高级检索

基于同态滤波方法的煤矿井下图像增强技术研究

龚云, 颉昕宇

龚 云,颉昕宇. 基于同态滤波方法的煤矿井下图像增强技术研究[J]. 煤炭科学技术,2023,51(3):241−250

. DOI: 10.13199/j.cnki.cst.2021-0774
引用本文:

龚 云,颉昕宇. 基于同态滤波方法的煤矿井下图像增强技术研究[J]. 煤炭科学技术,2023,51(3):241−250

. DOI: 10.13199/j.cnki.cst.2021-0774

GONG Yun,XIE Xinyu. Research on coal mine underground image recognition technology based on homomorphic filtering method[J]. Coal Science and Technology,2023,51(3):241−250

. DOI: 10.13199/j.cnki.cst.2021-0774
Citation:

GONG Yun,XIE Xinyu. Research on coal mine underground image recognition technology based on homomorphic filtering method[J]. Coal Science and Technology,2023,51(3):241−250

. DOI: 10.13199/j.cnki.cst.2021-0774

基于同态滤波方法的煤矿井下图像增强技术研究

基金项目: 

国家自然科学基金资助项目(51674159)

详细信息
    作者简介:

    龚云: (1977—),男,陕西西安人,副教授,博士。E-mail: hbgongyun@xust.edu.cn

    通讯作者:

    颉昕宇: (1997—),男,陕西宝鸡人,硕士研究生。E-mail: 435055238@qq.com

  • 中图分类号: TP399

Research on coal mine underground image recognition technology based on homomorphic filtering method

Funds: 

National Natural Science Foundation of China (51674159)

  • 摘要:

    视觉同位定位与地图构建技术在井下搜救工作中运用广泛,而机器人采集图像质量的好坏直接决定构图的质量,目前受煤矿井下粉尘和光源的条件影响,收到的图像信息存在的灰度偏暗和对比度低的问题,所以井下图像的增强效果有待提高。针对这一问题,提出一种在HSV空间下结合加权分布自适应伽马校正(Adaptive Gamma Correction with Weighting Distribution, AGCWD)的同态滤波方法。首先对经典同态滤波算法中存在高亮区和阴影区的过增强问题,用AGCWD算法对HSV空间下V分量的像素概率密度进行自适应的伽马校正,非线性地映射出新的概率分布,提高同态滤波对高光区和阴影区的适用性;再使用单参数同态滤波进行处理,以缓解多参数导致的参数过难选择问题;为了保留图像的细节,对单参数同态滤波后的结果进行对比度受限的自适应直方图均衡化(Contrast Limited Histogram Equalization, CLAHE)处理;最后进行HSV逆变换得到RGB空间下的图像,完成图像的增强。结果表明,改进的同态滤波算法相较于CLAHE算法,均值、标准差、峰值信噪比(PSNR)和信息熵分别提高了65.29%、21.58%、17.03%、5.18%,相较于经典同态滤波算法分别提高了52.07%、40.73%、36.23%、8.96%。试验数据表明改进的同态滤波算法能够在增强图像的亮度和对比度、保留图像细节信息的同时还在一定程度上抑制了经典同态滤波对明暗差距大的像片的过增强现象。

    Abstract:

    Visual SLAM technology is widely used in underground search and rescue work, and the quality of image collected by robot directly determines the quality of image composition. At present, due to the influence of dust and light source con-ditions in underground coal mine, the enhancement effect of underground image needs to be improved. At present, the coal mine monitoring image enhancement effect needs to be improved due to the influence of dust and light source conditions in the coal mine.In order to solve this problem, this paper puts forward a HSV space combined with Adaptive Gamma Correcti-on with Weighting Distribution (AGCWD) homomorphic filtering method.Firstly, to solve the problem of over-enhancement of the highlight and shadow areas existing in the classical homomorphic filtering algorithm, the AGCWD algorithm is used to carry out adaptive gamma correction for the probability density of theVcomponent in HSV space, and the new probability distribution is non-linearly mapped to improve the applicability of the homomorphic filtering to the high light and shadow ar-eas.Then single-parameter homomorphic filter is used for processing to alleviate the problem of difficult parameter selection c-aused by multiple parameters.In order to preserve the detail of the image, and then the results of single parameter after the homomorphic filtering to carry on the Contrast Limited Histograme Equalization(CLAHE);Finally, HSV inverse transformation is carried out to obtain the image in RGB space, and image enhancement is completed.By the improved homomorphic filterin-g algorithm, CLAHE algorithm and classical homomorphic filtering algorithm proposed in this experiment, the result image mean, standard deviation, peak signal-to-noise ratio (PSNR), information entropy and other indicators are evaluated.Compared with the CLAHE algorithm, the improved homomorphic filtering algorithm is improved by 65.29%, 21.58%, 17.03% and 5.18% respectively, and compared with the classical homomorphic filtering algorithm, it is improved by 52.07%, 40.73%, 36.23% and 8.96% respectively.The experimental data show that the improved homomorphic filtering algorithm can enhance the b-rightness and contrast of the image and keep the detail information of the image. At the same time, the overenhancement p-henomenon of classical homomorphic filtering on the image with large gap between light and dark is suppressed to a certainn extent.

