Модели и алгоритмы обработки информации для анализа изображения массива горных пород при ведении буровзрывных работ тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Иванов, Лев Викторович

• Иванов, Лев Викторович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Иванов, Лев Викторович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС БВР КАК ОБЪЕКТ АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ

1.1 Метод определения степени трещиноватости горного массива по процентному содержанию крупных отдельностей

1.2 Актуальные инструменты бесконтактной оценки трещиноватости массива горных пород

1.3 выводы по главе 1

2 ТЕОРИЯ РАСПОЗНОВАНИЯ ОБРАЗОВ ПРИМИНИТЕЛЬНО К АНАЛИЗУ ИЗОБРАЖЕНИЯ МАССИВА ГОРНЫХ ПОРОД

2.1 Принципиальная модель обработки информации для анализа

изображения массива горных пород

2.2 Проблема сепарабельности объектов

2.3 Выбор метода сегментации изображения

2.4 Математические модели обработки информации для анализа изображения массива горных пород

2.4.1 Математическая модель сегментации

2.4.2 Математическая модель фильтрации объектов по уровню яркости

2.4.3 Математическая модель фильтрации объектов по площади

2.5 Анализ влияния дефектов изображения на уровень ошибки в результате обработки

2.6 Анализ влияния порога по яркости на уровень ошибки модели сегментации

2.7 Анализ влияния порога фильтрации по площади на уровень потерь полезной информации

2.8 Анализ влияния уклона массива на видимую площадь изображения

47

2.9 Выводы по главе 2

3 УМЕНЬШЕНИЕ ОШИБКИ ВО ВХОДНЫХ ДАННЫХ

3.1 Нормализация яркости изображения

3.2 Усреднение яркости изображения

3.3 Сглаживание изображения

3.4 Выводы по главе 3

4 УМЕНЬШЕНИЕ ОШИБКИ ПРИ ОБРАБОТКЕ ДАННЫХ

4.1 Устранение пустот и восстановление целостности объектов

4.2 Автоматический выбор порога фильтрации по уровню яркости

4.3 Выводы по главе 4

5 АЛГОРИТМ АНАЛИЗА ИЗОБРАЖЕНИЯ МАССИВА ГОРНЫХ ПОРОД

5.1 Алгоритм процедуры нормализации изображения

5.2 Алгоритм процедуры усреднения изображения

5.3 Алгоритм процедуры сглаживания изображения

5.4 Алгоритм процедуры сегментации изображения

5.5 Алгоритм процедуры восстановления целостности объектов

5.6 Алгоритм процедуры фильтрации по уровню яркости

5.7 Алгоритм процедуры фильтрации по площади

5.8 Алгоритм процедуры оценки трещиноватости массива горных пород по гранулометрическому составу

6 ОЦЕНКА ДОСТОВЕРНОСТИ РЕЗУЛЬТАТОВ

6.1 Информационное обеспечение задачи

6.2 Програмное обеспечение задачи

6.3 Техническое обеспечение задачи

6.4 Инструкция пользователя

3

6.5 Апробация результатов

6.6 Выводы по главе 6

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Модели и алгоритмы обработки информации для анализа изображения массива горных пород при ведении буровзрывных работ»

ВВЕДЕНИЕ

Добыча полезных ископаемых неразрывно связана с необходимостью выработки больших объёмов крепких скальных горных пород, выемка и перемещение которых требуют предварительной буровзрывной подготовки (дробления и рыхления), осуществляемой, как правило, скважинными либо шпуровыми зарядами взрывчатых веществ в условиях уступной отбойки. При этом проблему качества дробления горных пород взрывом принято решать накоплением статистических данных по взрываемому массиву, что не позволяет оперативно получить оптимальный результат на новом месте в процессе расширения карьера. Большие годовые объёмы (более 300 млн. тонн в год) открытых горных работ, а также существенное влияние качества взорванной горной массы на производительность последующих выемочно-погрузочных работ, транспортировку и механическое дробление, определяют необходимость постановки научных исследований, направленных на повышение качества паспорта буровзрывных работ (БВР). Современные информационные технологии [1] позволяют во многом упростить расчет самого паспорта БВР [2], но вопросы оперативной оценки физико-механических свойств массива горных пород, влияющих на его составление, остаются нерешенными. В силу сложности или временных затрат традиционные способы оценки трещиноватости массива горных пород не могут использоваться для оперативного принятия решений. С проблемой трудоемкости и длительности обработки при использовании бесконтактного фотопланиметрического метода помогает бороться автоматизация процесса. Но существующие решения довольно ограничены в своем применении, а их результаты далеки от реальных показателей в силу того, что используемые в них методы и алгоритмы не задействуют весь потенциал современных технологий. Для увеличения доверия к подобным разработкам была поставлена и решена научно-техническая задача анализа изображений массива горных пород,

точность результатов которой допускает их использование в качестве оперативного средства поддержки принятия решений при ведении БВР.

Цель научного исследования заключается в повышении качества разработки паспорта БВР путем увеличения точности оперативной оценки основополагающих физико-механических свойств разрушаемых горных пород, отобранных на основе анализа взаимосвязей технологических параметров БВР на карьере.

