Fachhochschule Aachen

Transkript

1 Fachhochschule Aachen Seminararbeit Im Studiengang Scientific Programming Einsatz von Bildverarbeitungsfiltern zur Optimierung und Automatisierung von Gewinnungsmaschinen im Tiefbau Annica Heinrich Matrikelnummer: Betreuer: Prof. Dr. rer. nat. W. Hillen 2. Betreuer: Dipl.-Ing. F. Mavroudis Eingereicht am:

2 Inhalt 1. Einleitung Ausgangssituation und Anforderungen Schneidende Gewinnung mittels Walzenladertechnik Grenzschichterkennung und Infrarotsensorik Automatisierungskonzept zur Grenzschichterkennung Funktionsweise des Infrarotsystems Leitbanddetektion Bewertung und Optimierung der Rohdaten Störungen auf den Infrarotaufnahmen Lösungsansatz zur Bildverbesserung Bildselektion Bildfilter Zusammenfassung und Ausblick Glossar Literaturverzeichnis

3 1. Einleitung Kohle ist vor etwa 360 Millionen Jahren im Karbon entstanden. Durch das Absterben großer Urwälder bildeten sich Moore und durch das Vordringen und sich zurückziehen von Meeren wurden diese Moore mit Sedimentschichten überdeckt. Es kam zum Luftabschluss und auch zu hohen Drücken und Temperaturen durch die Überlagerung. Durch biochemische Prozesse und Verfestigung wandelte sich das Material zu Torf um, da durch die vorherrschenden aeroben Bakterien die Pflanzenreste nicht zu Humus abgebaut werden konnten. Dieser Vorgang wiederholte sich mehrfach und so bildeten sich abwechselnd Schichten aus Torf und Sedimenten. Durch den entstehenden Druck der überlagernden Massen wurde das Wasser aus den Schichten gepresst, so bildete sich im Laufe der Zeit Braunkohle und schließlich Steinkohle. Durch geologische Ereignisse kam es zu Verschiebungen und Faltungen der Lagerstätten, so dass sie heute oft nicht mehr wie auf der nachfolgenden Abbildung zu sehen ist, eben und gleichmäßig vorzufinden ist. [1] Abbildung 1.1.: Kohleentstehung [2] Kohle wird seit dem 16. Jahrhundert abgebaut. Da es sich bei diesem Rohstoff um keine erneuerbare Energiequelle handelt, erfordert dies die Entwicklung immer besserer Methoden für den optimalen Abbau. Einen Aufschwung erlangte die Branche im 18. Jahrhundert mit der Erfindung der Dampfmaschine, der erste Schritt in Richtung einer Automatisierung. Das Bestreben Prozesse Untertage zu Automatisieren hat mehrere Gründe. Das Arbeiten ist gefährlich und so wird versucht den Bergmann durch die Automatisierung von Teilprozessen aus dem Gefahrenbereich, wie zum Beispiel dem Streb, zu entfernen. Neuentwickelte Technologien sollen auch dazu beitragen den Gewinnungsprozess effizienter zu gestalten und so den Gewinn eines Unternehmens zu maximieren. Ziele einer Automatisierung sind unter anderem auch die Humanisierung der Arbeit, Erhöhung der Qualität und Präzision der Prozesse und Produkte, Einhalten sicherheitsrelevanter Standards, sowie eine Energie- und Ressourceneinsparung. [3] So wird die Steinkohle in Deutschland entweder mit einem Hobel oder einem Walzenlader abgebaut, doch die Steuerung dieser Gewinnungsmaschine übernimmt der Arbeiter vor Ort. Der Bergmann steuert ihn durch die Sicht, mittels Gehör und durch langjährige Erfahrung. Dazu muss er hinter dem Walzenlader im Streb stehen und ihn an dem Flöz entlang leiten. 3

