Adaptive impact resistance support method for advanced hydraulic supports in mines based on digital twins and deep reinforcement learning
-
摘要: 受深部开采冲击地压等地质灾害扰动的影响，存在矿井超前支护系统自感知能力差、智能抗冲自适应能力弱、缺乏决策控制能力等问题。针对上述问题，提出了一种基于数字孪生和深度强化学习的矿井超前液压支架自适应抗冲支护方法。通过多源传感器感知巷道环境和超前液压支架支护状态，在虚拟世界中创建物理实体的数字孪生模型，其中物理模型精确展现超前液压支架的结构特征和细节，控制模型实现超前液压支架的自适应控制，机理模型实现对超前液压支架自适应支护的逻辑描述和机理解释，数据模型存储超前液压支架实体运行数据和孪生数据，仿真模型完成超前液压支架立柱仿真以实现超前液压支架与数字孪生模型虚实交互。根据基于深度Q网络（DQN）的超前液压支架自适应抗冲决策算法，对仿真环境中巷道抗冲支护进行智能决策，并依据决策结果对物理实体和数字孪生模型下达调控指令，实现超前液压支架智能控制。实验结果表明：立柱位移与压力变化一致，说明超前液压支架立柱仿真模型设计合理，从而验证了数字孪生模型的准确性；基于DQN的矿井超前液压支架自适应抗冲决策算法可通过调节液压支架控制器PID参数，自适应调控立柱压力，提升巷道安全等级，实现超前液压支架自适应抗冲支护。Abstract: Due to the disturbance of geological disasters such as deep mining and rock burst, there are problems such as poor self perception capability, weak intelligent anti impact adaptive capability, and lack of decision-making and control capability in the advanced support system of the mine. In order to solve the above problems, a adaptive impact resistance support method for advanced hydraulic supports in mines based on digital twins and deep reinforcement learning is proposed. By sensing the roadway environment and advanced hydraulic support status through multiple sensors, a digital twin model of a physical entity is created in a virtual world. The physical model accurately displays the structural features and details of the advanced hydraulic support. The control model realizes adaptive control of the advanced hydraulic support. The mechanism model realizes logical description and mechanism explanation of the adaptive support of the advanced hydraulic support. The data model stores the physical operation data and twin data of the advanced hydraulic support. The simulation model completes the simulation of the advanced hydraulic support column to achieve virtual real interaction between the advanced hydraulic support and the digital twin model. According to the adaptive impact resistance decision-making algorithm based on deep Q-network (DQN) for advanced hydraulic support, intelligent decision-making is made for roadway impact resistance support in the simulation environment. Based on the decision results, control instructions are issued to physical entities and digital twin models to achieve intelligent control of advanced hydraulic support. The experimental results show that the displacement and pressure changes of the column are consistent, indicating that the simulation model design of the advanced hydraulic support column is reasonable, thereby verifying the accuracy of the digital twin model. The adaptive impact resistance decision-making algorithm for advanced hydraulic supports in mines based on DQN can adjust the PID parameters of the hydraulic support controller, adaptively regulate the column pressure, improve the safety level of roadways, and achieve adaptive impact resistance support for advanced hydraulic supports.