  • 高强度、大规模的煤炭开采活动破坏矿区原始岩层结构,扰动地下含水层,产生大量矿井水[1-3],据不完全统计,仅2014—2019年,我国由煤炭开采所产生的矿井水总量就高达288.09亿t[4],大量未经处理的矿井水被抽排到地面,造成严重水资源浪费和环境污染,同时伴随地面塌陷和采空区积水等一系列问题,大幅增加了矿山修复与治理的成本和难度,严重制约煤矿的可持续发展[5-6]

    矿井水资源化利用技术手段的提出,为解决煤矿水资源浪费和污染问题开辟了新的途径,该技术切实贯彻了煤矿开采“安全、高效、绿色”发展理念[7-9]。我国关于矿井水资源化利用方面的研究,成果丰硕,武强[10]对我国矿井水资源化利用的存在的问题、研究进展、发展趋势做了详细的分析;何绪文[11-13]一直致力于探究矿井水资源化综合利用和矿井水处理技术创新;顾大钊[14-15]提出了煤矿地下水库的理论,为解决西部煤矿开采水资源短缺问题提供了有效的创新性技术手段;孙亚军[5,16]根据神东矿区水文地质特征,分析了如何针对不同矿井水类型采取相应的处理手段,并提出具有针对性的保水采煤关键技术,为干旱半干旱生态环境脆弱区的煤矿开采和水资源保护提供宝贵的实践经验。

    基于以上研究成果,以淮南煤田张集煤矿为研究区,首先利用Ca2+、Mg2+、Na++K+、Cl、SO4 2−、CO3 2−、HCO3 七大离子含量和pH、溶解性总固体(TDS)、电导率(EC)、总硬度(TH)11个指标对矿区矿井水进行水化学特征分析,然后依据我国《地下水水质标准》,进行矿井水水质分级分类判别和评价,最后根据钠吸附比(SAR)和EC关系,并结合离子来源,探求张集煤矿矿井水资源化利用途径。张集煤矿矿井水水量大,地表积水面积广,探求张集煤矿矿井水资源化利用的途径,对矿区的可持续发展意义重大,另外,到目前为止,该矿区还未有矿井水资源化利用的相关研究,较以往研究,本研究不仅结合水化学特征分析,和遵循矿井水资源化利用“分级分类”原则,而且进一步判定了研究区矿井水实际可用途径,为实现张集煤矿区矿井水资源化利用提供一定的理论依据。

    张集煤矿位于中国安徽省淮南市淮南煤田潘谢矿区的西南部(图1),矿区东西走向长约12 km,南北倾斜宽约9 km,面积约71 km2。研究区地表水系发达,西淝河从西到东贯穿整个矿区,内涝区从西到东横跨了研究区,由于采矿活动矿井水抽排,积水区面积也不断扩大,更加重了矿区水域承载负担,截止2018年预计矿区总积水面积可达53.17万m2,积水量预计将达到25.44万t。地下水埋藏情况变化较大,张集煤矿区由3个主要充水含水层组成,分别为新生界松散含水层、煤系砂岩裂隙含水层、灰岩岩溶含水层,地下水在新生界松散层中以水平运动为主,类型上属于孔隙承压水,是本区的水源补给。

    图  1  研究区示意
    Figure  1.  Sketch map of study area

    根据现有资料整理分析,分别在张集煤矿的西区、中央区和北区3个分区选取33个取样点(S1~S33),如图2所示,取样时间从2017-01-18—2018-07-25,其中同一个取样点不同时间取样多次,一共取得82个矿井水水样,并按采样的先后顺序将样品从ZJ135~ZJ227进行编号,水样来源有蓄水池、采空区、排水孔、水源井、放水孔、塌陷区等,水样来源几乎包含矿区所有矿井水来源。

    图  2  研究区采样点
    Figure  2.  Sampling points in the study area

    研究区矿井水水样的采集和测定依照《煤矿水水质分析的一般规定》及《地下水质量标准》。采取水样前需现场测定水温、pH、EC值并记录,pH采用玻璃电极法测定,水温用水温计测量,EC值用电导率仪可直接测定;现场测定结束后采集水样,采样前需用去离子水冲洗采样容器(按标准采用1 L聚乙烯瓶)3次,然后用待采矿井水冲洗容器3次,最后采集水样并装样密封。将水样带回实验室进行离子含量测定,TDS值在105 ℃下烘干称重得到,TH值采用EDTA容量法获得,采用酸碱滴定法测定HCO3 和CO3 2−;离子色谱法应用于Cl和SO4 2−的测定;Ca2+和Mg2+采用EDTA滴定法;而Na+和K+则用火焰原子吸附分光光度法测定。

