吴奉亮 寇露
文章編号：1671?251X（2024）04?0103?09 DOI：10.13272/j.issn.1671-251x.2023100036
摘要：从通风机性能曲线图像中采样并识别风压性能曲线，进而拟合出风压性能函数是矿井通风网络解算的关键技术。目前常用人工方式识别风压性能曲线，效率低且准确性不高。提出一种基于图像处理技术的通风机风压性能曲线自动识别方法。采用双边滤波、图像锐化和二值化技术对原始通风机风压性能曲线图像进行预处理，以提高图像质量。分别基于腐蚀算法、轮廓检测算法提取通风机性能曲线图像中的网格线和坐标文字，采用逻辑运算、中值滤波、轮廓检测和 K3M算法提取风压性能曲线。以逐行像素识别方式识别风压性能曲线的像素坐标，采用模板匹配算法识别坐标数字，进而完成像素坐标到物理坐标的转换，实现风压性能曲线识别。将通风机风压性能曲线自动识别方法集成至通风网络解算软件，对通风机风压性能曲线进行识别试验，结果表明，该方法对单条风压性能曲线的采样速度为24 Samples/s，识别的风压性能曲线与原始曲线的重合度高，风压拟合值与原始值的最大误差仅为0.88%，较人工识别方法大大提高了通风网络解算效率和准确性。
关键词：矿井通风网络；
通风网络解算；
通风机；
风压性能曲线；
图像自动识别；
风压性能函数拟合
中图分类号：TD724 文献标志码：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
我国矿井通风正在经历自动化、智能化的变革，智能通风系统已成为煤炭行业智能矿井建设中的重要内容[1-3]。矿井通风网络解算是智能通风系统主要内容之一[4-6]，提高矿井通风网络解算软件友好性、智能性的相关研究具有重要意义[7-9]。通风机风压性能函数是矿井通风网络解算中的关键信息，相关的原始资料多为图像文件。通过计算机自动、准确地识别出图像文件中的风压性能曲线坐标，再自动拟合出精准的风压函数，是智能通风系统中不可或缺的技术，也是评价通风网络解算系统智能性的重要指标。
一直以来，关于准确获取通风机风压性能函数的研究受到许多学者的关注。唐辉雄等[10]以零偏差点个数、零偏差点比率、总偏差、平均偏差和偏差率作为评估指标，采用最小一乘法拟合通风机风压等性能函数。尹昌盛等[11]采用正反抛物线对通风机风压性能曲线中的“驼峰”位置进行拟合，避免了二次多项式假收敛和五次多项式曲线振荡问题。叶敏等[12]基于通风机特性曲线矢量化软件，指出风压曲线样点的采集应集中在曲线拐弯处。贾腾等[13]使用最小二乘法拟合通风机在不同安装角度下风压与风量之间的关系式，并利用1stOpt 中的公式自动搜索拟合关系式。吴奉亮[14]采用偏回归系数显著性检验来确定通风机风压性能曲线拟合多项式函数的阶数。
上述研究均以人工采集的通风机风压性能曲线图像上有限的样点为原始参数，样点采集效率低，风压性能曲线识别准确率不高。直接识别通风机性能曲线图像中的风压性能曲线，进而基于大数据量样点拟合风压性能函数，对于提高曲线识别精度和通风网络解算软件的智能性有现实意义。本文采用图像处理技术，提出了一种通风机风压性能曲线自动识别方法，得到了满足通风网络解算要求的风压性能函数。
1通风机风压性能曲线特征及对网络解算的影响
矿井通风机在出厂或后期性能测定过程中会形成性能曲线图像，主要有效率性能曲线和风压性能曲线。某对旋式通风机性能曲线图像如图1所示。横坐标为通风机风量，纵坐标为通风机在不同叶片安装角下的输出风压。风压性能曲線上的数字为对旋式通风机2个叶片的安装角，效率性能曲线上的数字为通风机运行效率。在有效的工作范围内，风量与风压呈单调递减关系，即风量越小，通风机输出风压（承担的阻力）越大。风压性能曲线中的每一个点均为通风机潜在的工况点。通过人工准确计算通风机运行于某实际矿井中的工况点往往很难完成，这是因为矿井通风系统复杂，通风机与风网、井巷风阻耦合作用决定网络中的流量分配。
某简化矿井通风网络如图2所示，箭头表示风流方向，分支8的风量为通风机风量。
