基于遗传算法的OTSU煤矿井筒裂缝快速识别方法

岳国伟 卢秀山 贾红果 刘如飞（山东科技大学,山东省青岛市,266590）



基于遗传算法的OTSU煤矿井筒裂缝快速识别方法

岳国伟 卢秀山 贾红果 刘如飞
（山东科技大学,山东省青岛市,266590）

摘要井筒巡检仪采集的井筒序列影像,占用存储空间达90G以上,数据量大,分析处理费时费力。最大类间方差法作为一种典型的图像自适应阈值分割方法,在进行图像分割时,存在计算复杂度高、时间消耗多、分割精度低等问题。为提高裂缝识别效率,提出了一种基于遗传算法的OTSU煤矿井筒裂缝快速识别方法,遗传算法用来提高迭代求解速度和计算效率。实验结果表明,本文方法不仅能缩短运算时间30%以上,而且能够快速准确识别井筒裂缝病害,提高井筒巡检的自动化程度。

关键词遗传算法 最大类间方差法 井筒巡检 裂缝识别

煤矿生产中,竖井井筒是人员上下、煤炭出井、物料收送的重要通道,是整个煤炭生产的安全出口。随着井筒服役年限的增加,井筒内部会出现一些井筒病害,如井壁裂缝等。目前井筒巡检主要采取人工巡检的方式,病害识别能力低,且存在较大人身安全隐患。为改善井筒巡检方式和手段,提高巡检自动化程度和病害识别能力,本文引入图像处理技术,对井筒裂缝进行自动识别。

关于图像裂缝目标识别,当前已有不少研究成果,研究领域主要集中在地铁隧道裂缝识别、道路路面裂缝检测、古建筑裂缝检测等。目前,对煤矿井筒图像裂缝识别还很少有人研究。井筒裂缝的出现不仅会降低井壁的抗渗能力,影响井筒正常使用功能,而且随着裂缝的发育扩散,会导致混凝土的碳化,降低材料的耐久性,影响井壁的承载能力,需要及时发现裂缝病害并进行修复治理。

本文依托青岛秀山移动测量有限公司研发的井筒巡检仪,进行竖井井筒图像采集。该巡检仪装配了高质量的工业组合相机,具有较高的图像分辨能力,能有效识别井筒细节信息,反映井筒的真实特征。巡检仪装载在井筒内的升降罐笼上,行进速度1 m/s,相机拍摄帧频4帧/s。以济宁二号煤矿副井为例,井筒深度630 m,一次巡检采集的序列影像达17096张,存储空间消耗93.6 G,采集频率高,图像数据量大。传统的OTSU进行数据处理时耗费大量运算时间,计算效率低,不能满足井筒巡检的实时性要求。本文结合遗传算法和最大类间方差法,提出了一种井筒裂缝快速提取方法,旨在提高井筒裂缝病害的识别能力。

1　OTSU方法原理

最大类间方差法,简称OTSU方法,是一种典型的自适应阈值分割方法。它是按图像的灰度特性,将图像分成背景和目标两部分。背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,使类间方差最大的分割意味着错分概率最小。OTSU通过计算不同阈值T条件下,背景和目标之间的类间方差,获取使得背景和目标类间方差最大的阈值T,从而实现图像目标和背景分割。

假定给定图像的灰度值范围是［1,L］,灰度值为i的像素数为ni,则图像总像素数为N＝,各灰度值存在的概率为,图像的平均灰度值为。最大类间方差的基本思路为:设灰度阈值T将原始图像划分为C0和C1,其中C0的灰度值区间为［1,T］,灰度值分布概率为;C1的灰度值区间为［T＋ 1,L］,灰度值分布概率为＝1－ω0,则这两个类的灰度平均值分别为× Pi）/ω0和μ1＝（i×Pi）/ω1,且满足式（1）所示约束条件。

OTSU方法计算C0、C1类间方差的函数如式（2）所示。

满足式（2）取值最大时的图像灰度分割阈值T,即为OTSU方法求得的最佳阈值Topt,如式（3）所示。

2　基于遗传算法的OTSU井筒裂缝快速识别方法

传统的基于OTSU的图像分割,需要遍历图像中所有灰度值,并进行方差计算,计算量非常大,搜索效率低,求解速度慢。针对此问题,本文提出了一种基于遗传算法的OTSU井筒裂缝识别方法,方法流程图如图1所示。