Идея работы заключается в анализе факторов, приводящих к накоплению ошибок при оперативной бесконтактной оценке основных физико-механических свойств массива горных пород и их устранению с помощью разработки метода и алгоритмов обработки и анализа фотопланограммы.

Для достижения поставленной цели в работе решаются следующие задачи:

1. Анализ физико-механических свойств горных пород и их взаимосвязей при расчете паспорта БВР, влияющих на качество разрушения горных пород взрывом;

2. Анализ существующих методов оценки трещиноватости и гранулометрического состава массива горных пород;

3. Разработка модели и алгоритмов обработки информации для анализа изображения массива горных пород на основе теории распознавания образов;

4. Выявление комплекса факторов (нечеткость деталей и различные дефекты изображения, погрешности работы анализирующих алгоритмов и т.д.), обуславливающих накопление ошибок при обработке изображения массива горных пород по созданной модели;

5. Разработка метода и алгоритмов предварительной обработки изображения, использующих нормализацию, усреднение и сглаживание, снижающих степень неопределенности в исходной информации;

6. Разработка алгоритмов восстановления целостности полученных объектов и поиска оптимальных параметров для созданной модели, повышающих качество распознавания объектов на изображении;

7. Разработка пакета прикладных программ (ППП), реализующего созданную модель анализа изображения массива горных пород и её алгоритмы;

8. Оценка надежности разработанной модели и её алгоритмов с помощью реализованного ППП.

Основные научные положения, разработанные соискателем:

1. Предложенная модель обработки информации для анализа изображений массива горных пород на основе теории распознавания образов позволяет оперативно оценивать основные физико-механические свойства массива горных пород бесконтактным способом;

2. Разработанные алгоритмы предварительной обработки и вспомогательного анализа изображений позволяют эффективно бороться с проблемой неопределенности в исходной информации;

3. Предложенные зависимости нахождения оптимальных порогов на разных этапах работы модели гарантируют высокое качество распознавания отдельностей на изображении массива горных пород.

Новизна научных исследований:

1. Разработаны модель и алгоритмы обработки информации для анализа изображений массива горных пород, основанные на методе кластерного анализа теории распознавания образов;

2. Осуществлена классификация факторов (яркостые шумы, нечеткость деталей, естественные дефекты изображения, ошибки генерации), приводящих к снижению качества распознавания объектов на изображении;

3. Разработан комплексный подход на основе алгоритмов предобработки и вспомогательного анализа изображения, повышающий распознаваемость объектов на изображении;

4. Выявлены закономерности при обработке изображения по созданной модели, позволяющие задавать оптимальные параметры для разработанных алгоритмов.

Обоснованность и достоверность научных положений, выводов и рекомендаций, сформулированных в диссертации, подтверждаются корректным использованием методов теории распознавания образов, численного анализа, а также положительными результатами экспериментального исследования.

Научная значимость диссертации состоит в развитии существующих разработок в области бесконтактной оценки основных физико-механических свойств массива горных пород, изменяющих текущее представление о сложности и трудоемкости фотопланиметрического метода.

Практическая значимость работы. Предложенные в работе модель, алгоритмы и методы реализованы в составе пакета прикладных программ (ППП «Отдельности 2.0»), ориентированного на практическое использование в заинтересованных предприятиях горнодобывающей отрасли, в учебном процессе кафедр МГГУ «Взрывное дело» для проверки точности или замены ручного способа обработки фотопланограмм и «Автоматизированные системы управления» для наглядной демонстрации возможностей теории распознавания образов.

Реализация и внедрение результатов работы. Результаты диссертационной работы используются в учебном процессе МГГУ на кафедрах «Взрывное дело» в дисциплине «Разрушение горных пород взрывом» и «Автоматизированные системы управления» в дисциплине «Информатика», а также применяются при разработке проектной документации в организации ООО «Промтехвзрыв».

Структура и объем работы. Диссертационная работа состоит из введения, шести глав, заключения и списка литературы из 78 наименований, включает 44 рисунка, 23 формулы и 6 таблиц.

Благодарности. Автор выражает глубокую благодарность за проведенные консультации и высказанные ценные замечания в ходе работы над диссертацией профессору кафедры «Взрывное дело» Горбоносу М.Г., а так же сотрудникам кафедры «Автоматизированные системы управления», принимавшим участие в оформлении текста диссертации.

1. ТЕХНОЛОГИЧЕСКИЙ ПРОЦЕСС БВР КАК ОБЪЕКТ АВТОМАТИЗИРОВАННОГО УПРАВЛЕНИЯ

При добыче твердых полезных ископаемых открытым способом широко применяется технология буровзрывных работ (БВР) как метод отделения породы от горного массива [3].

Массовый взрыв на карьере производится специальным инженерно-техническим и работам персоналом по типовому и специальному проекту. Технология выполнения массового взрыва состоит из двух стадий управления [4]:

• Подготовительная стадия выполнения массового взрыва. На этом этапе производится сбор информации о массиве, производится расчет сетки скважин и зарядов в них.

• Стадия выполнения массового взрыва. На этом этапе производится бурение скважин, закладка зарядов и непосредственно подрыв зарядов.

