基于爆堆煤岩图像边缘优化检测算法的大块率评价方法

张鹏飞; 余志炎; 白润才; 费鸿禄; 袁永

doi:10.12404/j.issn.1671-1815.2507275

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (27) :11674-11684 DOI: 10.12404/j.issn.1671-1815.2507275

矿冶工程

基于爆堆煤岩图像边缘优化检测算法的大块率评价方法

张鹏飞 ¹ ,
余志炎 ¹^,^* ,
白润才 ² ,
费鸿禄 ³ ,
袁永 ⁴

作者信息 +

Method for Evaluating Large Block Rates Based on Edge-optimized Detection Algorithm for Blasted Coal-rock Images

Author information +

文章历史 +

摘要

爆堆大块率是评价爆破效果的核心指标,爆堆大块率的检测与识别技术可对矿山爆破质量进行快速量化与反馈。针对矿石块度识别图像存在伪边缘或边缘缺失,导致矿山大块率测量精度偏低的问题,提出一种基于Canny算子的大块率测定方法。以元宝山露天矿的爆堆图像作为数据源,首先利用统计滤波算法解决图像边缘缺失问题,随后采用自适应阈值算法与3×3梯度边缘检测算法完成图像分割,再通过形态学膨胀腐蚀算法去除伪边缘,进一步对两种分割结果进行融合,最后通过自然迭代、形态闭合与细化处理补全矿石图像的不连续边缘,优化分割效果。研究结果表明,该方法可实现图像的精准分割,有效提升爆破大块率检测结果的准确性。

Abstract

The establishment of fast and efficient blasting fragmentation detection technology and identification method can quickly quantify and feedback the blasting effect. Aiming at the false edges or missing edges in the edge detection operator of blasted ore images, an improved Canny operator edge detection method was proposed in this paper.Using images of blast piles from Yuanbaoshan open pit mine as the data source, firstly, statistical filtering was used to improve the image edge blur problem that may be caused by Gaussian filtering when denoising; secondly, the gradient amplitude and gradient direction of the burst image were calculated based on the 3×3 gradient template of the operator; finally, based on the natural iteration method, the image threshold was automatically obtained, and the discontinuous edge was repaired by the morphological closing operation and thinning operator to obtain the final detection edge.The results demonstrate that this method achieves precise image segmentation, enhancing the accuracy of large block rate detection in blasting operations.

Graphical abstract

关键词

爆破大块率 / 矿石块度 / 统计滤波算法 / 自适应阈值算法 / 自然迭代

Key words

blast fragmentation / ore image / statistical filtering / adaptive thresholding algorithms / natural iteration method

引用本文

引用格式 ▾

张鹏飞, 余志炎, 白润才, 费鸿禄, 袁永. 基于爆堆煤岩图像边缘优化检测算法的大块率评价方法[J]. 科学技术与工程, 2026, 26(27): 11674-11684 DOI:10.12404/j.issn.1671-1815.2507275

ZHANG Peng-fei, YU Zhi-yan, BAI Run-cai, FEI Hong-lu, YUAN Yong. Method for Evaluating Large Block Rates Based on Edge-optimized Detection Algorithm for Blasted Coal-rock Images[J]. Science Technology and Engineering, 2026, 26(27): 11674-11684 DOI:10.12404/j.issn.1671-1815.2507275

登录浏览全文

4963

注册一个新账户忘记密码

露天矿煤岩爆破效果的实时精确评价是爆破开采过程的核心内容,其中一个关键性的指标就是爆破大块率^[1]。实时、快速、准确地检测大块率,对评价爆破效果、优化爆破参数、降低损失率与贫化率、提高矿山效益具有重要的现实意义。

