摘 要： 提出了一种基于无人机的热红外成像技术, 这种技术克服了传统技术的不足, 无人机所拍摄的彩色图像用于生成土地覆盖类型和估计地图地面特征的发射率。TIR图像被采用来检索陆地表面温度 (LST) 并因此生成正射影像, 这将进一步用于识别煤火区。对某一实例煤矿进行了勘测, 得到了勘测精度可以满足日常的勘测需求, 这说明现代无人机匹配红外成像技术在煤矿勘测中极具应用前景。
关键词： 煤矿勘测; 无人机技术; 红外成像; 实例研究;
Abstract： a thermal infrared imaging technology based on UAV is proposed, which overcomes the shortcomings of traditional technology. The color images taken by UAV are used to generate land cover types and estimate the emissivity of map ground features. Tir images are used to retrieve land surface temperature (LST) and thus generate orthophoto images, which will be further used to identify coal fires. An example of coal mine survey has been carried out, and the precision of survey has been obtained, which shows that the modern UAV matching infrared imaging technology has great application prospect in coal mine survey.
Keyword： coal mine survey; UAV technology; infrared imaging; case study;
引言
煤炭火灾通常是煤炭等不可再生资源通过混合空气引发的自燃, 对当地环境、气候和人身安全构成巨大威胁。遥感技术由于其操作灵活的优势, 在煤火调查和大规模数据采集应用中有着近53年的悠久历史。卫星探测煤火数据已由世界各地的煤田的空间传感器来实施, 如NOAA-AVHRR (美国国家海洋和大气管理局-进阶非常高分辨率辐射计) 、MODIS (中等分辨率成像分光辐射计) 、TM (专题制图) 、ETM+ (增强专题制图) 和ASTER (Advanced星载热辐射和反射辐射计) 。然而, 只有来自NOAA-AVHRR和MODIS的图像可以确定煤的火灾亚像素级 (其非常粗糙的空间尺寸和1 km的分辨率) 。具有中等分辨率的Landsat TM和ETM+图像通常用于检测基于煤火灾变化算法和煤炭火区的自然休息提取方法的单通道地表温度 (LST) 。霍等人 (2015) 采用单窗口方法从TM/ETM+热恢复LST数据, 使用阈值技术识别煤火区并预测其蔓延煤田煤火方向。卫星热红外 (TIR) 方法的优势在于检测煤炭大面积起火能力, 但由于煤火的检测精度不是很高, 存在空间分辨率较低的问题。所以目前急需一种简单、快捷的煤矿勘测技术。
1、 机载热红外遥感技术在煤矿热异常勘测中的应用
机载热红外遥感技术具有快速处理数据的优势, 此外还具有高空间分辨率采集和覆盖大面积勘测区域的能力, 这些优势均可以有效地弥补上述方法的不足。王等教授 (2004) 等人曾经报道过OMIS1 (模块化成像光谱仪) 第107个波段 (9 236.7 nm) 的像素值在清晨与实地考察参考LST具有更好的线性关系, 这更适合LST地图生成。张欢等人 (2004) 通过密度切片方法从机载图像中发出火焰提取了煤引起的热异常, 并得出8~12.5 Hz的频带对于低温热量来说, 夜间时煤火引起的异常的检测精度最高, 而日间3~5 Hz的频带对煤火引起的亚像素高温精度检测最高。机载热红外遥感数据要求比卫星图像具有更高的飞行和处理成本, 尽管它具有令人满意的空间分辨率和覆盖大面积的能力。
配备全球定位系统 (GPS) 和不同测量设备的无人驾驶飞行器 (UAV) 最近的发展已经降低了收集图像的成本。无人机由于具有更小的尺寸、质量轻、灵活性高和在低空可靠的飞行性能, 为遥感技术提供了补充工具, 因此更适合制作大比例尺地图。Vasterling和Meyer (2013) 发现无人机热成像可以使用手动图像镶嵌的方法为难以进入的煤矿陡峭的山坡特征提供更详细的温度分布图。王雪峰等人 (2015) 通过采用高分辨率RGB确定地下煤火的位置图像来识别地裂缝[1]。但是, 仅仅根据彩色图像中的地表裂缝确定所有煤矿地下火情, 这一切均相当困难。因此, 笔者展示了检测煤火的高质量工作流程, 即通过将无人机TIR图像与自然彩色图像相关联来使用检索LST。
