Research on low illumination video enhancement technology in coal mine heading face
-
摘要:
针对煤矿掘进工作面视频光照较低、亮度不均、纹理模糊、噪声较多等问题，提出一种煤矿掘进工作面低照度视频增强算法。首先，利用卷积的可分离性将视频图像进行一维水平卷积与垂直卷积，再利用完美反射法实现视频图像自动白平衡，并使用图像混合增强技术提高视频图像整体亮度。然后，基于大气散射模型与暗通道先验方法，通过递归分割将图像分割为高光区、中间调和暗调区，并求取对应区间通道像素最大值，将其3者均值作为大气光照估计值，引入调节因子对透射率进行调整优化，并使用拉普拉斯锐化操作，增加图像高频成分、抑制图像低频成分，提高图像对比度。最后，基于改进的大气散射模型对掘进工作面低照度视频进行去雾处理。实验结果表明，视频增强算法能够对煤矿掘进工作面低照度视频进行实时增强、去雾处理，避免了视频图像暗淡、失真、模糊和突变等问题。相较于Retinex算法、ALTM算法和暗通道先验算法，视频增强算法大幅度提高了视频图像的信息熵、标准差和平均梯度，且具有较好的实时处理速度，能够为掘进工作面视频的目标识别、目标跟踪、目标监测和图像分割等后续处理提供优质、可靠的支撑。
Abstract:Aiming at overcoming low illumination, uneven brightness, blurry texture and more noise in the video of coal mine heading face, a low illumination video enhancement algorithm was proposed for coal mine heading face. Firstly, the separability of convolution was utilized to carry out one-dimensional horizontal and vertical convolution of video images, then the perfect reflection method was used to achieve the automatic white balance, and the image hybrid enhancement technology was utilized to improve the overall brightness of the video images. Then, the image was divided into the highlight area, the middle tone area and the dark tone area by recursive segmentation based on the atmospheric scattering model and the dark channel prior method, and the maximum channel pixel of the corresponding interval was obtained. Besides, the mean value of the three maximum pixel values was taken as the estimation value of atmospheric illumination, and the transmittance was adjusted and optimized by introducing the adjustment factor. Meanwhile, the Laplacian sharpening process was used to increase the high frequency component and suppress the low frequency component of the image to increase the image contrast. Finally, the low-illumination video of heading face was dehazed based on the improved atmospheric scattering model. The experimental results show that the proposed video enhancement algorithm could enhance and dehaze the low-illumination video of coal mine heading face in real time, which avoids the problems of dimness, distortion, blurring and mutation of video images. Compared with Retinex algorithm, ALTM