CC BY
8
14. Kislyakov V. E., Nafikov R. Z. Systematization of methods for extending the drazhny season // surveying and subsoil use. 2017. no. 4. Pp. 13-16.
15. Kislyakov V. E., Nafikov R. Z. Parameters of the insulating structure in drazhnoy development under conditions of negative temperatures // News of Tula state University. earth science. 2016. № 2. C. 95-101.
16. Kislyakov V. E., Nafikov R. Z., Katyshev P. V. Improving drag performance under negative temperature conditions. Vestnik Magnitogorsk state technical University named After G. I. Nosov. 2017. Vol. 15. No. 4. Pp. 4-9.
17. Research of heat transfer in the isolated space of a drazhny section / V. E. Kis-lyakov, R. Z. Nafikov, V. N. Vokin, A. A. Bakhtiguzin // Advances in modern natural science. 2017. no. 8. Pp. 89-93.
УДК 681.3
АЛГОРИТМИЧЕСКОЕ ОБЕСПЕЧЕНИЕ ГИСТОГРАММНОГО
АНАЛИЗА ТЕРМОГРАММ ПРИ ДИАГНОСТИЧЕСКОМ СКАНИРОВАНИИ ТЕПЛОПРОВОДОВ ШАХТ
В.А. Соколов, С.С. Соколова, В. Ф. Рожков
Рассматриваются вопросы аналитической обработки термограмм с целью выявления аномальных температурных участков теплопроводов и последующей интерпретации полученных тепловых изображений. Предложен итерационный алгоритм обработки результатов гистограммного анализа тепловизионного изображения, выполняющий вычисление координат «цели» при диагностическом сканировании.
Ключевые слова: теплопровод, диагностическое сканирование, термограмма, гистограммный анализ, итерационный алгоритм, эффективность энергетической системы.
Контроль состояния теплопроводов с использованием тепловизионного оборудования является перспективным и энергоэффективным способом изучения состояния инженерных коммуникаций шахт. С использованием этого оборудования производятся восприятие инфракрасного излучения объекта сканирования специальной аппаратурой, анализ изображения для получения его количественных и качественных характеристик и локализация места найденных аномалий [1].
После того, как произведена тепловизионная съемка участка теплопровода, при помощи специального программного обеспечения проводится анализ полученных термограмм с целью выявления аномальных температурных участков и интерпретация полученных тепловых изображений [2,3]. При этом выявляются аномальные температурные зоны, которые могут быть следствием различных дефектов строительства, и определяется их местоположение на поверхности трубопровода. При этом оцениваются площадь дефектной зоны и характер ее расположения относительно безде-
фектных участков контроля. По интенсивности и расположению аномальных участков можно судить о степени дефекта.
Тепловизионный контроль является неразрушающим методом контроля, все выводы и заключения данные в тепловизионном отчете являются технически достоверными, но носят предположительный характер в части точной идентификации обнаруженных скрытых строительных дефектов. В связи с этим существует проблема разработки алгоритма классификации, позволяющего обнаруживать тепловизионный сигнал с заранее известными параметрами. Процедура обработки сигнала, предусмотренная алгоритмом классификации, должна учитывать пространственные особенности анализируемого сигнала и использовать обобщение инвариантное к форме «цели» на тепловизионном изображении[4].
Как показано в [5], область размещения «цели» на тепловизионном изображении можно записать как множество параметров Яг = ( хт, ут, X (Т), У (Т)), элементы которого
/ Л
хт = 0,5
УТ = 0,5
min хщ + max xRj,
V i i J
Г \
min yRT + max yRT
V i i J
(1)
X (T) = max Xrt - min Xrt ;
i T i T Y (T) = max yRT - min yRT ,
где Xr и yR обозначены множества координат, в которых значения индикаторной матрицы [5, 6] «цели» равны 1, а max(.) и min(.) - соответственно максимальное и минимальное значения элементов этих множеств (рис. 1).
Конечным результатом выполнения обработки тепловизионного изображения является множество параметров Rt =( Хт, Ут , X (Т), Y (Т)),
являющихся оценкой значений Rt =( хт, Ут , X (Т), Y (Т)).