Технический проект массового взрыва является первоначальным документом, на основе которого обуривают блок и рассчитывают основные параметры взрыва [5]. Главным документом, дающим право на производство массового взрыва, является диспозиция [6], которая включает:

1. План фактического расположения скважин на уступе и геологические разрезы с указанием номеров скважин, высотных отметок и категорий пород по буримости и взрываемости, а также схемы взрывной сети и расстановки замедлителей;

2. Геологическую и гидрогеологическую характеристику взрываемого блока;

3. Таблицу, в которой указаны параметры и показатели взрыва;

4. Перечень мероприятий по обеспечению безопасных условий производства взрыва с указанием ответственных лиц, границ опасных зон и постов

оцепления, времени взрыва, способа и порядка подачи оповестительных сигналов, мероприятий по обнаружению и ликвидации отказов.

Диспозиция массового взрыва утверждается главным инженером предприятия. Для успешного создания паспорта БВР требуется следующая входная информация: [7]

• Высота взрываемого массива;

• Угол наклона уступа;

• Физико-механические свойства породы, из которой образован массив;

• Длина взрываемого массива;

• Ширина взрываемого массива;

• Имеющиеся в наличии буровые установки;

• Имеющиеся в наличии взрывчатые вещества (в дальнейшем ВВ). Готовый паспорт БВР включает в себя следующую выходную информацию:

• Наименование объекта;

• Диаметр скважины, м;

• Вместимость 1 м скважины, кг;

• ЛСПП м;

• Расстояние между скважинами в ряду, м;

• Расстояние между рядами скважин, м;

• Глубина перебура, м;

• Глубина скважины, м;

• Длина заряда, м;

• Длина забойки, м;

• Масса заряда в каждой скважине, кг;

• Число скважин в серии, шт;

• Объем породы, взрываемый в серии, м ;

• Общий расход ВВ на буровые работы, кг;

• Удельный расход ВВ, Кг/м .

На рис. 1 представлен уступ массива горных пород в разрезе с указанными выше параметрами паспорта БВР. При взрывании трещиноватых массивов удлиненными скважинными зарядами формируется две зоны дробления. В непосредственной близости от заряда ВВ находится так называемая «зона регулируемого дробления» («1» на рис. 1), в которой можно направлено регулировать степень дробления горных пород изменяя параметры буровзрывных работ. Границы этой зоны зависят от предела прочности породы на растяжение [8].

Рис. 1. Иллюстрация параметров паспорта БВР. 1-зона регулируемого дробления, 2 - не регулируемого. I* - радиус зоны регулируемого дробления

Вне зоны регулируемого дробления разрушение естественных отдельностей носит вероятностный характер (за счет наличия в них дефектов, неоднородностей, за счет развития магистральных трещин [9]). Размеры кусков взорванной горной массы в данной зоне («2» на рис. 1), как правило, сохраняют размеры естественных отдельностей, слагающих массив [10].

Процесс расчета паспорта БВР можно разбить на 4 этапа:

1. На первом вычисляется диаметр скважины;

2. На втором рассчитывается расход взрывчатого вещества на 1 м3;

3. На третьем рассчитывается расстояние между скважинами и рядами;

4. И, наконец, на последнем этапе, используя габаритные размеры уступа, считается сетка скважин.

При этом, наряду с обычными параметрами массива (длинна ширина, высота и т.д.) и характеристиками ВВ в процессе расчета паспорта БВР используются различные физико - механические свойства горных пород. Определения некоторых из них [11] представлены ниже:

Отдельность - монолитная часть массива горной породы, ограниченная трещинами.

Трещиноватость - свойство горных пород, нарушенность монолитности породы трещинами; этим термином также называется совокупность трещин в породном массиве.

Блочность - показатель размера блоков горной породы, разделенных трещинами.

Плотность - масса единицы ее объема в естественном состоянии со всеми содержащимися в ее порах жидкостями и газами.

Крепость - величина, приближенно характеризующая относительную сопротивляемость породы разрушению при добыче.

Разрыхляемость - свойство горной породы занимать в разрыхленном состоянии больший объем по сравнению с тем, который она занимала в массиве

Предел прочности на растяжение - напряжение, при котором образец породы разрушается.

Сцепление - показатель паспорта прочности, равный пределу прочности горной породы при срезе в условиях отсутствия нормальных напряжений

Угол внутреннего трения - показатель паспорта прочности горной породы, равный углу наклона касательной к огибающей предельных кругов напряжений в точке ее пересечения с осью касательных напряжений.

Рассмотрим применение этих свойств при расчете паспорта бвр. На 1 этапе для расчета диаметра заряда [12] используется формула

где: Н - высота массива;

а - угол откоса уступа, градусы;

Квв _ переводной коэффициент от эталонного ВВ - аммонита №6ЖВ - к фактически используемому ВВ по идеальной работе взрыва; Кт- коэффициент, учитывающий трещиноватость массива; р - плотность взрываемых пород, т/мЗ; А - плотность заряжания, т/мЗ.

На следующем этапе для расчета удельного расхода ВВ [12] используется формула

а)

д = 0.13^7(0-6 + З.З^з) 5 КВБр, кг\м3, (2)

\ии /

2/>

•н

л

где: р плотность взрываемой породы, т/м ;

/ коэффициент крепости породы по профессору М.М.Протодьяконову;

£¿3 диаметр скважины(заряда), м;

с£0средний размер отдельности вр взрываемом массиве, м; ¿„предельный размер кондиционного куска во взорванной горной массе, м; Кввкоэффициент относительной работоспособности ВВ.