algorithm and dark channel prior algorithm, the proposed video enhancement algorithm significantly improves the information entropy, standard deviation and average gradient of the video image, and has a higher real-time processing speed, which can provide high-quality and reliable support for subsequent processings such as video target recognition, target tracking, target monitoring and image segmentation of heading face video.
-
煤矸石是我国目前储存量最大的固体废弃物之一[1-2]，据统计，我国尚未利用的煤矸石积存量达70亿t以上，随着煤炭生产活动持续进行，仍以每年3.0~3.5亿t的体量持续增加。煤矸石的处置，以传统堆存方式为主，不仅占用大量的土地资源，还容易造成土壤、水体、大气等多重污染[3]，我国发展改革委在2021年印发的《关于“十四五”大宗固体废弃物综合利用的指导意见》中，明确了推动以煤矸石为主的固体废弃物综合利用与绿色发展战略目标。
出于其物理化学性能考虑，我国建筑行业相关领域对煤矸石作为建筑材料应用展开了研究[4-6]。一方面，煤矸石在水泥基材料中可取代天然骨料，但取代后，随取代率增加，水泥结构的工作性能与力学性能均不断降低[7]。另一方面，煤矸石在化学激发后可替代水泥制备新型胶凝材料，但煤矸石活性较低，直接利用获得的胶凝效果较差，对于煤矸石在胶凝材料中的应用有待于进一步开发[8-10]。
煤矸石中活性钙铝组分的缺失是其作为胶凝材料强度低的重要原因[11]，因此，基于协同理论，需在体系中补充活性钙铝组分。作为生产电石产生的固体废弃物，电石渣的主要成分为Ca(OH)2，遇水电离后提供OH−与一定的活性钙成分，是绿色友好的Ca(OH)2类材料[12]。而由煤矸石中分选出煤系高岭土，经700℃煅烧后可获得煤系偏高岭土，其含有大量的活性铝成分[13-14]，较偏高岭土而言，更易就地获取。基于上述材料特性，本文拟选取电石渣与煤系偏高岭土作为煤矸石胶凝材料的协同固化剂。
在我国西北干旱采煤地区，气候环境与采空区的水土流失等导致矿区附近土壤盐渍化[15]，其内部含有大量的可溶盐(如NaCl、Na2SO4、CaCl2等)，如不处理直接应用在矿区建设中，容易对工程项目产生一定危害(如盐胀、盐陷等)。以往的研究已经证明，进行化学方法固化，是处理盐渍土最简单有效的方法[16]。曾平江[17]的研究表明，水泥可以显著提高盐渍土的无侧限抗压强度，且固化效果远优于石灰。杨伟武[18]、李宏波[19]等利用石灰–硅灰复配体系固化硫酸盐渍土，研究表明该体系下固化土孔隙与大孔洞减少，因此各项力学性能随着养护龄期的增长均有所提高。王亮等[20]以电石渣–火山灰胶凝材料固化氯盐渍土，固化土的水稳性和强度都有一定程度的提高。刘诚斌等[21]的研究表明，矿渣复合胶凝材料能有效提高盐渍土的无侧限抗压强度，且与水泥相比，具有更好的耐久性和水稳性。魏丽等[22]用SH和石灰固化滨海盐渍土，结果显示SH固土剂干燥后形成弹性立体丝网，提高盐渍土的强度与抗变形、水稳性、抗渗等性能。
上述研究中材料的开发更加着重强度与微观变化规律研究，往往忽视了盐渍土中易溶盐在固化材料体系内化学结合后所能起到的积极效应，且原材料成本过高。本研究选取的固化体系，盐渍土中的易溶盐类可承担碱激发剂的角色，为胶凝体系的早期强度做出一定的贡献，而碱激发煤系固废后水化产物又具有很好的阴离子结合能力，所以，协同固化处置可有效解决盐分所带来的潜在工程地质问题。通过以西北干旱区3种不同煤矸石与电石渣的总添加量为变量，以煤系偏高岭土为定量，替代等量水泥作为西北干旱矿区盐渍土的固化剂，探讨煤矸石成分与其碱激发后替代部分水泥后固化盐渍土的强度效果变化和微观、化学相变机理，并对其经济效益进行评价，旨在通过此研究提供一种绿色经济可靠的固化材料，为煤系固废在建筑行业的应用提供新的方法。
1 试验材料与方法
1.1 试验材料
1.1.1 煤矸石
试验采用西北干旱区不同采煤工作面采煤巷道新鲜煤矸石(Coal Gangue，CG)，具体信息如下：
(1) 运城煤矸石(代号YC，下同)：山西省运城市王家岭煤矿2号煤层。
(2) 榆林煤矸石(代号YL，下同)：陕西省榆林市大柳塔煤矿2−2煤层。
(3) 咸阳煤矸石(代号XY，下同)：陕西省咸阳市彬长矿区大佛寺煤矿4号煤层。
1.1.2 电石渣
电石渣(Carbide Slag，CS)取自陕西省榆林市榆阳区某化工厂。
1.1.3 煤系偏高岭土
山西金宇科林科技有限公司生产的煤系偏高岭土(Caol Metakaolin，CMK)。
1.1.4 普通硅酸盐水泥
湖北省鄂州市华新水泥厂生产的华新堡垒牌P.O42.5普通硅酸盐水泥(Ordinary Portland Cement，OPC)。