近年来,图像处理和检测技术被研究学者广泛应用研究^[2]。张晨阳等^[3]针对传统的图像边缘检测算法在对图像进行识别和检测时,处理存在边缘轮廓不清晰不全面、对噪声敏感等问题,利用分数阶微分理论提出一种新的图像边缘检测方法。然而此次算法未能消除因光照引起的矿石图像表面阴影,无法实现矿石图像的有效分割;丁倩雯^[4]利用改进的Harris角点检测算法对图像分割中存在的欠分割问题进行了针对性分析,并取得了较为理想的结果;但是仍存在因目标矿石与背景特征相似而导致的误分割现象;为解决误分割,研究人员引入边缘检测对矿岩的灰度以及爆堆的表面岩石形状不规则性进行处理。传统的边缘检测方法^[5]有Rober算子、Sobel算子等二阶微分算子以及Prewitt算子、Sobel算子等三阶模板算子。这些算子是通过卷积运算得出图像灰度加权值,并将该值作为待测点的灰度值来确定边缘点。但是确定图像边缘的点时,单个像素点的灰度值无法确定边缘点。上述方法被研究人员引入到爆堆煤岩的边缘检测问题的分析当中,但是实际应用过程中却发现类似方法在处理图像时会出现细节丢失等问题。实践表明Robert算子、Prewitt算子等在噪声控制方面则相对较弱,并且会丢失相似度比较相近的区域边界;在露天矿智能化算法逐渐成熟的大背景下,以往传统的图像分割技术很难满足实时统计的要求,因此,有部分研究人员尝试对矿石目标分割算法进行优化和改进,其中一个主要方向就是引入深度神经网络,但其在岩石断口图像识别上仍面临主观性强和特征复杂等问题。张艳博等^[6]为了提高岩石断口图像识别的准确性,提出一种改进的InceptionV3模型,该模型融合了Self-Attention与双线性注意力机制,对局部和全局特征进行提取,结合特征拼接融合技术,提升模型有效特征的提取能力,实现岩石断口图像识别。但是这种深度神经网络在计算过程中常常对硬件设施有较高的要求,并且计算过程中需要消耗更多的时间,否则将难以获得理想精度的分割效果,此类缺陷也使得这种神经网络为基础的分割算法很难应用在复杂场景下爆破大块率实时检测的场景。图像处理对所处理的图像要求较高,在实际中,矿石图像分割效果受光照条件、目标密集性及边缘对比度低等因素制约,致使大块率检测精度偏低^[7]。

为进一步解决复杂场景下基于爆堆煤岩图像边缘的大块率检测问题,以元宝山露天矿爆破煤岩图像为数据源,采用搭载单镜头的小型无人机对元宝山露天矿爆破后的爆堆进行图像快速采集,在无需灰度转换的情况下即可产生更佳的对比效果,随后利用统计滤波算法去除特征增强后的图像噪声,然后分别采用自适应阈值算法和整体嵌套边缘检测算法初步分割煤岩图像,再利用形态学和去除连通域算法去除因煤岩表面纹理形成的分割孔洞,进一步融合两种分割结果实现亮度均衡化,最终达到煤岩图像的优化分割,准确检测大块像素点,实现露天矿爆破后大块率的精确检测,并开发智能APP识别大块率,为爆破效果智能评价提供技术支持。

1 图像采集

无人机遥感技术^[8-10]具有成本较低、采集灵活度高等特点,能够在较小区域内获得高质量的图像,除此之外,无人机遥感测量方式要比传统的人工测量效率更高。近年来,在地质勘察过程中多处使用的低速小型无人机已经成为一种相对成熟的地形快速测量方法。Stumpf等^[11]利用无人机对表面地形和裂隙图像进行了有效采集,并且借助于各种图像后处理方法和滤波方法实现了对图像边缘的有效检测,进一步对边坡裂缝发育的过程进行实时跟踪和预测。

通过飞行测试,在保证试验有效和准确的基础上,选取三个不同爆堆进行测试,爆区参数如表1所示。选用大疆Air 2S无人机对三个爆堆分别进行航测,调整无人机自带相机镜头垂直水平面对爆堆矿岩展开总计30次的航拍摄影。

其中大疆Air 2S无人机航测参数如表2所示。大疆Air 2S无人机相机影像传感器的参数为1英寸,有效像素为2 000万,镜头参数为:FOV(视场角)88°,等效焦距22 mm,光圈f/2.8,焦点范围0.6 m至无穷远。照片最大分辨率:5 472×3 078(16∶9)或5 472×3 648(3∶2)。

通常会将相机的相框控制点设置在测试区域内,并且必要时在区域的转角处会设置相应的加密处理点,目的就是对该测试区域内的精度进行及时跟踪和检查。在DJI Fly飞控软件APP界面上可以对包括飞机状态在内的多种参数进行实时查看,具体如表3所示。

