开云优惠体育网页版入口

专利名称：一种井下铣刨机作业姿态智能调控系统

专利类型：发明专利

专利申请号：CN202410444484.2

专利申请（专利权）人：陕西中环机械有限责任公司
权利人地址：陕西省铜川市新区南部工业区

专利发明（设计）人：宋博,郑晓春,李军科,马水跃,董少虎,马玲,张鹏

专利摘要：本发明涉及图像处理技术领域，具体涉及一种井下铣刨机作业姿态智能调控系统，该系统获取路面图像与灰度图像；根据路面图像中每一像素点的位置、#imgabs0#通道值、#imgabs1#通道值，将路面图像中的像素点聚为多个类簇；根据每一类簇中每一像素点的#imgabs2#通道值、#imgabs3#通道值以及灰度图像中的梯度值，得到每一类簇的信息可读性参数；根据路面图像中每一类簇的信息可读性参数，得到路面增强图像；完成铣刨机的作业姿态的智能调整。本发明在对铣刨机的作业路面图像进行增强时，依据每一路面图像中所含有的信息，得到每一路面图像的自适应增强参数，使得路面增强图像含有的信息更多，使得铣刨机作业姿态的调整更准确。

主权利要求：
1.一种井下铣刨机作业姿态智能调控系统，其特征在于，该系统包括以下模块：图像获取与分析模块：用于获取铣刨机作业路面图像，并对图像预处理，得到路面图像及灰度图像；根据路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数；
图像分割模块：用于根据路面图像的亮度差异特征参数、路面图像中每一像素点的位置、通道值、 通道值，构建聚类规则；根据构建的聚类规则，将路面图像中的像素点聚为多个类簇；
图像信息计算模块：用于根据每一类簇中每一像素点的 通道值、通道值以及灰度图像中的梯度值，得到每一类簇的信息可读性参数；
图像增强模块：用于根据路面图像中每一类簇的信息可读性参数，得到路面图像的自适应增强参数；根据路面图像的自适应增强参数，通过伽马变换，得到路面增强图像；
铣刨机作业姿态调整模块：用于对路面增强图像通过神经网络进行评估，获得路面图像的路况指数；根据路面图像的路况指数，进行铣刨机的作业姿态调整；
所述根据路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数，包括的具体方法为：统计路面图像中所有像素点的 通道值以及每一 通道值在路面图像中的出现次数，得到一个 通道值序列 ， 表示路面图像中出现的第 个 通道值；
将序列 中的数据投放到横坐标为 通道值，纵坐标为 通道值在路面图像中的出现次数的亮度?次数坐标系中；将坐标系中所有数据点作为待拟合点，通过最小二乘法进行拟合，得到拟合曲线，将拟合曲线上横坐标为序列 内的数据的数据点记为拟合点，得到拟合曲线上每一拟合点的斜率；
根据拟合曲线上每一拟合点的斜率、路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数；
所述根据拟合曲线上每一拟合点的斜率、路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数，包括的具体公式为：式中，表示路面图像的亮度差异特征参数， 表示序列 中所含数据的个数， 表示序列 中第 个数据的数值，表示序列 中所有数据的均值， 表示拟合曲线上第 个拟合点的斜率， 表示拟合曲线上所有拟合点的最大斜率， 表示数值为 的通道值在路面图像中的出现次数， 表示序列 中的所有 通道值在路面图像中的最大出现次数， 表示双曲正切函数， 表示绝对值函数；
所述根据路面图像的亮度差异特征参数、路面图像中每一像素点的位置、通道值、通道值，构建聚类规则，包括的具体方法为：获取路面图像中每一像素点与其他像素点的差异距离来构建聚类规则，其中路面图像中第 个像素点与第 个像素点的差异距离 的计算公式如下：式中， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点与第 个像素点之间的欧氏距离， 为归一化函数；