1.1.5 盐渍土
盐渍土取自陕西省榆林市定边县，依照GB/T 50123—2019《土工试验方法标准》[23]，以土水比为1∶5方法浸出土壤中离子，利用离子色谱法测得总含盐质量分数为1.40%，土中主要阴离子为Cl−和SO4 2−，其中Cl−浸出量为4 041 mg/kg，SO4 2−为1 935 mg/kg。
根据600℃灼烧3 h得到煤矸石炭质含量，随后通过X射线荧光光谱仪(XRF)试验，测得所有原材料化学成分，见表1。
表 1 试验材料化学成分Table 1. Chemical composition of test materials原材料 化学成分质量分数/% CaO SiO2 Fe2O3 Al2O3 MgO K2O Na2O 炭质 YC 4.85 47.34 3.22 21.85 1.04 1.80 0.72 9.33 YL 0.37 51.98 5.33 23.38 2.20 2.70 1.68 7.38 XY 0.80 48.75 3.64 23.22 1.16 2.14 0.76 14.43 CMK 0.35 54.29 0.63 41.52 0.28 0.40 0.31 CS 91.20 3.30 0.28 1.15 0.37 1.02 OPC 57.09 19.12 2.79 5.98 1.97 0.90 0.35 盐渍土 4.71 69.96 1.84 9.51 1.95 2.09 2.15 1.2 试验方法
1.2.1 材料准备
将获取的新鲜块状煤矸石经颚式破碎机破碎后放入烘箱105℃烘干12 h，根据王川等[24]对煤矸石粉磨时间的研究，设置球磨时间为40 min，球磨完成后，使用丹东Bettersize 2000激光粒度仪测得粒径分布如图1所示。
盐渍土经过105℃烘干12 h，破碎，取2 mm筛下颗粒，粒径分布如图1所示。
电石渣、煤系偏高岭土经105℃烘干12 h，经粉磨后过0.075 mm筛，以充分发挥其活性。
1.2.2 试验方案
试验流程如图2所示，将煤矸石、电石渣、煤系偏高岭土、水泥粉末按照设置的配比拌匀，加入去离子水，充分搅拌后和盐渍土使用行星式搅拌机搅拌均匀，参考JTG E51—2009《公路工程无机结合料稳定材料试验规程》[25]，采用静压法制作ø=50 mm、h=50 mm的圆柱固化试样，每个试样为205 g，每组3个平行试样，随后放入标准养护箱中依据GB/T 50123—2019《土工试验方法标准》[23]进行无侧限抗压强度(Unconfined Compressive Strength，UCS)测试。UCS测试后，使用无水乙醇浸泡，冻干后取特征组粉末状样品做有害阴离子浸出试验，样品切片做电镜扫描–能谱(SEM-EDS)与压汞(Mercury Intrusion Porosimetry，MIP)试验。根据赵永生[26]对碱激发煤矸石材料固化土的方案设计，设置固化剂与盐渍干土质量比为1∶4，固化剂材料配比及试验代号见表2。
表 2 试验方案设计Table 2. Design of experiments试验代号 固化剂组分质量分数/% OPC CG CS CMK OPC 100 YC-1 48 9.41 30.59 12 YC-2 40 14.12 33.88 12 YC-3 32 18.82 37.18 12 YC-4 24 23.53 40.47 12 YC-5 16 28.24 35.76 12 YL-1 48 9.41 30.59 12 YL-2 40 14.12 33.88 12 YL-3 32 18.82 37.18 12 YL-4 24 23.53 40.47 12 YL-5 16 28.24 35.76 12 XY-1 48 9.41 30.59 12 XY-2 40 14.12 33.88 12 XY-3 32 18.82 37.18 12 XY-4 24 23.53 40.47 12 XY-5 16 28.24 35.76 12 有害阴离子浸出试验按照固化土与蒸馏水比例为1∶5配置悬液，在水平震荡仪震荡8 h后静置6 h，用注射器抽取上清液，采用孔径0.45 μm的聚醚砜膜(PES膜)过滤后，利用阴离子色谱测试浸出液中Cl−与SO4 2−浓度，并对固化体系内可浸出离子总量进行换算。
SEM-EDS试验使用JSM-7610F型扫描电子显微镜对原盐渍土进行拍照，使用TESCAN MIRA LMS扫描电子显微镜对固化样品进行拍照[27]。MIP采用AutoPore Iv 9520压汞仪进行试验。
2 试验结果
2.1 UCS试验结果
图3为3种煤矸石协同水泥固化盐渍土不同龄期的UCS测试结果。由图3可见，各组固化土强度qu呈现出相同的增长趋势，养护时间越久，qu越高，各组固化土qu均在28 d达到最大。随着CG-CMK-CS体系对OPC的取代率增加，固化土的强度随之下降。对比不同固化土的强度，在3 d时，OPC固化盐渍土最大，平均qu可达到3.4 MPa；7 d时，CG固化组YC-1强度最大，平均qu可达到5.50 MPa，超过了OPC固化的4.97 MPa，值得一提的是，YC-2组强度达到了4.99 MPa，同样超过了OPC组固化土；14 d时，YC-1、YC-2与YL-1固化土qu分别为6.36、6.19和6.10 MPa，高于OPC固化土的5.96 MPa；28 d时，YC-1与YL-1组固化土qu为6.60与6.67 MPa，高于OPC组的6.56 MPa，而YC-2为6.22 MPa，不再高于OPC组。咸阳组CG各组强度较低，在各龄期均未超过OPC固化组。
