CC BY
207
С.А. Шустерман АВТОМАТИЧЕСКИЙ АНАЛИЗ
ГРАНУЛОМЕТРИЧЕСКОГОСОСТАВА ВЗОРВАННОЙ ГОРНОЙ МАССЫ ПО ФОТОГРАФИЯМ
Лри ведении взрывных работ (ВР) в горном деле необходим контроль за гранулометрическим составом взорванной породы. Он нужен для выбора методов ведения ВР и для оперативного контроля за качеством горной массы. Измерение гранулометрического состава больших объемов разрушенных пород представляет собой сложную проблему [1,2]. Необходимы как можно более точные и как можно менее трудоемкие методы измерения фракционного состава. Наиболее точным методом является ситовой анализ (грохочение), однако этот метод требует больших затрат и занимает длительное время. Поэтому область его применения ограничивается строительной промышленностью, и даже там грохочение с целью определения гранулометрического состава взорванной породы производится в редких случаях [4].
Более распространенным и дешевым методом является планиметрический (чаще - фотопланиметрический) анализ. Его суть заключается в измерении размеров кусков на поверхности развала (чаще - на фотографии поверхности). Его главными недостатками являются малая точность и большой объем ручной работы и при проведении измерений, и при анализе фотографий [3, 4].
Фотопланиметрический анализ можно автоматизировать, используя персональный компьютер. Схематично процесс автоматической обработки оцифрованной фотографии показан ни рис. 1. Такая схема обработки широко используется в системах анализа изображений, например, для гранулометрического анализа в материаловедении.
Рассмотрим подробнее каждый из этапов.
1. Ввод изображения в ПК. Удобнее всего фотографировать развал цифровым фотоаппаратом, а потом с него вводить
Рис. 1. Блок-схема процесса автоматического гранулометрического анализа изображение, хотя вполне возможен и вариант работы со скани-а б
Рис. 2
а - исходное изображение; б - контуры зерен; в - изображение с нанесенными контурами
в
рованными фотографиями. Желательно, чтобы изображение было как можно лучшего качества, поэтому фотоаппарат должен быть полупрофессиональный или профессиональный. Цветность фотографии значения не имеет, поэтому лучше фотографировать в черно-белом режиме.
2. Предварительная обработка изображения. Приведенное на рис. 2, а изображение имеет высокое качество, но часто на осколках породы бывают различные помехи: блики, снег и т.д. На данном этапе с изображения удаляются шумы и помехи с помощью наборов двумерных цифровых фильтров [5-6].
3. Выделение контуров зерен. Это самая сложная часть системы. Очевидно, что если контуры выделены, дальнейшая обработка - это дело техники. По выделенным контурам очень просто найти параметры зерен и построить гистограмму распределения. Поиск контуров должен быть как можно надежнее.
Существует множество разработанных алгоритмов выделения границ. Но результаты применения даже наиболее эффективных алгоритмов к таким сложным объектам, как осколки горных пород, показали очень низкую точность выделения границ. Это приводит либо к очень большому объему ручных исправлений контуров, либо сильно снижается точность расчетов.
Поэтому для выделения контуров был разработан новый алгоритм, основанный на алгоритме "Region Growing" [7]. Алгоритм работает по следующему принципу:
• сначала изображение делится на много мелких сегментов (регионов). Каждый сегмент s соответствует одной точке изображения. Сегменты разделены границами b. Каждая граница имеет свой вес W (рис. 3).
Для границы Wij вычисляется по формуле:
win / 2 win / 2 win / 2 win / 2
£ £ (i„«.)2
ttt _ k=-win/21=-win/ 2_m=-win /2 n=-win /2_ .. 1 v
W ~ .2 , (1)
wm
где win - размер окна, настраиваемый пользователем, I - яркость точки с изображения;
Wij
Wik
Рис. 3
• далее сегменты начинают объединяться в гораздо большие. Из всех границ на изображении выбирается граница с наименьшим весом. Пусть, например, это будет граница Wij .
Если выполняется некоторое условие (о нем будет написано ниже), граница удаляется, а сегменты Si и Sj объединяются в один. Теперь опять выбирается граница с меньшем весом. Пусть это будет Wij. После второго шага сегменты будут иметь такой вид, как на рис. 4. Границы, отмеченные как Wa и Wb, теперь находятся между одними и теми же объектами и их надо объединить. Вес объединенной границы вычисляется по формуле
W=Wa • La + Wb • Lb
W = т Ti , (2)
La + Lb
где La и Lb - длины границ Wa и Wb соответственно, в данном случае (рис. 3) они обе равны 1.
Удаление границы и объединение сегментов выполняется только тогда, когда выполняется условие
—W— < Threshold , (3)
W '• K
где W - вес границы; W' - вес внутренних границ сегмента (границ между входящими в него сегментами); K - отношение длины границы к диаметру минимального объекта, Threshold - порог чувствительности алгоритма.