所述根据每一类簇中每一像素点的 通道值、通道值以及灰度图像中的梯度值，得到每一类簇的信息可读性参数，包括的具体方法为：通过sobel算子得到灰度图像中每一像素点的梯度值，记为路面图像中每一像素点的灰度梯度值；
根据每一类簇中每一像素点的 通道值、通道值与灰度梯度值，得到每一类簇的信息可读性参数，其具体计算公式如下：式中， 表示第 个类簇的信息可读性参数， 表示第 个类簇中第 个像素点的 通道值， 表示第 个类簇中第 个像素点的灰度梯度值， 表示第 个类簇中所有像素点的灰度梯度值的均值， 表示第 个类簇中第 个像素点的 通道值， 表示第 个类簇中所有像素点的 通道值的均值， 表示路面图像中第 个类簇内所含像素点的数量， 表示绝对值函数；
所述根据路面图像中每一类簇的信息可读性参数，得到路面图像的自适应增强参数，包括的具体公式为：式中，表示路面图像的自适应增强参数，表示路面图像中的类簇数量， 表示第 个类簇内所有像素点的 通道值的均值， 表示路面图像中所有像素点的最大 通道值，表示第 个类簇的信息可读性参数；
所述根据路面图像的路况指数，进行铣刨机的作业姿态调整，包括的具体方法为：式中， 表示铣刨鼓作业功率， 表示路面图像的路况指数， 表示当前铣刨鼓最大作业功率， 表示当前铣刨鼓最小作业功率，V表示铣刨机在当前巷道下的行驶速度， 表示铣刨机在当前巷道下预设最大行驶速度， 表示铣刨机在当前巷道下预设最小行驶速度；
通过铣刨鼓作业功率及铣刨机在当前巷道下的行驶速度，调整铣刨机的作业姿态。
2.根据权利要求1所述一种井下铣刨机作业姿态智能调控系统，其特征在于，所述得到路面图像及灰度图像，包括的具体方法为：通过非局部均值滤波算法对RGB空间下的铣刨机作业路面图像进行降噪处理，得到去噪后的铣刨机作业路面图像；
将RGB空间下去噪后的铣刨机作业路面图像转化为灰度图像与HSV空间下的去噪后的铣刨机作业路面图像，将HSV空间下的去噪后的铣刨机作业路面图像记为路面图像。
3.根据权利要求1所述一种井下铣刨机作业姿态智能调控系统，其特征在于，所述根据构建的聚类规则，将路面图像中的像素点聚为多个类簇，包括的具体方法为：通过手肘法获取通过K?means聚类算法的类簇个数 ；
根据路面图像中每一像素点与其他像素点的差异距离，对路面图像中的像素点进行聚类，得到 个类簇。
4.根据权利要求1所述一种井下铣刨机作业姿态智能调控系统，其特征在于，所述根据路面图像的自适应增强参数，通过伽马变换，得到路面增强图像，包括的具体方法为：将 作为自适应增强参数对RGB空间下去噪后的铣刨机作业路面图像进行伽马变换，得到路面增强图像。 说明书 : 一种井下铣刨机作业姿态智能调控系统技术领域[0001] 本发明涉及图像处理技术领域，具体涉及一种井下铣刨机作业姿态智能调控系统。背景技术[0002] 井下铣刨机是路面养护施工机械的主要机种之一，其主要目的是解决煤矿掘进工艺产生的巷道煤层路面的凹凸不平、大地压力产生的巷道地面隆起、运输车辆车轮碾压产生的车辙，以及巷道内破损的旧水泥混凝土路面等问题，减少路面病害问题对正常施工作业潜在的安全生产隐患。而井下工作环境特殊，在利用铣刨机处理路面病害时，为了避免作业时对环境造成二次损伤，需要不断调整其作业姿态，其作业姿态调整参数通过图像采集分析设备对铣刨机作业路面图像进行分析获取。[0003] 但是对于井下环境来说，由于光线相对较暗，使得铣刨机作业路面图像中所含信息较少，所以需要对图像进行对比度增强以增加图像可读信息量。在对铣刨机作业路面图像进行增强时，为了避免采像灯光区域在增强过程中出现过曝情况，通过伽马变换对图像进行增强。但是伽马变换对图像的增强结果容易受到增强参数的影响，而因为井下环境复杂多变，通过固定的增强参数对多张图像进行增强，会导致部分图像的增强效果较差；进而在通过增强后的图像对铣刨机的作业姿态进行调整时，部分时刻的作业姿态可能并非最佳姿态，从而导致铣刨机作业时可能会对环境造成损伤。