![]()
图 3 CG-CMK-CS-OPC协同固化盐渍土UCS发展Figure 3. CG-CMK-CS-OPC curing saline soil UCS development由各组qu发展可知，虽然qu低于OPC固化土，但在3~7 d时，部分CG协同固化土具有相当高的qu增长速率。其中，在3~7 d时，YC-1组固化土由3.01 MPa增加至5.50 MPa，增加了2.49 MPa；YL-1组由2.70 MPa增加至4.48 MPa，增加了1.78 MPa；XY-1组由2.22 MPa增加至4.01 MPa，增加了1.79 MPa，增长率均高于OPC固化土的1.58 MPa。在7~14 d时，CG协同固化土强度快速增长，其中绝大部分qu增长率高于OPC固化组，YC-4组由3.56 MPa增加至5.19 MPa，增加了1.63 MPa，YL-1组强度由4.48 MPa增加至6.10 MPa，增加了1.62 MPa，XY-2组由3.42 MPa增加至5.32 MPa，增加了1.90 MPa，高于OPC固化土的0.99 MPa。在14~28 d时，OPC固化土仍然表现出稳定的增长速率，而CG-CMK-CS协同固化土强度增长率下降。对于上述qu分布与增长规律，将在后续章节进行详细讨论。
根据上述强度发展可知，CG-CMK-CS体系在替代52%OPC时，qu最高，替代60%OPC时，7~14 d时具有较快的qu增长速率，且与水泥固化土的qu较为接近，因此，选取YC-1，YL-1，XY-1组(52%OPC取代组)与YC-2，YL-2，XY-2组(60%OPC取代组)固化土qu分为2组进行分析，并对7 d时YC-2，YL-2，XY-2组进行Cl−与SO42−浸出试验。
如图4a所示，在52%OPC取代体系内，YC-1组在3、7、14 d龄期内qu最大，YL-1组次之，XY-1组qu最低，但在养护时间为28 d时，YL-1组qu超过YC-1组达到最大，而XY-1组qu依然最低。
如图4b所示，在60%OPC取代体系内，YC-2组在各龄期下qu均为最大，而YL-2组与YC-2组qu非常接近，XY-2组与以上两组qu相差较大。
2.2 有害阴离子浸出试验结果
图5为7 d时固化体系内有害阴离子浸出试验结果。由图5可知，在固化前，体系内Cl−与SO4 2−的浸出量分别为553和265 mg，在不同体系固化后，体系内Cl−与SO4 2−的浸出量明显减少。其中，经OPC固化后，体系内Cl−的浸出量为39.58 mg，SO4 2−的浸出量为6.58 mg，2种离子浸出量均高于CG-CMK-CS-OPC协同固化体系。CG-CMK-CS-OPC协同固化体系内，不同组浸出量均在一个数量级内，其中YL-2组Cl−浸出量最低，为23.17 mg，YC-2组SO4 2−浸出量最低，为3.92 mg。
2.3 MIP试验结果
图6为对应龄期试件的MIP试验孔隙分布结果。根据D. L. Shear等[28]的方法，将土中孔隙按照孔径d的大小分为4类：d＜14 nm的颗粒内孔隙；14 nm≤d<1800 nm的颗粒间孔隙；1800 nm≤d<70 000 nm的团粒内孔隙与70 000 nm≤d<4 000 000 nm的团粒间孔隙。由图6可知，各固化试样的重要孔隙类型为颗粒间孔隙。孔隙类型会决定反应体系的强度特征，颗粒内与颗粒间孔隙越多，固化体系强度越大，反之，如果团粒内孔隙与团粒间孔隙越多，则固化体系强度越小。在7 d时，YC-2组颗粒内孔隙与颗粒间孔隙分布多，因此YC-2组强度最高，而XY-2组团粒间孔隙较多，因此表现出了较低的强度。孔隙类型也在一定程度上反映了体系内的水化反应进程，对比YC-2组在7 d与14 d时的孔隙分布可知，在14 d时其团粒内与团粒间孔隙明显减少，这是由于水化产物进一步生成，其填充作用使团粒内与团粒间孔隙向颗粒内与颗粒间孔隙转化。
2.4 SEM-EDS试验结果
由于YC-2组qu最高，且接近于水泥固化组，故选取YC-2组3、7 d龄期对CG-CMK-CS-OPC体系进行微观机理分析，并取OPC组7 d作为对照组分析，如图7所示。
根据图7a、图7b可知，原盐渍土通常具有明显的孔隙结构，而Cl−通常被吸附于黏粒之间的孔隙内，氯盐一般可起到孔隙之间骨架作用。根据图7c可知，OPC组固化土在7 d时，强度来源主要是OPC水化生成的水化硅酸钙(C―S―H)。根据图7d可知，在3 d时，CG-CMK-CS-OPC协同固化土内不但生成了大量的水泥水化产物C―S―H，还生成了大量的致密网状结构的水化产物水化硅铝酸钙(C―A―S―H)，为协同固化组提供了一定的早期强度。根据图7e可知，在7 d时，CG-CMK-CS-OPC协同固化土内不但发现了以上2种水化产物，还发现了一定量的针棒状水化产物，经过EDS能谱分析(图7f)，确定其为AFm相产物。