-
0. 引言
智能视频监控是智能化煤矿安全生产的重要组成部分[1-3]。然而，煤矿井下无自然光照，人工照明易出现光照不均匀现象；由于周围岩壁含煤量多，存在大量较暗区域；采煤设备的运行会产生粉尘及电磁干扰，导致图像中伴有较多的噪声。上述因素严重影响了煤矿井下图像质量，对后续图像智能分析产生不利影响。因此，有必要对煤矿井下图像进行增强[4-5]。
现有的图像增强方法可分为传统方法和基于深度学习的方法。传统方法中，基于Retinex模型的方法得到广泛应用[6-8]，如单尺度Retinex（Single Scale Retinex，SSR）方法[9]、多尺度Retinex（Multi Scale Retinex，MSR）方法[10]和带色彩恢复因子的多尺度Retinex（Multi Scale Retinex with Color Restoration，MSRCR）方法[11]等应用于煤矿井下图像增强并取得了一定效果。但该类方法使用各向同性的高斯滤波器来估计光照分量，在处理有光照突变的图像时易出现光晕伪影、边缘模糊的问题。因此，一些学者采用各向异性的滤波器代替高斯滤波器来估计光照。例如，程德强等[12]、智宁等[13]采用引导滤波（Guided Image Filtering，GIF）[14]作为中心环绕函数来估计光照，较好地克服了光晕伪影。王星等[15]、洪炎等[16]采用加权引导滤波（Weighted Guided Image Filtering，WGIF）估计光照，在避免光晕伪影的同时相对完整地保留了图像边缘。苏波等[17]使用梯度域引导滤波（Gradient Domain Guided Image Filtering，GDGIF）[18]估计光照，更好地解决了光晕伪影和边缘模糊的问题。但上述方法仍会出现暗区域增强不足、亮区域增强过度的问题，且大多忽略了对图像噪声的处理，在增强过程中易导致噪声放大，模糊图像细节。
基于深度学习的方法具有较强的特征学习和泛化能力，在增强后的图像光照调节和细节保持方面均能取得较好的性能[19]。受Retinex理论的启发，Wei Chen等[20]设计了2个子网络分别提取光照分量与反射分量，并使用去噪模块对反射分量去噪，在有效提升图像亮度的同时保持细节；Zhang Yonghua等[21]构建了图像分解、反射分量恢复及光照调节3个子网络，在亮度调整及细节保持方面得到了更好的效果。此外，一些学者[22-24]使用残差的思想进行光照调节及细节提升。但基于深度学习的方法需要大规模数据集进行训练，其增强效果对训练数据集依赖性强，而煤矿井下具有有效标记的数据较少，且这类方法计算资源开销大。
本文提出了一种基于多尺度GDGIF的煤矿井下图像增强方法。将多尺度思想引入GDGIF，从而更准确地估计光照并分离噪声；利用自适应伽马校正函数逐像素地修正图像亮度，提升暗区域亮度并抑制亮区域过增强。该方法在处理煤矿井下非均匀低照度图像时能有效避免光晕伪影、边缘模糊、过增强和噪声放大等问题。
1. 方法原理
基于多尺度GDGIF的煤矿井下图像增强方法流程如图1所示。首先，将原始RGB图像转换到HSI色彩空间，对亮度通道图像使用多尺度GDGIF进行光照估计。然后，利用Retinex模型分离出光照分量和反射分量：对于光照分量，通过自适应伽马校正函数根据光照的局部亮度逐像素地修正光照信息，实现对图像暗区域的增强，同时抑制亮区域过增强，并使用限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）方法[25]调整图像的对比度；对于反射分量，使用GDGIF进行去噪，再使用多尺度细节提升图像纹理细节，避免增强过程中噪声放大。最后，将处理后的光照分量及反射分量融合，得到增强后的亮度通道图像，并计算增益系数，使用线性色彩恢复方法实现对原始RGB图像的逐像素增强，避免增强后的色彩失真，提高方法处理效率。
![]()
图 1 基于多尺度GDGIF的煤矿井下图像增强方法流程Figure 1. Flow of coal mine underground images enhancement method based on multi-scale gradient domain guided filtering (GDGIF)1.1 光照估计
本文将多尺度思想引入GDGIF来估计光照分量，能够在准确估计光照的同时，更好地提取图像细节。
Retinex理论[7]认为，图像可表示为光照分量和反射分量的乘积。
$$ L(x,y) = I(x,y) R(x,y) $$ (1) 式中：$ L(x,y) $为原始图像，本文用来表示亮度通道图像，$ (x,y) $为图像像素点坐标；$ I(x,y) $为光照分量；$ R(x,y) $为反射分量。
SSR，MSR等方法使用高斯滤波器来估计光照分量。
$$ I(x,y) = F(x,y) \otimes L(x,y) $$ (2) 式中：$ F(x,y) $为高斯滤波器；$ \otimes $为卷积运算。
这些方法在处理图像光照平滑区域时能达到很好的效果。然而，煤矿井下图像中存在较多光照不均匀区域，当使用高斯滤波器进行光照估计时，容易在光照突变的位置出现光晕伪影及模糊现象。
GDGIF在GIF的基础上添加了边缘感知约束；能有效抑制光照不均匀变化的影响，使光照突变位置的边缘完整地保留，从而准确估计光照。GDGIF认为引导图像与滤波处理后的图像存在局部线性关系。
$$ Z(x,y)=a_kG(x,y)+b_k\quad\forall(x,y)\in\varOmega_r(k) $$ (3) 式中：$ Z(x,y)$为滤波处理后的图像；$ {\varOmega _r}(k) $为一个以像素点$ k $为中心、$ r $为半径的方形邻域窗口；$ {a_k} $，$ {b_k} $为$ {\varOmega _r}(k) $的2个常量，通过最小化目标函数得到；$ G(x,y) $为引导图像。
GDGIF的目标函数为
$$ E = \sum\limits_{(x,y) \in {\varOmega _r}(k)} {\left[{{({a_k}G(x,y) + {b_k} - X(x,y))}^2} + \frac{\lambda }{{{\varGamma _{G{(k)}}}}}{{({a_k} - {\sigma _k})}^2}\right]} $$ (4) 式中：$ X(x,y) $为输入图像；$ \lambda $为正则化参数；$ {\varGamma _{G{(k)}}} $为引导图像以像素点$ k $为中心、2个不同大小窗口之间的边缘感知权重；$ {\sigma _k} $为边缘感知约束项。
