吳奉亮 寇露

文章編號(hào)：1671?251X（2024）04?0103?09 ?DOI：10.13272/j.issn.1671-251x.2023100036

摘要：從通風(fēng)機(jī)性能曲線圖像中采樣并識(shí)別風(fēng)壓性能曲線，進(jìn)而擬合出風(fēng)壓性能函數(shù)是礦井通風(fēng)網(wǎng)絡(luò)解算的關(guān)鍵技術(shù)。目前常用人工方式識(shí)別風(fēng)壓性能曲線，效率低且準(zhǔn)確性不高。提出一種基于圖像處理技術(shù)的通風(fēng)機(jī)風(fēng)壓性能曲線自動(dòng)識(shí)別方法。采用雙邊濾波、圖像銳化和二值化技術(shù)對(duì)原始通風(fēng)機(jī)風(fēng)壓性能曲線圖像進(jìn)行預(yù)處理，以提高圖像質(zhì)量。分別基于腐蝕算法、輪廓檢測(cè)算法提取通風(fēng)機(jī)性能曲線圖像中的網(wǎng)格線和坐標(biāo)文字，采用邏輯運(yùn)算、中值濾波、輪廓檢測(cè)和 K3M算法提取風(fēng)壓性能曲線。以逐行像素識(shí)別方式識(shí)別風(fēng)壓性能曲線的像素坐標(biāo)，采用模板匹配算法識(shí)別坐標(biāo)數(shù)字，進(jìn)而完成像素坐標(biāo)到物理坐標(biāo)的轉(zhuǎn)換，實(shí)現(xiàn)風(fēng)壓性能曲線識(shí)別。將通風(fēng)機(jī)風(fēng)壓性能曲線自動(dòng)識(shí)別方法集成至通風(fēng)網(wǎng)絡(luò)解算軟件，對(duì)通風(fēng)機(jī)風(fēng)壓性能曲線進(jìn)行識(shí)別試驗(yàn)，結(jié)果表明，該方法對(duì)單條風(fēng)壓性能曲線的采樣速度為24 Samples/s，識(shí)別的風(fēng)壓性能曲線與原始曲線的重合度高，風(fēng)壓擬合值與原始值的最大誤差僅為0.88%，較人工識(shí)別方法大大提高了通風(fēng)網(wǎng)絡(luò)解算效率和準(zhǔn)確性。

關(guān)鍵詞：礦井通風(fēng)網(wǎng)絡(luò)；通風(fēng)網(wǎng)絡(luò)解算；通風(fēng)機(jī)；風(fēng)壓性能曲線；圖像自動(dòng)識(shí)別；風(fēng)壓性能函數(shù)擬合

中圖分類號(hào)：TD724 ?文獻(xiàn)標(biāo)志碼：A

Automatic recognition method of ventilator wind pressure performance curve for mine ventilation network calculation

WU Fengliang， KOU Lu

（College of Safety Science and Engineering， Xi'an University of Science and Technology， Xi'an 710054， China）

Abstract： Sampling and recognizing the wind pressure performance curve from the wind performance curve image， and then fitting the wind pressure performance function， is a key technology for solving the mine ventilation network. Currently， manual methods are commonly used to recognize wind pressure performance curves， which have low efficiency and poor accuracy. This study proposes an automatic recognition method for the wind pressure performance curve of ventilator based on image processing technology. The method uses bilateral filtering， image sharpening， and binarization techniques to preprocess the original ventilator wind pressure performance curve image， in order to improve image quality. The method extracts grid lines and coordinate text from the performance curve image of the ventilator based on corrosion algorithm and contour detection algorithm. The method uses logical operation， median filtering， contour detection， and K3M algorithm to extract the wind pressure performance curve. The pixel coordinates of the wind pressure performance curve are recognized using a row by row pixel recognition method. The method uses template matching algorithm to recognize coordinate numbers， and then complete the conversion from pixel coordinates to physical coordinates， achieving wind pressure performance curve recognition. The automatic recognition method for the wind pressure performance curve of the ventilator is integrated into the ventilation network calculation software. The recognitionexperiment is conducted on the wind pressure performance curve of the ventilator. The results show that the sampling speed of the method for a wind pressure performance curve is 24 Samples/s. The recognized wind pressure performance curve has a high overlap with the original curve. The maximum error between the wind pressure fitting value and the original value is only 0.88%. Compared to manual recognition methods， the method greatly improves the efficiency and accuracy of the ventilation network calculation .