发明内容[0004] 本发明提供一种井下铣刨机作业姿态智能调控系统，以解决现有的问题。[0005] 本发明的一种井下铣刨机作业姿态智能调控系统采用如下技术方案：[0006] 本发明一个实施例提供了一种井下铣刨机作业姿态智能调控系统，该系统包括以下模块：[0007] 图像获取与分析模块：用于获取铣刨机作业路面图像，并对图像预处理，得到路面图像及灰度图像；根据路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数；[0008] 图像分割模块：用于根据路面图像的亮度差异特征参数、路面图像中每一像素点的位置、通道值、通道值，构建聚类规则；根据构建的聚类规则，将路面图像中的像素点聚为多个类簇；[0009] 图像信息计算模块：用于根据每一类簇中每一像素点的 通道值、通道值以及灰度图像中的梯度值，得到每一类簇的信息可读性参数；[0010] 图像增强模块：用于根据路面图像中每一类簇的信息可读性参数，得到路面图像的自适应增强参数；根据路面图像的自适应增强参数，通过伽马变换，得到路面增强图像；[0011] 铣刨机作业姿态调整模块：用于对路面增强图像通过神经网络进行评估，获得路面图像的路况指数；根据路面图像的路况指数，进行铣刨机的作业姿态调整。[0012] 进一步地，所述得到路面图像及灰度图像，包括的具体方法为：[0013] 通过非局部均值滤波算法对RGB空间下的铣刨机作业路面图像进行降噪处理，得到去噪后的铣刨机作业路面图像；[0014] 将RGB空间下去噪后的铣刨机作业路面图像转化为灰度图像与HSV空间下的去噪后的铣刨机作业路面图像，将HSV空间下的去噪后的铣刨机作业路面图像记为路面图像。[0015] 进一步地，所述根据路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数，包括的具体方法为：[0016] 统计路面图像中所有像素点的 通道值以及每一 通道值在路面图像中的出现次数，得到一个 通道值序列 ， 表示路面图像中出现的第 个 通值；[0017] 将序列 中的数据投放到横坐标为 通道值，纵坐标为 通道值在路面图像中的出现次数的亮度?次数坐标系中；将坐标系中所有数据点作为待拟合点，通过最小二乘法进行拟合，得到拟合曲线，将拟合曲线上横坐标为序列 内的数据的数据点记为拟合点，得到拟合曲线上每一拟合点的斜率；[0018] 根据拟合曲线上每一拟合点的斜率、路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数。[0019] 进一步地，所述根据拟合曲线上每一拟合点的斜率、路面图像中每一像素点的通道值，得到路面图像的亮度差异特征参数，包括的具体公式为：[0020][0021] 式中，表示路面图像的亮度差异特征参数， 表示序列 中所含数据的个数，表示序列 中第 个数据的数值，表示序列 中所有数据的均值， 表示拟合曲线上第 个拟合点的斜率， 表示拟合曲线上所有拟合点的最大斜率， 表示数值为 的通道值在路面图像中的出现次数， 表示序列 中的所有 通道值在路面图像中的最大出现次数， 表示双曲正切函数， 表示绝对值函数。[0022] 进一步地，所述根据路面图像的亮度差异特征参数、路面图像中每一像素点的位置、通道值、通道值，构建聚类规则，包括的具体方法为：[0023] 获取路面图像中每一像素点与其他像素点的差异距离来构建聚类规则，其中路面图像中第 个像素点与第 个像素点的差异距离 的计算公式如下：[0024][0025] 式中，表示路面图像的亮度差异特征参数， 表示路面图像中第 个像素点的通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第个像素点与第 个像素点之间的欧氏距离， 为归一化函数。