Расчеты последних двух этапов не используют какие-либо физико-механические свойства горных пород, и поэтому в работе подробно рассматриваться не будут. Общая схема взаимосвязей приведена на рис. 2.

Н

Кг

К

вв

Этап 2

¿0

- й3

с1н

/

та

Ч

ть

Этап 4

Яблока

Ь, О, Лдар» Ъзаб

Яблока

Этап 3

Этап 1

Рис. 2. Информационные взаимосвязи параметров паспорта БВР

где:

Н - высота массива; а - угол откоса уступа, градусы;

Кх - коэффициент учитывающий трещиноватость массива;

Квв - переводной коэффициент от эталонного ВВ - аммонита №6ЖВ

к фактически используемому ВВ по идеальной работе взрыва; р - плотность взрываемых пород, т/мЗ; А - плотность заряжания, т/мЗ;

с10 - средний размер отдельности вр взрываемом массиве, м; £¿3 - диаметр скважины(заряда), м;

с1н - предельный размер кондиционного куска во взорванной горной массе, м;

/ - плотность породы по проф. Протодьяконову;

та коэффициент сближения скважин по горизонтали;

ть коэффициент сближения скважин по вертикали;

Ч удельный расход ВВ, кг/мЗ;

5блок ~ ширина массива;

^блок ~ длинна массива;

<2 - расчетный расход ВВ, кг/м3;

а - расстояние между скважинами в ряду;

Ъ расстояние между рядами скважин;

Ьзаб ~~ глубина забойки;

Т-'зар ~ глубина заряжания;

число скважин в ряду и число рядов.

Как видно из схемы информационных взаимосвязей параметров паспорта БВР и формул первых двух этапов, в расчетах используются следующие свойства массива горных пород: плотность и трещиноватость, которые влияют на диаметр скважины и удельный расход ВВ соответственно. Следовательно, качество разрушения пород взрывом напрямую зависит от правильного определения этих величин. Переоцененная плотность породы или недооцененная трещиноватость массива приведут к перерасходу ВВ, большему выходу мелких фракций, и как следствие к снижению выхода кондиционного размера куска [13]. И наоборот, переоценка трещиноватости массива и недооценка плотности породы приведут к сильному увеличению затрат на разделку негабарита в силу недостаточной энергоемкости в использованных зарядах [14]. Поэтому, на современном этапе развития горной науки и практики, вместе с действующими правилами ведения взрывных работ, необходимо корректировать ведение БВР на основе конкретной оперативной информации о состоянии взрываемого массива перед выполнением массового взрыва.

Учитывая, что плотность каждого типа породы уже давно известна и варьируется лишь в зависимости от глубины залегания [15], проблем с её определением обычно не возникает. Чего нельзя сказать о трещиноватости массива горных пород. Она изначально разнится на каждом участке и динамически изменяется в результате предыдущих массовых взрывов [16].

16

Существует несколько методов [17] определения трещиноватости массива горных пород, которые можно разделить на несколько групп.

К первой группе относятся методы, основанные на выявленных зависимостях распространения акустических, сейсмических или магнитных волн в трещиноватом массиве горных пород [18]. К преимуществам таких методов можно отнести относительную простоту применения. К недостаткам -неизбежную погрешность, вызванную производственными шумами работающего горного оборудования (для акустического метода), срабатывание на ложные аномалии (для электромагнитного метода) и общую стоимость высокоточной аппаратуры вместе с высокими требованиями к квалификации персонала для ее использования.

Ко второй группе относятся методы, основанные на анализе поведения различного рода моделей, выполненных либо из материала реальных пород, либо в виде математической модели, описывающей поведение данного типа породы [19]. Данные методы не получили широкого распространения, т.к. дают лишь приближенное решение поставленного вопроса, обладают высокой трудоемкостью и требуют соблюдения лабораторных условий для чистоты экспериментов.

К третьей группе относят измерение кусковатости по фотографиям поверхности разрушенной взрывом горной массы [20]. В исследовательских институтах и лабораториях широко используют разные варианты метода, которые основаны на фотографировании поверхности горных пород. Эти методы характеризуются простотой оборудования, доступностью, но в то же время и большой трудоемкостью. К тому же, и результат получают лишь через некоторое время после фотографирования. Точность измерений этими методами зависит от многих условий, в том числе от количества самих фотоснимков. Алгоритмы распознавания фотоснимков для конкретной специфики предметной области еще не полностью проработаны и обладают неизбежными ошибками, поэтому

нуждается в дополнительных исследованиях для совершенствования этого метода.

Сводная таблица методов определения степени трещиноватости, с указанием недостатков каждого из них, представлена ниже:

Таблица 1

Методы определения трещиноватости массива горных пород

Группа Методы Недостатки

полевые геофизические методы • Акустические и сейсмоакустические • Электрометрические и магнитные • Искажение данных из за работы горного оборудования • Требуется дорогостоящая аппаратура и высококвалифицированные специалисты

лабораторные методы и методы моделирования • Породные геологические модели. • Модели из различных оптически прозрачных материалов и стекла. • Математические модели поведения различных типов пород • лабораторные методы исследования дают лишь приближенное решение поставленного вопроса; • трудоемкие и дорогостоящие; • требуют соблюдение лабораторных условий, что часто бывает невозможным из-за отсутствия таковых.