确保无人机在数据采集过程中的安全性,同时结合拍摄区域的实际作业情况,最终将飞行高度控制在80 m。数据来自元宝山露天矿北帮356、368、380平盘爆破开采搜集的数据。目前,元宝山露天煤矿开采位置为英金河以南的二采区,开采煤层为五、六煤,最低开采标高为+332 m。露天矿区走向长的平均值达到4.68 km;倾向宽的平均值为2.56 km,面积为12 km²。在露天开采范围内,剥离物除第四系表土外,主要是砾岩、砂岩和部分泥岩,剥离岩石一般普氏硬度系数为2~3。随着开采深度加大,开挖揭示出新的地质条件。为确保岩体爆破开采质量,需对爆破效果进行实时评价,从而为露天矿的爆破提供合理的参数。具体工程概况如图1所示。采用垂直摄影方式对爆堆进行图像采集,如图2所示。

2 方法与原理

2.1 统计滤波降噪

采用高斯滤波器算法进行图像的平滑处理,保留真实的边缘。通过平滑去噪和阈值确定方法对传统算法进行改进,利用均值、方差来进行滤波去噪,在0.7~1.5采用迭代法确定统计滤波的阈值以取代人工确定阈值,减少人为因素。借助高斯函数作为图像边缘处理的基函数,提出改进后的Canny算子,降低噪声对滤波函数的影响。

采用常见的RGB数字图像^[12-15]进行处理,将图像中每种像素信息由红、绿、蓝通道的3种色彩度组成,并用3个离散函数f_k (i,j)(i,j代表笛卡尔系统中的位置)表示为

(1)

$\left[\begin{array}{llll}\mathit{f}\left(\mathrm{1,1}\right)& \mathit{f}\left(\mathrm{1,2}\right)& \dots & \mathit{f}(1,\mathit{M})\\ \mathit{f}\left(\mathrm{2,1}\right)& \mathit{f}\left(\mathrm{2,2}\right)& \dots & \mathit{f}(2,\mathit{M})\\ \mathit{︙}& \mathit{︙}& \mathit{ }& \mathit{︙}\\ \mathit{f}(\mathit{N},1)& \mathit{f}(\mathit{N},2)& \dots & \mathit{f}(\mathit{N},\mathit{M})\end{array}\right]$

首先在图像RGB模型中,令R(curcolor)=G(curcolor)=B(curcolor),采用式(2)灰度转换:

(2) Gray(i,j)=0.299R+0.589G+0.114B

式(2)中:Gray(i,j)为图像进行转换后的灰度图像中点(i,j)所在位置的灰度值。

经灰度处理后的图像,采用均值和方差的统计性质对滤波去噪。将方差作为平滑去噪的参数,排除外界因素对平滑去噪的干扰。基于像素点x(i,j)已知的前提下,对其周围边缘像素点进行方差和均值的求解,分别表示为μ(均值)和σ²(方差)。即

(3)

$\left\{\begin{array}{l}\mathit{\mu }=\frac{1}{\mathit{N}}{\sum }_{(\mathit{i},\mathit{j})\in \mathit{w}}^{}\mathit{x}(\mathit{i},\mathit{j})\\ {\mathit{\sigma }}^{2}=\frac{1}{\mathit{N}}{\sum }_{(\mathit{i},\mathit{j})\in \mathit{w}}^{}[\mathit{x}{(\mathit{i},\mathit{j})-\mathit{\mu }]}^{2}\end{array}\right.$

式(3)中:N为邻域中像素的个数;w为局部领域窗口。

爆堆岩块的图像在采集过程中不可避免会受到周围环境的干扰,因此,对边缘检测应选取滤波去噪的算法,这样可以去噪且使得图像边缘清晰可见。

2.2 图像分割法

图像分割方法的基本原理如图3所示,其实现过程可以概括为:首先对图像内不同区域的亮度分布进行测算,基于测算结果换算出对应的局部阈值T,然后对图像进行完全的二值化处理^[16-18]。

以(x,y)为中心的滑动窗口为例,在改变滑动窗口(3×3,5×5,7×7)尺寸的前提下,可以通过对比不同窗口的图像分割效果,发现滑动窗口对于算法分割的最终效果产生的影响有限,其中分割效果最佳的窗口尺寸为3×3,这也是后续煤岩图像二值化处理的窗口。

对平滑后图像的梯度幅值和梯度方向采用3×3邻域内的一阶差分算子来计算每一个像素点(x,y)的梯度幅值M和梯度方向θ,公式为

(4)