Параметр K характеризует вогнутость контура будущего объединенного сегмента рядом с границей. Чем она больше, тем вероятнее, что эти два сегмента не должны быть соединены.
Если же условие не выполняется, то граница остается, а программа ищет следующую по весу границу и переходит к ней.
Объединение происходит до тех пор, пока не останется границ, удовлетворяющих условию (3). Оставшиеся границы и будут контурами осколков.
Результаты применения данного алгоритма показаны на рис.
2, а и 2, б.
Программная реализация этого метода требует больших вычислительных затрат и большого объема памяти. Чтобы обрабатывать изображение 1000x1000 точек, требуется мощный компьютер (как минимум, с процессором Р4 2.4 ГГц и памятью 512 МЬ). Также очень важна частота шины данных, ибо именно она в основном определяет скорость работы программы.
4. Ручная правка. Автоматическое выделение контуров не может работать со 100 % точностью. После выделения будут ошибки. Они устраняются с помощью ручной правки. Трудоемкость этого этапа зависит от удобства пользовательского интерфейса. Для этих целей необходимы интеллектуальные пользовательские инструменты, которые бы брали на себя большую часть операций. Использование подобных инструментов позволяет осуществлять удаление, корректировку и нанесение новых контуров с помощью 1-2 манипуляций мышью.
5. Масштабирование. Масштаб изображения при фотографировании наклонных развалов различается по площади - на ближнем плане он больше, чем на заднем. Чтобы это учесть, на изображения наносятся несколько отрезков известной длины. После этого программа интерполирует масштабирующий коэффициент по всему изображению.
6. Вычисление параметров выделенных объектов. На этом этапе по имеющимся контурам вычисляются характеристики каждого осколка.
7. Статистический анализ. По полученным данным строится гистограмма распределения.
8. Корректировка полученного распределения. Выделенные осколки породы на фотографии видны не полностью. Соответственно в гистограмме будут представлены не их реальные, а только видимые размеры. Кроме того, при низком качестве дробления мелкие осколки породы проваливаются под крупные, и их хуже видно. Это, наоборот, дает перекос гистограммы в сторону зерен большего размера [4]. Подобные искажения можно учесть, если иметь базу измерений, сделанных как с помощью автоматического анализа, так и с помощью грохочения (ситового анализа). По набору измерений можно экспериментально установить средние искажения гистограммы для каждой фракции, и в дальнейшем на основе проведенных экспериментов корректировать гистограммы распределений.
Автоматизация гранулометрического анализа, очевидно, сделает его значительно менее трудоемким. Время обработки одной фотографии будет зависеть от допустимой погрешности измерений и от качества съемки. Под качеством съемки подразумевается отсутствие бликов, атмосферных помех, правильная освещенность. Если качество высокое, то погрешность из-за ошибок выделения контуров будет низкая. Тогда необходимость ручной правки отпадает, и время анализа одной фотографии будет составлять не более минуты. При низком качестве фотографии или при большей требуемой точности может возникнуть необходимость ручной правки. В этих случаях время может увеличиться до 10-15 мин, что все равно существенно меньше, чем при ручной обработке.
В заключение отметим, что точность и сопоставимость результатов автоматизированной обработки фотопланограмм значительно выше, чем при ручном анализе, что повышает объективность оценки различных методов ведения ВР.
Автор выражает благодарность д.т.н. Цирелю С.В. за полезные советы при обсуждении и внимание к работе.
-------------------------------------- СПИСОК ЛИТЕРАТУРЫ
1. Андреев C.E., Товаров B.B. Закономерности измельчения и исчисления характеристик гранулометрического состава.- М.: ГНТИ лит-ры по черной и цветной металлургии, 1959.- 437 с.
2. Барон Л.И. Кусковатость и методы ее измерения. - М.: Изд-во АН СССР, 1960. - 97 с.
3. Галимулин А.Т., Прокопенко B.C. Методические положения определения кусковатости горной массы// Взрывное дело. № 86/43, М.: Недра, 1984. - С.191-
4. Цирель С.В. Гранулометрический состав разрушенных горных пород: экспериментальные данные и методы расчета// Взрывное дело, № 92/49, М.: Недра, 1999. - С.100-116.
5. Milan Sonka, Vaclav Hlavac Image processing, analysis and machine vision. Brooks/Cole Publishing company. CA, USA. 1999.
6. Parker J. R. Algorithms for image processing and computer vision. John Wiley & Sons, Inc New York N.Y. USA 1997.
7. Pedro F. Felzenszwalb and Daniel P. Huttenlocher Efficiently Computing a Good Segmentation. http://www.cs.cornell.edu/vision/segmentation/
— Коротко об авторах --------------------------------
Шустерман C.A— аспирант, ВНИМИ, Санкт-Петербург.
198.