полевые геологические методы • фильтрационные методы • не могут дать оценку геометрии трещин; • трудоемкие и дорогостоящие

• скважинные методы • трудоемкость; • не позволяют фиксировать трещины, простирающиеся в плоскости перпендикулярной забою скважины, а также сравнительно мелкие трещины.

Группа Методы Недостатки

• планиметрические и фото планиметрические методы • не дают представления о характере трещиноватости в глубине массива пород; • не дают верное определение степени раскрытия трещин; • большое количество замеров трещин требуют длительной последующей обработки и в ее результатах присутствует некоторая неточность, причиной чему служит физиологическая неспособность человека обработать большое число фотографий (до нескольких десятков) с неизменной точностью

Из сводной таблицы видно, что все методы имеют свои серьезные недостатки. Но если некоторые из них невозможно устранить в принципе (по причине самого технологического процесса, как например трудоемкость лабораторных методов), то другие вполне минимизируется путем замены ручных операций на полуавтоматические компьютерные. В частности, в планиметрических и фотопланиметрических методах ручная обработка фотографий вполне успешно заменяется автоматизированной компьютерной, а погрешность и ошибки обрабатывающих алгоритмов можно минимизировать с помощью дополнительных исследований. Исходя из этого, в диссертации предпринята попытка доработки и улучшения бесконтактного метода оценки трещиноватости массива горных пород как наиболее перспективного.

1.1 Метод определения степени трещиноватости горного массива по процентному содержанию крупных отдельностей

Данный метод является разновидностью фотопланиметрического метода и основан на изучении поверхности откоса уступа карьера и измерении диаметра кусков, не имеющих свежих сколов.

Уступ фотографируется фотоаппаратом любой конструкции с заданного расстояния (не менее 20 м). Применение широкоугольных объективов не желательно, т.к. в этом случае сильно увеличиваются оптические искажения [21]. Оптическая ось фотоаппарата должна быть направлена перпендикулярно в центр выбранного участка. Перед фотографированием рядом с ним опускают масштабную ленту шириной 10-15см с черно-белыми делениями через каждые 0.25...0.50м, при этом желательно выдержать перпендикулярность ленты к нижней бровке уступа. Процент крупных кусков (отдельностей) на 1 м3 горной массы определяют по формуле (3), предложенной МГГУ:

у+ = 2£т.100о/ (3)

где: X ~ площадь крупных отдельностей (кусков) на изображении, см ;

IV - Л. - площадь части изображения, на которой выполняются измерения, см2.

В основном расчет ведется по фракциям со средним диаметром равным 0.3, 0.5, 0.75, 1.0, 1.5, 2.0, 2.5, 3.0, 3.5 м, или же размеры определяются технологическим процессом на данном карьере. Пример фотопланограммы показан на рис. 3.

я с

>1 h

и

>>

«

s

s «

а. i—

о

£

«

П С о H о

е

fi

Ü s о.

На основе полученных данных строится график гранулометрического состава:

40 • 35

ю и

а -¿о

15

а 25 8

ф ¿и

I

5 15

X

п

I

I10

0,3

0 5 0 75 1 1,5 2

средний диаметр куска, м

Рис. 4. % содержания крупных отдельностей во взорванном массиве

И по таблице категорий соотносится процент содержания крупных отдельностей в массиве с его удельной блочностью и степенью трещиноватости.

Таблица 2

Категории по классификации Межведомственной комиссии по взрывному делу

Катего рия Степень трещиноватости пород Степень блочности массива Среднее расстояние между трещинами, м Содержание в массиве (%) отдельностей размерами (мм) свыше

300 500 700 1000

I Чрезвычайно трещиноватые Мелкоблочный <0,1 < 10 <5 ~0 Нет

II Сильнотрещиноватые Среднеблочный 0,1-0,5 10-70 5-40 <30 <5

III Среднетрещиноватые Крупноблочный 0,5-1,0 70-100 40-100 40-80 5-40

IV Малотрещиноватые Весьма крупноблочный 1,0-1,5 100 100 80-90 40-80

V Весьма малотрещиноватые Исключительно кнупноблочные 1,5 100 100 100 100

Дополнительно, при использовании снимков развала горной массы вместо снимков уступа, с помощью графиков выхода «сверху» (процент содержания отдельностей свыше указных средних диаметров кусков, рис. 6) и выхода «снизу» (процент содержания отдельностей ниже указных средних диаметров кусков, рис. 5) можно оценивать качество разрушения породы.

Выход 'снизу*

< 1,0 < 1,5 < 2,0 < 2,5 < 3,0 диаметр куска с!, м

Рис. 5. Выход "снизу"

Для выхода «снизу»:

• кривая 1 свидетельствует о слишком измельченной горной массе;

• кривая 2 соответствует горной массе с большим процентом мелочи и крупных блоков;

• кривая 3 отражает то, что горная масса раздроблена равномерно;

• кривая 4 означает слишком большой выход крупных фракций.