    82个矿井水样品的常规水化学指标检测结果,由Ca2+、Mg2+、Na++K+、Cl、SO4 2−、CO3 2−、HCO3 七种离子含量和pH、TDS、EC、TH共11个指标组成,然后对检测结果做一般性的水化学特征分析,统计分析结果见表1。由表1可看出矿井水的pH于7.16~12.24,均值为8.33,中值为8.25,矿区矿井水均为碱性水,pH最大的水样检测含有大量OH,无HCO3 ,为张集煤矿锅炉房排水,另外pH的变异系数仅为0.08,说明研究区矿井水pH变化很小,基本保持在8左右。TDS含量为255.47~7 291.74 mg/L,平均值为2 346.60 mg/L,变异系数为0.51,多数水样的TDS与中位数2 584.22 mg/L接近。

    表  1  张集煤矿矿井水一般水化学分析结果
    Table  1.  General hydrochemical analysis results of mine water in Zhangji Coal Mine
    参数最大值最小值平均值中位数标准差变异系数
    Ca2+质量浓度/(mg·L−1)530.661.6045.7633.4862.181.36
    Mg2+质量浓度/(mg·L−1)145.860.0016.7316.5317.771.06
    K++Na+质量浓度/(mg·L−1)2 964.181.00887.541 009.40514.690.58
    Cl质量浓度/(mg·L−1)3 247.227.09752.71831.31479.480.64
    SO4 2−质量浓度/(mg·L−1)1 594.600.00269.69186.36295.251.09
    CO3 2−质量浓度/(mg·L−1)420.070.0029.050.0072.492.50
    HCO3 质量浓度/(mg·L−1)3 368.670.00690.03395.11698.651.01
    TDS质量浓度/(mg·L−1)7 291.74255.472 346.602 584.221 199.760.51
    pH12.247.168.338.250.660.08
    EC/(μS·cm−1)10 560.00466.003 309.664 310.001 797.410.47
    TH/(mg·L−1)1 321.068.01183.96176.14183.801.00
    下载: 导出CSV 
    | 显示表格

    所有水样中阳离子均以K++Na+占绝对优势,Ca2+次之,Mg2+最少,而阴离子以Cl、HCO3 为主,两者相差不多,其次是SO4 2−,CO3 2−含量最少,但研究区所有离子含量的变异系数皆大于0.5,说明离子含量极不稳定,极易随时间和空间的变化而发生改变,其中CO3 2−含量少,但变异系数达到2.5,在整个采样范围内随时空变化特征最为明显。

    piper三线图可用来指示研究区矿井水水样的主要离子组成和化学成分,并可作为判别水样类型的方法[17]。在研究区33个取样点共取得33组水样得到82个矿井水样品,图3为33组水样的piper三线图,由图3可知,87.8%的水样碱金属离子大于碱土金属离子,即Na++K+>Ca2+、Mg2+,33组水样(S1~S33)阳离子值绝大多数落在Na+K轴,比例在80%~98%,而Ca2+值变化范围较大,阴离子含量则以Cl和HCO3 +CO3 2−为主要成分,有超过30组水样点分布在Cl轴80%和HCO3+CO3轴80%交界处。由图3可明显看出,除了第27组水样2个样品类型不同(分别是Cl·HCO3-Na+K型和Cl·HCO3-Ca型),其余同一取样点所采水样类型基本一致,研究区矿井水水样水化学类型主要有Cl·HCO3-Na+K型、HCO3·SO4-Na+K型、Cl·HCO3-Ca型和SO4-Na+K型,所占比例分别为59.8%、17.6%、13.4%、9.2%。

    图  3  研究区矿井水主要离子Piper图
    Figure  3.  Piper diagram of main ions in mine water of study area

    通过比对于不同采样时间、同一采样点采取的矿井水指标含量,探讨研究区矿井水指标含量的动态变化特征,推断矿井水指标变化规律及受控因素。选取了1412A工作面灰岩增补孔(图4a)、北区水仓蓄水池(图4b)、西二定向长钻孔(图4c)、西二疏水巷排水孔(图4d)、西三疏水巷定向长钻孔(图4e)、西二封闭墙排水孔(图4f)6个采样点,共采取33个矿井水水样作为分析对象,绘制图4

    图  4  化学指标-时间变化
    Figure  4.  Hydrochemical indicators-time variation chart

    图44a4c4d4e4f五张柱状图可看出同一采样点的各项离子浓度随时间的起伏变化不明显,范围基本在30 mg/L以内,说明同一采样点的水源补给较单一、稳定,而图4b蓄水池中矿井水离子指标含量从2017年6月至2017年12月出现显著增加而后又明显减少,据分析其原因可能是与研究区气候变化有关,6月到12月研究区自然降水逐渐减少,采样点位于蓄水池,受外界影响显著,池中矿井水经过6个月的蒸发作用,离子浓度逐步升高,而后突然降低可能是受采矿活动矿井水排放增大,水量增多使离子浓度在短时间内降低。