3 CG-CMK-CS-OPC固化盐渍土体系的分析与讨论
3.1 经济效应与环境风险分析
使用CG-CMK-CS-OPC协同固化盐渍土体系具有优异的强度效果，其7 d的qu均满足JTGT F 20—2015《公路路面基层施工技术细则》[29]规定的水泥粉煤灰稳定材料作为二级及二级以下公路重交通底基层的强度标准，其中YC-1、YC-2、YC-3、YL-1、YL-2组达到了规范中规定的水泥粉煤灰稳定材料作为高速公路和一级公路极重、特重交通的基层强度标准。
为评价本文所述材料的经济效益，对Shi Jinyan等[30]的公式进行简化，将每处理1 t矿区盐渍土的成本记作C，获得材料的7 d无侧限抗压强度qu记作Q，用C/Q的比值E作为评价本材料经济性的指标，对比分析本文中所使用材料的经济效益。根据市场调查与相关现场经验，确定各固化材料的成本费用见表3，由于普通硅酸盐水泥与电石渣可直接使用，因此不考虑材料处理成本，而煤矸石与煤系偏高岭土均由矿区直接获取，不考虑材料价格与运输费用。
表 3 各固化原材料费用成本Table 3. Cost of each curing raw material材料名称 材料价格/
(元·t−1)运输费用/
(元·t−1·km−1)材料处理成本/
(元·t−1)分选 球磨 煅烧 普通硅酸盐水泥(OPC) 700 0.36 电石渣(CS) 320 0.36 煤矸石(CG) 50 煤系偏高岭土(CMK) 50 50 200 注：空白处为此项费用成本不考虑。 本文中固化剂与盐渍土的质量比为1∶4，即每处理1 t的盐渍土，所需固化剂的质量为250 kg，普通硅酸盐水泥与电石渣可就近获取，运输距离以200 km计算，由固化剂掺入比例得到各组材料的费用如图8所示。由图可知，使用CG-CMK-CS-OPC协同固化盐渍土体系下固化材料的经济成本均低于水泥，整体而言，使用运城煤矸石体系获得的经济效益最高，相比单纯使用水泥固化盐渍土，可节省30%~40%的固化材料费用。
在本文使用的固废体系中，有效地解决了体系内固废可能造成的环境影响。电石渣对环境的影响主要体现在其高碱性，大量堆存会影响周围水体和土壤环境的pH[31]，而煤矸石类固废对环境的影响主要体现在随意堆存产生的重金属离子淋滤，随后向土壤中迁移的问题[32]。在本体系下碱激发的过程中，电石渣的OH−离子会不断被消耗，而碱激发体系与OPC生成的水化产物可以对煤矸石中可能浸出的重金属离子会产生吸附包裹作用，使重金属离子难以迁移，因此，本体系内固废对环境产生的风险可以忽略。由上述分析可知，本体系可获得经济、绿色、低碳等多方面效益。
3.2 力学演化规律与微观机理分析
图9为不同矿区碱激发煤矸石特征组固化土qu随龄期发展规律拟合图。在用指数型曲线对qu随养护龄期发展规律进行拟合时，得到了较好的效果，各拟合曲线拟合度均在0.94以上。由曲线在y轴截距可预测材料的最终qu值。由曲线发展规律可知，在3~7 d时，体系固化强度基本呈线性增长，随着时间推移，体系内物质逐渐被消耗，因此，在28 d以后，固化体系强度增长非常缓慢。
![]()
图 9 固化盐渍土力学随龄期演化拟合曲线Figure 9. Fitting diagram of mechanical evolution of solidified saline soil with ageCG-CMK-CS-OPC固化盐渍土体系的反应机理如图10所示。由图10a可知，在水化反应早期，主要为OPC熟料提供体系强度，水化反应后生成主要产物为C―S―H与少量网状的C―A―S―H，此时，体系内碱激发剂CS中的Ca(OH)2逐渐电离，为体系内CG与CMK激发提供充足的OH−[33]。
![]()
图 10 CG-CMK-CS-OPC协同固化盐渍土反应机理Figure 10. Reaction mechanism of CG-CMK-CS-OPC synergistic solidification saline soil由图10b可知，天然状态时，盐渍土中Cl−与SO4 2−会吸附在黏粒表面，起一定的骨架作用，遇水时，大量盐分溶解，结构崩塌，易产生盐陷灾害[34]，再次失水时，盐分重新结晶，产生盐胀[35]，因此，处理盐渍土灾害的重要途径，就是减少其内部遇水可溶解盐分的比例。
图10c为固化土内部水化产物。固化体系内CS中电离的OH−激发CG与CMK中的活性SiO2与Al2O3，与体系内的Ca2+生成C―A―S―H、C―S―H与铝酸钙类水化产物(CnAHm)，相比OPC固化而言，生成了更多的网状C―A―S―H，结合MIP试验结果可知，体系内团粒内与团粒间孔隙减少，颗粒内与颗粒间孔隙比例增加，因此，部分协同固化土的强度高于OPC固化土。体系中生成的铝酸三钙非常容易与盐渍土中电离的Cl−与SO4 2−结合[36]，生成针棒状的AFm族矿物，由于Cl−与SO4 2−的相互替代作用，这种产物是Fs盐(Friedel’s Salt，3CaO·Al2O3·CaCl2·10H2O)、Ks盐(Kuzel Salt，3CaO·Al2O3·(0.5CaCl2·0.5CaSO4)·12H2O)与钙矾石(Ettringite，3CaO·Al2O3·CaSO4·32H2O)的一种或多种组合产物[37]，使体系内可溶解的Cl−与SO4 2−急剧减少，AFm族矿物具有较高的强度与一定的膨胀作用，在填充体系内团粒间孔隙的同时，会为体系提供一定的中期强度(7、14 d)，反应剩余的水化铝酸钙也能为体系提供早期强度[38]。体系反应后期强度主要由水泥熟料持续水化产生的C―S―H提供，因此，不论是前中后期，OPC组强度增长稳定，但C―S―H结合Cl−与SO4 2−的能力较差，相较于CG-CS-CMK-OPC固化体系，更易产生盐类侵蚀，发生灾害。