Выход 'сверху'

1 -2

-3 ■ 4

Рис. 6. Выход "сверху"

Для выхода «сверху»

• кривая 1 означает слишком большой выход крупных фракций;

• кривая 2 свидетельствует о слишком измельченной горной массе;

• кривая 3 отражает то, что горная масса раздроблена равномерно;

• кривая 4 соответствует горной массе с большим процентом мелочи и крупных блоков.

1.2 Актуальные инструменты бесконтактной оценки трещиноватости

массива горных пород

Существует как минимум 3 пакета прикладных программ (ППП), использующих фотопланиметрический подход для автоматизированной оценки

трещиноватости массива горных пород или получения гранулометрического состава развала горной массы:

1. Модуль «К-ОгашЛеБ» [22];

2. Программа «Трещина» [23];

3. Программа «Отдельности» [24].

Первая ориентирована на анализ изображений развала горной массы с целью получения количества негабарита. В основу анализа положена оценка пересечений светлых областей изображения с выбранным количеством линий. Это позволяет вычислять некое подобие площадей попавших на секущие отдельностей. Т.к. формы отдельностей далеки от идеальных геометрических фигур, то всегда существует вероятность получения недостоверного результата.

Вторая ориентирована анализ изображения массива горных пород с целью получения его трещиноватости и по принципу работы похожа на первую, стой лишь разницей, что оценивает количество трещин (а не отдельностей), попавших на секущие [25]. Её слабым местом является проблема сокрытия трещин в тени (в силу одинаковой яркости). Но главной их проблемой остается определение оптимального количества самих секущих. Малое количество секущих, по которым производится оценка, приведет к искажению выборки и потере полезной информации, а большое - к генерации ошибочной.

Список литературы диссертационного исследования кандидат наук Иванов, Лев Викторович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Мельников Н.В., Институт горного дела им. A.A. Скочинского Оптимизация параметров карьеров на электронно-вычислительных машинах — Москва: Наука, 1968. — 96 с.

2. Лукичёв C.B., Наговицын О.В. Автоматизированная системаMineFrame 3.0 И.

— Выпуск №6 (61). — 2005. — с. 32-35.

3. Мосинец В.Н. Буровзрывные работы в крепких породах — Фрунзе: Илим, 1965.

— 59 с.

4. Дуейр А.Х. Оценка трещиноватости массива горных пород в системе оперативного управления буровзрывными работами на карьерах — Донецк: Автореф. дис. к.т.н., 1983. — 12 с.

5. Шешко Е.Ф., Ржевский В.В Основы проектирования карьеров — Москва: Углетехиздат, 1958. — 336 с.

6. Данилевич Е.А. Организация и планирование открытых горных работ — Москва: Недра, 1979. — 169 с.

7. И.З. Дроговейко, Е.М. Двоскин, B.JI. Барон, М.А. Григорьева Проектирование буровзрывных работ — Москва: Союзвзрывпром, 2004. — 38 с.

8. Чихачев О.М. Зависимость размера зоны регулируемого дробления и удельного расхода ВВ при скважинной отбойке полезных ископаемых от физико-технических характеристик массивов II Горный информационно-аналитический бюллетень (научно-технический журнал). — Выпуск 5. — 2005. — с. 38-43.

9. Протодьяконов М.М., Чирков С.Е. Трещиноватость и прочность горных пород в массиве — Москва: Наука, 1964. — 64 с.

10. Мосинец В.Н., Абрамов A.B. Разрушение трещиноватых и нарушенных горных пород — Москва: Недра, 1982. — 248 с.

11. Лидин Г.Д. Горное дело: Терминологический словарь; 4 под ред. Д.М Бронников — Москва: Недра, 1990. — 694 с.

12. Кутузов Б.Н. Методы ведения взрывных работ. Часть 1. Разрушение горных пород взрывом; 2-е издание — Москва: МГГУ, 2009. — 471 с.

13. Кучерявый Ф.И., Крысин P.C. О влиянии степени трещиноватости и ориентировки трещин в массиве на результаты взрывов в карьерах II. — Выпуск 56/13. —1964. —с. 211-219.

14. Симаков Д.Б. Влияние блочности массива на удельные затраты энергии в процессах открытых горных работ // Материалы международной научно-технической конференции "Комбинированная геотехнология: масштабы и перспективы применения". — Учалы, 2005. — с. 222-226.

15. Сергеев Е.М. Влияние геологических факторов на свойства и состояние массивов скальных пород — Москва: Кольский филиал им. С.М. Кирова академии наук СССР, 1975, —222 с.

16. Личели Г.П. Барон Л.И. Трещиноватость горных пород при отбойке — Москва: Недра, 1966. — 136 с.

17. Тангаев И.А. Технологические свойства горного массива и методы их определения — Фрунзе: ИЛИМ, 1975. — 217 с.

18. Порцевский А.К., Катков Г.А. Основы физики горных пород, геомеханики и управления состоянием массива : Учебное пособие — Москва: МГОУ, 2004. — 120 с.

19. Журавков М.А., Т.А. Макаева Механико-математические модели поведения деформируемых твердых упругих сред с учетом их внутренней структуры II

Механика машин, механизмов и материалов. — Выпуск №1 (18). — 2012. — с. 2938.