$\left\{\begin{array}{l}{\mathit{G}}_{1}(\mathit{x},\mathit{y})=\mathit{f}(\mathit{x}+1,\mathit{y}+1)-\mathit{f}(\mathit{x}-1,\mathit{y}-1)+\\ \mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{f}(\mathit{x},\mathit{y}+1)-\mathit{f}(\mathit{x}-1,\mathit{y})+\\ \mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{f}(\mathit{x}+1,\mathit{y})-\mathit{f}(\mathit{x},\mathit{y}-1)\\ {\mathit{G}}_{2}(\mathit{x},\mathit{y})=\mathit{f}(\mathit{x}-1,\mathit{y}+1)-\mathit{f}(\mathit{x}+1,\mathit{y}-1)+\\ \mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{f}(\mathit{x}-1,\mathit{y})-\mathit{f}(\mathit{x},\mathit{y}-1)+\\ \mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{　}\mathit{f}(\mathit{x},\mathit{y}+1)-\mathit{f}(\mathit{x}+1,\mathit{y})\mathit{ }\\ \mathit{M}(\mathit{x},\mathit{y})=\sqrt{{\mathit{G}}_{1}^{2}(\mathit{x},\mathit{y})+{\mathit{G}}_{2}^{2}(\mathit{x},\mathit{y})}\\ \mathit{\theta }(\mathit{x},\mathit{y})=\mathit{a}\mathit{r}\mathit{c}\mathit{t}\mathit{a}\mathit{n}\frac{{\mathit{G}}_{2}(\mathit{x},\mathit{y})}{{\mathit{G}}_{1}(\mathit{x},\mathit{y})}\end{array}\right.$

式(4)中:G₁(x,y)为45°方向偏导数;G₂(x,y)为135°方向偏导数;M为梯度幅值;θ为梯度方向。

计算该滑动窗口内的均值μ和方差σ²,公式为

(5)

$\left\{\begin{array}{l}{\mathit{\mu }}_{\mathit{x}\mathit{y}}=\frac{1}{\mathit{N}}{\sum }_{(\mathit{i},\mathit{j})\in \mathit{w}}^{}\mathit{x}(\mathit{i},\mathit{j})\\ {\mathit{\sigma }}_{\mathit{x}\mathit{y}}^{2}=\frac{1}{\mathit{N}}{\sum }_{(\mathit{i},\mathit{j})\in \mathit{w}}^{}\left[\mathit{x}\right(\mathit{i},\mathit{j})-{\mathit{\mu }}_{\mathit{x}\mathit{y}}{]}^{2}\end{array}\right.$

将图像中的所有像素点进行滤波去噪,像素点的3×3邻域矩阵表示为

(6)

$\left[\begin{array}{lll}\mathit{x}(\mathit{i}-1,\mathit{j}-1)& \mathit{x}(\mathit{i}-1,\mathit{j})& \mathit{x}(\mathit{i}-1,\mathit{j}+1)\\ \mathit{x}(\mathit{i},\mathit{j}-1)& \mathit{x}(\mathit{i},\mathit{j})& \mathit{x}(\mathit{i},\mathit{j}+1)\\ \mathit{x}(\mathit{i}+1,\mathit{j}-1)& \mathit{x}(\mathit{i}+1,\mathit{j})& \mathit{x}(\mathit{i}+1,\mathit{j}+1)\end{array}\right]$

将像素点灰度值和均值差值的绝对值用A、B表示为

(7)

$\left\{\begin{array}{l}\mathit{A}=\left|\mathit{x}\right.(\mathit{i},\mathit{j})-\left.\mathit{\mu }\right|\\ \mathit{B}=\mathit{\sigma }\mathit{M}\end{array}\right.$

若A≤B,则该点的像素值被保留;若A>B,则用求出的均值代替该点的像素值。基于灰度迭代法确定统计滤波的阈值M,在图像的灰度范围(0,i-1)内取平均最大和最小灰度级,将其设置为初始阈值T,将图像分成最大灰度级与最小灰度级来计算两部分灰度均值为新的阈值T_n,持续迭代直至|T_n-T|<0.5阈值T_n即为迭代阈值,平均灰度μ₁、μ₂可表示为:

(8)

$\left\{\begin{array}{l}{\mathit{\mu }}_{1}=\sum _{\mathit{i}=0}^{\mathit{T}-1}\mathit{i}{\mathit{n}}_{\mathit{i}}/\sum _{\mathit{i}=0}^{\mathit{T}-1}{\mathit{n}}_{\mathit{i}}\\ {\mathit{\mu }}_{2}=\sum _{\mathit{i}=\mathit{T}-1}^{\mathit{i}-1}\mathit{i}{\mathit{n}}_{\mathit{i}}/\sum _{\mathit{i}=\mathit{T}-1}^{\mathit{i}-1}{\mathit{n}}_{\mathit{i}}\end{array}\right.$