Обработка тепловизионного изображения с использованием гистограммы [7-9] в большинстве случаев неизбежно приводит к появлению пикселей, ошибочно идентифицированных как принадлежащие «цели» (т.н. случай ложного срабатывания»). Такие пиксели могут распространяться по полю изображения на всем протяжении, как по вертикали, так и по горизонтали.
В этом случае оценка Rt по формулам (1), а также индикаторной матрицы T может быть произведена со значительной погрешностью. В частности, оцененные значения X(Т) и Y(Т) могут быть соизмеримы со
значениями X (I) и У (I), что является неудовлетворительным результатом обнаружения «цели». Кроме того, характерной особенностью результатов обработки тепловизионного изображения является то, что оцененное таким образом расположение единиц и нулей в индикаторной матрице, а также ее размер не позволяют однозначно принять решение о координатах «цели».
Рис. 1. Индикаторная матрица тепловизионного изображения
Для преодоления этого недостатка алгоритма гистограммного анализа необходимо применить последующую алгоритмическую обработку полученных данных, позволяющую произвести уточнение координат «цели» на тепловизионном изображении.
Разрабатываемый алгоритм должен обладать следующими свойствами:
1) алгоритм должен выделять на изображении область, соответствующую области «цели» на исходном тепловизионном изображении;
2) размеры выделяемой области должны быть соизмеримы с реальными размерами «цели».
Исходными данными для алгоритма является оцененная индикаторная матрица T, значения которой определяются следующим образом:
^ arg mm % (hpA (х, у )) = Т; 0, иначе,
Т (X У ) =
где Ир^ (Ху) - гистограмма участка сигнала в пределах апертуры с центром в точке с координатами (х, у). Кроме того, особенностью гисто-
граммного анализа является то, что, несмотря на определенное количество ложных срабатываний, сосредоточение максимального количества верных срабатываний, заключающихся в верном обнаружении «цели», наблюдается вблизи «цели» на исходном тепловизионном изображении.
При построении матрицы Т используются не абсолютные значения Ф * (.), а рассматривается лишь факт минимальности этого значения при подстановке в формулу критерия близости различных эталонных гистограмм. Использование непосредственно значений Ф* (.) позволит ввести
некоторые «веса» для каждого пикселя, которые будут указывать насколько отдельный пиксель «похож» на «цель». Таким образом, из нормированных значений, полученных по формуле
ф£ Ы*,у))~ т^К Км))
ФН,£(>гРА(х,у)) = 1--7-т-^ . (ф ,-й; (2)
птах (Ф*(!гРл{ х,у)))- тт (ф*(^ х,у)))
складывается матрица Фт весовых коэффициентов той же размерности, что и матрица Т:
Ф Н,Т (гРл (х, у)), если т (х,у ) = 1; (3)
0, иначе.
Значения Фт (х, у), равные 1 соответствуют пикселям, значение
Ф * (ЬРл (ХУ)) для которых дало нулевой результат, т.е. пиксели, максимально «похожие» на пиксели «цели». Нулевые значения Фт (х,у) соответствуют фоновым пикселям.
Алгоритм уточнения координат цели по матрицам Т и Фт должен представлять собой рекуррентную процедуру, которая после каждого своего I -го шага формирует множество кТ Ч
), уТ
К х"> (т) (т )1
оцененных параметров области «цели». Обозначим ^)(т) количество
единичных элементов матрицы Т после выполнения I -го шага. Для выполнения этой процедуры необходимо ввести следующие функции. Во-первых, введение матрицы весовых коэффициентов Фт позволит вычислить координаты «центра масс» (хс, ус) изображения, где пиксели, идентифицированные как «цель», имеют вес, отличный от нулевого:
Фт ( х, у ) =
X(I)Y(I) xc = Z Z x■ Фт(x,y)• T(x,y)
x=1 y=1
X(I)Y(I)
Z Z Фт (x, У) ■ T (x, y)
x=1 y=1
X(I)Y(I)
Z Z Фт (x, y) ■ T (x, y)
x=1 y=1
-1
X(I)Y(I)
yc = Z Z у■ Фт(xУ)■T(xУ)
x=1 У=1
Вычисление координат (xc, yc) таким образом позволяет вычислить
координаты, изначально приближенные к участку, соответствующему «цели» на тепловизионном изображении.