[0026] 进一步地，所述根据构建的聚类规则，将路面图像中的像素点聚为多个类簇，包括的具体方法为：[0027] 通过手肘法获取通过K?means聚类算法的类簇个数 ；[0028] 根据路面图像中每一像素点与其他像素点的差异距离，对路面图像中的像素点进行聚类，得到 个类簇。[0029] 进一步地，所述根据每一类簇中每一像素点的 通道值、通道值以及灰度图像中的梯度值，得到每一类簇的信息可读性参数，包括的具体方法为：[0030] 通过sobel算子得到灰度图像中每一像素点的梯度值，记为路面图像中每一像素点的灰度梯度值；[0031] 根据每一类簇中每一像素点的 通道值、通道值与灰度梯度值，得到每一类簇的信息可读性参数，其具体计算公式如下：[0032][0033] 式中， 表示第 个类簇的信息可读性参数， 表示第 个类簇中第 个像素点的通道值， 表示第 个类簇中第 个像素点的灰度梯度值，表示第 个类簇中所有像素点的灰度梯度值的均值， 表示第 个类簇中第 个像素点的 通道值， 表示第 个类簇中所有像素点的 通道值的均值， 表示路面图像中第 个类簇内所含像素点的数量，为归一化函数， 表示绝对值函数。[0034] 进一步地，所述根据路面图像中每一类簇的信息可读性参数，得到路面图像的自适应增强参数，包括的具体公式为：[0035][0036] 式中，表示路面图像的自适应增强参数，表示路面图像中的类簇数量， 表示第 个类簇内所有像素点的 通道值的均值， 表示路面图像中所有像素点的最大 通道值， 表示第 个类簇的信息可读性参数， 表示双曲正切函数。[0037] 进一步地，所述根据路面图像的自适应增强参数，通过伽马变换，得到路面增强图像，包括的具体方法为：[0038] 将 作为自适应增强参数对RGB空间下去噪后的铣刨机作业路面图像进行伽马变换，得到路面增强图像。[0039] 进一步地，所述根据路面图像的路况指数，进行铣刨机的作业姿态调整，包括的具体方法为：[0040][0041][0042] 式中， 表示铣刨鼓作业功率，表示路面图像的路况指数， 表示当前铣刨鼓最大作业功率， 表示当前铣刨鼓最小作业功率，V表示铣刨机在当前巷道下的行驶速度， 表示铣刨机在当前巷道下预设最大行驶速度， 表示铣刨机在当前巷道下预设最小行驶速度；[0043] 通过铣刨鼓作业功率及铣刨机在当前巷道下的行驶速度，调整铣刨机的作业姿态。[0044] 本发明的技术方案的有益效果是：根据路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数，使得路面图像的亮度差异特征参数可以反映路面图像的整体亮度差异；根据路面图像的亮度差异特征参数、路面图像中每一像素点的位置、通道值、通道值，得到路面图像中每一像素点与其他像素点之间的差异距离，使得路面图像的整体亮度差异较小时，路面图像中每一像素点与其他像素点之间的差异距离较大，使得在路面图像的亮度差异较小时，可以将路面图像中的像素点聚为多个类簇；根据每一类簇中每一像素点的 通道值、通道值以及灰度图像中的梯度值，得到每一类簇的信息可读性参数，使得每一类簇的信息可读性参数更接近真实情况；根据路面图像中每一类簇的信息可读性参数，得到路面图像的自适应增强参数，在获取路面图像的自适应参数时，根据每一类簇中所有像素点的 通道值的均值，赋予每一类簇的信息可读性参数的权重，使得路面图像的自适应增强参数更接近于实际情况，进一步使得路面增强图像中包含的信息更多，从而使得铣刨机的作业姿态的智能调整更接近于实际情况。附图说明[0045] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0046] 图1为本发明一种井下铣刨机作业姿态智能调控系统的模块流程图；[0047] 图2为去噪后的铣刨机作业路面图像的灰度图像；[0048] 图3为路面增强图像。