式(8)中:n_i为灰度级的个数。

基于图像去噪算法、图像分割算法、融合算法及其优化算法,提出煤岩图像分割优化算法,用以检测露天矿爆堆大块率,具体流程如图4所示。

通过无人机采集露天矿爆破图像,采用统计滤波去除图像噪声,结合自适应阈值、膨胀、腐蚀等运算学分割图像,准确统计像素点个数及位置,提高准确率及效率,图像的轮廓线具有连续性且线段特征区别明显,符合人类视觉习惯,提出煤岩图像边缘优化检测算法的大块率统计方法,算法的代码源如下。

具体框架如图5所示。

2.3 图像边缘检测软件

利用C++语言实现,开发工具选为VS2010,使用Python代码实现算法,改进Canny算法进行图像边缘检测优化,其中,开发程序界面如图6所示。具体算法步骤如下。

(1)原图经过统计滤波去噪后,计算对角线梯度图像,若中心元素小于沿梯度方向上的灰度值则为目标边缘,对应位置应被保留;反之则需将其排除在分析范围内。

(2)同上述操作,以保留后的图像作为基础边缘图像,使用迭代法求得阈值,连接边缘位置,进一步得到经过图像边缘检测以后的结果。

(3)获得目标区域与周围背景之间的清晰界限之后,即可利用图像分割算法将目标区域从背景中剥离出来,从而实现对爆堆煤岩块度图像的像素点准确检测。

测试图像绘制了灰度分布直方图,该图能以更直观具体的形式展示图像信息中的灰度分布,如图7所示。图7表明经灰度转换后的图像能更完整覆盖整个灰度范围(0,255),且图像中高灰度值与低灰度值的差异显著。因此可推断,该测试图的灰度图像在无需灰度转换的情况下即可产生更好的对比效果。图像中高灰度值与低灰度值的差异明显。原始测试图的灰度图像无需进行灰度直方图均衡化处理即可产生更好的对比效果。

3 煤岩图像分割结果与分析

3.1 煤岩图像分割结果

为了证明本文所提出的图像处理算法在实际应用过程中具有足够的有效性,通过计算算法运行时间等形式来对算法的科学性和有效性进行评价。选取元宝山露天矿爆破后块度进行图像识别,如图8所示,在检测效果和准确性方面对改进算法进行定性分析。

灰度处理后的图像中存在大量噪声,严重影响图像边缘检测识别,采用统计滤波去除噪声。为避免主观因素影响,采用自然迭代确定滤波阈值,具体操作流程如图9所示。

以368平盘东炮区爆堆图像为例,检测爆堆大块率。分割实验表明:灰度阈值噪声过滤较少,虽对噪声的平滑处理效果较好,但岩块表面边缘连接时有许多伪边缘现象[图10(a)、图10(b)]。阈值过低会导致视觉效果差,产生伪边缘的现象,无法正确识别边缘;阈值过高可能会使图像边缘信息缺失,进而影响研究人员对图像边缘特征的准确判断。在0.7~1.2范围内采用自然迭代的阈值取代人工确定阈值,可减少人为干扰,迭代法确定的阈值图像[图10、图11(c)]较好地还原原图,保护边缘区域,平滑岩块图像的局部噪声,处理后边缘清晰,边缘的判断较为准确,同时保留目标区域,实现露天矿图像边缘细节与纹理特征,兼具良好的降噪效果。其线段连续性特征符合日常视觉习惯存在较大的相似性,并且与原图相似。该方法较好地实现了露天矿图像边缘细节和纹理特征,同时具有优良的降噪效果。

根据最小相应的准则可知,按表4中两次不同的边缘检测阈值,统计图10、图11中的边缘点的个数。当阈值过高的情况下,边缘检测结果中分别有25 175、13 114个边缘像素点,而阈值过低时,结果中有37 234、24 429个边缘像素点,而对于改进算法的边缘检测结果中有30 971、18 477个边缘像素点,接近于传统算法中边缘点总数的平均水平。最终改进后的阈值125,效果较理想,接近于传统算法中边缘点总数的平均水平。

为进一步对实验效果的有效性进行评价,本文在研究工作开展过程中,进一步利用包括均方误差在内的多个参数来衡量图像检测算法的具体效果。例如,目前学术界针对图像噪声去除效果的评价主要是通过峰值信噪比参数来实现,通常认为峰值信噪比数值与其降噪效果之间呈现正相关关系,也就是噪声去除效果越好的图像峰值信噪比越大。其他类似参数的计算结果如表5和表6所示。