Во-вторых, функция геометрического расстояния между точками с координатами (x1, У1) и (x2, У2)
' v2 (5)
'(x1,У1,x2,У2 ) = >/(x2 - x1 )2 + (У2 - У1 )2
позволит вычислить меру расстояния в декартовой системе координат между двумя произвольными точками с целью поиска наиболее удаленных точек от «центра масс».
Алгоритм в общем виде имеет вид, представленный на рис. 2.
А С°нач АЛО р
В -О
С Вычисление координат (л-'.О Вычисление
D
Е Исключение из рассмотрения удаленных точек гу— <С^Окончание алгорим'кГ2> нет /■—х —W А )
F да
G Q 0 КОНЕЦ }
Рис. 2. Алгоритм уточнения координат «цели»
Выполнение алгоритма начинается с вычисления координат (Хс, ус) по формуле (4) (блок 2 - С1). Следующий шаг (блок 3 - Е1) заключается в поэлементном обходе матрицы Т и обнулении ее элементов в соответствии с правилом
т(')( х, у ) =
0, если (х, у ) = а^тах (г (х, у, хс, ус));
х,у (6)
т(г'-1)( х, у), иначе.
Таким образом из рассмотрения исключается один наиболее удаленный от точки (хс,ус) пиксель. Выполнение рассматриваемого блока может происходить неоднократно, например, ^)( т) раз, прежде, чем перейти к
выполнению следующего блока.
На следующем шаге алгоритма (блок 4 - С3) выполняется вычисление оценочных величин к т Ц хт),ут),Х(г')( т))( т)^| по формулам
(1). Решение об окончании работы алгоритма принимается на основе вычисленных ранее значений X(1)( т),У(г)( т). Как показано в [5], размер
апертуры при обработке выбирается таким образом, чтобы размеры апертуры были соизмеримы с размерами «цели», поэтому признаком окончания выполнения алгоритма уточнения координат является выполнение системы неравенств
X(')( т)< X (Л); (7)
У(1)( т) < г (л),
где X (Л) и У (Л) - ширина и высота апертуры соответственно.
Использование в качестве правила преобразования матрицы Т с целью удаления из рассмотрения самых удаленных точек от (хс, ус) соотношения (6) характеризуется слишком большими временными затратами, не совместимыми с выполнением алгоритма анализа тепловизионного изображения [10] в масштабах реального времени. Это связано с тем, что при многократном выполнении блока 3 алгоритма производится многократный поэлементный обход матрицы Т . В частности, при исключении
из рассмотрения Nт}( т)/2 точек матрицы Т потребуется выполнить Nт}( т) ¡2 переборов этой матрицы, в каждом из которых будет выполнено Nт)( т) сравнений и Nт)( т) раз будет вызываться функция (5), при
каждом вызове которой будут выполняться 3 сложения и 2 умножения. Таким образом, для выполнения блока 3 алгоритма потребуется выполнение
5 • ^) ( т) арифметических и Nт)( т)2 ¡2 операций сравнения.
В качестве альтернативы правилу (6) можно выбрать следующее правило:
Т(г }( X, У ):
0 если г (х, У, , ус )< 0,5max (г (х, у, хс, уУс));
х, У
Т('-1)( X, у)
иначе.
(8)
Такое правило для поиска исключаемых из рассмотрения не будет проигрывать в точности правилу (6), но позволит сократить временные затраты на выполнение алгоритма. Для выполнения блока 3 в этом случае потребуется 1 обход матрицы Т с целью поиска максимального удаленного пикселя от точки (хс, ус), на что потребуется И^ )(ТТ) операций сравнения и 5 • Ир)(ТТ) арифметических операций. Еще один обход матрицы Т
потребуется для исключения из рассмотрения точек, отстоящих более, чем на половину максимального расстояния от точки (хТс, ус). Для этого необходимо выполнить столько же арифметических операций и операций сравнения. Таким образом, для выполнения преобразования матрицы Т с использованием правила (8) потребуется 2 • И^ )(ТТ) сравнений и 10 • иТ )(тТ)
арифметических операций. Отсюда следует вывод, что выигрыш в вычислительных затратах при использовании правила (8) по сравнению с (6) составит иТ)(ТТиТ)(ТТ)-4^^ сравнений и 5• И^^(ТИ^^(Т)-2
операций сложения и умножения.