4 Im Streb wird das Hangende durch einen sogenannten Schildausbau abgestützt. Rückt dieser vor, bricht dahinter das zuvor abgestützte Gebirge ein. Die Bergleute sind somit nicht nur an ihrem Arbeitsort gefährdet, sondern können auch an den Langzeitfolgen dieser Staubbelastung leiden, wie zum Beispiel in diesem Zusammenhang an der sogenannten Staublunge erkranken. [4] Wie bereits oben besprochen gibt es noch weitere Gründe, wie die der Ausnutzung der Ressourcen der Bodenschätze und eben der Gewinn des Unternehmens, die eine Automatisierung der Gewinnungsmaschinen Untertage erforderlich werden lassen. Die Idee, die dahinter steckt, ist den Walzenlader nur noch beim ersten Einsatz manuell zu lenken und ihn danach vollautomatisch, ohne dass jemand in unmittelbarer Nähe anwesend sein muss, fahren zu lassen. Durch die Automatisierung soll auch erreicht werden mehr Kohle in einem Arbeitsgang abzubauen. Zudem soll durch die Vermeidung Nebengestein mit abzubauen die Abnutzung der Walzen reduziert werden. Um dies zu erreichen wird versucht eine Grenzschichtanalyse durch ein optisches System vorzunehmen um Änderungen im Flöz zu erkennen. Dies dient zur Orientierung um die Maschine besser steuern zu können und einen genaueren Schnitt zu realisieren. Dazu dienen Leitbänder, welche die Kohle durchziehen. Dies sind Gesteinsschichten, welche in ihrer Stärke variieren. Je nach Bergwerk und somit der Flözausbildung sind sie unterschiedlich gut sichtbar. Die Probleme für eine Automatisierung sind die Umweltbedingungen die Untertage herrschen, zu nennen seien hier mechanische Belastungen durch Erschütterungen, Hitze, Staub und Feuchtigkeit. Da bei der Gewinnung viel Staub entsteht, kann es sein, dass zum Beispiel auf einer Infrarotaufnahme nichts Charakteristisches zu erkennen ist oder dass herausgebrochene Kohle vor der Kamera liegt. Um diese Bildprobleme zu verbessern, sollen bildverarbeitende Maßnahmen, wie zum Beispiel Bildfilter, eingesetzt werden. Des Weiteren muss der Automatisierungsalgorithmus auf den Computer des Walzenladers zugeschnitten sein. Der Bordcomputer muss schlagwettergeschützt und platzsparend ausgeführt sein und ist somit nur begrenzt leistungsfähig. Da nur wenig Zeit zur Verfügung steht, darf das Programm nicht zu viele Schleifen enthalten, da dies sonst zur erhöhten Rechenaufwand führt und somit nicht abgearbeitet werden kann. Dazu kommt, dass das Programm viele Bilder in der kurzen Zeit bearbeiten muss, da der Streb eine Länge von bis zu 500m haben kann. [5] In der weiteren Arbeit werden zuerst die Grundlagen zur Arbeitsweise Untertage näher erläutert und ein genauerer Überblick wird gegeben, welche die weiteren Schritte der Vorgehensweise bis zur Automatisierung sind. Zudem wird geklärt, welche technischen Voraussetzungen dafür notwendig sind und welche Theorie dahinter steckt. Der Grenzschichterkennungs-Algorithmus wird vorgestellt und die Effizienz dessen geprüft. Anschließend wird die dabei auftretende Problematik der Rohdaten analysiert und 4

5 verschiedene Bildverarbeitungsmaßnahmen erklärt. Zum Schluss werden die Ergebnisse zusammengefasst und ein Ausblick gegeben, welche Ansätze es gibt, die Rohdaten für die Automatisierung noch weiter zu verbessern. 5

6 2. Ausgangssituation und Anforderungen Die bekanntesten Methoden um Untertage Kohle abzubauen sind schälend mit dem Kohlenhobel oder schneidend mit dem Walzenlader. Im Folgenden wird ausschließlich die schneidende Variante näher erläutert und auf die schälende nicht weiter eingegangen, da das Automatisierungskonzept nur Anwendung auf dem Walzenlader findet Schneidende Gewinnung mittels Walzenladertechnik Untertage werden in verschiedenen Teufen zahlreiche Strecken aufgefahren. Wie bereits in der Einleitung angesprochen, ist die bekannteste Abbaumethode der deutschen Steinkohle der Strebbau. Der Streb verbindet zwei solcher Strecken miteinander. In diesem Streb fährt der Walzenlader entlang der Abbaufront statt. Es ist sozusagen ein Querschnitt des Flözes. Auf dem folgenden Bild ist eine schematische Übersicht eines solchen Strebs zu sehen. Abbildung 2.1.: Schematische Darstellung eines Strebs [6] 6

7 Der Walzenlader fährt an der Kohlefront entlang und die abgebaute Kohle fällt auf ein Förderband, welches das Material aus dem Bergwerk heraus befördert. Damit das Hangende nicht einstürzt wird dieses durch eine Reihe von Schilden gestützt, wenn der Walzenlader weiter vorrückt, rücken auch die Schilde mittels Hydraulik nach. Das darüber liegende Gebirge, was dahinter dann nicht mehr gestützt wird, bricht zusammen und schließt den Hohlraum, welcher als Alter Mann bezeichnet wird. Ein Streb hat eine etwa 100m bis 500m lange Front und die Kohlebänder sind in den westeuropäischen Lagerstätten zwischen zwei bis drei Meter hoch. Das Flöz ist durchzogen von zahlreichen Gesteinsschichten, welche unterschiedlich gut ausgeprägt sein können, was mit der in der Einleitung erwähnten Entstehung zusammenhängt. Im folgenden Bild ist eine solche Kohlefront zu sehen, dort sind auch die Gesteinsbänder gut zu erkennen. Abbildung 2.2.: Zwei Meter Ausschnitt des Kohleflözes (Infrarotbild) Auf dem nächsten Bild ist die Abbaumaschine zu sehen, der Walzenlader. Er ist eine Maschine, die auf einem Kettenförderer läuft. Sie hat einen elektrischen Antrieb für die Schneidwalzen und den Vortrieb. Je nach Vorkommen der Kohle, also der Dicke des Flözes können die Walzen einen Durchmesser von bis zu 2 Metern haben. Sie sind an Tragarmen befestigt, die selbst auch, auf bis zu drei Metern, ausgefahren werden können. Geschnitten wird mit einer Vielzahl von Meißeln die schraubenförmig an den Walzen angebracht sind. So kann der Walzenlader bis zu einer Breite von vier Metern Kohle abtragen, wobei eine Walze oben schneidet und eine unten. Der Walzenlader ist mit mehreren Sensoren ausgerüstet, um eine Teilautomation des Gewinnungsprozesses zu ermöglichen. Einer dieser Sensoren sind die Infrarotkameras. 7