Key words： mine ventilation network; ventilation network calculation; ventilator; wind pressure performance curve; automatic image recognition; wind pressure performance function fitting

0引言

我國(guó)礦井通風(fēng)正在經(jīng)歷自動(dòng)化、智能化的變革，智能通風(fēng)系統(tǒng)已成為煤炭行業(yè)智能礦井建設(shè)中的重要內(nèi)容[1-3]。礦井通風(fēng)網(wǎng)絡(luò)解算是智能通風(fēng)系統(tǒng)主要內(nèi)容之一[4-6]，提高礦井通風(fēng)網(wǎng)絡(luò)解算軟件友好性、智能性的相關(guān)研究具有重要意義[7-9]。通風(fēng)機(jī)風(fēng)壓性能函數(shù)是礦井通風(fēng)網(wǎng)絡(luò)解算中的關(guān)鍵信息，相關(guān)的原始資料多為圖像文件。通過(guò)計(jì)算機(jī)自動(dòng)、準(zhǔn)確地識(shí)別出圖像文件中的風(fēng)壓性能曲線坐標(biāo)，再自動(dòng)擬合出精準(zhǔn)的風(fēng)壓函數(shù)，是智能通風(fēng)系統(tǒng)中不可或缺的技術(shù)，也是評(píng)價(jià)通風(fēng)網(wǎng)絡(luò)解算系統(tǒng)智能性的重要指標(biāo)。

一直以來(lái)，關(guān)于準(zhǔn)確獲取通風(fēng)機(jī)風(fēng)壓性能函數(shù)的研究受到許多學(xué)者的關(guān)注。唐輝雄等[10]以零偏差點(diǎn)個(gè)數(shù)、零偏差點(diǎn)比率、總偏差、平均偏差和偏差率作為評(píng)估指標(biāo)，采用最小一乘法擬合通風(fēng)機(jī)風(fēng)壓等性能函數(shù)。尹昌盛等[11]采用正反拋物線對(duì)通風(fēng)機(jī)風(fēng)壓性能曲線中的“駝峰”位置進(jìn)行擬合，避免了二次多項(xiàng)式假收斂和五次多項(xiàng)式曲線振蕩問(wèn)題。葉敏等[12]基于通風(fēng)機(jī)特性曲線矢量化軟件，指出風(fēng)壓曲線樣點(diǎn)的采集應(yīng)集中在曲線拐彎處。賈騰等[13]使用最小二乘法擬合通風(fēng)機(jī)在不同安裝角度下風(fēng)壓與風(fēng)量之間的關(guān)系式，并利用1stOpt 中的公式自動(dòng)搜索擬合關(guān)系式。吳奉亮[14]采用偏回歸系數(shù)顯著性檢驗(yàn)來(lái)確定通風(fēng)機(jī)風(fēng)壓性能曲線擬合多項(xiàng)式函數(shù)的階數(shù)。

上述研究均以人工采集的通風(fēng)機(jī)風(fēng)壓性能曲線圖像上有限的樣點(diǎn)為原始參數(shù)，樣點(diǎn)采集效率低，風(fēng)壓性能曲線識(shí)別準(zhǔn)確率不高。直接識(shí)別通風(fēng)機(jī)性能曲線圖像中的風(fēng)壓性能曲線，進(jìn)而基于大數(shù)據(jù)量樣點(diǎn)擬合風(fēng)壓性能函數(shù)，對(duì)于提高曲線識(shí)別精度和通風(fēng)網(wǎng)絡(luò)解算軟件的智能性有現(xiàn)實(shí)意義。本文采用圖像處理技術(shù)，提出了一種通風(fēng)機(jī)風(fēng)壓性能曲線自動(dòng)識(shí)別方法，得到了滿足通風(fēng)網(wǎng)絡(luò)解算要求的風(fēng)壓性能函數(shù)。

1通風(fēng)機(jī)風(fēng)壓性能曲線特征及對(duì)網(wǎng)絡(luò)解算的影響

礦井通風(fēng)機(jī)在出廠或后期性能測(cè)定過(guò)程中會(huì)形成性能曲線圖像，主要有效率性能曲線和風(fēng)壓性能曲線。某對(duì)旋式通風(fēng)機(jī)性能曲線圖像如圖1所示。橫坐標(biāo)為通風(fēng)機(jī)風(fēng)量，縱坐標(biāo)為通風(fēng)機(jī)在不同葉片安裝角下的輸出風(fēng)壓。風(fēng)壓性能曲線上的數(shù)字為對(duì)旋式通風(fēng)機(jī)2個(gè)葉片的安裝角，效率性能曲線上的數(shù)字為通風(fēng)機(jī)運(yùn)行效率。在有效的工作范圍內(nèi)，風(fēng)量與風(fēng)壓呈單調(diào)遞減關(guān)系，即風(fēng)量越小，通風(fēng)機(jī)輸出風(fēng)壓（承擔(dān)的阻力）越大。風(fēng)壓性能曲線中的每一個(gè)點(diǎn)均為通風(fēng)機(jī)潛在的工況點(diǎn)。通過(guò)人工準(zhǔn)確計(jì)算通風(fēng)機(jī)運(yùn)行于某實(shí)際礦井中的工況點(diǎn)往往很難完成，這是因?yàn)榈V井通風(fēng)系統(tǒng)復(fù)雜，通風(fēng)機(jī)與風(fēng)網(wǎng)、井巷風(fēng)阻耦合作用決定網(wǎng)絡(luò)中的流量分配。