在通风机作用下，风流在巷道中流动满足节点流量平衡定律（式（1））与风压平衡定律（式（2））。
式中：N 为矿井通风网络分支数；
bkj 为节点 k 与分支 j 关系；
qj 为分支 j 的风量；
M为矿井通风网络节点数；
cij 为分支 j 与回路 i 的关系；
rj 为分支 j 的风阻；
hfj 为分支 j 中通风机的风压性能函数，是分支风量 qj 的函数；
l 为独立回路数，l=N?M+1。
通风网络解算即求解式（1）和式（2）组成的非线性方程组，以求得每条分支风量的过程。在式（2）中，通风机性能以风压性能函数 hfj 的形式表现，但其多以如图1所示的曲线图像文件存在，因此需在通风网络解算软件中对通风机性能曲线图像进行识别，得出风压性能函数。
2通风机性能曲线图像预处理
图1中存在印刷产生的黑色污点和像素值区分度低导致的图像模糊等问题，且采集图像时可能因光照不均匀产生光斑，影响识别效果，需对通风机性能曲线图像进行预处理，以提高图像质量。预处理操作包括将图像尺寸统一为900×800、滤波去噪、锐化和二值化。
分别采用均值滤波、中值滤波和双边滤波算法对原始的通风机性能曲线图像进行滤波去噪，结果如图3所示。可看出3种方法均能够有效去除噪声，但双边滤波能更好地保留图像边缘信息[15]，因此选用双边滤波去噪。通过对多张通风机性能曲线图像进行双边滤波发现，将与待处理像素点距离为50、像素值相差15的像素点视为相似并赋予更高权重时，滤波效果最佳。
滤波去噪操作会引入一定程度的图像模糊。为了提升图像的清晰度，需进行图像锐化处理。本文采用图像卷积[16]方式来实现。定义一个中心数值为5、周围数值为?1的卷积核，对滤波图像进行卷积操作。该设置可以突出中心像素点，减弱周围像素点的影响，从而强化图像边缘。
二值图能更好地突出图像边缘信息，提高图像处理效率，因此对通风机性能曲线图像进行二值化处理。阈值取200，将大于200的灰度值变为图像中的最大灰度值，小于200的灰度值变为0。
图1的预处理结果如图4所示。可看出图像清晰度明显提升，数字间距明显，噪声被消除。
3通风机性能曲线图像分割
通风机性能曲线图像包括网格线（蓝色）、坐标数字（紫色）和曲线（红色）3个部分，如图5所示。3个部分相互交叉，统一识别会导致算法冗杂和识别结果不准确，因此需要进行图像分割。
3.1基于腐蚀的网格线提取
腐蚀和膨胀都是针对二值图像的处理算法。腐蚀通过消除物体边界点来分开看似相连的区域；
膨胀通过扩大物体边缘，将分开的区域连接或消除小的空洞。提取网格线实质上是消除其他区域，因此采用腐蚀算法。
腐蚀效果与腐蚀算法采用的结构元素密切相关，结构元素是以某点为中心定义的像素块，如矩形、十字形等。对背景为黑色的图像进行腐蚀操作时，将结构元素的中心点依次置于图像中每个非0像素点P（白色）处，若待处理图像中结构元素覆盖区域内存在0像素点（黑色），则将点P 的像素值置为0，否则保留其像素值。
从腐蚀的原理可知，当结构元素完全被包含在某图形中时，腐蚀操作不会对图形造成影响。因此设置尺寸为100×1的水平线型结构元素对二值化的通风机性能曲线图像（图4（b））进行腐蚀和反色操作，结果如图6（a）所示，可看出只有完全包含水平线型结构元素的横线被保留。同理，设置尺寸为1×100的垂直线型结构元素提取竖线，结果如图6（b）所示。对图6（a）与图6（b）进行逻辑“或”运算，得到网格线，如图6（c）所示。若输入的通风机性能曲线图像中没有网格线，只有横纵坐标轴，上述算法依然可识别出横线和竖线。
3.2基于轮廓检测的坐标值提取
分析通风机性能曲线图像可看出，坐标数字单独存在于网格线之外，因此将原图像中网格线外轮廓范围内的内容全部置为背景色，即可提取出坐标数字。需要说明的是，如果在坐标文字附近存在干扰数字及文字，如人为涂画的痕迹，则需要人工清除这些痕迹，否则会影响算法执行。采用图像处理中的轮廓检测算法提取坐标文字，基本思想是从图像中某个起始点开始，沿着轮廓边缘进行追踪，直到回到起始点。常用的轮廓检测算法有边缘追踪算法[17]、分水岭算法[18]等。
