(jù)廠家信息設(shè)置相機(jī)初始化參數(shù)： 單個(gè)像元寬4.8 μm，高4.8 μm， 焦距為13 mm，圖像高度為1 024 像素，寬度為1 280 像素。

3） 圖像采集。打開(kāi)標(biāo)定界面，連接圖像采集助手，放置標(biāo)定板，實(shí)時(shí)采集提取標(biāo)定板角點(diǎn)信息。移動(dòng)標(biāo)定板，變換位置和角度，讓每個(gè)位置都有標(biāo)定板出現(xiàn)，并將標(biāo)定板墊起采集3～4 張圖像，用于標(biāo)定相機(jī)焦距。如果顯示提取角點(diǎn)信息失敗，則刪除該圖像，重新采集。標(biāo)定相機(jī)內(nèi)參時(shí)采集的16 張圖像如圖3 所示。

4） 生成相機(jī)內(nèi)參。相機(jī)內(nèi)參信息見(jiàn)表2。根據(jù)標(biāo)定參數(shù)進(jìn)行圖像畸變校正。首先，利用change_radial_distortion_cam_par 算子根據(jù)指定徑向畸變確定一個(gè)新的沒(méi)有畸變的內(nèi)參；然后，利用gen_radial_distortion_map 算子對(duì)發(fā)生徑向畸變的圖像生成投影映射；最后，調(diào)用map_image 算子映射數(shù)據(jù)進(jìn)行畸變校正。畸變校正前后對(duì)比如圖4 所示。

2.2 激光平面標(biāo)定

通過(guò)激光平面標(biāo)定可確定激光掃描平面的位置和朝向，得到可靠和精確的高度信息。激光平面標(biāo)定步驟如下。

1） 確定基準(zhǔn)面，將標(biāo)定板放在空載時(shí)帶式輸送機(jī)上，利用HALCON 標(biāo)定助手提取低位置標(biāo)定板角點(diǎn)特征（圖5（a）），得到低位置外參，即平移距離和旋轉(zhuǎn)角度。調(diào)節(jié)曝光時(shí)間和增益，得到激光器打到標(biāo)定板上的激光圖像（圖5（b））。

2） 墊起標(biāo)定板，重復(fù)步驟（1），得到高位置外參和激光圖像，如圖6 所示。

3） 利用采集的高低位置相機(jī)外參和激光條紋擬合激光平面，得到激光平面方程：

F（x， y， z） =0：001 972x+0：021 387y0：006 914z266：159 = 0 （2）

式中x，"y，"z分別為像素點(diǎn)在煤流寬度方向、帶式輸送機(jī)運(yùn)行方向、煤流高度方向的坐標(biāo)。

3 煤流截面激光條紋處理方法

3.1 圖像預(yù)處理

圖像預(yù)處理可消除圖像中的無(wú)關(guān)信息，增強(qiáng)有關(guān)信息的可檢測(cè)性，最大限度地簡(jiǎn)化數(shù)據(jù)[14]。

3.1.1 紅色通道分離

采集的彩色圖像由R，G，B 三種顏色亮度變化及其相互之間的疊加得到[15]。考慮到相機(jī)幀速率和外部環(huán)境因素影響，經(jīng)過(guò)調(diào)節(jié)，獲取如圖7（a）所示的激光條紋圖像，不僅最大限度地排除了帶式輸送機(jī)、煤流和外部因素的影響，還能保證相機(jī)的幀速率。因?yàn)槭褂眉t色線激光發(fā)射器，圖像上基本只有黑色和紅色，因此，采用紅色通道分離方法得到顯著的激光圖像，如圖7（b）所示。

3.1.2 圖像濾波

由于CMOS 工業(yè)相機(jī)自身傳感器產(chǎn)生的光電信號(hào)噪聲，加上外部環(huán)境干擾，圖像中易產(chǎn)生椒鹽噪聲和高斯噪聲[16]，如圖8（a）所示。本文使用中值濾波法進(jìn)行濾波，結(jié)果如圖8（b）所示。中值濾波法保留了圖像的細(xì)節(jié)，運(yùn)行時(shí)間也較短。