某簡(jiǎn)化礦井通風(fēng)網(wǎng)絡(luò)如圖2所示，箭頭表示風(fēng)流方向，分支8的風(fēng)量為通風(fēng)機(jī)風(fēng)量。

在通風(fēng)機(jī)作用下，風(fēng)流在巷道中流動(dòng)滿足節(jié)點(diǎn)流量平衡定律（式（1））與風(fēng)壓平衡定律（式（2））。

式中：N 為礦井通風(fēng)網(wǎng)絡(luò)分支數(shù)；bkj 為節(jié)點(diǎn)?k 與分支?j 關(guān)系；qj 為分支?j 的風(fēng)量；M為礦井通風(fēng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)；cij 為分支?j 與回路?i 的關(guān)系；rj 為分支?j 的風(fēng)阻；?hfj 為分支?j 中通風(fēng)機(jī)的風(fēng)壓性能函數(shù)，是分支風(fēng)量?qj 的函數(shù)；l 為獨(dú)立回路數(shù)，l=N?M+1。

通風(fēng)網(wǎng)絡(luò)解算即求解式（1）和式（2）組成的非線性方程組，以求得每條分支風(fēng)量的過(guò)程。在式（2）中，通風(fēng)機(jī)性能以風(fēng)壓性能函數(shù) hfj 的形式表現(xiàn)，但其多以如圖1所示的曲線圖像文件存在，因此需在通風(fēng)網(wǎng)絡(luò)解算軟件中對(duì)通風(fēng)機(jī)性能曲線圖像進(jìn)行識(shí)別，得出風(fēng)壓性能函數(shù)。

2通風(fēng)機(jī)性能曲線圖像預(yù)處理

圖1中存在印刷產(chǎn)生的黑色污點(diǎn)和像素值區(qū)分度低導(dǎo)致的圖像模糊等問(wèn)題，且采集圖像時(shí)可能因光照不均勻產(chǎn)生光斑，影響識(shí)別效果，需對(duì)通風(fēng)機(jī)性能曲線圖像進(jìn)行預(yù)處理，以提高圖像質(zhì)量。預(yù)處理操作包括將圖像尺寸統(tǒng)一為900×800、濾波去噪、銳化和二值化。

分別采用均值濾波、中值濾波和雙邊濾波算法對(duì)原始的通風(fēng)機(jī)性能曲線圖像進(jìn)行濾波去噪，結(jié)果如圖3所示。可看出3種方法均能夠有效去除噪聲，但雙邊濾波能更好地保留圖像邊緣信息[15]，因此選用雙邊濾波去噪。通過(guò)對(duì)多張通風(fēng)機(jī)性能曲線圖像進(jìn)行雙邊濾波發(fā)現(xiàn)，將與待處理像素點(diǎn)距離為50、像素值相差15的像素點(diǎn)視為相似并賦予更高權(quán)重時(shí)，濾波效果最佳。

濾波去噪操作會(huì)引入一定程度的圖像模糊。為了提升圖像的清晰度，需進(jìn)行圖像銳化處理。本文采用圖像卷積[16]方式來(lái)實(shí)現(xiàn)。定義一個(gè)中心數(shù)值為5、周圍數(shù)值為?1的卷積核，對(duì)濾波圖像進(jìn)行卷積操作。該設(shè)置可以突出中心像素點(diǎn)，減弱周圍像素點(diǎn)的影響，從而強(qiáng)化圖像邊緣。

二值圖能更好地突出圖像邊緣信息，提高圖像處理效率，因此對(duì)通風(fēng)機(jī)性能曲線圖像進(jìn)行二值化處理。閾值取200，將大于200的灰度值變?yōu)閳D像中的最大灰度值，小于200的灰度值變?yōu)?。

圖1的預(yù)處理結(jié)果如圖4所示?？煽闯鰣D像清晰度明顯提升，數(shù)字間距明顯，噪聲被消除。

3通風(fēng)機(jī)性能曲線圖像分割

通風(fēng)機(jī)性能曲線圖像包括網(wǎng)格線（藍(lán)色）、坐標(biāo)數(shù)字（紫色）和曲線（紅色）3個(gè)部分，如圖5所示。3個(gè)部分相互交叉，統(tǒng)一識(shí)別會(huì)導(dǎo)致算法冗雜和識(shí)別結(jié)果不準(zhǔn)確，因此需要進(jìn)行圖像分割。

3.1基于腐蝕的網(wǎng)格線提取

腐蝕和膨脹都是針對(duì)二值圖像的處理算法。腐蝕通過(guò)消除物體邊界點(diǎn)來(lái)分開(kāi)看似相連的區(qū)域；膨脹通過(guò)擴(kuò)大物體邊緣，將分開(kāi)的區(qū)域連接或消除小的空洞。提取網(wǎng)格線實(shí)質(zhì)上是消除其他區(qū)域，因此采用腐蝕算法。