8 Abbildung 2.3.: Der Walzenlader [7] 2.2. Grenzschichterkennung und Infrarotsensorik Die sich in dem Kohleflöz befindlichen Gesteinsschichten, im Folgenden Leitbänder genannt, liegen parallel zum Hangenden und Liegenden. Jedoch sind diese zwei Höhen unterschiedlich, deshalb sind geologische beziehungsweise markscheiderische Messungen erforderlich. Als die Kohle entstand waren alle Schichten nahezu parallel. Durch geologische Ereignisse kam es zu Auffaltungen der Schichten und so sehen die heute zum Teil im Querschnitt aus wie in Falten gelegt. Dadurch bietet das Band aber immer eine relativ genaue Maßlinie für die Abstände. Diese charakteristischen Merkmale, die Leitbänder, werden für die Automatisierung des Walzenladers genutzt. Durch Verwendung der Infrarottechnologie mit anschließender Bildverarbeitung wird versucht, den Mitschnitt von Nebengestein zu Vermeiden. Mitgeschnittenes Nebengestein muss in der Aufbereitung zusätzlich aussortiert werden, was zu erhöhten Kosten führt, ebenso der Verschleiß der Meißel. Durch eine effizientere Ausrichtung der Walzen kann zudem mehr Kohle in einem Arbeitsschritt abgebaut und der Gewinn erhöht werden. [8] Momentan werden Infrarotkameras, welche auch im Militär Anwendung finden, genutzt. Diese haben eine Auflösung von 324x256 Pixel und eine Temperaturauflösung von 85 microkelvin (µk). Eine Infrarotkamera nutzt Strahlung die im Wellenlängenbereich von 7 bis 14 µm liegt. 8

9 Die unterschiedlichen physikalischen Eigenschaften von Kohle und Nebengestein werden ausgenutzt, um die Grenzschicht auf den Infrarotfotos sichtbar zu machen. Diese sind zum Beispiel die verschiedenen Wärmeleitfähigkeiten und Wärmekapazitäten, die Abstrahlungseigenschaften und der Schneidwiderstand. Wie auf Abbildung 2.4. dargestellt, ist das Gestein als gelber Streifen und die Kohle als pink-violetter Bereich zu sehen. Die Aufnahmen von der Infrarotkamera, die gemacht werden, sind zunächst Graustufen. Um die Temperaturunterschiede für das menschliche Auge besser sichtbar zu machen, können die Bilder, wie im Beispiel der Abbildung 2.4. zu sehen ist, eingefärbt werden. [9] Abbildung 2.4.: Aufnahmen der Infrarotkamera Zur digitalen Weiterverarbeitung werden die Aufnahmen nur in Graustufen benötigt, wie in Abbildung 2.5. zu sehen ist. Je nach Beschaffenheit der Kohle und der geologischen Gegebenheiten sind die Aufnahmen in unterschiedlicher Qualität. Hellere Strukturen haben eine höhere Temperatur beziehungsweise sind energiereicher als die dunkleren. Abbildung 2.5.: Beispielbilder der Infrarotkamera 9

10 3. Automatisierungskonzept zur Grenzschichterkennung 3.1. Funktionsweise des Infrarotsystems Prozesse in Bergwerken zu automatisieren wurde bereits in den 80er Jahren begonnen. Für die komplexe Aufgabenstellung waren die Computer noch nicht leistungsfähig genug und die Sensortechnik für den Einsatz unter Tage nicht verfügbar. Die Entwicklung eines vollständigen Automatisierungsprozesses ist bis heute weit fortgeschritten. Nicht alle Abläufe müssen manuell gelenkt werden, ein großer Teil läuft bereits automatisch. Um die Automatisierung des Walzenladers weiter voran zu treiben wurde der Walzenlader, wie zuvor erwähnt, mit Infrarotkameras ausgestattet. Der Bediener führt mit dem Walzenlader eine Lernfahrt durch, das heißt, er muss einmalig durch den Streb fahren, um die ersten Infrarotaufnahmen zu generieren. Da der Streb bis zu 500m lang sein kann entsteht so eine Vielzahl an Bildern. Wenn der Walzenlader an dem anderen Ende, dem Strebrandbereich, angekommen ist, läuft der Algorithmus zur Automatisierung und bereitet den nächsten Schnitt vor. Die Berechnung muss an dieser Stelle stattfinden, da der Computer dort keine anderen Vorgänge lenken muss und somit Ressourcen zur Verfügung stehen hat. Die Idee, die Berechnungen extern durchzuführen, um besser ausgestattetere Computer nutzen zu können und über ein Netzwerk an die Maschine zu senden, kann bisher technisch nicht realisiert werden, durch die große Menge an Daten. Wie in dem nachstehenden Ablaufdiagramm zu sehen ist, wird auf der x-achse die Streblänge dargestellt. Dieses ist zusammengesetzt aus dem Bereich der Gewinnung und dem Schnitt, welcher vorbereitet wird. Die Zeit, in dem der Walzenlader im Strebrandbereich die Tragarme mit den Walzen so einrichtet, dass der nächste Schnitt gemacht werden kann, wird genutzt um die Algorithmen zu aktivieren. Zu dieser Zeit führt die Maschine keine anderen Berechnungen durch und somit stehen alle Ressourcen des Computers zur Verfügung. 10