Пример результатов работы описанного алгоритма представлен на
рис. 3.
Рис. 3. Результаты пошагового уточнения координат «цели» а - демонстрирует результаты работы рассматриваемого алгоритма с использованием правила (6); б - с использованием правила (8)
Как показывают практические исследования работы алгоритма, количество последовательно выполняемых итераций одинаково как при использовании правила (6), так и правила (8). Обработка приведенных на
рис. 3 изображений выполнялась квадратной апертурой со стороной 20 пикселей.
Таким образом, описанный алгоритм позволяет выполнить уточнение координат «цели» по результатам обработки тепловизионного изображения с использованием алгоритма гистограммного анализа. Дополнительная эффективность работы алгоритма достигается путем использования т.н. «весовых коэффициентов» для каждого пикселя, характеризующих степень схожести отдельного элемента изображения с «целью». Уточнение параметров инфракрасного излучения участков теплопроводов важно для повышения эффективности работы всей энергетической системы, которую обслуживает теплотрасса. В стратегическом плане возможен поиск участков теплосети, требующих первоочередной модернизации.
Список литературы
1. Соколова С.С., Соколов В.А. Управление температурным режимом производственных зданий: монография. Тула, 2010. 167с.
2. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986.
3. Прэтт У. Цифровая обработка изображений: в 2 кн. М.: Мир, 1982. 714 с.
4. Котов В.В., Соколов В.А. Оценка плотностей вероятностей значения сигнала по гистограмме // Известия ТулГУ. Сер. «Вычислительная техника. Информационные технологии. Системы управления». 2004. Т. 1. Вып. 3. Сер. «Вычислительная техника». С. 98-104.
5. Соколов В.А. Выбор апертуры при обработке тепловизионных изображений // Известия ТулГУ. Сер. «Вычислительная техника. Информационные технологии. Системы управления». 2004. Том 1. Вып. 1. С. 145152.
6. Пытьев Ю.П., Чуликов А.И. ЭВМ анализирует форму изображения. М.: Знание (Новое в жизни, науке, технике. Сер. "Математика, кибернетика"), 1988. № 5. 48 c.
7. Shannon C.E. 1948. A mathematical theory of communication // Bell Syst. Tech. J. 27 (Jul.). P. 398-403.
8. Smith S.W. The Scientist and Engineering's Guide to Digital signal Processing. San Diego: California Technical Publishing, 1999. 650 p.
9. Соколов В.А. Критерий оценки состояния сцены по результатам тепловизионного наблюдения // C6. науч. тр. конф., посвящ. 25-летию Камского госуд. политехн. ин-та «Студенчество. Интеллект. Будущее». Наб. Челны: Изд-во КамПИ.
10. Robert M. Gray, Lee D. Davisson. An Introduction to Statistical Signal Processing, Information Systems Laboratory Department of Electrical Engi-
neering Stanford University, Department of Electrical Engineering and Computer Science University of Maryland, 1999. 444 pp.
Соколов Василий Алексеевич, канд. техн. наук, [email protected], Россия, Тула, ООО "Девелопер-Софт",
Соколова Светлана Станиславовна, канд. техн. наук, доц., ss.sokolova@yandex. ru, Россия, Тула, Тульский государственный университет,
Рожков Виктор Федорович, канд. техн. наук, доц., [email protected] Россия, Тула, Тульский государственный университет
ALGORITHM OF THERMOGRAMS ANALYSIS FOR DIAGNOSTIC SCANNING
OF MINE'S HEATING PIPELINES
V.A. Sokolov, S.S. Sokolova, V.F. Rozhkov
The article considers analytical processing of thermograms aimed to detect abnormal sections of pipeline and interpret the thermal scanning result. An iterative algorithm of thermal scanning processing is suggested. It allows to detect "target" appeared on the acquired thermogram.
Key words: heating pipeline, diagnostic scanning, thermogram, histogram analysis, iterative algorithm, energy system efficiency.