腐蝕效果與腐蝕算法采用的結(jié)構(gòu)元素密切相關(guān)，結(jié)構(gòu)元素是以某點(diǎn)為中心定義的像素塊，如矩形、十字形等。對(duì)背景為黑色的圖像進(jìn)行腐蝕操作時(shí)，將結(jié)構(gòu)元素的中心點(diǎn)依次置于圖像中每個(gè)非0像素點(diǎn)P（白色）處，若待處理圖像中結(jié)構(gòu)元素覆蓋區(qū)域內(nèi)存在0像素點(diǎn)（黑色），則將點(diǎn)P 的像素值置為0，否則保留其像素值。

從腐蝕的原理可知，當(dāng)結(jié)構(gòu)元素完全被包含在某圖形中時(shí)，腐蝕操作不會(huì)對(duì)圖形造成影響。因此設(shè)置尺寸為100×1的水平線型結(jié)構(gòu)元素對(duì)二值化的通風(fēng)機(jī)性能曲線圖像（圖4（b））進(jìn)行腐蝕和反色操作，結(jié)果如圖6（a）所示，可看出只有完全包含水平線型結(jié)構(gòu)元素的橫線被保留。同理，設(shè)置尺寸為1×100的垂直線型結(jié)構(gòu)元素提取豎線，結(jié)果如圖6（b）所示。對(duì)圖6（a）與圖6（b）進(jìn)行邏輯“或”運(yùn)算，得到網(wǎng)格線，如圖6（c）所示。若輸入的通風(fēng)機(jī)性能曲線圖像中沒(méi)有網(wǎng)格線，只有橫縱坐標(biāo)軸，上述算法依然可識(shí)別出橫線和豎線。

3.2基于輪廓檢測(cè)的坐標(biāo)值提取

分析通風(fēng)機(jī)性能曲線圖像可看出，坐標(biāo)數(shù)字單獨(dú)存在于網(wǎng)格線之外，因此將原圖像中網(wǎng)格線外輪廓范圍內(nèi)的內(nèi)容全部置為背景色，即可提取出坐標(biāo)數(shù)字。需要說(shuō)明的是，如果在坐標(biāo)文字附近存在干擾數(shù)字及文字，如人為涂畫的痕跡，則需要人工清除這些痕跡，否則會(huì)影響算法執(zhí)行。采用圖像處理中的輪廓檢測(cè)算法提取坐標(biāo)文字，基本思想是從圖像中某個(gè)起始點(diǎn)開(kāi)始，沿著輪廓邊緣進(jìn)行追蹤，直到回到起始點(diǎn)。常用的輪廓檢測(cè)算法有邊緣追蹤算法[17]、分水嶺算法[18]等。

本文采用邊緣追蹤算法對(duì)識(shí)別出的網(wǎng)格線（圖6（c））進(jìn)行最外層的輪廓檢測(cè)。從該輪廓中某個(gè)0像素點(diǎn) P0出發(fā)，按順時(shí)針或逆時(shí)針順序在點(diǎn) P0周圍上、下、左、右、右上、右下、左上、左下的八鄰域點(diǎn)中尋找下一個(gè)0像素點(diǎn) M0，然后從點(diǎn) M0開(kāi)始重復(fù)此操作，直到回到點(diǎn) P0，完成輪廓檢測(cè)。用矩形對(duì)該輪廓進(jìn)行框選，得到如圖7（a）所示的紅色矩形框。對(duì)該矩形填充白色，得到如圖7（b）所示的含坐標(biāo)數(shù)字圖像。若輸入圖像沒(méi)有網(wǎng)格線，只有橫縱坐標(biāo)軸，仍可通過(guò)上述方法得到紅色矩形，完成坐標(biāo)數(shù)字的分割。

3.3曲線提取

曲線部分完全存在于網(wǎng)格線范圍內(nèi)。為提取曲線，需先提取網(wǎng)格線范圍內(nèi)的所有內(nèi)容，再去除網(wǎng)格線和標(biāo)注文字。對(duì)于通風(fēng)機(jī)性能曲線，每個(gè)風(fēng)量值（橫坐標(biāo)值）只對(duì)應(yīng)唯一的風(fēng)壓值（縱坐標(biāo)值），但在像素層面，曲線上的點(diǎn)由多個(gè)像素點(diǎn)構(gòu)成，即每個(gè)橫坐標(biāo)對(duì)應(yīng)多個(gè)縱坐標(biāo)，因此需對(duì)曲線做細(xì)化處理。曲線提取過(guò)程如圖8所示，步驟如下。