    对变量进行相关性分析的目的,在于表征两个变量之间的相互关系和变化趋势[18],另外能够反映变化趋势的方向和程度,并在一定程度上对试验样本做来源预测分析[19]。试验对82个水样的10组指标数据依次采取双变量进行相关分析,由于Pearson和Spearman相关系数只能应用于连续变量,而水样数据为无序离散变量,因此,选用Kendall公式计算水化学指标参数的相关系数[20-21],然后依据所得相关系数值对样品水化学指标数据之间的关联性进行分析,推断各离子指标之间的相互关系度,每种水化学指标的影响作用范围,水质检测标准TDS最主要的控制因素是哪项指标,并根据实际取样环境进一步推断离子来源。

    由计算结果(表2)可得,矿井水水样品中对TDS值贡献度最高的是钠离子和钾离子,相关系数值高达0.821,结果极显著,且TDS总体上与各离子指标含量相关性最大,阴离子中与TDS相关系数值比较高的是Cl、SO4 2−和HCO3 ,反映这3种离子在TDS中所占比重较高;而水质检测标准TH与钙、镁离子密切相关,这也与实际测量结果一致,同时,钙、镁离子之间呈正相关,两者的来源应该多是碳酸盐岩溶解,而二者与CO3 2−、HCO3 的含量呈负相关关系也证实了这一点,前者与后者会生成沉淀,因此CO3 2−、HCO3 的含量越多,Ca2+和Mg2+含量越少,而碳酸盐岩溶解度也与游离离子含量成反比。

    表  2  水化学指标相关系数矩阵
    Table  2.  Correlation coefficient matrix of hydrochemical indexes
    离子Ca2+Mg2+Na++K+ClSO4 2−CO3 2−HCO3 ECTHPH
    TDS−0.229**−0.215**0.821**0.456**0.465**0.225**0.435**0.786**−0.196**0.100
    Ca2+0.509**−0.403**0.0630.080−0.357**−0.523**−0.210**0.847**−0.268**
    Mg2+−0.307**0.148−0.071−0.219*−0.466**−0.200**0.663**−0.133
    Na++K+0.341**0.307**0.301**0.555**0.681**−0.368**0.160*
    Cl0.413**−0.0610.0090.461**0.129−0.046
    SO42-−0.193*0.0600.357**0.027−0.221
    CO32-0.275**0.207*−0.316**0.653**
    HCO30.428**−0.515**0.133
    EC−0.189*0.094
    TH−0.231**
    注:**相关性在0.01水平上显著,*相关性在0.05水平上显著。
    下载: 导出CSV 
    | 显示表格

    PH对水质是否合格至关重要,而根据计算结果发现,CO3 2−离子是决定本次水样PH的最主要因素,这也为后期矿井水水处理提供理论依据,如果想要改变矿井水的酸碱度,可通过去除矿井水中的CO3 2−来达到目的;EC一点程度上可反应TDS,同样可作为水质检验的标准,由相关系数值也可看出,EC与TDS的值大致相同,说明二者作用意义基本一致;SO4 2−跟所有指标的相关性皆小于0.5,即与其他指标的关联性都不大,说明其缘由可能是农业灌溉、生活污水等人类活动而产生的废水汇入矿井水,属于外来物质,与矿区矿井水本身来源关系不显著。

    完成了以上样品指标的水化学特征分析,我们还需要总体把握研究区矿井水水样的水化学特征,由于本次试验选取的样品指标较多,为减少变量个数,降低工作强度,同时尽可能完整保留原始数据信息,达到综合研究全部样品数据的目的,我们采用了主成分分析方法。将水样重新进行组分分析,得到2个新的综合变量F1F2,主成分F1F2的方差贡献率分别为35.121%、25.503%,然后对Ca2+、Mg2+、Na++K+、Cl、SO4 2−、CO3 2−、HCO3 七个离子指标的主成分综合得分值再分析,并绘制分析变量荷载分布图(图5)。

    图  5  矿井水分析变量荷载分布
    Figure  5.  Distribution of variable load of mine water analysis

    图5可知,Na++K+、Cl在2个主成分上都有较高荷载值,即Na++K+、Cl是研究区矿井水的主要离子组分,反映张集矿矿井水出现高度“咸化”,水质逐渐恶化,结合采样点水文地质资料获悉,Na++K+离子含量较高由于煤炭开采、钻井勘探等原因,导通各含水层,富含Mg2+、Ca2+离子的地下水流经岩土层将Na++K+置换出来,不断地进行阳离子交换作用,使得矿井水含盐量逐渐增高;综合来看,HCO3> 、CO3 2−荷载得分值与SO4 2−、Mg2+、Ca2+荷载得分值在2条主成分轴上均相反,反映在水样中HCO3 、CO3 2−离子的含量与SO4 2−、Mg2+和Ca2+离子的含量之间存在明显的相互作用,原始的封闭还原环境中,SO4 2−发生脱硫酸作用被还原成H2S,使得HCO3 含量增高,而由于采矿活动,使还原环境变为氧化环境,水中携带了大量的O2和CO2,导致碳酸盐岩被溶解产生Ca2+,而HCO3 与CO3 2−是相辅相成的存在。