Sokolov Vasily Alekseevich, candidate of technical sciences, va. sokolov@gmail. com, Tula, Russia, Developer Soft, LLC,
Sokolova Svetlana Stanislavovna, candidate of technical sciences, do-cent, ss. sokolova@yandex. ru, Tula, Russia, Tula State University,
Rozhkov Viktor Fedorovich, candidate of technical sciences, docent, rojkov. victor@mail. ru, Tula, Russia, Tula State University
Reference
1. Sokolova S. S., Sokolov V. A. Temperature control of industrial buildings: Monograph. Tula, 2010. 167c.
2. Pavlidis T. Algorithms for machine graphics and image processing. Moscow: Radio and communications, 1986.
3. Pratt U. Digital image processing: in 2 books, Moscow: Mir, 1982, 714 p.
4. Kotov V. V., Sokolov V. A. Estimation of probability densities of signal detection by histogram // News Of Tulsu. Series: Computer facilities. Information technology. Control system. 2004. Vol. 1. Issue 3. Computer engineering. Pp. 98-104.
5. Sokolov V. A. selection of the aperture when processing thermal images // News Of Tulsu. Computer engineering series. Information technologies. Control system. 2004. Volume 1. Issue 1. Pp. 145-152.
6. pytev Yu. P., Chulikov A. I. computer analyzes the image form. M.: Knowledge (New in life, science, technology. Ser. "Mathematics, Cybernetics"). 1988. № 5. 48c.
7. Shannon C.E. 1948. A mathematical theory of communication. Bell Syst. Tech. J. 27 (Jul.). Pp. 398-403.
8. Smith S.W. The Scientist and Engineering's Guide to Digital signal Processing. San Diego: California Technical Publishing, 1999. 650 pp.
9. Sokolov V. A. Criterion for evaluating the state of the scene based on the results of thermal imaging observation. 25th anniversary of the Kama state Polytechnic. in-TA "Students. Intelligence. Future": Nab. Chelny: publishing house of Campi. 319 PP.
10. Robert M. Gray, Lee D. Davisson. An Introduction to Statistical Signal Processing, Information Systems Laboratory Department of Electrical Engineering Stanford University, Department of Electrical Engineering and Computer Science University of Maryland, 1999. 444 pp.
УДК 622.283:622.363.2
ОПЫТ ПРИМЕНЕНИЯ ГИДРОИЗОЛЯЦИОННЫХ УСТРОЙСТВ КОМБИНИРОВАННОГО ТИПА В ШАХТНЫХ СТВОЛАХ КАЛИЙНЫХ РУДНИКОВ
В.В. Тарасов, И.В. Загвоздкин, П.В. Николаев
Представлен мировой опыт применения гидроизоляционных устройств комбинированного типа в шахтных стволах калийных и соляных рудников. Рассмотрена возможность применения химического уплотнительного кольца совместно с деревянным кейль-кранцем. Приведены испытания физических свойств материала химического уплотнительного кольца, предназначенного для герметизации крепи стволов калийных рудников. Показана работоспособность химического уплотнительного кольца, что предполагает его использование в качестве дополнительной гидроизоляционной прокладки совместно с деревянным кейль-кранцем.
Ключевые слова: кейль-кранец с пикотажным уплотнением, химический кейль-кранец, лабораторные исследования, шахтные стволы, гидроизоляционные устройства комбинированного типа.
Одним из главных и основных условий безопасной разработки калийных месторождений является обеспечение полной гидроизоляции всех горных выработок от проникновения рассолов с вышележащих водоносных горизонтов. Вертикальный ствол на Верхнекамском месторождении, пересекающий надсолевые породы и водоносные горизонты, является наиболее вероятным местом проникновения подземных вод и рассолов в рудник. Данное обстоятельство может способствовать развитию аварийной ситуации и прорыву пресных подземных вод в рудник, которые в свою очередь могут привести к затоплению рудника. Жёсткие требования по защите калийных рудников от затопления обусловили применение специальных способов проходки шахтных стволов с использованием чугунной тюбинговой крепи в интервале пересечения стволом обводнённых горных пород. Поэтому с целью исключения возможного проникновения подзем-