1）利用邏輯運(yùn)算和中值濾波去除網(wǎng)格線。提取網(wǎng)格線范圍內(nèi)所有內(nèi)容，結(jié)果如圖8（a）所示。該圖中背景色與圖6（c）中背景色均為白色，因此對(duì)二者進(jìn)行邏輯“異或”運(yùn)算，使圖8（a）背景色變成黑色，與圖8（a）中網(wǎng)格線同色，即成功去除圖像中的網(wǎng)格線。對(duì)運(yùn)算結(jié)果進(jìn)行反色操作，結(jié)果如圖8（b）所示?？煽闯龃蟛糠志W(wǎng)格線已被去除，殘留的部分痕跡可視作隨機(jī)噪聲。常用的方框?yàn)V波、雙邊濾波、中值濾波等濾波方法中，中值濾波對(duì)隨機(jī)噪聲的消除效果最好，因此選用尺寸為3×3的中值濾波器濾除隨機(jī)噪聲，結(jié)果如圖8（c）所示?？煽闯鰣D像噪聲被大量去除，僅含有標(biāo)注文字和被網(wǎng)格線斷開(kāi)的曲線。采用膨脹和腐蝕操作連接斷開(kāi)的曲線，結(jié)果如圖8（d）所示。若輸入圖像中只有橫縱坐標(biāo)軸，通過(guò)上述算法可去除橫縱坐標(biāo)線并保證曲線的完整性。

2）利用輪廓檢測(cè)算法去除標(biāo)注文字。由于標(biāo)注文字具有獨(dú)立的輪廓，并與曲線的輪廓屬于同一層次，所以可將標(biāo)注文字與曲線分別圈定，并根據(jù)文字輪廓明顯小于曲線輪廓的特點(diǎn)進(jìn)行區(qū)分。對(duì)圖8（d）進(jìn)行輪廓檢測(cè)，并對(duì)大小為10～1000像素的輪廓用藍(lán)色矩形進(jìn)行框選和填充，結(jié)果如圖8（e）所示?？煽闯鑫淖趾驮肼暰鶠樗{(lán)色。將矩形顏色改為背景色，即可去除標(biāo)注文字。為使曲線更加平滑，再次進(jìn)行膨脹、腐蝕和中值濾波操作，結(jié)果如圖8（f）所示。至此成功提取出曲線部分。

3）采用 K3M 算法細(xì)化曲線。圖像細(xì)化是將圖像的線條從多像素寬度減小到單位像素寬度并保持原形狀的過(guò)程。K3M 算法是一種簡(jiǎn)單易實(shí)現(xiàn)的圖像細(xì)化算法[19]。采用 K3M 算法對(duì)提取的曲線（圖8（f））進(jìn)行圖像細(xì)化時(shí)，需經(jīng)過(guò)多次迭代處理。每次迭代從左上角開(kāi)始，逐行對(duì)每個(gè)0像素點(diǎn)進(jìn)行6次檢查，查看其八鄰域內(nèi)是否有3～7個(gè)相鄰的0像素點(diǎn)。若有則說(shuō)明該點(diǎn)不屬于曲線骨架部分，需要?jiǎng)h除。當(dāng)某個(gè)0像素點(diǎn)不滿足刪除條件時(shí)，迭代停止，完成圖像細(xì)化，如圖9所示?？煽闯鰣D像中的曲線形態(tài)與原圖像一致，且曲線寬度減小為1個(gè)像素寬度。

4 風(fēng)壓性能曲線識(shí)別

針對(duì)圖像細(xì)化結(jié)果，識(shí)別曲線上的工況點(diǎn)。由 于圖像像素坐標(biāo)系與通風(fēng)機(jī)性能曲線的物理坐標(biāo)系 不同，所以需將識(shí)別出的像素坐標(biāo)轉(zhuǎn)換為物理坐標(biāo)。