11 Abbildung 3.1.: Längen-Zeit-Diagramm 3.2. Leitbanddetektion Um den Walzenlader automatisiert fahren zu lassen wird eine Orientierungslinie, das Leitband, nach der sich die Maschine richten kann benötigt. Um die Lage des Leitbandes zu ermitteln wurde der nachfolgend beschriebene Algorithmus implementiert. Als erstes werden die für den Algorithmus relevanten Bilder ausgesucht. Es wird ein bestimmter Bereich auf der Aufnahme betrachtet, um erste Fehlanalysen durch Störungen, wie Haufwerk, zu vermeiden. Jedes Bild durchläuft eine Vielzahl von Schleifen um die Helligkeitsansammlung des Leitbandes zu erkennen. Vereinfacht wird dafür angenommen, dass die charakteristische Linie horizontal verläuft. Um beim Aneinanderlegen der Bilder Sprünge zu vermeiden, werden die Werte insgesamt nachkorrigiert und geglättet. Der Walzenlader kann aufgrund seiner Größe diese Bewegung technisch nicht realisieren. Im letzten Schritt werden für jede Strebposition die Daten zur Tragarmsteuerung erzeugt, durch Transformation der Pixelkoordinaten in Welt-Koordinaten. Der bestehende Algorithmus wurde bereits unter realen Bedingungen im Bergwerk Auguste Victoria getestet. Das Ergebnis, welche Schicht vom Algorithmus erkannt wurde ist in der nachfolgenden Abbildung 3.2. zu sehen. Das Bild zeigt einen Ausschnitt von 3m des Strebabbildes. Die rote Linie ist die vom Algorithmus festgelegte Schneidelinie. Dahinter ist gut das helle Leitband zu erkennen. Ein Vergleich zu einer manuellen Steuerung kann allerdings realisiert werden indem die Ergebnisse des Algorithmus den optimalen Werten eines Schnittes gegenüberstellt werden. 11

12 Abbildung 3.2.: 3m Ausschnitt der Kohlefront mit vom Algorithmus erkannter Schneidelinie Mit dem Programm EiFaceControl, was unten abgebildet ist, kann das Leitband per Hand in die Aufnahmen eintragen werden und erhält somit die Optimallinie. Im Anschluss werden die Steuerungsdateien erzeugt. Abbildung 3.3.: Screenshot des Programms EiFaceControl 12

13 4. Bewertung und Optimierung der Rohdaten 4.1. Störungen auf den Infrarotaufnahmen Es gibt verschiedene Ursachen warum auf den Bildern das Leitband nicht genau zu erkennen sein kann. Zusammenfassend sind das zum einen geologisch bedingte und zum anderen technische Störungen. In Abbildung 4.1. ist eine Gegenüberstellung der verschiedenen Störungen, die auftreten können, zu sehen. Zudem enthält diese Übersicht eine Aufnahme, auf der die Grenzschicht sehr gut erkennbar ist und keine der Störungen zu erkennen sind. Der Algorithmus kann hier die Grenzschicht zuverlässig detektieren. Abbildung 4.1.: Gegenüberstellung der Störungen der Infrarotaufnahmen 13