图1　基于遗传算法的OTSU井筒裂缝快速识别方法流程图

遗传算法作为一种基于自然选择和生物进化论的优化算法,具有并行工作能力和全局寻优的特点。基于遗传算法的OTSU井筒裂缝快速识别方法主要步骤如下。

2.1图像预处理

井筒图像采集时,由于井筒内部光照不足、煤炭粉尘、井下淋水等因素,导致井筒图像成像灰度不均、无明显边缘信息且存在噪声干扰。本文通过图像增强技术来改善井筒图像质量,一方面改善图像对比度,另一方面抑制图像噪声干扰。

（1）对比度改善:将灰度值狭窄的待处理图映射为一宽带输出,调节图像的对比度或动态范围。通过增强图像中灰暗部分,抑制图像中亮度大的部分,通过式（4）所示的变换实现。

式中:F（x,y）——原始图像;

Fmax和Fmin——分别为原始图像的最大、最小灰度;

d——新的动态范围值;

F0——偏移量。

目前较为常用的改善对比度的方法有线性函数法、对数函数法、幂次函数法等。

（2）噪声抑制:通过中值滤波来实现。滤波过程中,首先设定一个含有奇数个像素的窗口,然后根据一定规则使窗口在图像中平滑移动,窗口每到达一个位置,则将窗口中心点的灰度值替换为窗口内各点灰度值的中值。设有一个一维序列f0, f1,f2,…,fn－1,窗口长度为2m＋1,在某个位置上,窗口内的2m＋1个像素为fi－m, fi－m＋1,…,fi,…,fi＋m,则中值滤波公式如式（5）所示。

2.2编码

是将一个待求解的问题的实际可行解从其解空间转换到遗传算法所能处理的搜索空间的过程。由于图像灰度有0～255共256个灰度值,正好对应着计算机中一个8位二进制码,因此使用一个二进制位作为一个基因,一个字节作为一个染色体。对于染色体的解码正好是编码的逆过程,即字节由二进制到十进制的转换。若某个体的编码为b8b7b6b5b4b3b2b1,则对应的解码公式如式（6）所示。

2.3种群初始化

种群的规模不能选取过大也不能太小,其选取与实际问题有关。根据先验成果,初始规模一般为10～100之间。初始规模设置越大,算法执行越慢。考虑到图像大小,本文初始规模选为10,并随机初始化每一个染色体,得到10个不同的染色体,这实际上决定了解的初始值。不同的初始值,遗传算法取得最优解的收敛速度会有差异。

2.4评价函数

用来表征个体在种群中的适应程度。适应程度较高的个体会有更多繁殖机会,而适应程度较低的个体,繁殖机会将减少,甚至消失。在遗传算法中,一般通过评价函数来衡量某一个个体的适应度高低。本文以式（2）所示的OTSU判别函数作为每一个染色体的评价函数。对每个染色体的适应度函数值,当方差最大时,目标和背景差异最大,也就是此时的灰度是最佳阈值。

2.5选择算子

用于种群中选优,将优秀的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择是根据新个体的适应度进行,以适应度高低为导向。本文使用保存最佳个体策略法来进行选择操作。

2.6交叉算子

将种群内的个体随机搭配成对,对每一对个体,以某个概率遵循某一种规则交换它们之间的部分染色体,重组生成一个新染色体。交叉算子在遗传算法中起核心作用。通过交叉操作可以得到新一代个体,新个体组合了其父辈个体的特性,交叉体现了信息交换的思想。本文使用双点交叉策略,即在相互配对的个体中,随机设置2个交叉点,然后进行基因相互置换,交换2个交叉点之间的部分编码基因。

2.7变异算子

变异是指种群个体中一个或多个基因按照较小的概率而发生变化,这也是形成新个体的一种有效途径。变异为新个体的产生提供了机会。

3　实验

3.1实验概况

本文实验对象为济宁二号煤矿实地采集的井筒图像,采集时间2015年8月12日。井筒巡检仪采集的井筒序列影像,拼接后整体效果及部分裂缝病害分布如图2所示。从井筒图像中可以看出,由于巡检仪是在罐笼中工作,而不是紧靠井筒内壁拍摄,因此在采集的井筒图像中有井壁附属物成像等噪声干扰。图像中包含多个井筒裂缝,裂缝识别的重要任务是快速识别出裂缝图像并进行标注。