$$ {\varGamma _{G{(k)}}} = \frac{1}{N}\sum\limits_{i = 1}^N {\frac{{\delta _{G(k)}^2 + \varepsilon }}{{\delta _{G(i)}^2 + \varepsilon }}} $$ (5) $$ {\sigma _k} = 1 - \frac{1}{{1 + \exp\left({\dfrac{{4 (\delta _{G(k)}^2 - \mu )}}{{\mu - \min \delta _{G(i)}^2}}}\right)}} $$ (6) 式中：$ N $为$ (2r + 1) \times (2r + 1) $窗口内的像素点个数；$ \delta _{G(k)}^2 $为引导图像以像素点$ k $为中心、$ 3 \times 3 $邻域窗口内的局部方差；$ \delta _{G(i)}^2 $为引导图像以像素点$ k $为中心、$ (2r + 1) \times (2r + 1) $窗口内第i个像素点与像素点k的方差；$ \varepsilon $为常数，$ \varepsilon $=$ {(0.001 H)^2} $，$ H $为亮度通道图像的灰度级范围；$ \mu $为$ \delta _{G(i)}^2 $的均值。
由式（3）−式（6）可知，如果像素点$ k $为边缘像素，$ {\sigma _k} $就接近于1，而$ {a_k} $也接近于1，此时边缘保持效果明显。因此，GDGIF能更好地保持边缘，避免模糊。
为更好地提取图像细节，本文结合MSR方法中的多尺度思想，首先按照图像大小自适应选取合适的大、中、小尺度，然后对不同尺度图像使用GDGIF进行光照估计，最后对每个尺度的光照分量进行加权平均，得到最终估计出的光照分量。
$$ I(x,y) = \sum\limits_{j = 1}^U {{\omega _j} {f_{\mathrm{g}}}(} X(x,y),G(x,y),{r_j}) $$ (7) 式中：$ U $为尺度个数；$ {\omega _j} $为不同尺度的加权系数；$ {f_{\mathrm{g}}}( \cdot ) $为GDGIF；$ {r_j} $为尺度参数。
在进行光照估计时，输入图像和引导图像均使用亮度通道图像$ L(x,y) $，$ U $取3，$ {\omega _j} $均取1/3。大、中、小不同尺度参数$ {r_j} $根据输入图像的尺寸$ (m,n) $自适应求取，考虑到图像尺寸$ m $和$ n $可能会相同，因此，将大尺度和小尺度以尺度数$ U $作为指数进行区分。
$$ {r_1} = \frac{{\min (m,n)}}{{{2^U}}} $$ (8) $$ {r_2} = \frac{{\max (m,n)}}{2} $$ (9) $$ {r_3} = \frac{{{r_1} + {r_2}}}{2} $$ (10) 1.2 亮度及对比度提升
在对光照分量进行调整时，为避免出现暗区域增强不足、亮区域增强过度的问题，本文设计了一种自适应伽马校正函数。根据图像中每个像素点的值计算不同的校正参数，对图像的亮度逐像素进行修正，实现亮暗区域不同程度的增强。对估计出的光照分量$ I(x,y) $进行亮度提升，得到校正后的光照分量$ {I_{\mathrm{g}}}(x,y) $。
$$ {I_{\text{g}}}(x,y) = I^\gamma {(x,y)} $$ (11) $$ \gamma=pI(x,y)+q $$ (12) 式中：$ \gamma $为校正参数，决定每个像素点亮度的增强幅度；$ p $，$ q $为常数，取值范围为0～1，实验表明$ p $=0.8，$ q $=0.4时亮度校正效果最佳。
自适应伽马校正结果如图2所示。可看出：当输入图像亮度非常小时，校正后图像暗区域的亮度提升非常明显；当输入图像亮度处于正常范围时，校正后图像亮度的提升幅度稍微减缓，亮度提升更加自然；当输入图像亮度非常大时，校正后图像亮度有所抑制，有效避免了图像亮区域的过增强现象，从而防止亮区域中的细节丢失。
校正后的光照分量$ {I_{\mathrm{g}}}(x,y) $虽然亮度有所改善，但对比度并没有得到有效提升，此时的图像整体偏灰或偏白，图像中的部分细节信息并不能完全呈现。因此，对校正后的光照分量$ {I_{\mathrm{g}}} (x,y)$采用CLAHE方法来提升对比度，从而获得对比度提升后的光照分量$ {I_{{\mathrm{adjust}}}} (x,y)$。
$$ {I_{{\mathrm{adjust}}}}(x,y) = {f_{\mathrm{c}}}({I_{\mathrm{g}}}(x,y)) $$ (13) 式中$ {f_{\mathrm{c}}}( \cdot ) $为CLAHE操作。
1.3 去噪及细节提升
为避免增强后的图像出现噪声放大问题，本文使用GDGIF对反射分量进行噪声滤除，之后采用多尺度局部细节提升方法[26]对滤除噪声后的反射分量进行细节提升。滤除噪声后的反射分量为
$$ {R_{{\mathrm{denoise}}}}(x,y) = {f_{\mathrm{g}}}(R(x,y)) = {f_{\mathrm{g}}}\left(\frac{{L(x,y)}}{{I(x,y)}}\right) $$ (14) 1.4 线性色彩恢复
在图像输出之前，需要将图像重新转换为RGB色彩模式。若直接将融合后的图像从HSI转换为RGB图像，时间复杂度较高。本文根据增强后的亮度通道图像计算增益系数，再采用线性方法将其作用至原始RGB图像，得到增强后的图像，从而提高处理效率。
将亮度、对比度提升后的光照分量$ {I_{{\mathrm{adjust}}}} (x,y)$和去噪、细节提升后的反射分量$ {R_{{\mathrm{adjust}}}}(x,y) $融合，即可得到增强后的亮度通道图像$ L{}_{{\mathrm{enhance}}} (x,y)$。
$$ {L_{{\mathrm{enhance}}}}(x,y) = {I_{{\mathrm{adjust}}}}(x,y) {R_{{\mathrm{adjust}}}}(x,y) $$ (15) $ (x,y) $处的亮度增益系数为
$$ \zeta (x,y) = \frac{{{L_{{\mathrm{enhance}}}}(x,y)}}{{L(x,y)}} $$ (16) 图像色彩恢复计算表达式为