14 Geologische Störungen Störungen dieser Art sind nicht von der Maschine herbeigeführt, sondern Besonderheiten in der Beschaffenheit der Kohle. Es kann zum Bespiel sein, dass nicht nur ein Leitband existiert, sondern mehrere. Diese sind dann zwar sehr dünn, aber auf den Fotos zu erkennen und somit kann der Algorithmus sehr leicht eine andere geologische Textur finden, als jenes Leitband nach dem sich der Markscheider richtet. Im ungünstigen Fall kann es passieren, dass das Leitband so dünn ist, dass es nicht mehr zu sehen ist. Der Algorithmus kann somit keine Linie detektieren, sondern erkennt die hellsten Grauwerte, wodurch das Ergebnis verfälscht wird. Stattdessen muss die Linie an einer solchen Stelle interpoliert werden. Nicht immer hat der Stoß eine glatte Oberfläche. Häufig kommt es dazu, dass ein Stück Kohle oder ein Stein aus der Wand hinausragt oder herausgebrochen ist. Auch hier kann dadurch keine durchgängige Linie erkannt werden. Technische Störungen Bei dieser Art von Störung liegt die Ursache im Abbau der Kohle beziehungsweise in der Arbeitsweise des Walzenladers. Da die Kameras im unteren Bereich der Maschine angebracht sind, kann es passieren, dass die gerade abgebaute Kohle direkt im Aufnahmebereich der Kamera liegt und durch die hohe Temperatur, die die Kohle dann besitzt, auf dem Bild sehr hell ist. Somit kann auf diesem Bild kein Leitband erkannt werden, da es sich hinter dem Haufwerk befindet und ist somit für die Auswertung unbrauchbar. Der Staub, welcher beim Schneiden der Kohle entsteht und welcher herumwirbelt oder sich auf der Kamera ablegt kann verursachen, dass die Aufnahmen sehr kontrastarm werden. Somit verringert sich die Erkennbarkeit der Gesteinsschicht drastisch. Durch Bildbearbeitung wird versucht den Kontrast wieder so herstellen, dass der Algorithmus das Leitband leichter erkennt Lösungsansatz zur Bildverbesserung Aufgrund der im Kapitel 4.1. Störungen auf den Infrarotaufnahmen beschriebenen Probleme die beim finden der helleren Linie im Bild auftreten gibt es verschiedene Ansätze diese zu beseitigen oder zu verbessern. Bevor der Algorithmus beginnt zu arbeiten, wird versucht zum einen die Bilder, die durch Haufwerk den Flöz verdeckt und unbrauchbar sind, auszusortieren und die anderen 14

15 Aufnahmen so zu bearbeiten, dass der Algorithmus zuverlässiger die charakteristische Gesteinsschicht erkennt. Im Weiteren beschäftigt sich diese Arbeit aber hauptsächlich mit der Bearbeitung der Bilder durch Filter. Das Thema der Bildselektion wird ausschließlich erwähnt und nicht näher analysiert. Für die weiteren Erklärungen, wie die Aufnahmen verarbeitet werden, ist es nötig das digitale Bildes f zu definieren. Ein zweidimensionales Bild besteht aus einem Gitter von gleichmäßig verteilten Punkten, die Pixel genannt werden. In diesen sind die Informationen gespeichert wie Farbe oder Helligkeit, wobei hier nur das letztere für die Bearbeitung der Infrarotaufnahmen von Wichtigkeit ist. In diesem Zusammenhang wird häufig vom Grauwert g gesprochen. Diese haben diskrete Werte und liegen in einem Bereich von 0 bis 255. Somit ist ein Pixel ein Byte, beziehungsweise 8 Bit. Die Anzahl der Bildpunkte bestimmt die Auflösung des Bildes. [10] Bildselektion Bei der Selektion von Bildern geht es darum, Kriterien zu finden, wann eine Aufnahme unbrauchbar ist für die Auswertung und wann nicht. Um dies zu realisieren wird versucht die künstliche Intelligenz dafür zu nutzen. Der Zweig, der sich mit diesem Thema beschäftigt, wird als Klassifikation bezeichnet. Dieses gehört in die Untergruppe des überwachten Lernens und wird in das Gebiet des maschinellen Lernens eingegliedert. Es soll einen Algorithmus erstellt werden, zum Beispiel ein neuronales Netz, der sich anhand von Parametern und Testdaten selbstständig ein Modell baut, nach welchem er folgende Daten automatisch in verschiedene vorher definierte Klassen einteilt. Für die Automatisierung in diesem Fall würde das bedeuten, dass eine Klasse mit brauchbaren und eine mit unbrauchbaren Bildern erstellt wird, damit wird der Klassifizierer mit tausenden Testdaten trainiert, bis er selbstständig die beiden Arten sowohl erkennen kann, als auch die jeweiligen neuen Merkmale lernt. [11] Bildfilter Zu den Aufgaben von Bildfiltern gehört die Bildverbesserung wie Rauschunterdrückung und Herausarbeitung von Details wie Konturen. Dazu kommen lineare und nicht-lineare Filterungen zum Einsatz, die im Folgenden näher betrachtet werden. 15

16 Um den Vergleich der verschiedenen Filter, die im Weiteren näher betrachtet werden, visuell zu verdeutlichen, wurden die Bilder mit Hilfe des Programms MATLAB der Firma The MathWorks, Inc verarbeitet. Lineare Filter Bei der Faltung eines Bildes f mit einer Filtermaske h, wird jeder Pixel mit den Werten seiner direkten Umgebung zu einem neuen Wert verknüpft. Die Faltung in 2D lautet:,,, Die Filtermaske h ist üblicherweise eine 3x3 Matrix, beziehungsweise eine quadratische Matrix mit 2 1. Der Filterkern wird zeilen- oder spaltenweise verschoben, bis alle Pixel des Bildes erreicht wurden. Da an den Rändern des Bildes nicht alle Nachbarn existieren, wird das Bild mit Nullen fortgesetzt. Alle übereinanderliegenden Pixel des Bildes und des Filterkerns werden zuerst miteinander multipliziert und aufsummiert. Das Ergebnis wird dann in die Mitte des Filterkerns geschrieben. Die Wirkung des Filters auf das Bild ist abhängig von der verwendeten Filtermaske. Hier werden verschiedene Summen- und Differenzenfilter betrachtet. [10][12] Glättungsfilter Sie glätten Kanten und lassen das Bild insgesamt weicher erscheinen. Folgende Filtermasken sind gebräuchlich. Mittelwertfilter/Rechteckfilter(3x3) Gauß (3x3)