4.1 風(fēng)壓性能曲線像素坐標(biāo)識(shí)別

對(duì)圖像細(xì)化結(jié)果進(jìn)行像素坐標(biāo)識(shí)別時(shí)，從圖像 左上角開(kāi)始，按行逐像素搜索構(gòu)成曲線段的黑色像 素點(diǎn)。當(dāng)在第 n 行第 m 列檢測(cè)到某 0 像素點(diǎn) P1 時(shí)， 將其作為某段性能曲線的起點(diǎn)，并在該點(diǎn)的八鄰域 內(nèi)尋找第 2 個(gè) 0 像素點(diǎn) P2。由于風(fēng)壓性能曲線是單 調(diào)遞減的，若點(diǎn) P2 和點(diǎn) P1 滿足單調(diào)遞減的規(guī)律，則 認(rèn)為這 2 個(gè)點(diǎn)為風(fēng)壓性能曲線中的點(diǎn)，保存二者的 像素坐標(biāo)信息后將其變?yōu)榘咨员苊庵貜?fù)搜索。 從點(diǎn) P2 開(kāi)始，按相同方法搜索構(gòu)成風(fēng)壓性能曲線的 下一個(gè)點(diǎn)。當(dāng)搜索到第 n 個(gè)點(diǎn)的八鄰域內(nèi)沒(méi)有 0 像 素點(diǎn)時(shí)，表示這段曲線搜索結(jié)束，該點(diǎn)為曲線段終 點(diǎn)。然后從圖像中第 n 行第 m+1 列開(kāi)始尋找下一段 曲線的首個(gè) 0 像素點(diǎn)。重復(fù)上述操作，找出所有曲 線段。需要說(shuō)明的是，部分效率性能曲線也呈現(xiàn)單 調(diào)遞減趨勢(shì)，與風(fēng)壓性能曲線相比，這部分效率性能 曲線在橫軸方向上的跨度遠(yuǎn)大于縱軸方向，據(jù)此去 除效率性能曲線。另外，圖 9 中除曲線骨架外，還存 在一些特別短小的直線，因此，設(shè)定某條曲線段的樣 點(diǎn)數(shù)少于 25 時(shí)將其舍去。這使得識(shí)別出來(lái)的風(fēng)壓 性能曲線呈斷裂狀，如圖 10 所示?？煽闯?5 條曲線 共斷裂成 31 條曲線段。之后通過(guò)膨脹、腐蝕、曲線 細(xì)化等操作得到完整的曲線坐標(biāo)。

4.2 基于模板匹配算法的數(shù)字識(shí)別

為了將曲線的像素坐標(biāo)轉(zhuǎn)換為物理坐標(biāo)，需要 確定坐標(biāo)系之間的轉(zhuǎn)換關(guān)系。識(shí)別出坐標(biāo)軸上數(shù)字 及其所在的像素位置即可建立轉(zhuǎn)換關(guān)系，因此，坐標(biāo) 轉(zhuǎn)換的關(guān)鍵是數(shù)字識(shí)別。

通風(fēng)機(jī)性能曲線圖像中的數(shù)字以印刷體呈現(xiàn)， 與手寫體相比，數(shù)字樣式和比例更加固定，采用模板匹配算法進(jìn)行識(shí)別更為簡(jiǎn)潔。1個(gè)模板就是1張確定大小的圖像，只與0?9中的1個(gè)數(shù)字對(duì)應(yīng)，圖像中顯示的也是該數(shù)字，如圖11所示（模板大小為30×40）。匹配就是計(jì)算模板圖像和與其具有相同大小的待匹配圖像之間的像素相似度，取得最大相似度的模板對(duì)應(yīng)的數(shù)字即待匹配圖像中顯示的數(shù)字。本文采用歸一化相關(guān)匹配法[20]計(jì)算相似度。該方法基于矩陣內(nèi)積來(lái)判斷相似性，2個(gè)矩陣的內(nèi)積在一定程度上反映它們之間的相似度，內(nèi)積越大，則相似度越高。為了避免光照對(duì)相似度的影響，歸一化相關(guān)匹配法先將模板和待匹配圖像的像素值分別減去各自的均值，再進(jìn)行內(nèi)積運(yùn)算，將內(nèi)積歸一化到[?1，1]范圍內(nèi)。

每個(gè)坐標(biāo)數(shù)字均由單個(gè)數(shù)字組成，在進(jìn)行匹配前需將數(shù)字切割為單個(gè)數(shù)字。利用膨脹和腐蝕操作，將圖7（b）中組成各數(shù)的數(shù)字連成整體，再通過(guò)輪廓檢測(cè)算法找到如800等數(shù)字的矩形外輪廓。針對(duì)每個(gè)找到的矩形區(qū)域，采用膨脹、腐蝕和輪廓檢測(cè)算法找到每個(gè)數(shù)字（如800中的8，0，0）的矩形外輪廓，將其從圖7（b）中截取，即得到單個(gè)數(shù)字的圖像，并將尺寸調(diào)整為與模板相同大小。從圖7（b）中采集的數(shù)字8圖像如圖12所示，其與圖11（b）模板的相似度為0.92，與其他9個(gè)模板的相似度均小于該值，與圖11（a）模板的相似度僅為0.18，因此該圖片被識(shí)別為數(shù)字8。

完成坐標(biāo)數(shù)字識(shí)別后，選取通風(fēng)機(jī)性能曲線圖像橫坐標(biāo)軸上最大值點(diǎn)A 和縱坐標(biāo)軸上最大值點(diǎn) B 為參考點(diǎn)，建立坐標(biāo)系轉(zhuǎn)換關(guān)系 dx 和 dy。假設(shè)點(diǎn) A 的像素坐標(biāo)為（pxmax，pymin），物理坐標(biāo)為（sxmax， symin）；點(diǎn) B 的像素坐標(biāo)為（pxmin，pymax），物理坐標(biāo)為（sxmin，symax），則轉(zhuǎn)換關(guān)系為

5 方法應(yīng)用

5.1程序?qū)崿F(xiàn)