从表5和表6可以直观分析得出,改进后的算法检测煤岩边缘图得到的原图像和检测图像的均方根误差MSE值均小于过低、过高阈值下MSE值,较完好地保留原图的特征;改进算法进行边缘检测处理后得到的峰值信噪比PSNR值,均大于不合适阈值下的PSNR值,分别为12.1、13.5 db,说明原图经检测后,边缘失真程度较小,和原图相比很接近。

(9)MSE=$\frac{1}{\mathit{M}\mathit{N}}\sum _{\mathit{x}=0}^{\mathit{M}-1}\sum _{\mathit{y}=0}^{\mathit{N}-1}\left[\mathit{f}\right(\mathit{x},\mathit{y})-{\mathit{f}}_{1}{(\mathit{x},\mathit{y})]}^{2}$

(10)PSNR=10lg$\frac{{255}^{2}}{\mathit{M}\mathit{S}\mathit{E}}$

式中 :f(x,y)、f₁(x,y)分别为边缘检测前、后的图像像素点。

在准确检测图像像素点的基础上,结合破碎机口径93 cm×58 cm和比例系数k定义多于245 390个像素点的目标矿石为大块,准确统计像素点后便可得到大块率。破碎机的效率会受到煤岩爆堆块度的显著影响,这就意味着可以通过对煤岩爆堆块度的有效调节来提高相应的效率。另一方面,减少煤岩块拱起等问题的出现概率,可以大大缩短设备卡机的时间,因此,针对煤岩爆堆块度分布特点进行分析,对于提升破碎机的工作效率具有较积极的影响。所以,煤岩爆堆块度分布的特点与破碎机的生产能力之间存在着一定的关系。利用图11中煤岩目标轮廓换算得到的煤岩的像素点个数,检测多于大块像素点个数的目标岩石,其中有岩石像素点个数多于245 390(标定为大块),具有314 517个像素点,结果显示测量区域内的像素点个数达到了2 315 410个,进一步可以获得煤岩大块率为13.58%。

3.2 算例验证

本次分析对象选取采场368~404平盘台阶深孔微差松动爆破作为研究分析,采场368平盘共99个炮孔,本次爆破作业区域范围长200 m,宽20 m,爆破区域地质条件为灰砂泥岩,属于极易爆岩体,选择单耗0.21 kg/m³,孔网参数5 m×8 m,使用乳化炸药约为11 227 kg,孔深13.5 m进行现场爆破试验,如图12所示。具体装药结构参数、炸药量以及起爆参数如表7、表8所示,其他平盘的装药结构不再赘述。

如图13所示为孔深13.5 m时标准装药结构图,当孔深发生变化但满足装药要求时,可适当调整中间空气段。在元宝山露天煤矿进行了现场煤层爆破试验,如图14所示。

通过图像识别方法,分别检测368~404平盘不同炮区爆堆大块率结果,便于通过检测方法分析爆破参数,按照煤岩抛掷的轨迹,初步将不同爆破区域的煤、岩按照高度分布分成上、中、下,如图15所示。将高度从小到大分为0~4 m、4~9 m、9~13.5 m,编号i=1, 2, 3。

如表9所示为各个爆破区域范围内煤块质量百分比(图像中大块的像素点)变化特征。结合破碎机口径93 cm×58 cm和比例系数k,定义多于245 390个像素点的目标矿石为大块,准确检测大块像素点后,与测量区域总像素点作比,便可得到上、中、下岩石抛掷后的大块率。各区域内煤层爆破堆不同位置处的大块率及平均大块率的变化如图16所示。

根据图16中各区域的划分方法可知,各区域编号中,上部区域大块率偏高,但有时会低于底部大块,处于上部的煤岩,不仅受爆破作用,而且位于上部的煤岩在重力势能转化为动能的过程中,也会产生破坏,因此大块率有时会低于下部的煤岩大块率;中部大块率偏低,接近炮孔装药段位置,下部大块率较大,底部因为夹制作用,使得煤岩大块率上升。

3.3 基于大块率分布的爆破工艺参数评价

对元宝山露天矿爆破方案的评价,从爆破后大块率特征是否有效控制煤岩铲装进行评价。研究人员在评价爆破方案是否合理的过程中,通常会从以下三个原则着手。

第一原则,煤的块度百分比的控制。从元宝山露天煤矿角度出发,在确保生产活动足够安全的前提下,如何对矿坑的污染进行合理控制就是相关人员面临的棘手问题,也是评价爆破方案是否合理科学的一个重要原则。

