[发明专利]一种基于机器视觉的掘进机出渣监测方法

权利要求书

1.一种基于机器视觉的掘进机出渣监测方法，其特征在于，包括：

对出渣图像进行增强、去噪的预处理；

围岩出渣破碎程度监测步骤，对石渣的最大尺寸、最小尺寸和平均尺寸进行统计，提供当前掘进状况下的破碎围岩能力；

输送带负载监测步骤，通过检测出渣占整个皮带机的深度来评估当前皮带机的负荷情况；

以及围岩分类监测步骤，通过出渣表面特征，判断当前掘进围岩的状况；

其中，所述输送带负载监测步骤中：基于所述预处理过的出渣图像，通过识别输送带上滚轴的位置并连线，获得皮带边线，利用直线检测算法来识别出渣和传送带交界的切线，进而获得皮带上顶宽和出渣表面宽度，最后获得出渣的负荷程度；

所述围岩分类监测步骤中：

针对训练样本，采用聚类算法对围岩进行分类，针对所述预处理过的图像，画出图像灰度值直方图，提取图像灰度值直方图的平均灰度值、直方图的峰值作为聚类的输入变量，训练后获取每一类的质心点作为测试输入的分类准则；

当输入新图像的时候，先提取该图像的特征，包括图像灰度值直方图的平均灰度值、直方图的峰值，然后根据以下公式计算出该图像所属的类：

其中，Pi代表的是每一类的质心点；P表示的是当前输入图像的特征点；Pi.x表示每一类的质心点横坐标；Pi.y表示每一类的质心点纵坐标；P.x表示当前输入图像的特征点横坐标，P.y表示当前输入图像的特征点纵坐标，dis为当前特征点与类质心点的距离，以此作为分类的标准。

2.根据权利要求1所述的基于机器视觉的掘进机出渣监测方法，其特征在于，

所述围岩出渣破碎程度监测步骤：基于上述经过预处理后的出渣图像，首先对图像进行二值化处理，然后进行反色处理，最后通过标记图像中白色连通区域，找出面积最大的连通区域，去除边界白色区块，并画轮廓，中间白色区块即为渣块，计算所有中间白色区块面积的最大值、最小值、平均值以及标准差，通过统计渣块的大小评估出渣的破碎程度；

所述输送带负载监测步骤中，在完成出渣的破碎程度分析后，出渣的负荷程度计算公式如下：

H为皮带深度，可以根据如下公式计算负载：

其中，d表示的是负荷百分比，用于表征出渣皮带的负载情况，α为皮带机上表面与皮带侧边形成的角度，L1为出渣表面宽度，L2为皮带上顶宽。

3.根据权利要求1所述的基于机器视觉的掘进机出渣监测方法，其特征在于，所述预处理步骤具体为：首先对摄像头采集的出渣视频图像进行灰度变换，得到含有噪声的出渣梯度图像；然后，利用小概率策略和二维最大类间方差法对图像进行分割，得到出渣图像的各个区域：干扰噪声区域、纹理区域和平滑区域；最后，采用不同阶次的分数阶微积分掩模对各个区域进行处理，得到自适应去噪和增强后的出渣图像。

4.根据权利要求3所述的基于机器视觉的掘进机出渣监测方法，其特征在于，采用不同阶次的分数阶微积分掩模对各个区域进行处理，得到自适应去噪和增强后的出渣图像：根据分数阶G-L定义，当分数阶的v阶次是正数时为微分运算，当分数阶的v阶次是负数时为积分运算：

当v＞0时，G-L定义下v阶次的分数阶微分为：

其中，表示G-L定义下的分数阶微分算子，上标G-L表示G-L定义，上标v表示求v阶微分，下标a和t表示微分式的上界和下界，a为时间t的初值，h表示极限趋于0的一个数，j为一个变量，其取值为从0到(t-a)/h；f(t)表示出渣图像关于t的一维函数，f(t-jh)表示出渣图像关于t-jh的一维函数，h^-v表示h的负v次幂；

当v＜0时，G-L定义下的分数阶积分公式为：

其中，表示G-L定义下的积分算子；

将具有变化阶次的分数阶掩模与摄像头采集的图像进行卷积运算就可以得到增强后的出渣图像。

5.根据权利要求2所述的基于机器视觉的掘进机出渣监测方法，其特征在于，所述围岩出渣破碎程度监测步骤中，考虑到出渣视频图像的光线不均衡性，根据图像的分布特征，对出渣图像的不同部分采用分段阈值二值化，以最大限度标记出渣视频图像中的白色连通区域。