20. Яницкий Е.Б., Игнатенко И.М., Дунаев A.B. Применение фото-методов для изучения структуры массива скальных пород и состояния стационарных уступов в карьере // Геология, география и глобальная энергия. — Москва, 2009. — с. 31-36.

21. Гурский Ю. А. Цифровая фотография — Санкт-Петербург: Питер, 2010. — 442 с.

22. Компания кривбассакадеминвест Модуль определения гранулометрического состава взорванной горной массы : пособие пользователя — Кривой Рог: s.n., 2013, —35 с.

23. Львов А.Д. Компьютерное моделирование процесса оценки степени трещиноватости откоса уступа карьера с использованием теории распознавания образов : дис. магистра техники и технологий — Москва: s.n., 2003. — 124 с.

24. Иванов Л.В. Компьютерное моделирование оценки удельной блочности массива горных пород : дис. магистра техники и технологий — Москва: s.n., 2010. —76 с.

25. Потресов Д.К., Бахвалов Л.А., Львов А.Д. Автоматизированное определение степени трещиноватости откоса уступа карьера // Горный информационно-аналитический бюллетень (Научно-технический журнал). — Выпуск 12. — 2002. — с. 20-24.

26. Иванов Л.В., Конынин Б.Ф. Методы и алгоритмы автоматизации бесконтактного анализа состояния массива горных пород II Горный информационно-аналитический бюллетень (научно-технический журнал). — Выпуск №2, отдельные статьи (специальный выпуск). — 2013. — с. 9-16.

27. Ревич Ю.В. Цифровая фотография на практике — Санкт-Петербург: БХВ-Петербург, 2006. — 368 с.

28. Иванов Л.В., Горбонос М.Г., Белопушкин В.И. Исследование алгоритмов сегментации изображения для автоматизированной оценки состояния взрываемого массива карьера // Горный информационно-аналитический бюллетень (научно-технический журнал). — Выпуск №5, отдельный выпуск. — 2010, —с. 112-120.

29. Поротов Г.С. Математические методы моделирования в геологии — Санкт-Петербург: Санкт-Петербургский государственный горный институт, 2006. — 223 с.

30. Фор А. Восприятие и распознавание образов — Москва: Машиностроение, 1989, —272 с.

31. Жамбю М. Иерархический кластер-анализ и соответствия — Москва: Финансы и статистика, 1988. — 345 с.

32. Мандель И.Д. Кластерный анализ — Москва: Финансы и статистика, 1988. — 176 с.

33. Ту Дж., Гонсалес Р. Принципы распознавания образов — Москва: Мир, 1978. — 414 с.

34. Утробин В.А. Элементы теории активного восприятия изображений II Информатика и системы управления. — 2010. — с. 61-69.

35. Олдендерфер М. С., Блэшфилд Р. К. Кластерный анализу пер. с англ. под ред. И. С. Енюкова — Москва: Финансы и статистика, 1989. — 215 с.

36. Райзин В. Дж. Классификация и кластер — Москва: Мир, 1980. — 391 с.

37. Шеффе Г. Дисперсионный анализ — Москва: Наука, 1980. — 512 с.

38. Крянев А.В, Лукин Г.В. Математические методы обработки неопределенных данных — Москва: Физматлит, 2006. — 213 с.

39. Ким Дж.-О., Мьюллер Ч.У., Клекка У.Р. Факторный, дискриминантный и кластерный анализ — Москва: Финансы и статистика, 1989. — 215 с.

40. Соболь И.М. Метод Монте-Карло — Москва: Наука, 1985. — 76 с.

41. William К. Digital Image Processing; 4 —Los-Altos: Wiley-Interscience, 2007. — 812 c.

42. Yuri Y. В., Marie-Pierre J. Interactive Graph Cuts for Optimal Boundary & Region Segmentation of Objects in N-D images // Материалы международной конференции "Компьютерное зрение". — Vancouver, 2001. — с. 105-112.

43. Carsten R., Vladimir К., Andrew В. GrabCut -Interactive Foreground Extraction using Iterated Graph Cuts // ACM Transactions on Graphics. — №23, — Выпуск 3. — August 2004. — c. 309-314.

44. Vezhnevets V., Konushin V. "GrowCut" - Interactive Multi-Label N-D Image Segmentation By Cellular Automata // Материалы конференции "GraphiCon". — Moscow, 2005. —c. 328.

45. Yuri В., Vladimir K. An Experimental Comparison of Min-Cut/Max-Flow Algorithms for Energy Minimization in Vision И Pattern Analysis and Machine Intelligence, IEEE Transactions on. — №26, — Выпуск 9. — Sept. 2004. — c. 11241137.

46. Yuri В., Olga V., Ramin Z. Fast Approximate Energy Minimization via Graph Cuts // Pattern Analysis and Machine Intelligence, IEEE Transactions on. — №23, — Выпуск 11. — Nov. 2001. — c. 1222 - 1239.

47. Deng Y.,Manjunath B. S., Shin H. Color image segmentation // Материала конференции "Computer Vision and Pattern Recognition". — Fort Collins, 1999. — c. 446-51.

48. Cramariuc В., Gabbouj M., Astola J. Clustering based region growing algorithm for color image segmentation // Материалы 13-й международной конференции "Digital Signal Processing Proceedings". — Santorini, 1997. — c. 857 - 860.