3.3 不同矿区煤矸石强度发育与体系适用性分析
在CG-CMK-CS-OPC固化体系下，利用运城组煤矸石的固化土前期qu最高，这是由于，运城组煤矸石中钙质成分较多，而体系内主要起强度作用的水化产物为C―S―H和C―A―S―H，钙质成分的补充使其体系内生成了更多的上述水化产物。榆林组煤矸石固化土在中后期具有较强的qu增长趋势，其原因是体系内可激发的铁铝质成分在3种煤矸石中最多，在碱激发后，铁铝质水化产物与盐渍土中Cl−和SO4 2−结合，生成了更多的AFm族矿物，提供了中期强度，因此，在浸出试验中，榆林组的Cl−浸出最低。相比以上2组，咸阳组煤矸石固化土的炭质含量非常高，影响了其活性物质的激发，因此其固化土的强度较弱。
根据上述研究结果与机理讨论，不难发现本文中的固化体系对盐渍土中的Cl−和SO4 2−均具有良好的固化效果。文中盐渍土类型为中氯盐渍土，因此仅考虑了对Cl−和SO4 2−的固化效果。由于该体系内生成的铝酸钙类水化产物对CO3 2−与HCO3 −同样具有较好的结合能力[39]，而盐渍土中主要有害阴离子为上述4种离子，因此该体系对于各类盐渍土的固化具有普适性，在使用该体系时可根据离子种类与质量适当调节材料比例。
4 结 论
a. CG-CMK-CS在协同水泥使用时，有很高的前期强度优势与经济优势。因此，CG-CMK-CS-OPC可作为一种更经济、绿色、低碳的水泥替代材料应用于公路基层与底基层工程。
b. CG-CMK-CS-OPC体系会生成铝酸钙类产物，并结合盐渍土中的Cl−与SO4 2−生成AFm族矿物，使盐渍土中游离的Cl−与SO4 2−减少，提供前中期强度，降低了盐渍土中有害阴离子可能产生的灾害风险。理论上该体系也适合其他类型盐渍土的固化，有待进一步通过试验验证。
c. 不同区域CG碱激发后应用在CG-CMK-CS-OPC固化盐渍土体系中存在一定的强度差异，这是由于它们不同物质组成造成的，研究发现，活性钙质成分越多，前中期强度(3、7 d)越高；活性铁铝质成分越多，中后期强度(14、28 d)增长越快；使用CG作为碱激发材料时，应对其材料成分加以考量，最终确定其应用价值。
-
![]()
图 2 可分离高斯滤波前后效果对比
Fig. 2 Effect comparison before and after separable Gaussian filtering
表 1 不同算法评价指标结果
Table 1 Evaluation results of different algorithms
算法 图像序列 信息熵 标准差 平均梯度 处理时间/ms Retinex算法 1 5.53 32.62 4.37 374 2 5.82 33.14 5.51 365 3 5.78 33.74 4.98 352 4 6.62 36.92 6.47 353 5 6.66 37.25 5.92 457 ALTM算法 1 5.69 33.03 4.34 992 2 5.93 33.63 5.46 992 3 5.90 34.23 4.92 985 4 6.62 36.92 6.47 353 5 6.66 37.25 5.92 457 暗通道
先验算法1 5.15 24.45 3.39 2943 2 5.17 23.26 4.02 2931 3 5.19 24.01 3.74 2915 4 6.16 28.55 5.60 2951 5 6.16 28.69 4.79 3777 本文算法 1 6.24 39.48 4.60 343 2 6.02 37.79 6.05 344 3 6.04 38.06 5.66 302 4 6.97 41.07 6.81 304 5 6.79 41.74 6.38 316 
下载: 导出CSV
-
[1] 王国法. 加快煤矿智能化建设 推进煤炭行业高质量发展[J]. 中国煤炭,2021,47(1):2−10. DOI: 10.3969/j.issn.1006-530X.2021.01.002 WANG Guofa. Speeding up intelligent construction of coal mine and promoting high−quality development of coal industry[J]. China Coal,2021,47(1):2−10. DOI: 10.3969/j.issn.1006-530X.2021.01.002