17 Bildvergleich Mittelwert - Original - Gauß Wie im Folgenden dargestellt, wurde hier ein Bild auf dem das Leitband gut zu erkennen ist, einmal mit dem Mittelwert- und einmal mit dem Gaußfilter bearbeitet. In der Mitte befindet sich das Originalbild, um besser vergleichen zu können. Beide bearbeiteten Bilder wirken für das Auge nicht mehr scharf, sondern leicht verschwommen. Angewendeter Mittelwert- Filter (3 x 3) Originalbild Angewendeter Gauß-Filter (3 x 3) Abbildung 4.2.: Bildvergleich Mittelwert (3x3) - Original Gauß (3x3) Da zwischen den beiden bearbeiteten Bildern bei einer Filtermatrix von der Größe 3 x 3 mit bloßem Auge kein großer Unterschied zu erkennen ist, folgt hier,in Abbildung 4.3., noch ein Vergleich mit Filtermasken in der Größe 9 x 9. Bei dieser Größe des Filters werden insgesamt 81 Pixel in die Berechnung des neuen Grauwertes mit einbezogen. Somit ist das Ergebnis nach der Anwendung der Filter verstärkt. 17

18 Angewendeter Mittelwert- Filter (9 x 9) Originalbild Angewendeter Gauß-Filter (9 x 9) Abbildung 4.3.: Bildvergleich Mittelwert (9x9) - Original Gauß (9x9) Wie nun zu sehen ist, ist die Veränderung durch den Mittelwert-Filter viel größer, als die durch den Gauß-Filter. Wo in dem dritten Bild die Linie noch sehr gut zu erkennen ist, erscheint sie hingegen im ersten Bild sehr verschwommen. Der Mittelwert-Filter gewichtet alle Grauwerte der Pixel gleich. Bei dem Gauss-Filter werden die Pixel nach einer zweidimensionalen Gaussverteilung gewichtet, wie in der Abbildung 4.4. dargestellt. So wirkt das erste Bild einheitlich verwischt. Bei dem dritten Bild hingegen sieht man im Bezug auf die Anwendung einer Filtermatrix der Größe 3 x 3 keine merkliche Veränderung. Abbildung 4.4: Zweidimensionale Normalverteilung 18

19 Kantenfilter Diese Art von Filtern werden auch Differenzen- oder Gradientenfilter genannt. Ihre Aufgabe ist es Objektkonturen zu extrahieren. Bekannte Gradientenfilter sind Sobel und Laplace. Durch Faltung der Bilder mit Filtermasken mit negativen Koeffizienten kann es passieren, dass die Kantenbilder in x- beziehungsweise auch in y-richtung nicht nur positive, sondern auch negative Werte erhalten. Dies führt zu Problemen mit der Bilddarstellung. Die Lösung ist, dem Gradienten-Bild ein Offset aufzuaddieren oder den Grauwertbereich des Bildes zu vergrößern, also eine Typumwandlung in zum Beispiel double vorzunehmen. [12][13][14] Sobel Der richtungsabhängige Sobel-Filter ist ein Ableitungsfilter 1. Ordnung. Es ist möglich in alle 8 Richtungen Kanten zu detektieren, also in x-, y-, xy-richtung, yx-richtung und so weiter. Der folgende Filterkern detektiert Kanten in x-richtung: Diese Filtermaske detektiert Kanten in y-richtung: Laplace Dieser Filter ist ein richtungsunabhängiger Ableitungsfilter 2.Ordnung, der Kanten in x und y Richtung detektiert. Dieser Filterkern detektiert auch in den diagonalen Richtungen: [15] Bildvergleich Sobel Original Laplace In der Folgenden Tabelle wird das Ergebnis des Sobel- und des Laplace-Filters dargestellt, sowie das Originalbild zum besseren Vergleich. Aufgrund der Detektion der Kanten, entsteht eine große Abweichung von diesem Ergebnis zum Original. Auf dem linken Bild kann nun nach der Bearbeitung deutlich die helle Linie erkannt werden. Alle anderen Strukturen sind nun fast schwarz. Der Sobel-Filter, der in diesem Fall in y-richtung angewendet wurde, detektiert die horizontale Kante. Bei der Anwendung des Liniensuch-Algorithmus auf dieses Bild, wäre die Erkennung hier kein Problem und zuverlässig, was allerdings noch zu testen ist. Hingegen bietet der Laplace-Filter keine große Verbesserung für den Algorithmus. Das 19