2、 无人机匹配红外成像技术煤矿勘测中的实例研究实施过程
本文提供的实例煤矿位于中国的北部地区, 其海拔为1 200~1 400 m。该煤矿开采包括侏罗纪煤层在内的11个可行接缝煤层。空气加速通过地面进入地下煤层之间的表面裂缝循环引发煤火灾。这些裂缝是在非法和小规模采煤活动期间由浅层开采和弱屋顶结构引起的。
在这项研究中, 四轴直升机无人机平台 (见下页图1) 的开发是为了承载可视摄像头和热红外摄像头进行遥感操作。无人机质量为2.6 kg, 包括电池和摄像头, 并且飞行时间大约为20 min。安装在quadcopter下的Sony ILCE-6000用于捕捉RGB图像和FLIR Tau2 324相机用于捕捉热红外视频。该索尼相机的焦距为20 mm, 像素为23.5 mm×15.6 mm, 尺寸为3.9μm。FLIR传感器是基于非制冷微测辐射热计的焦平面阵列在9 Hz的速率下热灵敏度小于50 m K, 提供13 mm的镜头, 324×256像素, 像素尺寸为25μm, 14位传感器未校准辐射亮度和光谱响应范围为7.5~13.5μm[2]。在飞行任务期间, 无人机根据自动驾驶系统进行控制, 该系统提供自动GPS导航, 飞行速度为5 m/s, 并计划固定在相对高度200 m航点。在太阳下分别收集RGB颜色和热图像 (天气条件:晴朗) 。另一个TIR图像采集活动于当地夜晚进行 (有强风) 。
图1 四轴直升机无人机平台 (配:摄像头和热红外摄像头进行遥感操作)
3、 结果和分析
为了验证使用TIR技术的煤火检测的准确性, 有180个不同的由手持GPS设备定位来自裂缝或孔洞的火点或烟点, 位置精度为3~5 m。如图2所示, 三角形, 方框形和圆形框表示公认的煤火区, 用于调查火点或烟雾斑点。编号从1到11被用来描述每个地区发生煤火情况。茂密的草地和陡峭的小山太多而无法发现这些火点。因此, 三次调查足以确定这些明显的火点或烟点。在这种情况下, 被调查的地方被认为是如果二者之间的距离小于3 m, 则与煤炭火灾区域重叠手持GPS的最小误差位置。明显火点与火灾区重叠比例分别为78.33%、92.78%和83.89%。
根据TIR图像, 需要检测地下发现的潜在煤火区以确定是否存在火灾。图2-2中包括道路在内的1号消防区域, 曾经有几个非法坑口小矿;来自2号地区中心的房屋形状表明被遗弃寺庙。这也得到了当地村民的证实, 他们描述了煤火发生的事实从裂缝点燃了这座寺庙;3号高温热力异常, 使用Fluke Ti400热像仪验证了4号和9号火灾区域。有些如电灯 (第5号, 第6号和第7号地区) 和变压器 (第8号) 地区) 于晚上从住宅用地取消到电加热面罩。大多数未被发现的火灾区域, 例如围绕着的2号地区小火洞方块区更可能受到陆地表面弱热异常的诱导。这些火洞的直径通常比收集的热图像 (37 cm) 的分辨率小得多。总而言之, 推断是合理的, 图2-3中火灾区域的检测精度达到92.78%[3]。
图2 无人机匹配红外成像技术在煤矿火情勘测中的实例
如图2-1所示, 有26个调查点发生火灾不符合第2区北部确定的火灾区域, 而南部已确定的火灾区域与实地调查点有较好的重叠。所有这些异常发现的火灾地区都可能受到太阳能白天LST增量的辐射干扰引起。在这种情况下, 检测到的图2-1中的煤炭火灾区域准确性可能不到78.33%。
从图2-3可以看出, 与图2-1类似, 确定的火灾区域在北部, 似乎大部分被调查点与南部公认的火区相匹配。此外, 与之形成鲜明对比图3, 2号、7号和9号区域太阳能采暖地面的影响增加了更多的误报。此外, 与之形成鲜明对比, 前两张图显示, 检测到的火灾区域倾向于在东南部延伸是由于受到西北风的影响 (风速为4.1 m/s) 。因此, 图2-3中火灾区域的检测精度不高于83.89%。
4、 结语
本文研究结果显示:从夜间热像认识煤火区能够更好地检测火灾区域, 精度达到92.78%。这主要是消除了太阳辐射的影响。另外, 消除夜晚由于电力设施造成的虚假火灾区域将提高煤火区检测的精度。表明提高TIR图像的分辨率有助于获得更精确的弱小煤火区的识别结果。
参考文献：
[1]郑红.无人机在水利勘测中的应用研究探索[J].甘肃水利水电技术, 2016, 52 (4) :63-65.
[2]孙朝阳, 郑彦春, 徐秀云.无人机航空摄影测量技术在风能开发勘测方面的应用[J].电力勘测设计, 2011 (5) :24-29.
[3]郑小兵, 郑彦春, 张红军, 等.无人机摄影测量技术用于电力勘测工程的探索和设想[J].电力勘测设计, 2009 (6) :22-24;32.