3.1.3 圖像分割

圖像分割是指將圖像分成若干具有相似特性的區(qū)域，并提取出感興趣目標(biāo)的過(guò)程，相似特性可為灰度、紋理和顏色等[17]。因?yàn)檫M(jìn)行了紅色通道分離，所以得到的圖像只有單像素值，利用閾值法進(jìn)行圖像分割能很好地滿足實(shí)驗(yàn)要求。閾值分割的原理是選取一個(gè)合適的閾值T，將T 和圖像上所有的像素點(diǎn)進(jìn)行比較：如果像素值大于或等于T，則將灰度值設(shè)置為255，成為被測(cè)目標(biāo)區(qū)域；當(dāng)像素值小于T 時(shí)，將灰度值設(shè)置為0。閾值分割結(jié)果如圖9 所示。

3.2 激光條紋中心提取

線激光光源照射到煤流表面時(shí)具有一定寬度，而計(jì)算煤堆高度只需要激光條紋的中心坐標(biāo)信息，因此，需要提取出1 根像素寬度為1 的中心線，用其高度代表圖像中激光條紋的高度信息[18-19]。本文比較了灰度重心法和區(qū)域骨架法，并選取最佳算法作為本文的激光條紋中心提取算法。

灰度重心法通過(guò)計(jì)算圖像中每個(gè)像素點(diǎn)的灰度值作為權(quán)重，確定一個(gè)加權(quán)形心的位置，從而找到目標(biāo)物體或線條的灰度重心坐標(biāo)[20]。采用該方法沿著光條橫截面方向掃描，篩選出灰度值最大點(diǎn)及灰度值大于極大值與閾值之差的所有像素點(diǎn)。對(duì)于這些像素點(diǎn)，將灰度值視為權(quán)重，對(duì)一行篩選出的點(diǎn)的坐標(biāo)進(jìn)行加權(quán)平均，將得到的坐標(biāo)視為光條中心坐標(biāo)，如圖10 所示。

沿著光條橫截面方向搜索，先找到該行中灰度值最大的像素點(diǎn)位置M，其灰度值為Gmax，接著從該最大灰度值點(diǎn)處向光條兩邊搜索，找出高于自適應(yīng)閾值線Gmax的所有像素點(diǎn)；設(shè)兩邊界點(diǎn)之間n 個(gè)像素點(diǎn)中的第 i 個(gè)像素點(diǎn)列坐標(biāo)為yi，對(duì)應(yīng)的灰度值為 gi，利用灰度重心法得到該像素所在行的光條中心位置的列坐標(biāo)：

骨架提取也叫二值圖像細(xì)化，對(duì)二值化目標(biāo)圖像進(jìn)行細(xì)化處理后得到目標(biāo)字符的細(xì)線化圖像，即線寬為單像素的“骨架”。利用圖像骨架提取目標(biāo)圖像的過(guò)程不僅是一個(gè)重要的拓?fù)涿枋觯矞p少了圖像的冗余信息，在信息壓縮、特征提取和圖像分析等領(lǐng)域均有應(yīng)用[21]。

激光條紋中心線提取結(jié)果如圖11 所示。從提取精度、算法時(shí)間、方向性、斷裂擬合、中心線形狀改變大小等方面，將灰度重心法和區(qū)域骨架法提取的激光條紋中心線進(jìn)行對(duì)比分析，結(jié)果見(jiàn)表3。

從表3 可看出，灰度重心法和區(qū)域骨架法都是亞像素級(jí)別的精度，都能保存激光條紋的細(xì)節(jié)信息。灰度重心法雖然能在斷裂較小的位置擬合，但是其方向性差；區(qū)域骨架法雖然不能進(jìn)行斷裂擬合，但是其方向性好，算法用時(shí)也比灰度重心法短。綜合考慮，選取區(qū)域骨架法作為激光條紋中心提取算法。

3.3 激光條紋斷裂修補(bǔ)

3.3.1 形態(tài)學(xué)處理

形態(tài)學(xué)處理是對(duì)圖像的局部像素進(jìn)行處理，用于提取有意義的局部圖像細(xì)節(jié)[22]。通過(guò)改變局部區(qū)域的像素形態(tài)，對(duì)目標(biāo)進(jìn)行增強(qiáng)，為后續(xù)激光條紋提取做準(zhǔn)備[23]。利用形態(tài)學(xué)處理的閉運(yùn)算填補(bǔ)激光條紋斷裂部分，結(jié)果如圖12（a）所示。利用骨架細(xì)化法提取激光條紋中心，結(jié)果如圖12（b）所示。將紅色通道提取的激光圖像和提取出的激光條紋中心線放在一個(gè)圖中進(jìn)行比較，結(jié)果如圖12（c）所示。可看到，對(duì)于大范圍的區(qū)域，擬合效果較好，但是對(duì)于局部小型的區(qū)域，由于閉運(yùn)算丟失了一些圖像細(xì)節(jié)，擬合效果偏差。