    为消除变量之间的量纲影响,使其具有可比性,对Ca2+、Mg2+、Na++K+、Cl、SO4 2−、CO3 2−、HCO3 指标含量数据作标准化处理,将标准化处理后的数据代入主成分计算公式(式(1)和式(2)),求得共82组主成分得分数据,并得到研究区离子指标主成分得分散点图(图6)。

    图  6  主成分计算结果荷载投影图
    Figure  6.  Load projection of principal component calculation results

    主成分计算表达式如下:

    $$\begin{aligned} & F_1={-0.209}{x}_{1}{-0.132}{x}_{2}{+0.363}{x}_{3}{+0.209}{x}_{4}{-0.044}{x}_{5}+ \\ &\qquad\qquad\qquad\qquad{0.284}{x}_{6}{+0.296}{x}_{7} \end{aligned}$$ (1)
    $$ \begin{aligned} & F_2={0.261}{x}_{1}{+0.302}{x}_{2}{+0.234}{x}_{3}{+0.354}{x}_{4}{-0.453}{x}_{c}5-\\ &\qquad\qquad\qquad\qquad {0.030}{x}_{6}{-0.122}{x}_{7} \end{aligned}$$ (2)

    式中:$ F_1 $$ F_2 $为两个主成分;$ {x}_{i} $$ i=\mathrm{1,2},\cdots, 7 $)为标准化处理后的7个离子指标含量。

    图6显示,水样整体沿主成分F1轴展布,说明水样来源含水层中存在脱硫酸作用和阳离子交换作用,导致矿井水盐度增高;另有多数水样点集中在F2轴上半部分,结合图5可知,矿井水流经碳酸盐岩层,伴随石灰岩、白云岩溶解,水质发生“硬化”,综上所述,张集煤矿矿井水存在“咸化”、“硬化”现象,水质情况不容乐观。

    为遵循矿井水“分级应用”的原则,本研究参照以上研究结果及现行《地下水质量标准》(表3),分别对研究区矿井水水样中的TH、TDS、SO4 2−、Cl、Na+指标含量进行判别分类,然后根据单个指标分类,得到82个样品的综合水质分级结果。

    表  3  地下水质量一般化学指标及限值(部分)
    Table  3.  General chemical indexes and limits of groundwater quality (part)
    类别Ⅰ类Ⅱ类Ⅲ类Ⅳ类Ⅴ类
    TH/(mg·L−1)≤150≤300≤450≤650>650
    TDS/(mg·L−1)≤300≤500≤1 000≤2 000>2 000
    SO4 2−/(mg·L−1)≤50≤150≤250≤350>350
    Cl/(mg·L−1)≤50≤150≤250≤350>350
    Na+/(mg·L−1)≤100≤150≤200≤400>400
    下载: 导出CSV 
    | 显示表格

    图7显示,SO4 2−、Na+、Cl和TDS指标的分类结果中第Ⅴ类所占例较大,Ⅴ类的样品个数分别为27、65、63和57,水质较差,而TH指标等级较低,共有36和40个Ⅰ类和Ⅱ类,说明研究区TH指标良好。每组样品水质等级划分如图7b所示,张集煤矿矿井水水样均不符合Ⅰ类水质标准,而Ⅱ、Ⅲ类占13%,Ⅴ类占比高达81%,Ⅳ类为6%。

    图  7  水化学指标类别堆积柱形图及样品水质分类饼图
    Figure  7.  Stacked column chart of hydrochemical index categories and pie chart of sample water quality classification

    由水质评价结果,可知研究区离子组分含量较高,为判断研究区矿井水中主要组分的来源,了解研究区的水环境条件,以便为矿井水水质改善和资源化利用提供理论依据。

    研究采用Gibbs半对数图探究离子成因机制,由张集煤矿矿井水水样Gibbs图(图8)显示,水样点主要分布在图的上半部分,多数落在蒸发结晶作用带,少数在岩石风化带,说明研究区矿井水受蒸发结晶和岩石风化控制作用明显,这也与矿井水的实际来源相符,研究区矿井水水样多数从地下抽排至地表,离子来自含水层围岩和第四纪松散层土壤,到达地表后被蒸发结晶,另外,取样时间几乎都在研究区降水较少时节,受大气降水作用影响较小,这也解释了检测结果中矿井水TDS含量偏高的原因。

    图  8  矿井水Gibbs半对数图
    Figure  8.  Gibbs semilogarithmic diagram of mine water

    根据水质分级结果,研究区矿井水样品等级有Ⅱ、Ⅲ、Ⅳ和Ⅴ类4个等级,但由于指标不全,不能保证研究区矿井水其他指标达标,因此作为Ⅱ、Ⅲ类用水功能有待进一步研究,而可以确定的是,水样全部符合《地下水质量标准》Ⅴ类标准,即不宜做生活饮用水,水域功能可作为一般工业用水区、人体非直接接触娱乐用水区、农业用水或者一般景观水域等。

