近日，中南大学资源与安全工程学院王少锋教授团队在Journal of Hazardous Materials上发表了题为“A comprehensive evaluation method for dust pollution: Digital image processing and deep learning approach”的研究论文。该研究将数字图像处理（DIP）和深度学习（DL）的计算机视觉方法相结合，对粉尘扩散模拟系统收集得到的样本图像进行分析和评价。结果显示，该方法有效地建立了粉尘污染程度与图像特征之间的关联模型，同时借助深度学习模型实现了粉尘污染等级的智能分类，为矿山粉尘污染监测及防治系统的开发提供了新思路。
采矿过程中产生的大量粉尘污染对大气环境和人类健康构成严重威胁。本文提出了一种基于数字图像处理（DIP）和深度学习（DL）框架的粉尘污染评价模型，旨在建立图像特征与粉尘质量之间的关联模型，智能高效地评价环境粉尘污染状况。研究通过自主设计的粉尘扩散模拟系统开展了一系列实验，获得了300张样本图像用于参数分析。
首先，通过DIP中的灰度均值（GA）方法确立了GA与粉尘质量之间的线性关系。然后引入分形维数（FD）以提高表征粉尘污染量的准确性，并得出了FD与粉尘质量间的对数关系。为了综合表征GA和FD参数，文中提出了粉尘污染指数（PGF），并得到了其与粉尘质量的对数关系。最后，对基于PGF方法建立的粉尘污染评价模型进行训练，测试准确率可达92.2%，且具有较高的精确度、召回率和F1值（均为0.92）。
综上所述，本文提供了一种可靠的粉尘环境智能监测方法，为工业通风与除尘领域中粉尘的监测及防治提供了新的思路和技术手段。此外，提出的创新方法将粉尘污染监测与评价与矿井通风、除尘和采矿工艺优化相结合，在减轻粉尘污染危害和确保可持续工业生产方面做出了贡献。
矿石开采过程中，钻孔、爆破、切割、运输等步骤会产生大量粉尘。近年来，随着机械化水平的不断提高，工作面产尘量也在不断增加。同时，通风不良和设备布置不当加剧了粉尘污染问题。大量粉尘污染对人类健康、环境质量和工业生产构成严重威胁，因此，粉尘监测的重要性日益凸显。
现有的离线和在线监测方法各有优缺点，但都不足以适应矿山智能监测系统的需求，亟需智能化、连续性和高度集成的粉尘污染评价系统。近年来，数字图像处理和深度学习技术在粉尘识别中展现出巨大潜力。然而，现有的相关研究也有其局限性。数字图像处理方法通常需要人工标注，自动化程度较低，调整时间长，且主观性较强。深度学习方法虽然可以自动从数据集中提取特征，但其模型精度在一定程度上依赖于训练数据的质量和数量，且训练过程需要大量计算资源，成本较高。
因此，本文结合数字图像处理和深度学习方法，提出了基于计算机视觉的一种粉尘污染评价方法。通过数字图像方法建立粉尘图像特征与粉尘质量的表征方程，并利用深度学习模型训练数据集，自动识别粉尘复杂空间特征，最终实现高效准确的粉尘污染评价。
（1）数字图像处理：通过一定的像素梯度步长计算粉尘图像的梯度，并生成梯度图像；对梯度图像进行图像锐化、灰度转换和二值化处理，生成粉尘去噪图；随后对去噪图进行运算，获取灰度均值和分形维数值，并基于这两个图像参数计算得到粉尘污染指数PGF。
（2）深度学习模型：将数字图像技术与深度学习相结合，用于粉尘污染评价。该方法利用粉尘污染指数PGF建立其与粉尘质量之间的函数关系，并将其作为深度学习数据集的标签基准，最终完成深度学习模型的粉尘污染评价工作。
为了验证所提出的粉尘污染评价方法，使用自主设计的设备和软件进行了粉尘扩散环境模拟实验。实验系统主要由三个模块组成：用于产生粉尘样本的粉尘产生模块、用于悬浮粉尘颗粒的扩散模拟模块和用于收集、处理和分析图像的图像采集模块。在实验中，称重了三组粉尘样品，范围从0到500 mg，间隔为5 mg。实验过程和相关示意图如图1所示。
在得到粉尘扩散图像后，对三组粉尘样本的灰度均值进行计算，并使用线性拟合方法分析了灰度均值与粉尘质量（M）之间的关系。结果显示，虽然粉尘数据呈现一定的线性关系，但R²值整体较低（分别为0.47、0.62和0.53），这表明数据可能受到图像采集时间、干燥程度和实验条件等因素的影响。为了减少数据的离散性并揭示粉尘扩散模式，采用了算术平均法处理数据，并通过肖维勒准则检测并剔除了异常数据点。
图2(a)显示，去除异常数据后，大多数数据点位于预测区间内，表明肖维勒准则提高了模型的准确性和稳健性。图2(b)展示了算术平均值的相关分析结果，处理后的数据在预测区间和R²值方面表现出更好的拟合效果。综合看来，去除异常数据后，R²值显著提高，验证了算术平均法有效减少实验条件引起的数据离散性，同时验证了灰度均值与粉尘质量之间线性关系的可靠性。