3.3.2 最小二乘法擬合處理

最小二乘法可用某一個(gè)或某些未知量表征所測(cè)得的觀測(cè)值，常用到參數(shù)估計(jì)或曲線擬合中[24]。利用最小二乘法進(jìn)行曲線擬合，結(jié)果如圖13 所示。

3.3.3 對(duì)比分析

1） 擬合效果。閉運(yùn)算和最小二乘法擬合效果對(duì)比如圖14 所示。對(duì)于多處斷裂部分，可看出，閉運(yùn)算處理由于采用膨脹算法，丟失了部分圖像細(xì)節(jié)，導(dǎo)致擬合曲線誤差較大，而最小二乘法擬合的曲線精度較高。

2） 擬合時(shí)間。利用HALCON 中的count_seconds算子計(jì)算算法的執(zhí)行時(shí)間，得到閉運(yùn)算的擬合時(shí)間為2.171 ms，最小二乘法擬合時(shí)間為3.082 ms，表明閉運(yùn)算處理的擬合時(shí)間較短。

閉運(yùn)算和最小二乘法性能對(duì)比見(jiàn)表4。2 種算法的提取精度都是亞像素級(jí)別，但是針對(duì)多處斷裂細(xì)節(jié)，最小二乘法明顯優(yōu)于形態(tài)學(xué)處理的閉運(yùn)算方法，在提取速度方面，最小二乘法也可滿足實(shí)驗(yàn)要求。因此，本文選取最小二乘法作為激光條紋斷裂修補(bǔ)算法。

4 煤流量計(jì)算

4.1 煤流截面積計(jì)算模型

煤流截面積計(jì)算模型如圖15 所示。設(shè)條紋曲線函數(shù)為，利用黎曼積分方程可得x 軸上從點(diǎn)到點(diǎn)這一段曲線與x 軸圍成的區(qū)域面積：

圖像由像素點(diǎn)組成，且每個(gè)像素點(diǎn)的坐標(biāo)是離散的。像素大小由圖像分辨率決定，實(shí)驗(yàn)圖像的分辨率為1 280×1 024。[a，b]區(qū)間共包含1 280 個(gè)點(diǎn)，將其分為1 280 個(gè)子區(qū)間：[x0， x1]， （x2， x3]，…， （x1279，x1280]，其中x0 = a， x1280 = b，各區(qū)間的長(zhǎng)度Δxi = xi+1-xi（0≤i≤1 279），則面積可表示為

進(jìn)行相機(jī)標(biāo)定，并將激光條紋的圖像坐標(biāo)和世界坐標(biāo)進(jìn)行一一對(duì)應(yīng)，得到真實(shí)的點(diǎn)數(shù)據(jù)。設(shè)激光條紋像素點(diǎn)坐標(biāo)x 在世界坐標(biāo)中的映射值為X，則像素點(diǎn)序號(hào)N 與X 的對(duì)應(yīng)關(guān)系如圖16 所示。可看出，N 與X 之間呈線性關(guān)系，即相鄰2 點(diǎn)之間橫坐標(biāo)的差值相同。因此，對(duì)煤流橫截面積計(jì)算模型進(jìn)行進(jìn)一步簡(jiǎn)化，將Δxi變換為常量d，得

4.2 煤流體積檢測(cè)模型

煤流體積檢測(cè)模型如圖17 所示。設(shè)帶式輸送機(jī)以速度勻速直線運(yùn)行， 相機(jī)的幀速率為σ， 第1，2，…，m幀煤堆截面積為S（1），S（2），……，S（m），則煤流體積可近似表示為

式中yj+1-yj為相機(jī)第 j 幀到第 j+1幀之間帶式輸送機(jī)運(yùn)行的距離，可表示為

yj+1 -yj = vtj （8）

式中tj為第 j 幀到第j+1幀所用的時(shí)間。

用幀速率σ替換tj，得到化簡(jiǎn)后的煤流體積公式：

式（9）中v和σ為定值，通過(guò)計(jì)算每一幀上煤堆的截面積，即可得出煤流體積。

5 實(shí)驗(yàn)驗(yàn)證

5.1 激光條紋提取精度驗(yàn)證

通過(guò)對(duì)標(biāo)準(zhǔn)模型（圖18）的寬度、高度和面積測(cè)量，驗(yàn)證煤流檢測(cè)系統(tǒng)標(biāo)定和激光條紋提取精度。