$$ \left\{ \begin{array}{l} {S _{{\mathrm{red\_new}}}} = \zeta (x,y) S _{\mathrm{red}} \\ {S _{{\mathrm{green\_new}}}} = \zeta (x,y) S _{\mathrm{green}} \\ {S _{{\mathrm{blue\_new}}}} = \zeta (x,y) S _{\mathrm{blue}} \end{array} \right. $$ (17) 式中：$ {S _{{\mathrm{red\_new}}}},{S _{{\mathrm{green\_new}}}},{S _{{\mathrm{blue\_new}}}} $为增强后的彩色图像的各个通道；$ S _{\mathrm{red}},S _{\mathrm{green}},S _{\mathrm{blue}} $为原始彩色图像的各个通道。
2. 实验验证
2.1 数据集和实验环境
实验所用数据集主要采集于陕西陕煤黄陵矿业有限公司一号煤矿、建庄煤矿和陕西小保当煤矿，部分图像来源于网络。所有图像均为煤矿井下真实工作场景图，包括光照不足、光照不均匀和含有噪声的彩色图像。将本文方法与MSR方法、MSRCR方法、NPE方法[27]、文献[13]方法、SRLIE方法[28]和文献[16]方法等进行对比实验。
实验环境：Intel Core i7 CPU@1.8 GHz，内存为8 GiB，Windows10 64位操作系统，Matlab R2018b实验平台。
2.2 主观评价
不同方法对光照不足、光照不均匀及含有噪声的彩色图像的增强结果如图3−图5所示，图像红框处细节对比如图6所示。
从图3—图5可看出，MSR方法增强后的图像整体偏白，且有过增强的现象。MSRCR方法增强后的图像对比度较低，整体偏灰，部分细节信息丢失，且色彩不够自然。
从图3和图4可看出，NPE方法增强后的部分图像色彩过于鲜明（如场景3），且噪声被放大，导致部分细节信息丢失（如场景2中的履带及场景4）。文献[13]方法增强后的图像亮度在较亮区域得到了较好的抑制，但暗区域亮度提升仍较小（如场景1和场景5）。SRLIE方法增强后的图像色彩自然，但在一定程度上放大了图像中的噪声（如场景6），且在光照部分存在明显的光晕（如场景5）。文献[16]方法增强后的图像色彩自然，但在部分图像中出现光晕伪影的现象（如场景4中的灯光），且在对光照不足图像进行增强时暗区域亮度提升较小，不能较好地展示图像中的细节。本文方法增强后的图像暗区域得到了较好的提升，抑制了较亮区域的亮度，且没有出现噪声放大的现象，图像中的细节也很好地展示出来。
从图6可看出，在对有噪声图像进行增强时，本文方法相比其他方法对噪声的抑制效果最好，清晰地展示了设备细节。
综上，本文方法较好地提升了图像的亮度和对比度，在增强图像暗区域的同时，有效抑制了亮区域过增强，并较好地保持了图像细节，噪声未被明显放大；增强后的图像颜色更加鲜艳、自然，在有局部光照时，能有效避免出现光晕现象。
2.3 客观评价
为客观评价本文方法及对比方法的增强效果，本文使用熵、对比度变化率、色调变化率、能量梯度、方差及自相关函数6个客观评价指标，从不同角度衡量增强图像的质量。熵反映图像中信息的丰富程度，其值越大，表示信息越丰富；对比度变化率用来衡量图像中最亮像素值与最暗像素值之间的差别，其值越大，表示图像的对比度越高；色调变化率用来衡量图像处理前后色彩的变换程度，其值越小，表示图像的色彩保真效果越好；能量梯度反映图像的清晰度，其值越大，表示图像清晰度越高；方差表示图像灰度分布的离散程度，其值越大，表示图像中灰度级越分散，图像质量越好；自相关函数反映2个像素点间的相关性，像素点之间相关程度越高，则图像的边缘越清晰。
不同环境下图像增强后的客观指标见表1−表3。其中，粗体表示每项指标的最优值。
表 1 光照不足图像增强后的客观指标对比Table 1. Comparison of objective indicators of insufficient lighting images after enhancement图像 方法 熵 对比度变化率 色调变化率 能量梯度/1011 方差/109 自相关函数/109 场景1 原图 3.7006 − − 0.0285 0.0651 0.0550 MSR方法 5.8865 24.8618 0.0281 4.0457 1.6612 1.5083 MSRCR方法 6.5680 8.7692 1.1135 3.1408 0.6210 0.4817 NPE方法 6.0668 32.4399 0.0578 7.3827 2.3033 2.0880 文献[13]方法 5.3232 11.7606 0.0025 3.7495 0.8331 0.6932 SRLIE方法 6.3004 7.1466 0.0819 0.6554 0.5423 0.4789 文献[16]方法 5.4670 9.4856 0.0071 3.3099 0.6775 0.5279 本文方法 6.0595 27.1673 0.0170 18.4625 1.8830 1.6420 场景2 原图 2.2705 − − 0.0142 0.0419 0.0395 MSR方法 4.6642 36.6351 0.1440 3.4645 1.5758 1.4915 MSRCR方法 6.8957 29.4952 1.0857 9.3618 1.2672 1.0972 NPE方法 4.5409 72.8817 0.0742 12.4535 3.1708 3.0054 文献[13]方法 3.7798 20.1045 0.0607 4.3327 0.8909 0.8446 SRLIE方法 5.5819 8.8160 0.0736 0.4410 0.4157 0.4010 文献[16]方法 3.9513 9.7210 0.0700 2.2207 0.4481 0.4014 本文方法 4.4048 38.0720 0.0988 14.9444 1.6573 1.5196 场景3 原图 6.1595 − − 0.6860 0.2941 0.2667 MSR方法 7.3049 0.6172 0.0230 3.7913 0.5044 0.4251 MSRCR方法 7.4457 1.4760 0.4080 6.6102 0.7489 0.6135 NPE方法 7.4347 0.8684 0.0052 2.9075 0.5706 0.4758 文献[13]方法 6.9556 1.0378 0.0267 3.3654 0.6071 0.5372 SRLIE方法 7.2143 0.7327 0.0013 6.0787 0.5241 0.4243 文献[16]方法 7.2542 0.9368 0.0069 5.8487 0.5859 0.4777 本文方法 7.5721 2.1572 0.0060 15.1204 0.9552 0.7847 表 2 光照不均匀图像增强后的客观指标对比Table 2. Comparison of objective indicators of uneven lighting images after enhancement图像 方法 熵 对比度变化率 色调变化率 