經(jīng)過(guò)上述處理可從通風(fēng)機(jī)性能曲線圖像中識(shí)別出足夠的樣點(diǎn)，再根據(jù)文獻(xiàn)[14]中的方法即可得到風(fēng)壓性能函數(shù)。將相關(guān)算法集成到已有礦井通風(fēng)網(wǎng)絡(luò)解算軟件中[21]，開(kāi)發(fā)工具主要有 VC++，ObjectARX， OpenCV 等。 OpenCV 是一個(gè)開(kāi)源的視覺(jué)庫(kù)，提供了豐富的圖像處理和計(jì)算機(jī)視覺(jué)算法。本文使用的 OpenCV 函數(shù)見(jiàn)表1，程序界面如圖13所示。使用時(shí)只需選擇待識(shí)別通風(fēng)機(jī)性能曲線圖像，即可自動(dòng)識(shí)別出風(fēng)壓性能曲線。

5.2實(shí)例應(yīng)用

為檢驗(yàn)通風(fēng)機(jī)風(fēng)壓性能曲線自動(dòng)識(shí)別方法的準(zhǔn)確性與效率，對(duì)15張通風(fēng)機(jī)性能曲線圖像進(jìn)行識(shí)別。對(duì)于1張圖像，自動(dòng)識(shí)別方法平均25 s完成3000個(gè)樣點(diǎn)采集，單條曲線采樣速度達(dá)24 Samples/s，而人工識(shí)別一般需30 min，可見(jiàn)本文方法效率明顯高于人工識(shí)別方法。

分別采用人工識(shí)別方法和自動(dòng)識(shí)別方法對(duì)圖13中的通風(fēng)機(jī)風(fēng)壓性能曲線進(jìn)行識(shí)別，結(jié)果如圖14所示。可看出人工識(shí)別結(jié)果在彎曲度較大的位置與原始曲線有明顯的分離，而自動(dòng)識(shí)別結(jié)果幾乎與原始曲線重合，準(zhǔn)確性更高。

軟件采用三階多項(xiàng)式對(duì)人工識(shí)別方法和自動(dòng)識(shí)別方法獲得的風(fēng)壓性能曲線進(jìn)行擬合，擬合函數(shù)見(jiàn)表2，其中 Q 為風(fēng)量。

2種方法擬合曲線上的部分工況點(diǎn)對(duì)比見(jiàn)表3?？煽闯鋈斯ぷR(shí)別方法的擬合風(fēng)壓與原圖像中數(shù)值（原始值）的最大誤差為8.87%，最小誤差為1.49%；自動(dòng)識(shí)別方法的擬合值最大誤差為0.88%，最小誤差僅為0.10%。自動(dòng)識(shí)別方法獲取風(fēng)壓性能曲線的平均準(zhǔn)確率為人工識(shí)別方法的10倍以上。

設(shè)圖2中分支1?8的風(fēng)阻分別為0.0009，0.0124，0.0123，0.0131，0.0113，0.0105，0.0096，0.0450 N?s2/m8，對(duì)應(yīng)的實(shí)際工況點(diǎn)為（148 m3/s，3280 Pa）。對(duì)人工識(shí)別和自動(dòng)識(shí)別出的風(fēng)壓性能曲線進(jìn)行網(wǎng)絡(luò)解算，所得通風(fēng)機(jī)工況點(diǎn)如圖15所示。自動(dòng)識(shí)別方法對(duì)應(yīng)的工況點(diǎn)為（147.4 m3/s，3268.3 Pa），分支1?8的風(fēng)量分別為140.197，69.984，70.213，1.214，68.770，71.427，140.197，140.197 m3/s，而人工識(shí)別方法對(duì)應(yīng)的工況點(diǎn)為（149.7 m3/s，3371.9 Pa）。自動(dòng)識(shí)別方法對(duì)應(yīng)的工況點(diǎn)更貼合實(shí)際，解算精度更高。

6結(jié)論

1）基于圖像濾波、膨脹、腐蝕、輪廓檢測(cè)等計(jì)算機(jī)圖像處理方法，建立了一種通風(fēng)機(jī)風(fēng)壓性能曲線自動(dòng)識(shí)別方法，采用三階多項(xiàng)式擬合出風(fēng)壓性能函數(shù)，用于通風(fēng)網(wǎng)絡(luò)解算。

2）自動(dòng)識(shí)別方法對(duì)單條通風(fēng)機(jī)風(fēng)壓性能曲線上樣點(diǎn)的采集速度達(dá)24 Samples/s，較人工識(shí)別方法大大提高了通風(fēng)網(wǎng)絡(luò)解算效率。

3）實(shí)例應(yīng)用結(jié)果表明，與人工識(shí)別方法相比，自動(dòng)識(shí)別方法得到的風(fēng)壓性能曲線與原始曲線的重合度更高，10個(gè)工況點(diǎn)的風(fēng)壓擬合值與原始值的最大誤差僅為0.88%，約為人工識(shí)別方法的1/10，驗(yàn)證了自動(dòng)識(shí)別方法具有更高的計(jì)算準(zhǔn)確度。

參考文獻(xiàn)（References）：

[1]李偉宏，魏志丹.礦井智能通風(fēng)控制系統(tǒng)研究及應(yīng)用[J].工礦自動(dòng)化，2021，47（增刊1）：72-74，84.