具体实施方式[0049] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种井下铣刨机作业姿态智能调控系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。[0050] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。[0051] 下面结合附图具体的说明本发明所提供的一种井下铣刨机作业姿态智能调控系统的具体方案。[0052] 请参阅图1，其示出了本发明一个实施例提供的一种井下铣刨机作业姿态智能调控系统的模块流程图，该系统包括以下模块：[0053] 图像获取与分析模块101：获取铣刨机作业路面图像，并对图像预处理，得到路面图像及灰度图像；根据路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数。[0054] 本实施例是通过铣刨机周围的路面图像，来对铣刨机作业姿态进行调整，所以获取铣刨机作业路面图像。因为获取铣刨机作业路面图像时，可能会受到噪声影响，并且铣刨机作业路面图像中所含信息较少的原因主要是因为光线原因造成的，所以对获取到的铣刨机作业路面图像进行去噪，并将去噪后的图像转化为HSV空间下的图像。[0055] 具体的，在避免铣刨机灯光光线照射在采像设备镜头中的情况下，将采像设备架设至铣刨机前部中间位置，通过采像设备获取RGB空间下的铣刨机作业路面图像。通过非局部均值滤波算法对RGB空间下的铣刨机作业路面图像进行降噪处理，得到去噪后的铣刨机作业路面图像。将RGB空间下去噪后的铣刨机作业路面图像转化为灰度图像与HSV空间下的去噪后的铣刨机作业路面图像，并将HSV空间下的去噪后的铣刨机作业路面图像记为路面图像，其中去噪后的铣刨机作业路面图像的灰度图像如图2所示。[0056] 需要说明的是，在通过伽马变换对路面图像进行增强时，因为井下环境复杂多变，使得每一张铣刨机作业路面图像与其他铣刨机作业路面图像需要的增强参数可能不同。所以需要对路面图像进行分析，得到路面图像的自适应增强参数。[0057] 进一步需要说明的是，因为路面图像中部分区域的对比度过低，导致路面图像的信息提取不充分，所以对图像进行增强主要是为了提高低对比度区域的对比度。又因为图像中的对比度差异问题可能是由于光线原因导致的，而且对于路面图像来说，难以直接通过RGB通道像素值分析图像中因光线原因导致的对比度差异问题。所以根据路面图像中每一像素点的V通道值将路面图像中的像素点分为不同光线条件下的类簇。之后获取不同类簇内的信息可读性参数，再根据不同类簇所对应的光线条件获取不同类簇的信息可读性参数的权重，得到路面图像的信息可读性。根据路面图形的信息可读性，得到路面图像的自适应增强参数。[0058] 进一步需要说明的是，因为在对路面图像中的像素点进行聚类时，主要是将路面图像中相同光线条件下的像素点聚为一类，因此聚类时主要通过路面图像中每一像素点的亮度值对路面图像中的像素点进行聚类，但是因为路面图像的整体亮度差异可能较。赡芪薹ㄍü炼炔钜焱瓿陕访嫱枷裰械南袼氐愕木劾。因此通过路面图像中每一像素点的亮度值，得到路面图像的亮度差异。使得对路面图像中的像素点进行聚类时，当路面图像的亮度差异较大时，主要通过像素点的亮度值对路面图像中的像素点进行聚类；当路面图像的亮度差异较小时，主要通过路面图像中的像素点的饱和度对路面图像中的像素点进行聚类。所以计算路面图像的亮度差异特征参数。[0059] 进一步需要说明的是，在计算路面图像的亮度差异特征参数时，因为图像整体的亮度差异是通过路面图像的所有像素点中所出现的不同 通道值的个数以及每一 通道值所对应像素点的个数得到的。所以根据路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数。