20 Ergebnis was zu sehen ist zeigt zwar eine Hervorhebung der Kante, jedoch gibt es keine Farbunterschiede (Graustufen), die der Algorithmus erkennen kann. Der Grund dafür ist, dass dieser Filter in keiner speziellen Richtung arbeitet. Es werden die Kanten in allen Richtungen gleichzeitig detektiert, wodurch es zu keiner Hervorhebung einer bestimmten Kante kommt. Somit ist dieser Filter für die Verbesserung der Rohdaten irrelevant. Angewendeter Sobel-Filter (3x 3) in y-richtung Originalbild Angewendeter Laplace-Filter (3 x 3) Abbildung 4.4.: Bildvergleich Sobel Original Laplace Nicht-lineare Filterung Bei nicht-linearen Filtern wird keine Faltung vorgenommen. Es wird eine ROI ( region of interest ) betrachtet und die Grauwerte werden, wie zum Beispiel in der Klasse der Rangordnungsfilter, sortiert und dann ein dementsprechender Wert ausgesucht. [13] Median-Filter Der Filter gehört der Klasse der Rangordnungsfilter an. Beim Einsatz des Filters wird ebenfalls eine - große Matrix betrachtet. Alle Pixel in dieser definierten Umgebung werden nach der Größe der Grauwerte sortiert. Der mittlere Wert der sortierten Liste wird zurückgegeben und in das Zentrum der Matrix geschrieben. Mit der Methode können Ausreißer eliminiert werden. Anwendung findet die Medianfilterung beim Entfernen von sogenanntem Salt and Pepper -Rauschen. [13][16] 20

21 Hier ein Beispiel um die Arbeitsweise des Median-Filters zu veranschaulichen: sortierte Zahlenfolge: 1,3, 5, 8, 11, 14, 15, 19, 28 Median: Der zentrale Grauwert 1 des Originalbildes wird im 9-Punkte-Median auf den Wert 11 gesetzt. [14] Bildvergleich Original Median Das untere Bild zeigt das Originalbild und das selbige nach der Bearbeitung mit dem Median- Filter. Benutzt wird eine 3x3, als auch eine 7x7 Filtermatrix. Wie bereits erwähnt, entfernt dieser Filter die Ausreißerpixel und sollte er das Bild deutlicher machen. In dem zweiten Bild ist das auch noch gut zusehen, wie viel schärfer und deutlicher die Gesteinsschicht dort zu erkennen ist, weil dort der Filterkern in der Größe 3 x 3 verwendet wurde. Wenn dieser vergrößert wird, wie hier in der dritten Abbildung auf die Größe 7 x 7, ist der Filter nicht mehr brauchbar und erfüllt nicht mehr seinen Zweck. Die helle Linie erscheint verwischt und fast nicht mehr deutlich, was zu einem schlechteren Ergebnis führen könnte, bei der Verwendung des Algorithmus. Originalbild Angewendeter Median-Filter (3 x 3) Angewendeter Median-Filter (7 x 7) Abbildung 4.5.: Bildvergleich Original Median(3x3) - Median(7x7) 21

22 5. Zusammenfassung und Ausblick Im Allgemeinen ist zu sagen, dass zur Verbesserung der Rohdaten die Kantenfilter eine wichtige Rolle spielen. Der im Kapitel Bildfilter erwähnte Sobel-Filter lieferte bereits sehr gute Ergebnisse. In den weiteren Betrachtungen sollte dieser näher analysiert werden. Für den bestehenden Algorithmus, der nach Helligkeitskriterien das Leitband detektiert, liefert der Laplace-Filter kein geeignetes Bild. Die Pixel nehmen alle einen ähnlichen Grauwert an und zeigen kaum noch Unterschiede, die gut zu erkennen sind. Zudem könnte getestet werden, in wie weit verschiedene Bildbearbeitungs-maßnahmen miteinander kombiniert werden können. Es ist denkbar, zuerst den Mittelwertfilter zu nutzen um dünne helle Konturen zu verwischen und danach einen Kantenfilter anzuwenden. Desweiteren muss analysiert werden, welche Auswirkungen das auf den Liniensuchalgorithmus hat, ob die Genauigkeit zunimmt, oder eventuell verschlechtert wird. In den nächsten Schritten wäre zu testen, ob die Zeit, die zur Verfügung steht, ausreicht alle Bilder zu bearbeiten, oder ob noch andere Methoden notwendig sind die Geschwindigkeit des Algorithmus zu erhöhen. Da die Bilder eine Auflösung von 256 x 324 Pixeln haben, heißt das für die Durchführung einer Faltung Rechenschritte. Um den Aufwand zu minimieren, ist es denkbar, eine Fourier-Transformation oder sogar eine schnelle Fourier- Transformation durchzuführen. Dabei wird das Bild injektiv in einen sogenannten Frequenz- Raum überführt. Dort werden dann nicht mehr die Helligkeitswerte gespeichert, sondern die Frequenz- und Phasenanteile der zugrundeliegenden Punktfolge gespeichert. So ergibt sich ein Vorteil bei der Anwendung der linearen Filter. Bei der Überführung der Bilder in den Impuls-Raum bedeutet dies für die Berechnung der Faltung eine Summation und im Frequenz-Raum ein Produkt. So kann auch der Aufwand der Hin- und Rücktransformation in den anderen Raum akzeptiert werden. Die weitere Vorgehensweise, wird also sein, die eben besprochenen Bildbearbeitungsmaßnahmen zu implementieren und auf die Rohdaten anzuwenden. Zudem sollten diese dann mit dem vorhandenen Liniensuchalgorithmus getestet werden. 22