能量梯度/1011 方差/109 自相关函数/109 场景4 原图 6.3582 − − 0.1057 0.7753 0.7626 MSR方法 6.8935 −0.3635 0.1976 0.0276 0.4907 0.4531 MSRCR方法 7.2880 0.7271 0.4387 0.9089 1.3167 1.2255 NPE方法 7.1122 −0.0713 0.1279 0.2362 0.7256 0.6748 文献[13]方法 6.8919 0.4901 0.0815 0.2372 1.1574 1.1317 SRLIE方法 6.9172 0.0049 0.1109 0.4741 0.7981 0.7585 文献[16]方法 7.0076 0.1236 0.1041 0.4953 0.8753 0.8257 本文方法 7.3756 0.7282 0.1104 0.1477 1.3624 1.2867 场景5 原图 6.8731 − − 4.1316 2.0520 1.9688 MSR方法 7.4342 −0.2985 0.0049 6.9938 2.0619 1.9503 MSRCR方法 7.5521 −0.3144 0.3124 13.6200 1.4388 1.2524 NPE方法 7.3378 −0.3520 0.0035 3.6159 1.5882 1.4974 文献[13]方法 7.1349 −0.0272 0.0032 5.4609 2.0646 1.9621 SRLIE方法 7.4616 −0.2029 0.0041 14.7030 2.0804 1.8946 文献[16]方法 7.3964 0.0362 0.0057 11.6369 2.3043 2.2220 本文方法 7.6240 −0.0095 0.0053 21.2435 2.3077 2.0989 场景6 原图 6.9058 − − 2.1236 1.2952 1.1667 MSR方法 7.3849 −0.2688 0.0278 4.2159 0.9806 0.8356 MSRCR方法 7.5106 0.1842 0.0590 5.6076 1.4880 1.4880 NPE方法 7.5147 −0.0426 0.0021 2.9998 1.2639 1.1009 文献[13]方法 7.2822 0.4765 0.0146 3.8806 1.9159 1.7521 SRLIE方法 7.5766 0.1840 0.0182 15.0448 1.5822 1.2868 文献[16]方法 7.6350 0.3503 0.0071 9.6458 1.7720 1.4997 本文方法 7.6898 0.6975 0.0046 15.1745 2.2122 1.9108 表 3 有噪声图像增强后的客观指标对比Table 3. Comparison of objective indicators of noisy images after enhancement图像 方法 熵 对比度变化率 色调变化率 能量梯度/1011 方差/109 自相关函数/109 场景7 原图 7.4796 − − 1.1089 1.9205 1.8342 MSR方法 6.7098 −0.6366 0.1581 0.9117 0.6847 0.5985 MSRCR方法 7.5967 0.1879 0.3258 12.7740 2.3104 2.0120 NPE方法 7.3893 −0.2476 0.0021 1.2927 1.4258 1.3161 文献[13]方法 7.5420 0.0686 0.0032 1.3811 2.0567 1.9576 SRLIE方法 7.4700 −0.1171 0.0010 6.5847 1.6743 1.4649 文献[16]方法 7.5153 −0.0468 0.0022 4.8278 1.8161 1.6207 本文方法 7.6492 0.0988 0.0008 8.1902 2.1155 1.8958 场景8 原图 7.5702 − − 0.8719 0.5965 0.6024 MSR方法 7.2635 −0.4969 0.0956 2.1923 0.3936 0.3317 MSRCR方法 7.6873 −0.2781 0.7638 7.3505 0.5826 0.4513 NPE方法 7.5994 −0.2304 0.0268 1.2377 0.6167 0.5484 文献[13]方法 7.6109 −0.0994 0.0616 1.1409 0.7187 0.6616 SRLIE方法 7.7672 −0.0684 0.0135 6.7768 0.7477 0.6147 文献[16]方法 7.7835 −0.0220 0.0134 4.4739 0.7822 0.6681 本文方法 7.8190 0.0970 0.0062 9.6410 0.8761 0.7370 从表1−表3可看出，MSRCR方法处理后的图像色调变化率指标最差，表明该方法增强后的图像出现了较为严重的色彩偏差；NPE方法在处理场景1和场景2时大部分评价指标比本文方法好，但在处理场景4−场景8图像时，本文方法的评价指标均比NPE方法好，这是由于NPE方法在处理光照极度不足的图像时，提升了图像整体的亮度，并没有对暗区域及亮区域做出不同程度的增强；本文方法处理后的大部分图像的熵、方差、自相关函数、对比度变化率及能量梯度是最优或接近最优，说明本文方法处理后的图像在显著提高对比度和清晰度的同时，保留了丰富的细节信息，且图像的边缘保持较好。
各种方法对不同环境下图像进行5次处理的平均时间见表4。可看出本文方法的处理时间略大于MSR方法、文献[13]方法和文献[16]方法，但明显小于NPE方法和SRLIE方法。
表 4 不同方法处理图像的平均时间对比Table 4. Comparison of average time of images processed by different methodss 2.4 综合评价
结合主观分析和客观分析，MSR方法、MSRCR方法增强后的图像整体偏白或偏灰，且出现色彩失真的现象；NPE方法、SRLIE方法、文献[13]方法增强效果相对较好，但NPE方法、SRLIE方法复杂度较高，相对于本文方法处理效率低；文献[13]方法增强后的图像存在暗区域亮度增强不足的问题；文献[16]方法相比于NPE方法、SRLIE方法，增强效果相对较好，但增强后的图像存在光晕伪影、细节模糊问题；虽然本文方法相对于MSR方法、文献[13]方法、文献[16]方法的处理时间长，但总体相差较小，且本文方法能在细节保持、色彩保持、清晰度、噪声抑制等方面达到更佳的效果。
综上，本文方法处理后的图像亮度和对比度提升比例适中，色调保持性好，有效抑制了噪声；同时细节对比明显，图像清晰，整体视觉观感更佳，且处理效率相对较高。