    矿井水在地面积聚以后受蒸发作用明显,常规离子含量过高,植物生长需要适宜的水化学环境,因此需进一步判断是否可做农业灌溉用水。从相关性分析可知,组成TDS的主要离子是Na++K+,由主成分分析可知研究区矿井水咸化严重,钠离子或钾离子含量过高对土壤和植物存在毒害作用,从而限制矿井水资源化利用,因此,采用钠吸附比(SAR)来进行水质检测,钠吸附比常应用于地表及地下水灌溉性水质评价[22],计算公式如下:

    $$ {\rm{SAR}}=\frac{c({{\rm{Na}}}^+)}{{\left[c({{\rm{Ca}}}^{2+})+c({{\rm{Mg}}}^{2+})\right]}^{1/2}} $$ (3)

    式中:$ {\rm{SAR}} $为钠离子吸附比;$ c $为离子浓度,mg/L。

    研究利用SAR与EC之间的关系,进行张集矿矿井水盐渍化和钠离子毒害效应评价,并作为判断矿井水资源化利用可行性的依据。图9显示,整体来看研究区矿井水SAR和EC值基本偏高,虽然水样中有钠毒害较低风险的存在,但EC值皆在E1-E2界线之上,钠毒害风险较低但会受到盐渍化威胁,另外,79.3%的水样点分布在S3-E4区和S4-E4区,说明钠毒害及盐渍化风险均较高。即研究区矿井水不适宜用做农业灌溉用水,可作为工业生产、城市绿化、水体景观等用途。

    图  9  SAR-EC风险判别分区
    E1、E2、E3、E4—盐渍化低、中、较高、高风险;S1、S2、S3、S4—钠毒害低、中、较高、高风险
    Figure  9.  Risk discrimination division of SAR-EC

    1)张集煤矿矿井水TDS主要贡献阳离子为Na+和K+,阴离子主要组成是Cl和HCO3 ,水化学类型中Cl·HCO3-Na+K型占总数的59.8%,水中离子主要来源为蒸发结晶和岩石风化作用。

    2)研究区矿井水仅达到Ⅴ类水质标准,且水质“咸化”“硬化”现象严重,存在较高的钠离子毒害与盐渍化风险,不适宜用做农业灌溉用水,参考历来煤矿矿井水资源化利用的成功案例和研究区自身特点,张集矿矿井水实际可用作道路洒水、矿区绿化、冷却降温、洗煤,向周边煤化工厂或工业园区提供工业用水等。

    3)位于地面下的采样点,受外界环境影响较小,矿井水来源稳定,在治理过程中,严格把控水源,针对TDS及Na+、K+、HCO3 含量较高的特点,选取合适的物理、化学或生物方法进行净化处理,提高水质,使矿井水得到更广泛的应用。

  • 图  1   伽马校正

    Figure  1.   Gamma correction

    图  2   AGCWD前后的图像与灰度直方图

    Figure  2.   Image and gray histogram before and after AGCWD

    图  3   传递函数的三维图

    Figure  3.   Three-dimensional diagram of the transfer function

    图  4   CLAHE原理示意

    Figure  4.   Schematic of CLAHE principle

    图  5   本算法的流程

    Figure  5.   The flow of the algorithm

    图  7   轨道图像的试验结果的灰度直方图

    Figure  7.   Gray histogram of the experimental results of the track image

    图  6   轨道图像的试验结果

    Figure  6.   Experimental results of orbital images

    图  8   巷道图像的试验结果

    Figure  8.   Experimental results of roadway images

    图  9   巷道图像结果的灰度直方图

    Figure  9.   Gray histogram of experimental results of roadway image

    图  10   采矿工作面图像的试验结果

    Figure  10.   Experimental results of mining face image

    图  11   采矿工作面图像结果的灰度直方图

    Figure  11.   Gray histogram of experimental results of mining face image

    表  1   轨道图像性能指标

    Table  1   Track image performance index

    算法类别均值标准差PSNR信息熵
    原图82.474252.16217.5720
    同态滤波算法124.533154.917116.66207.7172
    CLAHE算法106.081759.663318.05907.8188
    本研究算法140.768265.169120.98947.8956
    下载: 导出CSV

    表  2   巷道图像性能指标

    Table  2   Roadway image performance index

    算法类别均值标准差PSNR信息熵
    原图43.172045.25126.6420
    同态滤波算法84.513948.814014.46867.3132
    CLAHE算法77.759556.504416.84187.5758
    本研究算法128.527368.697619.71037.9685
    下载: 导出CSV