[0060] 具体的，统计路面图像中所有像素点的 通道值，得到一个 通道值序列， 表示路面图像中出现的第 个 通值，其中序列 内没有相同的数值，序列中排序为 通道值从小到大的顺序。获取序列 内每一数据在路面图像中像素点 通道值的出现次数。将序列 中的数据投放到横坐标为 通道值，纵坐标为 通道值在路面图像中的出现次数的亮度?次数坐标系。将坐标系中所有数据点作为待拟合点，通过最小二乘法进行拟合，得到拟合曲线，将拟合曲线上横坐标为序列 内的数据的数据点记为拟合点，获取拟合曲线上每一拟合点的斜率。其中，通过最小二乘法进行拟合以及获取拟合曲线上每一拟合点的斜率均为公知技术，本实施例不再赘述。通过拟合曲线上每一拟合点的斜率、路面图像中每一像素点的 通道值，得到路面图像的亮度差异特征参数，其具体计算公式如下所示：[0061][0062] 式中，表示路面图像的亮度差异特征参数， 表示序列 中所含数据的个数，表示序列 中第 个数据的数值，表示序列 中所有数据的均值， 表示拟合曲线上第 个拟合点的斜率， 表示拟合曲线上所有拟合点的最大斜率， 表示数值为 的通道值在路面图像中的出现次数， 表示序列 中的所有 通道值在路面图像中的最大出现次数， 表示双曲正切函数，用于归一化处理， 表示绝对值函数。[0063] 需要说明的是，路面图像中像素点 通道值分布的离散程度，反映了路面图像的亮度差异特征参数。 表示路面图像中像素点 通道值的离散程度，该值越大，则路面图像中像素点 通道值的差异越大，则路面图像的亮度差异特征参数越大；但是，该方差值没有考虑每一 通道值在路面图像中的出现次数，不能直接用该值表示图像整体亮度差异。 表示了路面图像中第 个 通道值在路面图像中的出现次数与路面图像中所有 通道值在路面图像中的最大出现次数的比值，该值越大，表示路面图像中的第 个 通道值在路面图像的出现次数越多，表明路面图像中第 个 通道值的离散程度对路面图像的亮度差异特征参数的影响程度越大，因此通过 作为一个系数调整方差计算过程。另外，在亮度?次数坐标系中，拟合点的导数能体现 通道值在路面图像中的出现次数的变化过程，该变化越剧烈，则当前 通道值在路面图像中的出现次数与周围其他亮度在路面图像中的出现次数的差异越大，而图像整体亮度差异即是通过不同 通道值在路面图像中的出现次数的差异体现的；因此，为了进一步准确分析图像亮度差异，通过表示路面图像中第 个 通道值与其他 通道值的数量差异变化对路面图像中第个 通道值的离散程度的影响程度；该值越大，表明路面图像中第 个 通道值的离散程度对路面图像的亮度差异特征参数的影响程度越大。[0064] 图像分割模块102：根据路面图像的亮度差异特征参数、路面图像中每一像素点的位置、通道值、通道值，构建聚类规则；根据构建的聚类规则，将路面图像中的像素点聚为多个类簇。[0065] 需要说明的是，因为路面图像的亮度差异特征参数可能较。沟弥煌ü访嫱枷裰忻恳幌袼氐愕 通道值不能将路面图像中的像素点聚为多个类簇，所以根据路面图像中每一像素点的位置、通道值、通道值以及路面图像的亮度差异特征参数，得到图像中每一像素点与其他像素点的差异距离，从而将路面图像中的像素点聚为多个类簇。实现当路面图像的亮度差异较为明显时，根据像素点的亮度即像素点的 通道值进行聚类，当路面图像的亮度差异不明显时，根据像素点的饱和度即 通道值进行聚类的目的。[0066] 具体的，路面图像中每一像素点与其他像素点的差异距离的计算公式如下所示：[0067][0068] 式中， 表示路面图像中第 个像素点与第 个像素点的差异距离，表示路面图像的亮度差异特征参数， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点的 通道值， 表示路面图像中第 个像素点与第 个像素点之间的欧氏距离， 为线性归一化函数，归一化对象为路面图像中任意两个像素点的 。