LI Weihong，WEI Zhidan. Research of mine intelligent ventilation control system and its application[J]. Industry and Mine Automation，2021，47（S1）：72-74，84.

[2]王凱，裴曉東，楊濤，等.礦井智能通風(fēng)聯(lián)動(dòng)調(diào)控理論與供需匹配實(shí)驗(yàn)研究[J].工程科學(xué)學(xué)報(bào)，2023，45（7）：1214-1224.

WANG Kai，PEI Xiaodong，YANG Tao，et al. Study on intelligent ventilation linkage control theory and supply- demand matching experiment in mines[J]. Chinese Journal of Engineering，2023，45（7）：1214-1224.

[3]任子暉，李昂，吳新忠，等.礦井通風(fēng)網(wǎng)絡(luò)風(fēng)量智能調(diào)控研究[J].工礦自動(dòng)化，2022，48（11）：110-118.

REN Zihui，LI Ang，WU Xinzhong，et al. Research on intelligent control of air volume of mine ventilation network[J]. Journal of Mine Automation，2022，48（11）：110-118.

[4]范京道，李川，閆振國(guó).融合5G 技術(shù)生態(tài)的智能煤礦總體架構(gòu)及核心場(chǎng)景[J].煤炭學(xué)報(bào)，2020，45（6）：1949-1958.

FAN Jingdao， LI Chuan， YAN Zhenguo. Overall architecture and core scenario of a smart coal mine in- corporating 5G technology ecology[J]. Journal of China Coal Society，2020，45（6）：1949-1958.

[5]談國(guó)文.復(fù)雜礦井通風(fēng)網(wǎng)絡(luò)可視化動(dòng)態(tài)解算及預(yù)警技術(shù)[J].工礦自動(dòng)化，2020，46（2）：6-11.

TAN Guowen. Visualized dynamic solution and early warning technology for ventilation network of complex mine[J]. Industry and Mine Automation，2020，46（2）：6-11.

[6]周福寶，辛海會(huì)，魏連江，等.礦井智能通風(fēng)理論與技術(shù)研究進(jìn)展[J].煤炭科學(xué)技術(shù)，2023，51（1）：313-328.

ZHOU Fubao，XIN Haihui，WEI Lianjiang， et al. Research progress of mine intelligent ventilation theory and technology[J]. Coal Science and Technology，2023，51（1）：313-328.

[7]張浪，劉彥青.礦井智能通風(fēng)與關(guān)鍵技術(shù)研究[J].煤炭科學(xué)技術(shù)，2024，52（1）：178-195.

ZHANG Lang，LIU Yanqing. Research on technology of key steps of intelligent ventilation in mines[J]. Coal Science and Technology，2024，52（1）：178-195.

[8]劉劍.礦井智能通風(fēng)關(guān)鍵科學(xué)技術(shù)問(wèn)題綜述[J].煤礦安全，2020，51（10）：108-111，117.

LIU Jian. Overview on key scientific and technical issues of mine intelligent ventilation[J]. Safety in Coal Mines，2020，51（10）：108-111，117.

[9]魏連江，周福寶，夏同強(qiáng)，等.礦井智能通風(fēng)與災(zāi)變應(yīng)急決策平臺(tái)[J].中國(guó)安全科學(xué)學(xué)報(bào)，2022，32（9）：158-167.

WEI Lianjiang，ZHOU Fubao，XIA Tongqiang，et al. Mine intelligent ventilation and disaster emergency decision platform[J]. China Safety Science Journal，2022，32（9）：158-167.

[10]唐輝雄，趙伏軍，張柏，等.基于最小一乘準(zhǔn)則求解礦井通風(fēng)機(jī)性能曲線[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2014，10（10）：16-21.

TANG Huixiong，ZHAO Fujun，ZHANG Bai，et al. Solution on performance curves of mine ventilator based on least absolute deviation criteria[J]. Journal of Safety Science and Technology，2014，10（10）：16-21.

[11]尹昌勝，劉劍，鄧立軍.正反相切拋物線方法擬合通風(fēng)機(jī)特性曲線[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，34（1）：77-81.

YIN Changsheng，LIU Jian，DENG Lijun. Characteristic curve of fan fitted with two positive and negative tangent parabolic curve method[J]. Journal of Liaoning Technical University（Natural Science），2015，34（1）：77-81.

[12]葉敏，楊應(yīng)迪.軸流式風(fēng)機(jī)特性曲線的圖形數(shù)字化及優(yōu)化研究[J].煤炭工程，2013，45（增刊1）：110-