2.5 消融实验
2.5.1 光照分量处理有效性验证
为验证对光照分量进行亮度及对比度提升处理的有效性，进行消融实验，结果如图7所示，评价指标见表5。可看出在图像红框处，仅使用自适应伽马校正的图像亮度有明显提升，但图像边缘没有较好地展示出来；仅使用CLAHE的图像边缘清晰，对比度较高，但图像整体亮度提升较低；同时使用自适应伽马校正及CLAHE的图像细节更清晰，色彩更明亮，且综合客观评价指标较好。
2.5.2 反射分量处理有效性验证
为验证对反射分量进行去噪和细节提升处理的有效性，进行消融实验，结果如图8所示，评价指标见表6。可看出原图采煤机处存在大量噪声，同时部分细节不清晰；仅使用GDGIF进行去噪后的图像中噪声被明显滤除，但图像并不清晰；仅细节提升后的图像细节层次非常丰富，但图像中的噪声被明显放大；同时使用GDGIF和多尺度细节提升处理后的图像在滤除噪声的同时，细节仍清晰可见，图像整体观感更佳。
![]()
图 7 光照分量处理结果主观对比Figure 7. Subjective comparison of lighting component processing results表 5 光照分量处理结果客观对比Table 5. Objective comparison of lighting component processing results方法 熵 对比度变化率 色调变化率 能量梯度/1011 方差/109 自相关函数/109 原图 7.3510 − − 1.4961 1.5800 1.4998 仅使用自适应伽马校正 7.7851 0.3955 0.0069 6.8291 2.2033 2.0339 仅使用CLAHE 7.5874 1.4987 0.0076 13.4309 3.2212 3.6376 自适应伽马校正+CLAHE 7.8128 1.3546 0.0084 14.7554 3.3903 3.1379 ![]()
图 8 反射分量处理结果主观对比Figure 8. Subjective comparison of reflection component processing results表 6 反射分量处理结果客观对比Table 6. Objective comparison of reflection component processing results方法 熵 对比度变化率 色调变化率 能量梯度/1011 方差/109 自相关函数/109 原图 7.4236 − − 1.0021 0.6663 0.6130 仅使用GDGIF去噪 7.6786 0.3246 0.0166 3.6185 0.8806 0.7758 仅使用多尺度细节提升 7.7891 0.6205 0.0181 12.0516 1.0743 0.8447 GDGIF去噪+多尺度细节提升 7.7903 0.6280 0.0154 10.8591 1.0949 0.8569 2.5.3 线性色彩恢复有效性验证
为验证线性色彩恢复对提高方法处理效率的有效性，使用场景1−场景8的图像进行消融实验，采用线性色彩恢复前后的运行时间对比如图9所示。可看出采用线性色彩恢复的处理效率更高。
![]()
图 9 采用线性色彩恢复前后运行时间对比Figure 9. Comparison of running time before and after linear color restoration3. 结论
1） 提出了一种基于多尺度GDGIF的煤矿井下图像增强方法。GDGIF具有各向异性特性及边缘感知约束，结合多尺度思想，可准确估计光照分量；使用自适应伽马校正对光照分量逐像素进行不同程度的亮度提升；对反射分量进行GDGIF去噪及多尺度细节提升。
2） 在真实煤矿井下图像上进行实验，该方法在色彩保持、对比度、细节、噪声抑制等方面均获得了较好的增强效果，且处理效率较高。
-
![]()
图 1 基于数字孪生和深度强化学习的矿井超前液压支架自适应抗冲支护技术架构
Figure 1. Adaptive impact resistance support technology architecture for mine advanced hydraulic support based on digital twin and deep reinforcement learning
![]()
图 4 超前液压支架自适应抗冲决策流程
Figure 4. Adaptive impact resistance decision-making flow of advanced hydraulic support
![]()
图 5 基于DQN的超前液压支架自适应抗冲决策算法原理
Figure 5. Principle of adaptive impact resistance decision-making algorithm of advanced hydraulic support based on deep Q-network(DQN)
![]()
图 7 基于DQN的超前液压支架自适应抗冲决策算法奖励收敛曲线
Figure 7. Reward convergence curve of adaptive impact resistance decision-making algorithm of advanced hydraulic support based on deep Q-network(DQN)
表 1 深度强化学习算法对比
Table 1 Comparison of deep reinforcement learning algorithms
算法 优点 缺点 DQN 通过经验池进行随机小批量的采样训练，打破数据之间的相关性；采用每隔N次迭代更新目标Q网络的方法，提高Q网络稳定性 对目标Q网络采取最大化操作，对Q值的估计过高；训练数据规模较小 DDPG 同时建立Q值函数和策略函数；适用于连续动作的任务，稳定性好 对参数敏感；处理规模较大、时间较长，需要很强的GPU PPO 对智能体的策略函数进行优化，减少数据收集难度；适用于复杂场景和大规模训练 序列数据收集困难；对超参数选择敏感 
下载: 导出CSV
表 2 超前液压支架立柱仿真模型参数
Table 2 Simulation model parameters of advanced hydraulic support column
参数 值 参数 值 阀芯质量/kg 0.2 活塞杆直径/mm 10 活塞杆质量/kg 15 间隙直径/mm 0.02 反馈信号比例系数 5 比例阀阀杆直径/mm 10 阀芯控制比例系数 2 比例阀阀芯直径/mm 15 液压油密度/（kg·m−3） 920 顶板刚度系数/（N·mm−1） 15000 液压油压力/MPa 41.50 顶板阻尼系数/（N·s·m−1 ） 20 活塞直径/mm 30