第二原则,块状煤质量百分比超过一半。上述原则对于评价爆破开采效率非常关键,同时也被视为单次破碎达到要求的重要指标,进一步确保无需进行二次破碎。

第三原则,大块煤质量百分比的控制。上述原则可以被视为后续二次爆破成本的重要衡量标准。

根据以上原则,从图16可以看出,各区域内块状煤的平均大块百分比均在10%~20%,其中,区域6下部块煤的大块百分比接近30%,均未超过50%,因此理论计算得到368~404平盘的单耗值,进行实际爆破试验效果理想,整个爆破方案能够满足第二个原则;但有些区域煤的大块百分比甚至低于10%,这将对矿坑产生严重的粉尘污染,因此不能较好地满足第一原则,也就是由于爆炸所造成的粉尘污染问题,长期无法得到有效解决。

4 结论

以元宝山露天矿爆破煤岩爆堆图像为数据源,采用搭载单镜头的小型无人机对爆堆进行图像快速采集,随后利用统计滤波算法去除特征增强后的图像噪声,然后分别采用自适应阈值算法和整体嵌套边缘检测算法初步分割煤岩图像,再利用形态学和去除连通域算法去除因煤岩表面纹理形成的分割孔洞,进一步融合两种分割结果,最终实现煤岩爆堆图像的优化分割。准确检测像素点,结合矿山破碎机口径93 cm×58 cm和比例系数k,定义多于245 390个像素点的目标矿石为大块,通过像素点统计检测大块率,并得到如下结论。

(1)对爆堆的图像进行预处理和平滑处理,同时对图像进行增强,突出图像的重点,便于边缘检测。对爆堆图像进行灰度迭代计算确定阈值以减少人为干扰,根据均值和方差进行统计滤波去噪,最后提出统计滤波法+自然迭代法的边缘检测方法。该方法可准确去除图像噪声,提高煤岩图像分割准确性,为爆破效果智能评价提供技术支持。

(2)依据各区域的台阶划分上部、中部、下部,通过基于煤岩图像边缘优化检测算法的大块率检测方法,得到上部区域大块率偏高,其次是下部,中部大块率最低。表明上部煤岩受爆破作用较小,上部装药段偏短,应适当调整装药结构;其次,下部大块率偏高,主要可能是底部存在夹制作用,使得下部的煤岩大块率上升,应适当调整底盘抵抗线。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	薛珊, 张亚亮, 吕琼莹, 等. 复杂背景下的反无人机系统目标检测算法[J]. 吉林大学学报(工学版), 2023, 53(3): 891-901.

[2]	Xue Shan, Zhang Yaliang, Lü Qiongying, et al. Anti-unmanned aerial vehicle system object detection algorithm under complex background[J]. Journal of Jilin University (Engineering and Technology Edition), 2023, 53(3): 891-901.

[3]	Zhang X, Nguyen H, Choi Y, et al. Novel extreme learning machine-multi-verse optimization model for predicting peak particle velocity induced by mine blasting[J]. Natural Resources Research, 2021, 30(6): 4735-4751.

[4]	张晨阳, 曹艳华, 杨晓忠. 一种基于改进Canny算法的图像边缘检测新方法[J]. 计算机仿真, 2023, 40(7): 382-386.

[5]	Zhang Chenyang, Cao Yanhua, Yang Xiaozhong. A new method for image edge detection based on improved canny algorithm[J]. Computer Simulation, 2023, 40(7): 382-386.

[6]	丁倩雯. 基于图像特征分析的冰雹检测方法研究[D]. 南京: 南京信息工程大学, 2023.

[7]	Ding Qianwen. Research on hail detection methods based on image feature analysis[D]. Nanjing: Nanjing University of Information Science and Technology, 2023.

[8]	任维佳, 杜玉红, 左恒力, 等. 棉花中异性纤维检测图像分割和边缘检测方法研究进展[J]. 纺织学报, 2021, 42(12): 196-204.

[9]	Ren Weijia, Du Yuhong, Zuo Hengli, et al. Research progress in image segmentation and edge detection methods for alien fibers detection in cotton[J]. Journal of Textile Research, 2021, 42(12): 196-204.

[10]	张艳博, 胡海伟, 王帅, 等. 基于深度学习的岩石断口微观形貌识别[J]. 科学技术与工程, 2025, 25(24): 10361-10373.