本文采用边缘追踪算法对识别出的网格线（图6（c））進行最外层的轮廓检测。从该轮廓中某个0像素点 P0出发，按顺时针或逆时针顺序在点 P0周围上、下、左、右、右上、右下、左上、左下的八邻域点中寻找下一个0像素点 M0，然后从点 M0开始重复此操作，直到回到点 P0，完成轮廓检测。用矩形对该轮廓进行框选，得到如图7（a）所示的红色矩形框。对该矩形填充白色，得到如图7（b）所示的含坐标数字图像。若输入图像没有网格线，只有横纵坐标轴，仍可通过上述方法得到红色矩形，完成坐标数字的分割。
3.3曲线提取
曲线部分完全存在于网格线范围内。为提取曲线，需先提取网格线范围内的所有内容，再去除网格线和标注文字。对于通风机性能曲线，每个风量值（横坐标值）只对应唯一的风压值（纵坐标值），但在像素层面，曲线上的点由多个像素点构成，即每个横坐标对应多个纵坐标，因此需对曲线做细化处理。曲线提取过程如图8所示，步骤如下。
1）利用逻辑运算和中值滤波去除网格线。提取网格线范围内所有内容，结果如图8（a）所示。该图中背景色与图6（c）中背景色均为白色，因此对二者进行逻辑“异或”运算，使图8（a）背景色变成黑色，与图8（a）中网格线同色，即成功去除图像中的网格线。对运算结果进行反色操作，结果如图8（b）所示。可看出大部分网格线已被去除，残留的部分痕迹可视作随机噪声。常用的方框滤波、双边滤波、中值滤波等滤波方法中，中值滤波对随机噪声的消除效果最好，因此选用尺寸为3×3的中值滤波器滤除随机噪声，结果如图8（c）所示。可看出图像噪声被大量去除，仅含有标注文字和被网格线断开的曲线。采用膨胀和腐蚀操作连接断开的曲线，结果如图8（d）所示。若输入图像中只有横纵坐标轴，通过上述算法可去除横纵坐标线并保证曲线的完整性。
2）利用轮廓检测算法去除标注文字。由于标注文字具有独立的轮廓，并与曲线的轮廓属于同一层次，所以可将标注文字与曲线分别圈定，并根据文字轮廓明显小于曲线轮廓的特点进行区分。对图8（d）进行轮廓检测，并对大小为10～1000像素的轮廓用蓝色矩形进行框选和填充，结果如图8（e）所示。可看出文字和噪声均为蓝色。将矩形颜色改为背景色，即可去除标注文字。为使曲线更加平滑，再次进行膨胀、腐蚀和中值滤波操作，结果如图8（f）所示。至此成功提取出曲线部分。
3）采用 K3M 算法细化曲线。图像细化是将图像的线条从多像素宽度减小到单位像素宽度并保持原形状的过程。K3M 算法是一种简单易实现的图像细化算法[19]。采用 K3M 算法对提取的曲线（图8（f））进行图像细化时，需经过多次迭代处理。每次迭代从左上角开始，逐行对每个0像素点进行6次检查，查看其八邻域内是否有3～7个相邻的0像素点。若有则说明该点不属于曲线骨架部分，需要删除。当某个0像素点不满足删除条件时，迭代停止，完成图像细化，如图9所示。可看出图像中的曲线形态与原图像一致，且曲线宽度减小为1个像素宽度。
4 风压性能曲线识别
针对图像细化结果，识别曲线上的工况点。由 于图像像素坐标系与通风机性能曲线的物理坐标系 不同，所以需将识别出的像素坐标转换为物理坐标。
4.1 风压性能曲线像素坐标识别
对图像细化结果进行像素坐标识别时，从图像 左上角开始，按行逐像素搜索构成曲线段的黑色像 素点。当在第 n 行第 m 列检测到某 0 像素点 P1 时， 将其作为某段性能曲线的起点，并在该点的八邻域 内寻找第 2 个 0 像素点 P2。由于风压性能曲线是单 调递减的，若点 P2 和点 P1 满足单调递减的规律，则 认为这 2 个点为风压性能曲线中的点，保存二者的 像素坐标信息后将其变为白色，以避免重复搜索。