    表  3   采矿工作面图像性能指标

    Table  3   Mining face image performance index

    算法类别均值标准差PSNR信息熵
    原图63.425 754.662 77.302 4
    同态滤波算法104.426 558.846 116.724 57.730 5
    CLAHE算法90.945 467.478 517.400 57.731 4
    本研究算法124.004 569.239 318.598 17.954 8
    下载: 导出CSV
  • [1] 王国法,庞义辉,任怀伟. 煤炭安全高效综采理论、技术与装备的创新和实践[J]. 煤炭学报,2018,43(4):903−913. doi: 10.13225/j.cnki.jccs.2017.1705

    WANG Guofa,PANG Yihui,REN Huaiwei. Innovation and practice of safe and efficient fully mechanized coal mining theory, technology and equipment[J]. Journal of China Coal Society,2018,43(4):903−913. doi: 10.13225/j.cnki.jccs.2017.1705

    [2] 苗 升,刘小雄,黄剑雄,等. 无人机视觉SLAM环境感知发展研究[J]. 计算机测量与控制,2021,29(8):1−6,41. doi: 10.16526/j.cnki.11-4762/tp.2021.08.001

    MIAO Sheng,LIU Xiaoxiong,HUANG Jianxiong,et al. Research on the development of U-AV visual slam environment perception[J]. Computer Me-asurement & Control,2021,29(8):1−6,41. doi: 10.16526/j.cnki.11-4762/tp.2021.08.001

    [3] 杨梦佳. 基于惯导与双目视觉融合的SLAM技术研究[D]. 西安: 西安科技大学, 2020.

    YANG Mengjia, SLAM Technology Based on Inertial Navi-gation and Binocular Vision Fusion[D]. Xi’an: Xi’an University of Science and Technology, 2020.

    [4]

    SOARES João Carlos Virgolino and Gattass Marcelo and Meggiolaro Marco Antonio. Crowd-SLAM: Visual SLAM Towards Crowded Environments using Object Detection[J]. Journal of Intelligent & Robotic Systems, 2021, 102(2).

    [5] 王 浩,张 叶,沈宏海,等. 图像增强算法综述[J]. 中国光学,2017,10(4):438−448. doi: 10.3788/co.20171004.0438

    WANG Hao,ZHANG Ye,SHEN Honghai,et al. Overview of image enhancement algorithms[J]. Chinese Optics,2017,10(4):438−448. doi: 10.3788/co.20171004.0438

    [6] 毕秀丽, 邱雨檬, 肖 斌, 等. 基于统计特征的图像直方图均衡化检测方法[J]计算机学报, 2021, 44(2): 292−303

    BI Xiuli, QIU Yumeng, XIAO Bin, et al. Image histogram equalization detection method based on statistical features[J]. Chinese Journal of Computers, 2021, 44(2): 292−303.

    [7]

    WANG Fengjuan, ZHANG Baoju, ZHANG Cuiping, et al. Low-light image joint enhanceme-nt optimization algorithm based on frame accumulation and multi-scale Retinex[J]. Ad Hoc Networks, 2020, 113(4): 102398.

    [8]

    DONG Shuai, MA Jia, SU Zhilong, et al. Robust circular marker localization under non-uniform illuminations based on homomorphic filt-ering[J]. Measurement, 2021, 170(5): 108700

    [9] 汪秦峰. 基于直方图均衡化和Retinex的图像去雾算法研究[D]. 西安: 西北大学, 2016.

    WANG Qinfeng, Research on image dehazing algorithm b-ased on histogram equalization and Retinex[D]. Xi’an: Northwest U-niversity, 2016

    [10] 刘 健,郭 潇,徐鑫龙,等. 基于Retinex理论的低照度图像增强技术[J]. 火力与指挥控制,2019,44(9):139−143. doi: 10.3969/j.issn.1002-0640.2019.09.027

    LIU Jian,GUO Xiao,XU Xinlong,et al. Low illumination image enhancement technology based on Retinex theory[J]. Fire Control & Command Control,2019,44(9):139−143. doi: 10.3969/j.issn.1002-0640.2019.09.027

    [11] 程 健,鹏 鹏,郁华森,等. 基于有向线段误匹配剔除的煤矿巷道复杂场景图像拼接方法[J]. 煤炭科学技术,2022,50(9):179−191.

    CHENC Jian,YAN Pengpeng,YU Huasen,et al. Image stitching method for the complicated scene of coalmine tun.nel based on mismatched elimination with directed line segments[J]. Coal Science and Technology,2022,50(9):179−191.

    [12]

    ZENG Fei WU Qing,DU Jun. Foggy image e-nhancement based on filter variable multi-scale retinex[J]. Applied Mechanics and Materials,2014,2973:1041−1045.

    [13] 董静薇,赵春丽,海 博. 融合同态滤波和小波变换的图像去雾算法研究[J]. 哈尔滨理工大学学报,2019,24(1):66−70. doi: 10.15938/j.jhust.2019.01.011

    DONG Jinwei,ZHAO Chunli,HAI Bo. Image demogging algorithm for fusion homomorphism filtering and wavelet transform[J]. Journal of Harbin University of Science and Technology,2019,24(1):66−70. doi: 10.15938/j.jhust.2019.01.011

    [14] 蔡秀梅, 马今璐, 吴成茂, 等. 基于模糊同态滤波的彩色图像增强算法[J]. 计算机仿真, 2020, 37(6): 342−346.