[11]	Zhang Yanbo, Hu Haiwei, Wang Shuai, et al. Microscopic morphology recognition of rock fractures based on deep learning[J]. Science Technology and Engineering, 2025, 25(24): 10361-10373.

[12]	Ali D, Frimpong S. Artificial intelligence, machine learning and process automation: existing knowledge frontier and way forward for mining sector[J]. Artificial Intelligence Review, 2020, 53(8): 6025-6042.

[13]	崔欣, 王井利, 吴冬, 等. 密集匹配点云下的矿石块度提取[J]. 科学技术与工程, 2022, 22(18): 7823-7830.

[14]	Cui Xin, Wang Jingli, Wu Dong, et al. Ore lumpiness under dense matching point cloud[J]. Science Technology and Engineering, 2022, 22(18): 7823-7830.

[15]	姬晓飞, 唐李荣, 赵思旭. 基于深度学习的书脊分割与匹配算法[J]. 科学技术与工程, 2025, 25(31): 13492-13499.

[16]	Ji Xiaofei, Tang Lirong, Zhao Sixu. Book spine segmentation and matching algorithm based on deep learning[J]. Science Technology and Engineering, 2025, 25(31): 13492-13499.

[17]	Bai R C, Zhang P F, Zhang Z Q, et al. Optimization of blasting parameters and prediction of vibration effects in open pit mines based on deep neural networks[J]. Alexandria Engineering Journal, 2023, 70: 261-271.

[18]	Stumpf A, Malet J P, Kerle N, et al. Image-based surface fissures for the investigation of landslide dynamics[J]. Geomorphology, 2013, 186: 12-27.

[19]	郭江涛, 孟欣欣. 基于生物特征图像智能识别的安全系统技术建构应用——评《安全系统中的多模态生物特征识别与智能图像处理》[J]. 中国安全科学学报, 2023, 33(4): 230.

[20]	Guo Jiangtao, Meng Xinxin. Application of security system technology construction based on intelligent biometric image recognition: a review of Multimodal Biometric Recognition and Intelligent Image Processing in Security Systems[J]. Journal of Chinese Security Science, 2023, 33(4): 230.

[21]	金爱兵, 陈帅军, 赵安宇, 等. 基于无人机摄影测量的露天矿边坡数值模拟[J]. 岩土力学, 2021, 42(1): 255-264.

[22]	Jin Aibing, Chen Shuaijun, Zhao Anyu, et al. Numerical simulation of open-pit mine slope based on unmanned aerial vehicle photogrammetry[J]. Rock and Soil Mechanics, 2021, 42(1): 255-264.

[23]	张鹏飞, 袁永, 何运华, 等. 基于GRA-EPSO-SVM模型的露天矿山爆破振动速度预测[J]. 煤炭科学技术, 2025, 53(7): 105-115.

[24]	Zhang Pengfei, Yuan Yong, He Yunhua, et al. Blasting vibration velocity prediction of open pit mines based on GRA-EPSO-SVM model[J]. Coal Science and Technology, 2025, 53(7): 105-115.

[25]	陈直. 面向增强现实的多模干涉型RGB波导合波器的对比研究[J]. 半导体光电, 2023, 44(3): 356-362.

[26]	Chen Zhi. A comparative study of multi-mode interference RGB waveguide combiner for augmented reality[J]. Semiconductor Optoelectronics, 2023, 44(3): 356-362.

[27]	Ke B, Nguyen H, Bui X N, et al. Estimation of ground vibration intensity induced by mine blasting using a state-of-the-art hybrid autoencoder neural network and support vector regression model[J]. Natural Resources Research, 2021, 30(5): 3853-3864.

[28]	张朋超, 赵有明, 刘翔, 等. 麻雀搜索算法优化极端梯度提升模型的岩石爆破块度预测[J]. 科学技术与工程, 2024, 24(24): 10212-10219.

[29]	Zhang Pengchao, Zhao Youming, Liu Xiang, et al. Prediction for blasting fragmentation of rocks using extreme gradient boosting optimized by sparrow search algorithm[J]. Science Technology and Engineering, 2024, 24(24): 10212-10219.

[30]	丁丽娜, 袁丽英. 基于YOLOv8改进的密集场景下小目标行人检测方法[J]. 科学技术与工程, 2025, 25(28): 12088-12097.

[31]	Ding Lina, Yuan Liying. Improved pedestrian detection method for small targets in dense scenes based on YOLOv8[J]. Science Technology and Engineering, 2025, 25(28): 12088-12097.