从点 P2 开始，按相同方法搜索构成风压性能曲线的 下一个点。当搜索到第 n 个点的八邻域内没有 0 像 素点时，表示这段曲线搜索结束，该点为曲线段终 点。然后从图像中第 n 行第 m+1 列开始寻找下一段 曲线的首个 0 像素点。重复上述操作，找出所有曲 线段。需要说明的是，部分效率性能曲线也呈现单 调递减趋势，与风压性能曲线相比，这部分效率性能 曲线在横轴方向上的跨度远大于纵轴方向，据此去 除效率性能曲线。另外，图 9 中除曲线骨架外，还存 在一些特别短小的直线，因此，设定某条曲线段的样 点数少于 25 时将其舍去。这使得识别出来的风压 性能曲线呈断裂状，如图 10 所示。可看出 5 条曲线 共断裂成 31 条曲线段。之后通过膨胀、腐蚀、曲线 细化等操作得到完整的曲线坐标。
4.2 基于模板匹配算法的数字识别
为了将曲线的像素坐标转换为物理坐标，需要 确定坐标系之间的转换关系。识别出坐标轴上数字 及其所在的像素位置即可建立转换关系，因此，坐标 转换的关键是数字识别。
通风机性能曲线图像中的数字以印刷体呈现， 与手写体相比，数字样式和比例更加固定，采用模板匹配算法进行识别更为简洁。1个模板就是1张确定大小的图像，只与0?9中的1个数字对应，图像中显示的也是该数字，如图11所示（模板大小为30×40）。匹配就是计算模板图像和与其具有相同大小的待匹配图像之间的像素相似度，取得最大相似度的模板对应的数字即待匹配图像中显示的数字。本文采用归一化相关匹配法[20]计算相似度。该方法基于矩阵内积来判断相似性，2个矩阵的内积在一定程度上反映它们之间的相似度，内积越大，则相似度越高。为了避免光照对相似度的影响，归一化相关匹配法先将模板和待匹配图像的像素值分别减去各自的均值，再进行内积运算，将内积归一化到[?1，1]范围内。
每个坐标数字均由单个数字组成，在进行匹配前需将数字切割为单个数字。利用膨胀和腐蚀操作，将图7（b）中组成各数的数字连成整体，再通过轮廓检测算法找到如800等数字的矩形外轮廓。针对每个找到的矩形区域，采用膨胀、腐蚀和轮廓检测算法找到每个数字（如800中的8，0，0）的矩形外轮廓，将其从图7（b）中截取，即得到单个数字的图像，并将尺寸调整为与模板相同大小。从图7（b）中采集的数字8图像如图12所示，其与图11（b）模板的相似度为0.92，与其他9个模板的相似度均小于该值，与图11（a）模板的相似度仅为0.18，因此该图片被识别为数字8。
完成坐标数字识别后，选取通风机性能曲线图像横坐标轴上最大值点A 和纵坐标轴上最大值点 B 为参考点，建立坐标系转换关系 dx 和 dy。假设点 A 的像素坐标为（pxmax，pymin），物理坐标为（sxmax， symin）；
点 B 的像素坐标为（pxmin，pymax），物理坐标为（sxmin，symax），则转换关系为
5 方法应用
5.1程序实现
经过上述处理可从通风机性能曲线图像中识别出足够的样点，再根据文献[14]中的方法即可得到风压性能函数。将相关算法集成到已有矿井通风网络解算软件中[21]，开发工具主要有 VC++，ObjectARX， OpenCV 等。
OpenCV 是一个开源的视觉库，提供了丰富的图像处理和计算机视觉算法。本文使用的 OpenCV 函数见表1，程序界面如图13所示。使用时只需选择待识别通风机性能曲线图像，即可自动识别出风压性能曲线。
5.2实例应用
为检验通风机风压性能曲线自动识别方法的准确性与效率，对15张通风机性能曲线图像进行识别。对于1张图像，自动识别方法平均25 s完成3000个样点采集，单条曲线采样速度达24 Samples/s，而人工识别一般需30 min，可见本文方法效率明显高于人工识别方法。
分别采用人工识别方法和自动识别方法对图13中的通风机风压性能曲线进行识别，结果如图14所示。可看出人工识别结果在弯曲度较大的位置与原始曲线有明显的分离，而自动识别结果几乎与原始曲线重合，准确性更高。
软件采用三阶多项式对人工识别方法和自动识别方法获得的风压性能曲线进行拟合，拟合函数见表2，其中 Q 为风量。
2种方法拟合曲线上的部分工况点对比见表3。可看出人工识别方法的拟合风压与原图像中数值（原始值）的最大误差为8.87%，最小误差为1.49%；
自动识别方法的拟合值最大误差为0.88%，最小误差仅为0.10%。自动识别方法获取风压性能曲線的平均准确率为人工识别方法的10倍以上。