49. Kanai Y. Image Segmentation Using Intensity and Color Information // Материалы конференции "Visual Communications and Image Processing". — San Jose, January 1998. — c. 709-720.

50. Shafarenko L., Petrov M., Kittler J. Automatic Watershed segmentation of Randomly Textured Color Images II Image Processing. — №6., Выпуск 11. — Nov 1997. —c. 1530- 1544.

51. Tremeau A., Borel N. A region growing and merging algorithm to color segmentation I I Pattern Recognition. — №30, — Выпуск 7. — July 1997. — c. 11911203.

52. Иванов Л.В. Оценка потерь полезной информации при автоматизирован ом бесконтактном анализе состояния массива горных пород И Горный информационно-аналитический бюллетень (научно-технический журнал). — Выпуск №2 отдельные статьи (специальный выпуск). — 2013. — с. 3-8.

53. Прэтт У. Цифровая обработка изображений: в 2 тт., Том 2 — Москва: Мир, 1982. —784 с.

54. Рудаков Д. Алая книга цифровой фотографии — Санкт-Петербург: Издательский дом "Питер", 2010. — 128 с.

55. Petrou М., Petrou С. Image Processing: The Fundamentals — s.l.: John Wiley & Sons, 2010. —818 c.

56. Меньчуков A.E. В мире ориентиров — Москва: Мысль, 1966. — 287 с.

57. Никулин А. Компьютерная геометрия и алгоритмы машинной графики — Санкт-Петербург: БХВ-Петербург, 2005. — 576 с.

58. Иванов Л.В., Конынин Б.Ф. Методика подготовки фотопланиграммы для улучшения качества бесконтактного анализа состояния массива горных пород П Научный вестник МГГУ. — Выпуск №5 (38). — 2013. — с. 33-39.

59. Иванов Л.В. Методика повышения точности бесконтактного анализа состояния массива горных пород II Научный вестник МГГУ. — Выпуск №6 (39).

— 2013. —с. 14-17.

60. Петров М.Н. Компьютерная графика — Санкт-Петербург: Питер, 2011. — 736 с.

61. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений — Москва: Техносфера, 2006. — 621 с.

62. Вестон К. Экспозиция в цифровой фотосъемке — Москва: Арт-Родник, 2010.

— 192 с.

63. Красильников Н. Н. Цифровая обработка 2D- и 3D- изображений — Санкт-Петербург: БХВ-Петербург, 2011. — 608 с.

64. Калинкина Д., Ватолин Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению II Компьютерная графика и мультимедиа. — №9., Выпуск 2. — май 2005.

65. Lee J. S. Digital image smoothing and the sigma filter // Comput. Vis. Graph. Image Process. — №24, — Выпуск 2. — Nov. 1983. — c. 255-269,

66. Graboskwi S., Bienieck W. A two-pass median-like filter for impulse noise removal in multi-channel images // материалы конференции "Компьютерные системы распознования". — Lodz, 2003. — с. 195-200.

67. Peters R. A. A New Algorithm for Image Noise Reduction using Mathematical Morphology I I Image Processing. — №4., Выпуск 2. — May 1995. — c. 554 - 568.

68. Nixon M. S., Aguado A. S. Feature Extraction and Image Processing — Boston: Academic Press, 2008. — 350 c.

69. Selesnick I.W., Li K.Y. Video demising using 2D and 3D dual-tree complex wavelet transforms II Wavelets: Applications in Signal and Image Processing X. — №5207. — Nov. 2003. — c. 607-618.

70. Qazi S Median Based Principal Component Analysis for Edge Detection on Color Images Using Partial Derivatives of Boolean Functions and a New Correlated Color Similarity Measure — Cambridge: ProQuest, 2008. — 118 c.

71. Postnikov E. Методы математической физики в обработке сигналов и изображений — Miinchen: GRIN Verlag, 2009. — 71 с.

72. Portilla J, Strelay V, Martin J. W., Eero P. S. Adaptive Wiener Denoising Using A Gaussian Scale Mixture Model In The Wavelet Domain // материалы конфернеции "Image processing". — Thessaloniki, 2001. — c. 7-10.

73. В.И Сифоров, Л.П Ярославский Адаптивные методы обработки изображений: Сборник научных трудов — Москва: Наука, 1988. — 242 с.

74. Хуанг Т.С. Быстрые алгоритмы в цифровой обработке изобраэюений — Москва: Радио и связь, 1984. — 224 с.

75. Kyprianidis J. Е. Image and Video Abstraction by Multi-scale Anisotropic Kuwahara Filtering // Proc. 9th Symposium on Non-Photorealistic Animation and Rendering, 2011. — c. 55-64.

76. Tomasi C., Manduchi R. Bilateral Filtering for Gray and Color Images // Материалы конференции "Computer Vision". — Bombay, India, 1998. — c. 839 -846.

77. Грузман И.С., Киричук B.C., Косых В.П., Перетяган Г.И., Спектор А.А. Цифровая обработка изображений в информационных системах — Новосибисрк: НГТУ, 2000. — 168 с.

78. Гмурман В.Е. Теория вероятностей и математическая статистика Москва: Высшая школа, 2003. — 480 с.