何晨陽，周孟然，閆鵬程，劉 棟，王 瑞

（安徽理工大學(xué)　　電氣與信息工程學(xué)院，安徽淮南 232001）

圖像處理與BP神經(jīng)網(wǎng)絡(luò)在礦井火災(zāi)隱患識別中的應(yīng)用

何晨陽，周孟然，閆鵬程，劉 棟，王 瑞

（安徽理工大學(xué)電氣與信息工程學(xué)院，安徽淮南 232001）

礦井火災(zāi)在礦井工作過程中比較常見，為了保護礦井安全，減少其對煤礦開采工作的影響，提出了一種圖像處理技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的礦井火災(zāi)隱患快速識別方法。實驗設(shè)置了5個場景，共20組不同的圖像，把20組不同實驗場景圖像經(jīng)過預(yù)處理降噪，之后分別通過BP神經(jīng)網(wǎng)絡(luò)、SVM支持向量機和K-means聚類3種不同方法進行分析。結(jié)果顯示，BP神經(jīng)網(wǎng)絡(luò)處理后的正確率最高，達到95%。

礦井火災(zāi)；圖像處理；特征提?。籅P神經(jīng)網(wǎng)絡(luò)

火災(zāi)是煤礦五大災(zāi)害之一，常采用檢測相關(guān)氣體濃度的方法進行監(jiān)控。由于惡劣的礦井環(huán)境，普通的氣體分析色譜儀很難在礦井下使用，若采用激光氣體分析方法成本又太高［1］。目前應(yīng)用在礦井內(nèi)部的多為成本較高的激光氣體分析方法。因此，本文提供了一種新型的礦井火災(zāi)隱患處理技術(shù)，將圖像處理技術(shù)與神經(jīng)網(wǎng)絡(luò)相結(jié)合用在煤炭礦井下的火災(zāi)隱患識別中。利用可視圖像處理使火災(zāi)識別更方便、迅速、可靠，并能將礦井火災(zāi)隱患及時地排除［2］，對這種技術(shù)的探究有著深遠的意義和廣泛的應(yīng)用前景。

1　圖像處理方法

1.1圖像的預(yù)處理

將采集到的圖像信息進行相關(guān)處理，包括彩色圖像與灰度圖像的轉(zhuǎn)換、灰度增強變化和降噪。

將彩色變?yōu)榛叶仁菆D像灰度化的過程，R、G、B三色都在0～255的灰度級范圍之內(nèi)，其中下極限0為白，上極限255為黑色［3-4］。經(jīng)過轉(zhuǎn)換之后，圖像信息的處理速度達到最高。利用MATLAB中IPT（image processing toolbox）函數(shù)rgb2gray將得到的彩色礦井圖像轉(zhuǎn)換為灰度圖像。由于礦井下的光線很差，光照不均勻，需要將灰度圖像利用直方圖灰度變換進行灰度增強變化，使灰度范圍改變，改善對比度。

對得到的灰度增強的圖像采用中值濾波法進行降噪，其邊緣的信息不會被忽略掉，能夠很好地保存，并且對椒鹽噪聲和斑點噪聲的去除性能好，能夠得到比較清晰的圖像。

1.2圖形的分割

在經(jīng)過預(yù)處理的礦井圖像中，對可疑目標分別進行動態(tài)和靜態(tài)分割。由于井下沒有陽光照射，光線微弱，采用時間差分法（temporal difference）對動態(tài)目標進行分割。取所采集圖像的連續(xù)幀，對每相鄰的量幀作減法，取其灰度像素值的絕對值進行比較，并設(shè)定一個合理閾值Th把圖像二值化。標記區(qū)域分布的地方，根據(jù)時間差分法判斷目標在圖像中出現(xiàn)的位置。

在將運動的可疑目標物體檢測出來的基礎(chǔ)上，對空間域內(nèi)進一步判斷可疑火災(zāi)圖像，從可疑目標中將火災(zāi)的圖像進一步區(qū)別并提取出來。采用改進的Canny算法對靜態(tài)疑似火焰圖像進行邊緣分割：第1步利用中值濾波對圖像降噪；第2步進行3×3的模塊的梯度計算，并且對0°、45°、90°和135°等4個方向上計算一階偏導(dǎo)的差分；第3步選擇自適應(yīng)閾值，把疑似火焰圖像像素中所有的梯度幅值都計算出來之后加在一起并取平均，得到平均梯度幅值g，再計算相對方差σ。把g和σ相加得到η，η作為分割邊緣的閾值。之后對3×3模板中4個方向0°、45°、90°、135°像素梯度幅值M（i，j）判斷，忽略小于η的點，將大于η的點當作邊緣點提取處理出來。圖1所示為傳統(tǒng)和改進的Canny算法比較。