[0069] 需要说明的是，要区分不同光线条件下的图像场景，可以通过计算不同像素点之间的 通道值差异进行区分，因此将 作为聚类关系的参数之一，但是当路面图像的整体亮度差异较小时，通过像素点之间的 通道值差异 难以对大部分像素点进行聚类；而井下巷道道路图像纹理信息主要通过墙壁、道路中的缝隙、凹凸产生的阴影获。庑┮跤扒虻谋硐治谏糠，在HSV空间中，黑色区域即体现为饱和度极低的特征。并且像素点光谱色颜色纯净度差异越。硎径杂η虻难丈慷仍浇咏，当图像某区域信息可读性较强时，其内部应该存在对比度相对较高的区域，即像素点饱和度较高，其纹理特征保留明显，因此当图像整体亮度差异较小时，将像素点之间的饱和度值的差异 作为聚类关系的参数之一。综上，图像亮度差异特征参数调整两参数计算过程，并归一化后得到 ，将其作为欧氏距离的系数，计算像素点聚类关系。[0070] 具体的，获取路面图像中每一像素点与其他像素点的差异距离后，通过手肘法获取通过K?means聚类算法的类簇个数 ，根据路面图像中每一像素点与其他像素点的差异距离，对路面图像中的像素点进行聚类，得到 个类簇。[0071] 图像信息计算模块103：根据每一类簇中每一像素点的 通道值、通道值以及灰度图像中的梯度值，得到每一类簇的信息可读性参数。[0072] 需要说明的是，在获取路面图像中每一类簇的信息可读性参数时，因为图像信息主要通过道路及巷道壁图像上的纹理特征体现的，并且像素点梯度值的差异越大，则当前图像上纹理信息越丰富，即梯度变化越大，不同梯度表征不同纹理，则纹理信息越丰富，所以根据每一类簇中每一像素点的梯度值，计算类簇中每一像素点的信息可读性参数。并且当路面图像中每一像素点的饱和度越大时，说明这个像素点颜色的纯净度越高，这个像素点的信息可读性越强，所以根据每一类簇内每一像素点的饱和度，得到每一类簇的信息可读性参数。因为路面图像中，巷道壁、泥土以及矿石等井下元素的色彩表现可能存在差异，因此根据每一类簇内每一像素点的色调，得到每一类簇的信息可读性参数。[0073] 具体的，通过sobel算子得到灰度图像中每一像素点的梯度值，记为路面图像中每一像素点的灰度梯度值；其中，sobel算子为公知技术，具体方法在此不做介绍。通过路面图像中每一像素点的灰度梯度值、 通道值与 通道值，得到路面图像中每一类簇的信息可读性参数，其具体计算公式如下所示：[0074][0075] 式中， 表示第 个类簇的信息可读性参数， 表示第 个类簇中第 个像素点的通道值， 表示第 个类簇中第 个像素点的灰度梯度值，表示第 个类簇中所有像素点的灰度梯度值的均值， 表示第 个类簇中第 个像素点的 通道值， 表示第 个类簇中所有像素点的 通道值的均值， 表示路面图像中第 个类簇内所含像素点的数量，为线性归一化函数，归一化对象为路面图像中所有像素点的 通道值， 表示绝对值函数。[0076] 需要说明的是，路面图像信息主要通过道路及巷道壁图像上的纹理特征体现，因此像素点梯度值的差异越大，则路面图像上纹理信息越丰富。 计算了第个类簇中第 个像素点的灰度梯度值和第 个类簇中所有像素点的灰度梯度值的均值的差值绝对值，将其作为类簇的信息可读性参数的一个计算参数，其值越大表明路面图像中第个类簇内所含有的信息越多， 越大； 的值越大，表示路面图像中第 个类簇中第 个像素点颜色的纯净度越高即图像颜色越纯净，表明路面图像中第 个类簇的信息可读性越强，因此通过 进一步提升第 个类簇的信息可读性的精准度；除了纹理信息外，巷道壁及地面通常包含多种矿石、泥土种类，其色彩表现也存在差异，当路面图像中存在较多信息时，其内部往往存在更多的颜色表现。通过 计算第j个类簇中第i个像素点的色相值和第j个类簇的色相均值的差异，将其作为第 个类簇的信息可读性参数的一个计算参数。最后，通过 获取路面图像中第个类簇的信息可读性参数。[0077] 对路面图像中的每一类簇都进行上述操作，得到路面图像中每一类簇的信息可读性参数。