下载: 导出CSV
表 3 巷道应力参数及安全系数
Table 3 Stress parameters and safety factors of roadway
巷道
区间/m围岩
应力/MPa支护
应力/MPa临界
应力/MPa应力安
全系数能量安
全系数安全
等级0～33 17.50 0.28 33.67 1.9 1.09 A 33～53 26.25 0.28 33.67 1.3 1.09 C 53～65 17.50 0.28 33.67 1.9 1.09 A 65～238 24.50 0.28 33.67 1.4 1.09 C 238～338 29.75 0.28 33.67 0.9 1.09 C 338～613 24.50 0.28 33.67 1.4 1.09 C 613～713 29.75 0.28 33.67 0.9 1.09 C 713～1186 24.50 0.28 33.67 1.4 1.09 C 1186～1732 17.50 0.28 33.67 1.9 1.09 A 1732～1763 21.00 0.28 33.67 1.6 1.09 A 1763～2660 17.50 0.28 33.67 1.9 1.09 A 2660～2680 21.00 0.28 33.67 1.6 1.09 A
下载: 导出CSV
表 4 基于DQN的超前液压支架自适应抗冲决策算法训练参数
Table 4 Training parameters of adaptive impact resistance decision-making algorithm of advanced hydraulic support based on deep Q-network(DQN)
参数 值 参数 值 经验池大小 2 000 最终概率 0.1 批量大小 64 目标值Q网络更新频率/步 50 折扣因子 0.95 训练轮次 480 初始概率 0.9 最大步数 100 概率的衰减系数 0.99
下载: 导出CSV
表 5 智能决策调控前后巷道状态对比
Table 5 Comparison of roadway state before and after intelligent decision control
巷道区间/m 初始巷道状态 调控后PID参数 调控后巷道状态 立柱
压力/MPa临界
应力/MPa应力安
全系数安全等级 KP KI KD 立柱
压力/MPa临界
应力/MPa应力安
全系数安全等级 65～238 17.21 33.67 1.4 C 0.6193 0.5841 0.6736 40.28 37.76 1.6 A 65～238 22.90 33.67 1.4 C 0.6187 0.5843 0.6738 40.31 37.76 1.6 A 338～613 21.25 33.67 1.4 C 0.6197 0.5861 0.6766 40.26 37.76 1.6 A 338～613 23.80 33.67 1.4 C 0.6193 0.5841 0.6736 40.32 37.76 1.6 A 713～1 186 17.21 33.67 1.4 C 0.6198 0.5861 0.6766 40.28 37.76 1.6 A 713～1 186 22.55 33.67 1.4 C 0.6187 0.5851 0.6746 40.41 37.76 1.6 A
下载: 导出CSV
-
[1] 吴拥政,付玉凯,何杰,等. 深部冲击地压巷道“卸压−支护−防护”协同防控原理与技术[J]. 煤炭学报,2021,46(1):132-144. WU Yongzheng,FU Yukai,HE Jie,et al. Principle and technology of "pressure relief-support-protection" collaborative prevention and control in deep rock burst roadway[J]. Journal of China Coal Society,2021,46(1):132-144.
[2] 王国法,牛艳奇. 超前液压支架与围岩耦合支护系统及其适应性研究[J]. 煤炭科学技术,2016,44(9):19-25. WANG Guofa,NIU Yanqi. Study on advance hydraulic powered support and surrounding rock coupling support system and suitability[J]. Coal Science and Technology,2016,44(9):19-25.
[3] 唐治,潘一山,朱小景,等. 自移式吸能防冲巷道超前支架设计与研究[J]. 煤炭学报,2016,41(4):1032-1037. TANG Zhi,PAN Yishan,ZHU Xiaojing,et al. Design and study of self-moving energy absorption and antiimpact roadway advanced support[J]. Journal of China Coal Society,2016,41(4):1032-1037.
[4] 潘一山,齐庆新,王爱文,等. 煤矿冲击地压巷道三级支护理论与技术[J]. 煤炭学报,2020,45(5):1585-1594. PAN Yishan,QI Qingxin,WANG Aiwen,et al. Theory and technology of three levels support in bump-prone roadway[J]. Journal of China Coal Society,2020,45(5):1585-1594.
[5] 杜明超,张坤,黄梁松,等. 新型抗冲击吸能装置手性结构吸能特性对比分析[J/OL]. 煤炭科学技术:1-9[2023-08-17]. https://doi.org/10.13199/j.cnki.cst.2022-1138. DU Mingchao,ZHANG Kun,HUANG Liangsong,et al. Comparative analysis of energy absorption characteristics of chiral structures of new impact absorbing devices[J/OL]. Coal Science and Technology:1-9[2023-08-17]. https://doi.org/10.13199/j.cnki.cst.2022-1138.