經(jīng)過(guò)算法處理得到標(biāo)準(zhǔn)模型激光條紋擬合曲線，如圖19 所示。

提取激光條紋上的像素坐標(biāo)信息，轉(zhuǎn)換為三維坐標(biāo)信息，得到世界坐標(biāo)，如圖20 所示，其中Z 為激光條紋像素點(diǎn)坐標(biāo)z 在世界坐標(biāo)中的映射值。

標(biāo)準(zhǔn)模型檢測(cè)結(jié)果見(jiàn)表5。可看出，寬度最大誤差為0.69%，高度最大誤差為?0.83%，面積最大誤差為1.36%。檢測(cè)誤差較小，驗(yàn)證了煤流檢測(cè)系統(tǒng)激光條紋提取算法的合理性。

5.2 煤流體積計(jì)算實(shí)驗(yàn)驗(yàn)證

準(zhǔn)備6 組煤堆，體積分別為295.4， 498.0， 617.4，725.7，773.4，956.5 cm3，密度為1.98 g/cm3，使用煤流檢測(cè)系統(tǒng)測(cè)量煤堆體積，結(jié)果見(jiàn)表6。可看出，當(dāng)帶速分別為0.25，0.5，1 m/s 時(shí)，煤流檢測(cè)系統(tǒng)誤差均較小，最大誤差分別為2.78%，3.61% 和3.89%，表明基于機(jī)器視覺(jué)的煤流檢測(cè)系統(tǒng)具有較高準(zhǔn)確性。

6 結(jié)論

1） 利用區(qū)域骨架法提取激光條紋中心，不僅不會(huì)改變?cè)镜募す鈼l紋形狀，而且可保留細(xì)節(jié)信息，相較于灰度重心法應(yīng)用效果更好。

2） 采用最小二乘法進(jìn)行激光條紋斷裂修補(bǔ)，相較于閉運(yùn)算，最小二乘法擬合處理的平滑效果更好，精度較高。

3） 對(duì)標(biāo)準(zhǔn)模型的寬度、高度和面積進(jìn)行測(cè)量，誤差均在1.5% 以下，驗(yàn)證了煤流檢測(cè)系統(tǒng)標(biāo)定和激光條紋中心提取算法的精度。

4） 煤流體積測(cè)量實(shí)驗(yàn)結(jié)果表明，當(dāng)帶速分別為0.25，0.5，1 m/s 時(shí)，煤流檢測(cè)系統(tǒng)誤差均較小，最大誤差分別為2.78%，3.61% 和3.89%，驗(yàn)證了煤流檢測(cè)系統(tǒng)具有較高的準(zhǔn)確性。

參考文獻(xiàn)（References）：

[ 1 ]李曉麗，王慶福. 基于GA?BP 神經(jīng)網(wǎng)絡(luò)的帶式輸送機(jī)故障監(jiān)測(cè)系統(tǒng)研究[J]. 煤炭技術(shù)， 2021， 40（12） ：222-224.

LI Xiaoli，WANG Qingfu. Research on fault monitoringsystem of belt conveyor based on GA-BP neuralnetwork[J]. Coal Technology，2021，40（12）：222-224.

[ 2 ]宋欽一. 基于故障樹(shù)和貝葉斯網(wǎng)絡(luò)的帶式輸送機(jī)故障診斷[J]. 礦山機(jī)械，2022，50（9）：55-58.

SONG Qinyi. Fault diagnosis on belt conveyor based onfault tree and Bayesian network[J]. Mining amp;Processing Equipment，2022，50（9）：55-58.

[ 3"]GAN Hong， CHEN Kun， ZHONG Xinghong. Staticanalysis on the measurement system of an electronic beltscale[J]. Applied Mechanics and Materials， 2013， 345：525-529.

[ 4 ]趙學(xué)軍，楊征，閆雪. 基于語(yǔ)義分割的帶式輸送機(jī)煤料運(yùn)輸區(qū)域檢測(cè)算法[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2024，41（2）：56-61，99.

ZHAO Xuejun， YANG Zheng， YAN Xue. Coaltransportation area detection algorithm of belt conveyorbased on semantic segmentation[J]. ComputerApplications and Software，2024，41（2）：56-61，99.