圖1　傳統(tǒng)與改進的　Canny算法比較Fig.1 Comparison of traditional and improved Canny algorithm a—含噪原圖；b—傳統(tǒng)Canny算法；c—改進的　Canny算法

1.3疑似火災(zāi)圖像的特征提取

提取火災(zāi)圖像的靜態(tài)特征，包括能量、灰度相關(guān)、圓形度以及逆差矩。根據(jù)紋理特征，能量的表達式為

灰度相關(guān)的表達式為

其中R為歸一化常數(shù)。如當δ=1、θ=0°時，圖像中共有2Ny（Nx-1）個水平相鄰像素對，這時 R= 2Ny（Nx-1）。同樣，當δ=1、θ=45°時，R=2（Ny-1）（Nx-1）；當δ=1、θ=90°時，R=2Nx（Ny-1）；當δ=1、θ=135°時，R=2（Ny-1）（Nx-1）。圓形度的表達式為

其中：L為周長；A為面積值。逆差矩的表達式為

圖像的動態(tài)特征包括面積變化率、形體相似度以及尖角點。面積變化率的計算公式為

其中：ASk為當前幀的面積；ASk-1為上一幀的面積，兩者相減得到的值再與當前幀的面積取比值就是面積的變化率。平均形體相似度公式為

其中ξi為連續(xù)兩幀的相似值。

利用Harris角點提取方法，計算出疑似火災(zāi)圖像的尖角數(shù)目［5-6］。

2　BP神經(jīng)網(wǎng)絡(luò)識別火災(zāi)圖像

BP網(wǎng)絡(luò)算法是一個有規(guī)律的模型，當輸入和隱層的節(jié)點數(shù)確定了以后，3個層次之間的非線性映射的規(guī)律就確定了。輸入的樣本被記錄下來，都對應(yīng)著特定的信號規(guī)律。自動地調(diào)節(jié)權(quán)值，把規(guī)律記憶下來。對輸入的樣本根據(jù)記憶下的先驗規(guī)律作出判斷并且輸出［7-8］。

BP神經(jīng)網(wǎng)絡(luò)所描繪的輸入量分別為：能量、逆差矩、火焰的圓形度、面積增長率、形體相似度、灰度相關(guān)、火焰的邊緣尖角變化。

輸入層經(jīng)過隱層過渡，再到輸出層，輸出層為一個單一結(jié)點，對最后的輸出結(jié)果做歸一化處理后，它的值在（0，1］范圍內(nèi)變動。

圖2為系統(tǒng)框圖，先對訓(xùn)練集進行訓(xùn)練，將訓(xùn)練后的結(jié)果分類，包括無火災(zāi)隱患、可能火災(zāi)隱患和有火災(zāi)隱患的類別，再對樣本集進行BP神經(jīng)網(wǎng)絡(luò)處理，得到的output與訓(xùn)練結(jié)果對照并進行樣本的分類，實現(xiàn)火災(zāi)隱患的快速識別。

圖2　系統(tǒng)框圖Fig.2 Block diagram of the system

3　實驗與結(jié)果

選擇訓(xùn)練樣本共200個，其中100個是火災(zāi)圖像，另100個是干擾物。訓(xùn)練樣本分20組，每10個1組。經(jīng)過訓(xùn)練得到output的識別規(guī)則為：當output∈（0，0.3］時，表示現(xiàn)場環(huán)境無異常；當output∈（0.3，0.8］時，可能出現(xiàn)火災(zāi)；當output∈（0.8，1］時，表示有火災(zāi)出現(xiàn)。

設(shè)置了5個實驗場景，包括火災(zāi)火焰、行人、蠟燭、路燈和運動狀態(tài)的燈，并給出在實驗場景的20組樣本，其中第1～7組為火災(zāi)火焰樣本，第8～13組為行人樣本，第14～16組為運動狀態(tài)的燈樣本，第17、18組為蠟燭樣本，第19、20組為路燈樣本（表1）。

經(jīng)過處理后的疑似火災(zāi)圖像，分別利用BP神經(jīng)網(wǎng)絡(luò)、SVM支持向量機和 K-means聚類方法進行處理，并對比3種方法，得到3種方法的樣本集正確率（表2），火災(zāi)圖像經(jīng)過 BP神經(jīng)網(wǎng)絡(luò)處理后的識別率比其余兩種方法都要高。