[6] 宿吉奎,廉自生. 乳化液泵站的模糊PID控制系统仿真[J]. 煤矿机械,2012,33(7):54-56. DOI: 10.3969/j.issn.1003-0794.2012.07.026 SU Jikui,LIAN Zisheng. Simulation of fuzzy-PID control system in emulsion pump station[J]. Coal Mine Machinery,2012,33(7):54-56. DOI: 10.3969/j.issn.1003-0794.2012.07.026
[7] ESSA M E S M,ABOELELA M A,HASSAN M A M. Position control of hydraulic servo system using proportional-integral-derivative controller tuned by some evolutionary techniques[J]. Journal of Vibration and Control,2016,22(12):2946-2957. DOI: 10.1177/1077546314551445
[8] KIM S W,CHO B,SHIN S,et al. Force control of a hydraulic actuator with a neural network inverse model[J]. IEEE Robotics and Automation Letters,2021,6(2):2814-2821. DOI: 10.1109/LRA.2021.3062353
[9] FENG Hao,SONG Qianyu,MA Shoulei,et al. A new adaptive sliding mode controller based on the RBF neural network for an electro-hydraulic servo system[J]. ISA Transactions,2022,129:472-484. DOI: 10.1016/j.isatra.2021.12.044
[10] LIU Huaiqin,YU Qinghe,WU Qu. PID control model based on back propagation neural network optimized by adversarial learning-based grey wolf optimization[J]. Applied Sciences,2023,13(8). DOI: 10.3390/app13084767.
[11] 薛光辉,管健,柴敬轩,等. 基于神经网络PID综掘巷道超前支架支撑力自适应控制[J]. 煤炭学报,2019,44(11):3596-3603. XUE Guanghui,GUAN Jian,CHAI Jingxuan,et al. Adaptive control of advance bracket support force in fully mechanized roadway based on neural network PID[J]. Journal of China Coal Society,2019,44(11):3596-3603.
[12] 胡相捧,刘新华,庞义辉,等. 基于BP神经网络PID的液压支架初撑力自适应控制[J]. 矿业科学学报,2020,5(6):662-671. HU Xiangpeng,LIU Xinhua,PANG Yihui,et al. Adaptive control of setting load of hydraulic support based on BP neural network PID[J]. Journal of Mining Science and Technology,2020,5(6):662-671.
[13] 徐亚军,张坤,李丁一,等. 超前支架自适应支护理论与应用[J]. 煤炭学报,2020,45(10):3615-3624. XU Yajun,ZHANG Kun,LI Dingyi,et al. Theory and application of self-adaptive support for advanced powered support[J]. Journal of China Coal Society,2020,45(10):3615-3624.
[14] 张帆,葛世荣,李闯. 智慧矿山数字孪生技术研究综述[J]. 煤炭科学技术,2020,48(7):168-176. ZHANG Fan,GE Shirong,LI Chuang. Research summary on digital twin technology for smart mines[J]. Coal Science and Technology,2020,48(7):168-176.
[15] EL BAZI N,MABROUKI M,LAAYATI O,et al. Generic multi-layered digital-twin-framework-enabled asset lifecycle management for the sustainable mining industry[J]. Sustainability,2023,15(4). DOI: 10.3390/su15043470.
[16] 葛世荣,张帆,王世博,等. 数字孪生智采工作面技术架构研究[J]. 煤炭学报,2020,45(6):1925-1936. GE Shirong,ZHANG Fan,WANG Shibo,et al. Digital twin for smart coal mining workface:technological frame and construction[J]. Journal of China Coal Society,2020,45(6):1925-1936.
[17] 张帆,葛世荣. 矿山数字孪生构建方法与演化机理[J]. 煤炭学报,2023,48(1):510-522. ZHANG Fan,GE Shirong. Construction method and evolution mechanism of mine digital twins[J]. Journal of China Coal Society,2023,48(1):510-522.
[18] 陈博,朱斌,王蒙飞,等. 基于DDPG的矿井智能通风决策算法研究[J]. 煤矿机械,2023,44(10):201-204. CHEN Bo,ZHU Bin,WANG Mengfei,et al. Research on intelligent ventilation decision-making algorithm for mine based on DDPG[J]. Coal Mine Machinery,2023,44(10):201-204.
[19] CAO Jiaqi,WANG Xiaolan,WANG Yansong,et al. An improved dueling deep Q-network with optimizing reward functions for driving decision method[J]. Proceedings of the Institution of Mechanical Engineers,Part D:Journal of Automobile Engineering,2023,237(9):2295-2309. DOI: 10.1177/09544070221106037
[20] 刘清,张龙,李天越,等. 综采工作面三机数字孪生及协同建模方法[J]. 工矿自动化,2023,49(2):47-55. LIU Qing,ZHANG Long,LI Tianyue,et al. A three machine digital twin and collaborative modeling method for fully mechanized working face[J]. Journal of Mine Automation,2023,49(2):47-55.
[21] 潘一山,肖永惠,罗浩,等. 冲击地压矿井安全性研究[J]. 煤炭学报,2023,48(5):1846-1860. PAN Yishan,XIAO Yonghui,LUO Hao,et al. Study on safety of rockburst mine[J]. Journal of China Coal Society,2023,48(5):1846-1860.
计量
- 文章访问数: 516
- HTML全文浏览量: 42
- PDF下载量: 80