[ 5 ]張文科，郭瑜，趙輝. 基于圖像識(shí)別的煤礦帶式輸送機(jī)自適應(yīng)調(diào)速系統(tǒng)設(shè)計(jì)[J]. 煤炭工程， 2024， 56（1） ：220-224.

ZHANG Wenke， GUO Yu， ZHAO Hui. Self-adaptivespeed control system of coal mine conveying belt basedon image recognition[J]. Coal Engineering， 2024，56（1）：220-224.

[ 6 ]汪心悅，喬鐵柱，龐宇松，等. 基于TOF 深度圖像修復(fù)的輸送帶煤流檢測(cè)方法[J]. 工礦自動(dòng)化， 2022，48（1）：40-44，63.

WANG Xinyue， QIAO Tiezhu， PANG Yusong， et al.Coal flow detection method for conveyor belt based onTOF depth image restoration[J]. Industry and MineAutomation，2022，48（1）：40-44，63.

[ 7 ]周富林，黃靖. AI 邊緣計(jì)算在工業(yè)視覺(jué)識(shí)別系統(tǒng)中的應(yīng)用[J]. 現(xiàn)代傳輸，2022（6）：54-56.

ZHOU Fulin， HUANG Jing. Application of AI edgecomputing in industrial visual recognition system[J].Modern Transmission，2022（6）：54-56.

[ 8 ]李紀(jì)棟，蒲紹寧，翟超，等. 基于視頻識(shí)別的帶式輸送機(jī)煤量檢測(cè)與自動(dòng)調(diào)速系統(tǒng)[J]. 煤炭科學(xué)技術(shù)，2017，45（8）：212-216.

LI Jidong， PU Shaoning， ZHAI Chao， et al. Coalquantity detection and automatic speed regulation systemof belt conveyor based on video identification[J]. CoalScience and Technology，2017，45（8）：212-216.

[ 9 ]楊春雨，顧振，張?chǎng)危? 基于深度學(xué)習(xí)的帶式輸送機(jī)煤流量雙目視覺(jué)測(cè)量[J]. 儀器儀表學(xué)報(bào)， 2021，41（8）：164-174.

YANG Chunyu， GU Zhen， ZHANG Xin， et al.Binocular vision measurement of coal flow of beltconveyors based on deep learning[J]. Chinese Journal ofScientific Instrument，2021，41（8）：164-174.

[10]曾飛，吳青，初秀民，等. 帶式輸送機(jī)物料瞬時(shí)流量激光測(cè)量方法[J]. 湖南大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，42（2）：40-47.

ZENG Fei，WU Qing，CHU Xiumin，et al. Measurementof material instantaneous flow on belt conveyors basedon laser scanning[J]. Journal of Hunan University（Natural Sciences），2015，42（2）：40-47.

[11]胡而已. 融合激光掃描與機(jī)器視覺(jué)的煤流量測(cè)量研究[J]. 煤炭工程，2021，53（11）：146-151.

HU Eryi. Coal flow measurement based on laserscanning and machine vision[J]. Coal Engineering，2021，53（11）：146-151.

[12]李淑軍，田昌勇，周傳揚(yáng). 基于結(jié)構(gòu)光的激光自動(dòng)焊接跟蹤研究[J]. 應(yīng)用光學(xué)，2023，44（6）：1280-1285.

LI Shujun， TIAN Changyong， ZHOU Chuanyang.Research on automatic laser welding tracking based onstructured light[J]. Journal of Applied Optics， 2023，44（6）：1280-1285.

[13]朱錚濤，裴煒冬，李淵，等. 基于遠(yuǎn)心鏡頭的激光三角測(cè)距系統(tǒng)研究與實(shí)現(xiàn)[J]. 激光與光電子學(xué)進(jìn)展，2018，55（3）：191-196.

ZHU Zhengtao，PEI Weidong，LI Yuan，et al. Researchand implementation of laser triangulation system basedon telecentric lens[J]. Laser amp; OptoelectronicsProgress，2018，55（3）：191-196.

[14]祝磊，韓自營(yíng)，阮宇靜，等. 基于機(jī)器視覺(jué)的輪胎胎面檢測(cè)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2018，39（6）：1782-1787.

ZHU Lei， HAN Ziying， RUAN Yujing， et al. Designand implementation of tire tread detection system basedon machine vision[J]. Computer Engineering andDesign，2018，39（6）：1782-1787.