设图2中分支1?8的风阻分别为0.0009，0.0124，0.0123，0.0131，0.0113，0.0105，0.0096，0.0450 N?s2/m8，对应的实际工况点为（148 m3/s，3280 Pa）。对人工识别和自动识别出的风压性能曲线进行网络解算，所得通风机工况点如图15所示。自动识别方法对应的工况点为（147.4 m3/s，3268.3 Pa），分支1?8的风量分别为140.197，69.984，70.213，1.214，68.770，71.427，140.197，140.197 m3/s，而人工识别方法对应的工况点为（149.7 m3/s，3371.9 Pa）。自动识别方法对应的工况点更贴合实际，解算精度更高。
6结论
1）基于图像滤波、膨胀、腐蚀、轮廓检测等计算机图像处理方法，建立了一种通风机风压性能曲线自动识别方法，采用三阶多项式拟合出风压性能函数，用于通风网络解算。
2）自动识别方法对单条通风机风压性能曲线上样点的采集速度达24 Samples/s，较人工识别方法大大提高了通风网络解算效率。
3）实例应用结果表明，与人工识别方法相比，自动识别方法得到的风压性能曲线与原始曲线的重合度更高，10个工况点的风压拟合值与原始值的最大误差仅为0.88%，约为人工识别方法的1/10，验证了自动识别方法具有更高的计算准确度。
参考文献（References）：
[1]李伟宏，魏志丹.矿井智能通风控制系统研究及应用[J].工矿自动化，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]王凯，裴晓东，杨涛，等.矿井智能通风联动调控理论与供需匹配实验研究[J].工程科学学报，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]任子晖，李昂，吴新忠，等.矿井通风网络风量智能调控研究[J].工矿自动化，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，闫振国.融合5G 技术生态的智能煤矿总体架构及核心场景[J].煤炭学报，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]谈国文.复杂矿井通风网络可视化动态解算及预警技术[J].工矿自动化，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]周福宝，辛海会，魏连江，等.矿井智能通风理论与技术研究进展[J].煤炭科学技术，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]张浪，刘彦青.矿井智能通风与关键技术研究[J].煤炭科学技术，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]刘剑.矿井智能通风关键科学技术问题综述[J].煤矿安全，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，周福宝，夏同强，等.矿井智能通风与灾变应急决策平台[J].中国安全科学学报，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]唐辉雄，赵伏军，张柏，等.基于最小一乘准则求解矿井通风机性能曲线[J].中国安全生产科学技术，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]尹昌胜，刘剑，邓立军.正反相切抛物线方法拟合通风机特性曲线[J].辽宁工程技术大学学报（自然科学版），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]叶敏，杨应迪.轴流式风机特性曲线的图形数字化及优化研究[J].煤炭工程，2013，45（增刊1）：110-