[0078] 图像增强模块104：根据路面图像中每一类簇的信息可读性参数，得到路面图像的自适应增强参数；根据路面图像的自适应增强参数，通过伽马变换，得到路面增强图像。[0079] 需要说明的是，图像增强需求为拉大低灰度值区间提升整体亮度，并压缩高灰度值区间防止过曝。所以将路面图像的自适应参数 的取值范围应该处于(0，1)区间。因为在路面图像中对比度低的区域通常为亮度较低的区域，且对比度区域为图像增强的重点区域。所以在获取路面图像的信息可读性参数时，根据每一类簇内所有像素点的亮度均值赋予每一类簇的可读性信息参数的权重，获得路面图像的可读性信息参数。之后再根据路面图像的可读性信息参数，获得路面图像的自适应增强参数，得到路面增强图像。[0080] 具体的，根据每一类簇内所有像素点的 通值的均值与每一类簇的信息可读性参数，得到路面图像的信息可读性参数与路面图像的自适应增强参数，其具体计算公式如下所示：[0081][0082] 式中，表示路面图像的自适应增强参数，表示路面图像中的类簇数量， 表示第 个类簇内所有像素点的 通道值的均值， 表示路面图像中所有像素点的最大 通道值， 表示第 个类簇的信息可读性参数， 表示路面图像的信息可读性参数， 表示双曲正切函数，用于归一化处理。[0083] 需要说明的是，对图像进行对比度增强的目的是提升图像信息的可读性，因此通过 计算路面图像中所有类簇的信息可读性参数的均值，将其作为增强参数之一。但是不同亮度类簇表现的可读性不同，可读性较差的区域通常为亮度较低的区域，这类区域是图像增强的重点区域，因此通过 调整 个类簇的信息可读性参数，其值越小表示第 个类簇为图像增强的重点区域的可能性越大，即第 个类簇的信息可读性参数的权重越大。 表示路面图像的信息可读性参数，其值越大，表明路面图像所能提取的信息越多，那么路面图像的增强程度越。 值越接近于1；的值越。砻髀访嫱枷袼芴崛〉男畔⒃缴，那么路面图像的增强程度越大，即 值越接近于0。[0084] 将 作为参数对RGB空间下去噪后的铣刨机作业路面图像进行伽马变换，实现图像自适应增强，得到路面增强图像，如图3所示。[0085] 铣刨机作业姿态调整模块105：对路面增强图像通过神经网络进行评估，获得路面图像的路况指数；根据路面图像的路况指数，进行铣刨机的作业姿态调整。[0086] 具体的，通过已训练的神经网络对路面增强图像进行评估，输出路面图像的路况指数，然后通过路况指数对铣刨机作业姿态进行调整。神经网络训练过程如下：[0087] 1、搜集若干井下巷道路面图像，通过人工打分的方式对每张图像的路面状况进行打分，打分的取值：0.1，0.2，0.3，……1共10个分值种类，分别对应10种路面水平，打分结果即为路况指数，路况指数越高路面损伤越少，状况越良好；[0088] 2、分类网络结构为5层全连接神经网络，其它实施例中可设置为其他结构的神经网络，本实施例不进行具体限定，损失函数为交叉熵函数；[0089] 3、将已标签的数据集按照7：3的比例划分为训练集与验证集，将训练集数据输入分类网络进行训练，采用梯度下降法进行训练，直到损失函数收敛，完成分类网络训练；[0090] 4、将路面增强图像输入已训练好的神经网络中，输出路面增强图像的路况指数。[0091] 则铣刨机作业参数调整方法可通过下式表示：[0092][0093][0094] 式中， 表示铣刨鼓作业功率，表示路面图像的路况指数， 表示当前铣刨鼓最大作业功率， 表示当前铣刨鼓最小作业功率，V表示铣刨机在当前巷道下的行驶速度， 表示铣刨机在当前巷道下预设最大行驶速度， 表示铣刨机在当前巷道下预设最小行驶速度。[0095] 至此，本实施例完成。[0096] 综上所述，在本发明实施例中，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：陕西

专利申请日期：2024-04-15

专利公开日期：2024-07-16

专利公告号：CN118065218B