23 Glossar Alter Mann Wenn die Stützschilde vorrücken, sackt das Gebirge dahinter sofort nach und schließt den Hohlraum wieder. Dieser zusammengesackte Bereich hinter dem Abbau heißt Alter Mann. [17] Bergwerk Bauwerk, das zur Gewinnung von Rohstoffvorkommen aus der Erdkruste dient. Bergleute/Bergmann Arbeiter, der in einem Bergwerk angestellt ist. Förderband Die Kohle wird auf Förderbändern bis zu 20 km weit transportiert. Einige der Förderbänder werden zugleich auch zur Beförderung von Personen verwendet. [17] Flöz Kohleschicht im Boden. Flöze erstrecken sich über Flächen von vielen Quadratkilometern. [17] Gewinnung Als Gewinnung bezeichnet man den Abbau von Kohle. Hangendes Bezeichnet die Decke in einem Streb. Kohlenhobel Bei niedrigeren Flözen kommt ein Kohlenhobel zum Einsatz. Der funktioniert wie ein riesiger Holzhobel. In einer Stahlrinne wird die Kohle den Streb entlang zu einer der beiden angrenzenden Strecken gefördert und gelangt von da aus weiter über Tage. [17] Leitband Einlagerung von einer Gesteinsschicht in dem Kohleflöz. Liegendes 23

24 Bezeichnet den Boden in einem Streb. Schilde Die Decke des Strebs nennen die Bergleute Hangende. Sie wird durch mächtige Schilde abgestützt. Im Streb rückt die Schrämwalze pro Tag etwa 6 10 m weiter. Entsprechend müssen die Stütz-Schilde auch mit rücken. Die hydraulischen Stützen der Schilde senken sich einzeln ab, rücken vor und drücken sich wieder in die Höhe. [17] Staublunge Krankheit, an der Bergleute erkranken können, die durch das Einatmen von Staub unter Ablagerung von festen, anorganischen oder auch organischen Teilchen in Bronchien und Lymphknoten Veränderungen der Lunge bewirken. Streb Der Kohleabbau findet im sogenannten Streb statt. Das ist eine Verbindung zwischen zwei Strecken, also zwischen zwei Tunneln unter Tage. Die werden in der Kohleschicht parallel mit einem Abstand von 300 Metern angelegt. [17] Untertage Bezeichnung für sämtliche Anlagen und Tunnelkonstruktionen, welche in die Erde gebaut wurden. Walzenlader/ Walzenschrämlader Für den Abbau von Kohle wird bei hohen Flözen eine 16 Meter lange Walze, auch Walzenschrämlader genannt, verwendet. [17] 24

25 Literaturverzeichnis [1] November 2009 [2] %20-%20Online&artikel_id=90661&inhalt=kss_klett01.c de [3] November 2009 [4] November 2009 [5] K. Nienhaus und F.Mavroudis. Automatisierung und Prozessüberwachung in der Rohstoffindustrie mittels Infrarotsensorik und industrieller Bildverarbeitung. Aachener Kolloquium für Instandhaltung, Diagnose und Anlagenüberwachung, 7, 2008 [6] Manuel Warcholik. Coal bed boundary detection for shearer loader automation using machine learning techniques [7] K. Nienhaus. Betriebsmittel 1. Schneidende Gewinnung, 3. Walzenlader, Baugruppen, November 2009 [8] Professor Dr.-Ing. Ernst-Ulrich Reuther. Lehrbuch der Bergbaukunde. 11.Auflage, Erster Band. Verlag Glückauf GmbH, 1989 [9] November 2009 [10] Nicole Schubert. Segmentierung von Lungentumoren in CT-Bildern, Forschungszentrum Jülich [11] Dezember 2009 [12] Prof. Ingrid Scholl. 3. Kapitel: Filter im Ortsraum. Grundlagen der digitalen Bildverarbeitung SS Dezember 2009 [13] Bernd Jähne. Digitale Bildverarbeitung. 6., überarbeitete und erweiterte Auflage. Springer Verlag Berlin Heidelberg, 2005 [14] Prof. Dr. Walther Hillen. Bild-Filter. Digitale Bildverarbeitung SS Dezember 2009 [15] Klaus D. Tönnies. Grundlagen der Bildverarbeitung. Pearson Studium, 2005 [16] Dezember 2009 [17] November

26 26