[2] 王国法,任怀伟,赵国瑞,等. 煤矿智能化十大“痛点”解析及对策[J]. 工矿自动化,2021,47(6):1−11. DOI: 10.13272/j.issn.1671-251x.17808 WANG Guofa,REN Huaiwei,ZHAO Guorui,et al. Analysis and countermeasures of ten“pain points”of intelligent coal mine[J]. Industry and Mine Automation,2021,47(6):1−11. DOI: 10.13272/j.issn.1671-251x.17808
[3] 付燕,李瑶,严斌斌. 一种煤矿井下视频图像增强算法[J]. 工矿自动化,2018,44(7):80−83. DOI: 10.13272/j.issn.1671-251x.2017120014 FU Yan,LI Yao,YAN Binbin. An underground video image enhancement algorithm[J]. Industry and Mine Automation,2018,44(7):80−83. DOI: 10.13272/j.issn.1671-251x.2017120014
[4] 袁明道,谭彩,李阳,等. 基于图像融合和改进阈值的管道机器人探测图像增强方法[J]. 煤田地质与勘探,2019,47(4):178−185. DOI: 10.3969/j.issn.1001-1986.2019.04.027 YUAN Mingdao,TAN Cai,LI Yang,et al. A pipeline robot detection image enhancement method based on image fusion and improved threshold[J]. Coal Geology & Exploration,2019,47(4):178−185. DOI: 10.3969/j.issn.1001-1986.2019.04.027
[5] 智宁,毛善君,李梅. 基于照度调整的矿井非均匀照度视频图像增强算法[J]. 煤炭学报,2017,42(8):2190−2197. DOI: 10.13225/j.cnki.jccs.2017.0048 ZHI Ning,MAO Shanjun,LI Mei. Enhancement algorithm based on illumination adjustment for non–uniform illumination video images in coal mine[J]. Journal of China Coal Society,2017,42(8):2190−2197. DOI: 10.13225/j.cnki.jccs.2017.0048
[6] GUO Xiaojie,LI Yu,LING Haibin. LIME:Low–light image enhancement via illumination map estimation[J]. IEEE Transactions on Image Processing,2017,26(2):982−993. DOI: 10.1109/TIP.2016.2639450
[7] 董静薇,赵春丽,海博. 融合同态滤波和小波变换的图像去雾算法研究[J]. 哈尔滨理工大学学报,2019,24(1):66−70. DOI: 10.15938/j.jhust.2019.01.011 DONG Jingwei,ZHAO Chunli,HAI Bo. Image research on image de–fog algorithm based on fusion homomorphic filtering and wavelet transform[J]. Journal of Harbin University of Science and Technology,2019,24(1):66−70. DOI: 10.15938/j.jhust.2019.01.011
[8] 龚云, 颉昕宇. 一种改进同态滤波的井下图像增强算法[J/OL]. 煤炭科学技术, 2022: 1–8[2022-11-22]. DOI: 10.13199/j.cnki.cst.2021-0774. GONG Yun, XIE Xinyu. A downhole image enhancement algorithm based on improved homomorphic filtering[J/OL]. Coal Science and Technology, 2022: 1–8[2022-11-22]. DOI: 10.13199/j.cnki.cst.2021-0774.
[9] LI Zhi,JIA Zhenhong,YANG Jie,et al. Low illumination video image enhancement[J]. IEEE Photonics Journal,2020,12(4):1−13.