對于BP神經(jīng)網(wǎng)絡(luò)處理的結(jié)果（表3），在20組中，場景為行人、蠟燭、路燈的識別結(jié)果準確無誤；火災(zāi)火焰的識別結(jié)果也準確；運動狀態(tài)的燈的識別結(jié)果有兩種：可疑和正常，基本達到準確。

表1　火災(zāi)隱患樣本Table 1 Fire hazards samples

表2　正確率統(tǒng)計Table 2 Correct rate

表3　BP神經(jīng)網(wǎng)絡(luò)實驗結(jié)果Table 3 Experimental results of BP neural network

4　結(jié)束語

對實驗設(shè)置的5個場景，共20組圖像數(shù)據(jù)，進行預(yù)處理灰度增強及降噪，之后利用BP神經(jīng)網(wǎng)絡(luò)算法對圖像數(shù)據(jù)處理分析，來判斷是否發(fā)生火災(zāi)，并與SVM支持向量機、K-means聚類方法進行對比。實驗可見，經(jīng)SVM支持向量機、K-means聚類方法處理后的結(jié)果正確率都在90%以下，而經(jīng)BP神經(jīng)網(wǎng)絡(luò)處理后的結(jié)果正確率達到了95%，火災(zāi)隱患的識別率很高。圖像處理技術(shù)與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合應(yīng)用在礦井火災(zāi)隱患快速識別具有一定的可行性，具有很好的應(yīng)用前景。

［1］時訓(xùn)先，蔣仲安，何理.礦井電氣火災(zāi)原因分析及其預(yù)防［J］.礦業(yè)安全與環(huán)保，2005，32（1）：19-21.

［2］程衛(wèi)民，張圣柱，劉祥來，等.礦井膠帶巷火災(zāi)災(zāi)變預(yù)警與風流控制系統(tǒng)的研究 ［J］.礦業(yè)安全與環(huán)保，2009，36（5）：18-20.

［3］文鴻雁，郭鍇，陳偉清.基于遙感圖像頻率域濾波的灰色線性中值去噪算法 ［J］.桂林理工大學(xué)學(xué)報，2014，34（4）：697-703.

［4］張素文，褚乃強.一種基于灰色關(guān)聯(lián)度的椒鹽噪聲濾波算法 ［J］.紅外技術(shù)，2008，30（11）：651-654.

［5］李卓，郭立紅.快速圖像處理中閾值選取方法的比較研究 ［J］.微計算機信息，2006，22（7）：224-225，163.

［6］劉林.基于DM365的高清視頻編碼傳輸系統(tǒng)的設(shè)計［D］.西安：西安電子科技大學(xué)，2011.

［7］任慧，孫繼平，田子建，等.基于神經(jīng)網(wǎng)絡(luò)的多參數(shù)礦井火災(zāi)識別方法［J］.遼寧工程技術(shù)大學(xué)學(xué)報，2007，26（4）：555-558.

［8］Cao B Q，Liu J X，Wen B.Currency characteristic extraction and identification research based on PCA and BP neural network［J］.Journal of Convergence Information Technology，2012，7（2）：38-44.

Application of image processing and BP neural network on mine fire potential hazard identification

HE Chen-yang，ZHOU Meng-ran，YAN Peng-cheng，LIU Dong，WANG Rui
（College of Electrical and Information Engineering，Anhui University of Science and Technology，Huainan 232001，China）

Mine fire is a common danger in the process of work.In order to protect the mine safety and reduce the fire on coal mining，a fast identification method of mine fire hazard is proposed in this paper，which is based on the combination of image processing technology and BP neural network.The experiments set up 5 scenes. There are 20 groups of different images.The 20 groups of different images can reduce noise by pretreatment.By BP neural network，SVM support vector machine and K-means clustering the data is analyzed.The results show that the correct rate of BP neural network after the treatment reaches 95%.

mine fire；image processing；feature extraction；BP neural network

TD687

A

1674-9057（2016）03-0615-04

10.3969/j.issn.1674-9057.2016.03.032

2015-10-21

國家自然科學(xué)基金項目（51174258）；“十二五”國家科技支撐計劃重點項目（2013BAK06B01）

何晨陽 （1991—），男，碩士研究生，研究方向：煤礦電氣設(shè)備安全監(jiān)控，13155493061@163.com。

周孟然，博士，教授，mrzhou8521@163.com。

引文格式：何晨陽，周孟然，閆鵬程，等.圖像處理與BP神經(jīng)網(wǎng)絡(luò)在礦井火災(zāi)隱患識別中的應(yīng)用［J］.桂林理工大學(xué)學(xué)報，2016，36（3）：615-618.