图2　井筒裂缝病害示意图

3.2井筒裂缝识别

图3是使用本文裂缝识别方法,对济宁二号煤矿副井井筒进行单裂缝提取的整个过程。裂缝提取过程中,首先要对原始井筒图像进行灰度变换,然后要进行图像预处理,包括中值滤波如图3（b）所示、灰度二值化如图3（c）所示、删除噪声如图3（d）所示等,其中中值滤波是为了保持图像细节和边缘的前提下,滤除图像中的散乱噪声点,如椒盐噪声等,而删除噪声点的作用是为了删除提取出来的微小连通区域,这些连通区域在图像中作为孤立的噪声块,会对后续裂缝提取起到干扰作用。预处理中的二值化操作,不是简单的全局二值化处理,往往要结合图像直方图分布和灰度离散情况,划分不同区域而进行局部二值化处理,这样得到的图像才能保持较好的提取效果如图3（c）所示。

裂缝粗分割后见图3（e）,图像中仍然会存在大量的伪裂缝信息,这时还需要对裂缝图像进行进一步去噪操作。使用王耀东等提出的联通区域滤波方法除去伪裂缝后,能够得到裂缝信息并标注出来如图3（f）所示。

图3　井筒单裂缝提取示意图

煤矿井筒裂缝有时呈水平横向分布,有时呈竖直纵向分布,有时横向和纵向错综交叉呈网状分布。图3为横向单一裂缝提取过程,图4为纵向多裂缝提取示意图。从图中可以看出,裂缝图像与常规裂缝不同,此处的裂缝因长期氧化作用,在裂缝边缘布满了碱物质,在图像中灰度值呈现出白色。在这种情况下,预处理操作中还需要进行一次反色操作。裂缝提取效果如图4（c）所示。

图4　多裂缝提取示意图

3.3性能分析

根据图像大小和灰度分布,实验中有关遗传算法的参数设置:染色体长度设置为8,种群大小设置为10,交叉概率初始化为0.7,变异概率初始化为0.4,最大代数初始化为150。当进化到末期的时候调整变异概率为0.3,种群规模以3%速度减少。算法运行中,初始化种群不需要人工设置,均由计算机随机生成。不同的初始种群数值,对进化速度和迭代次数有一定影响。

表1　引入遗传算法前后的OTSU方法性能比较

算法代码基于Opencv3.0开发平台,编程语言C＋＋,运行硬件环境:CPU为Intel（R）Core （TM）,主频3.66 GHz,内存8 GB,操作系统为Windows 7.0。传统OTSU方法在求解最佳阈值时,对每一个灰度值必须都要计算方差,当所有灰度值计算完成后比较找到最大的方差及对应的灰度值,计算复杂度大,时间消耗多。假设每一个灰度值计算方差的时间为T,则OTSU总的计算时间复杂度为256T。大量实验表明,引入遗传算法后的裂缝提取过程中,当繁衍代数最多达到20时,已达到最佳的结果,其评价函数也达到最大值,根据遗传算法的特点,此时的解已经达到了最优解。从表1可以看出,5种不同初始种群的计算时间分别为101T、54T、132T、89T、102T,分别比传统的计算时间节约时间开支41.0%、35.9%、30.5%、48.4%、44.5%。济宁二号煤矿副井井筒一次完整的井筒巡检采集的序列影像,采用传统的OTSU进行裂缝检测需要耗时541 min,约9 h,而采用本文方法后耗时349 min,约5.8 h,节约时间3 h以上。

4　结语

本文基于遗传算法和最大类间方差法,提出了一种新的井筒裂缝图像快速识别和提取方法,遗传算法的引入,有效解决了OTSU图像分割时运算效率低的问题。通过实验可以看出,本文提出的裂缝识别方法能准确识别井筒裂缝,并进行自动标注和裂缝量测,且算法运算时间比传统的OTSU方法节约30%以上。后续的工作中,做好井筒图像数据索引,建立井筒巡检历史大数据,比对多期数据变化,分析裂缝病害发育趋势,是下一步的研究重点。

参考文献:

［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］Valença 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］刘晓瑞,谢雄耀.基于图像处理的隧道表面裂缝快速检测技术研究［J］.地下空间与工程学报,2009 （5）

［5］王耀东,余祖俊,白彪等.基于图像处理的地铁隧道裂缝识别算法研究［J］.仪器仪表学报,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］奥村运明,林颖文,李宁等.数字图像技术在古建筑裂缝监测中的应用［J］.河南科学,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］巩敦卫,陈健.基于精英集选择进化个体的交互式遗传算法［J］.电子学报,2014（8）

［16］范青武,王普,高学金.一种基于有向交叉的遗传算法［J］.控制与决策,2009（4）

（责任编辑张大鹏）

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

作者简介:岳国伟（1982－）,讲师,大地测量学与测量工程博士生,研究方向为模式识别,数字图像处理,点云数据处理等。

中图分类号TD535

文献标识码A