    CAI Xiumei, MA Jinlu, WU Chengmao, et al. Color i-mage enhancement algorithm based on Fuzzy homomorphic filtering[J] Computer Simulation, 2020, 37(6): 342−346.

    [15]

    KANWARPREET Kaur,NEERU Jindal,KULBIR Singh. Improved homomorphic filtering using fractional derivative-es for enhancement of low contrast and non-uniformly illu-minated images[J]. Multimedia Tools and Applications,2019,78(19):27891−27914. doi: 10.1007/s11042-019-7621-5

    [16] 梁 琳, 何卫平, 雷 蕾, 等. 光照不均图像增强方法综述[J]. 计算机应用研究, 2010, 27(5): 1625−1628.

    LIANG Lin, HE Weipin, LEI Lei, et al. Overview of image enhancement methods under uneven illumination[J] Application Research of Computers, 2010, 27(5): 1625−1628.

    [17] 王智奇,李荣冰,刘建业,等. 基于同态滤波和直方图均衡化的图像增强算法[J]. 电子测量技术,2020,43(24):75−80. doi: 10.19651/j.cnki.emt.2005346

    WANG Zhiqi,LI Rongbing,LIU Jianye,et al. Image enhancement algorithm based on homomorphic filtering a-nd histogram equalization[J]. Electronic Measurement Techn-ology,2020,43(24):75−80. doi: 10.19651/j.cnki.emt.2005346

    [18]

    HANA F M,MAULIDA I D. Analysis of contrast lim-ited adaptive histogram equalization (CLAHE) parameters o-n finger knuckle print identification[J]. Journal of Physics:Conference Series,2021,1764(1):012−024.

    [19] 鲁转丽. 高分辨率光学遥感影像对比度增强方法研究[D]. 西安: 中国科学院西安光学精密机械研究所, 2018.

    NU Zhuanli. Contrast enhancement of high resolution optic-al remote sensing image[D] Xi’an: Xi'an Institute of Optics and Precision, 2018.

    [20]

    HUANG Shihchia,CHENG Fanchieh,CHIU Yisheng. Efficient contrast enhancement using adaptive gam-ma correction with weighting distribution.[J]. IEEE transact-ions on image processing:a publication of the IEEE Sign-al Processing Society,2013,22(3):1032−1041. doi: 10.1109/TIP.2012.2226047

    [21] 李连志, 邢 川. 基于同态滤波的平面视觉图像色彩增强算法[J]. 计算机仿真, 2021, 38(2): 249−252, 426

    LI Lianzhi, XING Chuan. Color enhancement algorithm of p-lane vision image based on homomorphic filtering[J] Com-puter Simulation, 2021, 38(2): 249−252, 426

    [22]

    HUANG Lidong,ZHAO Wei,WANG Jun,et al. Combination of contrast limited adaptive histogram equalisation and discrete wavelet transfo-rm for image enhancement[J]. IET Image Processing,2015,9(10):908−915. doi: 10.1049/iet-ipr.2015.0150

    [23] 韩少刚. 基于多直方图均衡的图像增强算法研究[D]. 安庆: 安庆师范大学, 2020.

    HAN Shaogang. Image enhancement algorithm based on m-ulti histogram equalization[D] Anqing : Anqing Normal University, 2020.

    [24] 杨 恩. 煤岩反射光谱特征及识别方法研究[D]. 徐州: 中国矿业大学, 2019.

    YANG En. Study on reflectance spectrum characteristics and recognition method of coal and rock[D]. Xuzhou: China Universit-y of mining and Technology, 2019.

  • 期刊类型引用(3)

    1. 王学文,王孝亭,谢嘉成,王雪松,李娟莉,李婷,李素华,刘曙光. 综采工作面XR技术发展综述:从虚拟3D可视化到数字孪生的演化. 绿色矿山. 2024(01): 75-84 . 百度学术
    2. 李济军. 浅析智能化综采技术在开采含夹矸中厚煤层的应用. 煤. 2024(09): 51-54 . 百度学术
    3. 刘双勇,刘维洲,赵永刚,闫俊宇,郁彦彬,尹海丽,吴孟武. 工业元宇宙技术在高压铸造岛全生命周期中的应用研究. 特种铸造及有色合金. 2024(11): 1489-1497 . 百度学术

    其他类型引用(0)

图(11)  /  表(3)
计量
  • 文章访问数:  179
  • HTML全文浏览量:  29
  • PDF下载量:  65
  • 被引次数: 3
出版历程
  • 收稿日期:  2022-04-02
  • 网络出版日期:  2023-04-26
  • 刊出日期:  2023-03-14

目录

/

返回文章
返回