[15]鄭彬，羅山，蔣銀成. 基于RGB 圖像處理的輪胎胎面缺陷檢測(cè)方法研究[J]. 制造業(yè)自動(dòng)化，2023，45（6）：35-38，49.

ZHENG Bin， LUO Shan， JINAG Yincheng. Researchon tire tread defect detection method based on RGBimage processing[J]. Manufacturing Automation，2023，45（6）：35-38，49.

[16]唐義杰，胡超，張倚瑋，等. 強(qiáng)椒鹽噪聲下的模糊邊緣自適應(yīng)中值濾波算法[J]. 電子制作， 2022， 30（16） ：89-91.

TANG Yijie， HU Chao， ZHANG Yiwei， et al. Fuzzyedge adaptive median filtering algorithm under strongsalt and pepper noise[J]. Practical Electronics， 2022，30（16）：89-91.

[17]劉傳洋，吳一全. 基于紅外圖像的電力設(shè)備識(shí)別及發(fā)熱故障診斷方法研究進(jìn)展 [J/OL]. 中國(guó)電機(jī)工程學(xué)報(bào)： 1-27[2024-04-12]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20240226.0957.002.html.

LIU Chuanyang， WU Yiquan. Research progress onpower equipment identification and heating faultdiagnosis methods based on infrared images[J/OL].Proceedings of the CSEE：1-27[2024-04-12]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20240226.0957.002.html.

[18]宋立彬，張淑艷. 基于機(jī)器視覺(jué)的煤流量快速檢測(cè)方法[J]. 煤炭技術(shù)，2023，42（9）：241-243.

SONG Libin，ZHANG Shuyan. Rapid detection methodof coal flow based on machine vision[J]. CoalTechnology，2023，42（9）：241-243.

[19]吳玉波，陳迪來(lái)，楊超，等. 基于Steger 算法的多線結(jié)構(gòu)光中心提取[J]. 應(yīng)用激光，2023，43（10）：188-195.

WU Yubo，CHEN Dilai，YANG Chao，et al. Multi-linestructured light center extraction based on improvedsteger algorithm[J]. Applied Laser， 2023， 43（10） ：188-195.

[20]陳哲，王生懷，鐘明. 3D 線激光相機(jī)的激光條紋中心提取方法[J]. 工具技術(shù)，2023，57（10）：155-160.

CHEN Zhe， WANG Shenghuai， ZHONG Ming. Laserstripe center extraction method for 3D line lasercameras[J]. Tool Engineering，2023，57（10）：155-160.

[21]胡石. 基于激光掃描的工業(yè)機(jī)器人焊接焊縫跟蹤方法[J]. 重慶科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2023，25（5）：69-75.

HU Shi. Study on welding seam tracking method ofindustrial robot based on laser scanning[J]. Journal ofChongqing University of Science and Technology（Natural Sciences Edition），2023，25（5）：69-75.

[22]王浩，趙小輝，徐龍哲，等. 結(jié)構(gòu)光視覺(jué)輔助焊接的軌跡識(shí)別與控制技術(shù)[J]. 焊接學(xué)報(bào)， 2023， 44（6） ： 50-57，132.

WANG Hao， ZHAO Xiaohui， XU Longzhe， et al.Research on trajectory recognition and controltechnology of structured light vision-assistedwelding[J]. Transactions of the China WeldingInstitution，2023，44（6）：50-57，132.

[23]南諾，侯作勛，曹東晶，等. 一種基于圖像形態(tài)學(xué)的深空?qǐng)D像模糊復(fù)原方法[J]. 航天返回與遙感， 2023，44（2）：101-108.

NAN Nuo， HOU Zuoxun， CAO Dongjing， et al. Deepairimage blur restoration method based on imagemorphology[J]. Spacecraft Recovery amp; RemoteSensing，2023，44（2）：101-108.

[24]田江云，溫欣，劉旭東，等. 基于改進(jìn)最小二乘法的橢圓形玻璃幕墻缺陷多傳感器融合檢測(cè)技術(shù)[J]. 無(wú)損檢測(cè)，2024，45（1）：28-32.

TIAN Jiangyun， WEN Xin， LIU Xudong， et al. Multisensorfusion detection technology for elliptical glasscurtain wall defects based on improved least squaresmethod[J]. Nondestructive Testing， 2024， 45（1） ：28-32.

基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（52375069）。