GA值作为常用的图像颜色特征指标，用于表征粉尘图像的色彩特性。为了更全面地表征粉尘图像的纹理特征，本文引入了分形维数（FD）。FD反映了复杂物体在空间中的占据效能，通过二维盒计数法计算。将FD与GA结合，可以更全面地表征粉尘图像，并提升深度学习模型的表现。对三组粉尘图像进行分形维数计算，识别并剔除了异常数据，同时进行了对数拟合，以研究分形维数与粉尘质量之间的相关性。如图3显示，去除异常值后，各组数据的R²值显著提高，组平均的R²值从0.70提高到0.80，证明算术平均处理有效减少了数据变异性。
综上所述，FD与GA相似，是表征二维图像中粉尘污染的重要指标。通过异常值剔除和算术平均处理，可以显著提高数据分析的准确性和可靠性。
为了更准确地划分污染等级，对粉尘质量进行了对数变换，并与灰度均值、分形维数进行了线性拟合，见下图4。结果显示，灰度均值、分形维数与粉尘质量之间存在较好的线性相关性，其R²值为0.8204和0.8026。
根据粉尘质量将GA、FD数据点分为四个区域，并定义其区间。灰度均值：区域一为FD值低于0.102，区域二为0.102至0.1395，区域三为0.1395至0.177，区域四为高于0.177。分形维数：区域一为FD值低于1.82，区域二为1.82至1.87，区域三为1.87至1.91，区域四为高于1.91。随后通过平衡GA和FD的特征重要性，基于这两个参数提出了粉尘污染指数PGF，并根据粉尘质量划分出了四级污染等级，结果展示了随污染等级增加的数据增长趋势。
综上所述，GA和FD参数的结合提供了比传统方法更全面的粉尘污染评估，主要体现为能够捕捉粉尘纹理复杂性和颜色特征。提出的PGF进一步增强了工业环境中粉尘污染分析的准确性和可靠性。
将污染指数数据点分类后，生成了四个类别，分别包含21、17、32和30个数据点，并相应分配了1008、816、1536和1440张粉尘图像到模型数据集中。数据集按照10%、10%和80%的比例用于模型训练、验证和测试。
从图5可知，最终的深度学习模型在训练和验证过程中分别达到了100%和99%的准确率，测试准确率为92.2%。此外，模型的精确度、召回率和F1评分分别提高到了0.9229、0.9229和0.9224，表现较为出色。
综合现有的粉尘识别或分类模型比较发现，所提出的方法在粉尘污染评价中表现更为出色，显著提升了粉尘图像分类和预测的准确性，并提供了更全面和有效的粉尘污染分析方案。
本文的另一重要创新点在于利用计算机视觉分析提取粉尘图像中的颗粒特征，使矿山的数据处理平台能够动态评估和展示粉尘污染状态。此外，文中还提出通过视觉方法解决采矿作业中与粉尘控制和采矿过程优化有关的问题，如图6所示。
（1）粉尘污染监测与采矿过程优化：通过统计分析粉尘浓度、颗粒大小及其他特性，获得有关岩石成分和可切削性的信息，从而有助于调整采矿参数，例如刀盘速度、扭矩和挖掘速度，实现更高效和更环保的矿岩采掘作业。
（2）基于粉尘污染特性分析调整通风方案：基于视觉数据的粉尘浓度和分布信息为优化通风参数提供了直接指导，包括但不限于通风系统选择和风机运行参数的优化。这种分析还有助于细节技术决策，如通风口的放置和气流速率的校准，以确保采矿环境中的最佳空气质量。
（3）粉尘实时监测指导降尘措施：如喷雾除尘和泡沫除尘等除尘措施的选择。根据粉尘分布的实时分析结果，动态调整关键参数，如出尘剂的喷洒角度和体积，从而最大限度地提高降尘效果。
综上所述，本文提出的粉尘监测方法不仅优化了井下粉尘污染监测，还为粉尘控制和预防策略的制定提供了重要的理论和技术支持。通过图像分析和实时监测，矿山能够改善作业环境质量，为采矿操作人员提供更安全和更健康的工作条件。
本文提出了一种基于数字图像处理和深度学习的矿山生产性粉尘污染等级评价方法。首先采用灰度均值算法成功识别和量化粉尘颗粒的图像特征，并通过大量粉尘图像验证其在颗粒识别方面的有效性。同时，利用深度学习模型实现了粉尘污染的四级分类，并通过引入分形维数显著提高了粉尘评价的精确度。为了模拟真实的矿井通风环境，建立了实验室粉尘扩散模拟系统，该系统包括粉尘扩散、图像采集和图像处理模块。通过大量图像数据的测试和分析，验证了所提出评价方法的可靠性和准确性。此外，通过数据的统计和回归分析，进一步得到了灰度均值、分形维数与粉尘质量之间的线性关系和对数关系，并得到了相应的表征方程。在模型训练前，对数据集进行了数据扩充，得到了4800张粉尘图像，并将其用于模型的训练、验证和测试，采用准确率、精确率、召回率和F1值评价模型性能。最终的测试准确率可达92.2%，精确率、召回率和F1值均为0.92，这表明本文所提出的模型在粉尘污染评价方面具有良好的性能，为矿山采掘等粉尘环境智能监测与评价提供新方法。