[10] 郭伶俐,贾振红. 基于大气散射模型的低照度视频增强算法[J]. 激光杂志,2022,43(6):105−110. DOI: 10.14016/j.cnki.jgzz.2022.06.105 GUO Lingli,JIA Zhenhong. Low illumination video enhancement algorithm based on the atmospheric scattering model[J]. Laser Journal,2022,43(6):105−110. DOI: 10.14016/j.cnki.jgzz.2022.06.105
[11] 蔡利梅,向秀华,李紫阳. 自适应HSV空间Retinex煤矿监控图像增强算法[J]. 电视技术,2017,41(4/5):11−15. DOI: 10.16280/j.videoe.2017.h4.003 CAI Limei,XIANG Xiuhua,LI Ziyang. Adaptive Retinex algorithm at HSV space for coal mine monitoring image enhancement[J]. Video Engineering,2017,41(4/5):11−15. DOI: 10.16280/j.videoe.2017.h4.003
[12] HE Kaiming,SUN Jian,TANG Xiaoou. Single image haze removal using dark channel prior[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341−2353. DOI: 10.1109/TPAMI.2010.168
[13] 蔡秀梅,马今璐,吴成茂,等. 基于模糊同态滤波的彩色图像增强算法[J]. 计算机仿真,2020,37(6):342−346. DOI: 10.3969/j.issn.1006-9348.2020.06.070 CAI Xiumei,MA Jinlu,WU Chengmao,et al. Color image enhancement algorithm based on fuzzy homomorphic filtering[J]. Computer Simulation,2020,37(6):342−346. DOI: 10.3969/j.issn.1006-9348.2020.06.070
[14] 程德强,郑珍,姜海龙. 一种煤矿井下图像增强算法[J]. 工矿自动化,2015,41(12):31−34. DOI: 10.13272/j.issn.1671-251x.2015.12.009 CHENG Deqiang,ZHENG Zhen,JIANG Hailong. An image enhancement algorithm for coal mine underground[J]. Industry and Mine Automation,2015,41(12):31−34. DOI: 10.13272/j.issn.1671-251x.2015.12.009
[15] 汪凤林,周扬,叶绿,等. 基于机器视觉的飞轮齿圈缺陷和尺寸检测方法[J]. 中国测试,2020,46(5):31−38. DOI: 10.11857/j.issn.1674-5124.2020020005 WANG Fenglin,ZHOU Yang,YE Lyu,et al. Method for fault defection and size measurement for flywheel ring gear based on machine vision[J]. China Measurement & Testing Technology,2020,46(5):31−38. DOI: 10.11857/j.issn.1674-5124.2020020005
[16] 方建荣,苏畅,周晓方,等. 一种CMOS图像传感器信号处理自动白平衡算法[J]. 计算机工程,2015,41(9):245−250. DOI: 10.3969/j.issn.1000-3428.2015.09.045 FANG Jianrong,SU Chang,ZHOU Xiaofang,et al. An algorithm of automatic white balance for CMOS image sensor signal processing[J]. Computer Engineering,2015,41(9):245−250. DOI: 10.3969/j.issn.1000-3428.2015.09.045
[17] NAYAR S K, NARASIMHAN S G. Vision in bad weather[C]//Proceedings of the IEEE International Conference on Computer Vision, 1999: 820–827.
[18] DONG Xuan, WANG Guan, PANG Yi, et al. Fast efficient algorithm for enhancement of low lighting video[C]//IEEE International Conference on Multimedia and Expo, 2011: 1–6.
[19] 贾海鹏,张云泉,龙国平,等. 基于OpenCL的拉普拉斯图像增强算法优化研究[J]. 计算机科学,2012,39(5):271−277. DOI: 10.3969/j.issn.1002-137X.2012.05.065 JIA Haipeng,ZHANG Yunquan,LONG Guoping,et al. Research on Laplace image enhancement algorithm optimization based on OpenCL[J]. Computer Science,2012,39(5):271−277. DOI: 10.3969/j.issn.1002-137X.2012.05.065
[20] 王小东,冯筠,鲁定国,等. 基于先验知识的肝脏轮廓线提取算法研究[J]. 计算机应用研究,2014,31(1):281−284. DOI: 10.3969/j.issn.1001-3695.2014.01.066 WANG Xiaodong,FENG Jun,LU Dingguo,et al. Liver contour extraction based on prior knowledge model[J]. Application Research of Computers,2014,31(1):281−284. DOI: 10.3969/j.issn.1001-3695.2014.01.066
[21] 王媛彬,韦思雄,段誉,等. 基于自适应双通道先验的煤矿井下图像去雾算法[J]. 工矿自动化,2022,48(5):46−51. DOI: 10.13272/j.issn.1671-251x.2021110053 WANG Yuanbin,WEI Sixiong,DUAN Yu,et al. Defogging algorithm of underground coal mine image based on adaptive dual−channel prior[J]. Industry and Mine Automation,2022,48(5):46−51. DOI: 10.13272/j.issn.1671-251x.2021110053
[22] 张英俊,雷耀花,潘理虎. 基于暗原色先验的煤矿井下图像增强技术[J]. 工矿自动化,2015,41(3):80−83. DOI: 10.13272/j.issn.1671-251x.2015.03.020 ZHANG Yingjun,LEI Yaohua,PAN Lihu. Enhancement technique of underground image based on dark channel prior[J]. Industry and Mine Automation,2015,41(3):80−83. DOI: 10.13272/j.issn.1671-251x.2015.03.020
-
期刊类型引用(3)
1. 樊亚男. CMK复合微粉对盐渍土物理力学性能的影响. 太原学院学报(自然科学版). 2024(02): 19-25 . 
百度学术
2. 杨晓蕴，许丽，刘元珍. 湿、冻环境下工业固废协同水泥固化盐渍土强度特性研究. 混凝土. 2024(09): 181-186 . 百度学术
3. 文壮，金娇，刘帅，饶如意，宋战鹏，肖梦承，史金明. 活化煤矸石基改性沥青流变性能评价及微观机理. 中南大学学报(自然科学版). 2024(11): 4204-4216 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 534
- HTML全文浏览量: 16
- PDF下载量: 53
- 被引次数: 7
