CN116823824B - 基于机器视觉的井下带式输送机降尘检测系统 - Google Patents

Abstract

本申请涉及图像处理领域，提供一种基于机器视觉的井下带式输送机降尘检测系统，该系统确定所述粉尘图像中各个区域的粉尘浓度；基于粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的滤波权值；利用非局部均值滤波算法基于粉尘区域对应的滤波权值对粉尘区域进行去噪处理。该系统通过增加粉尘区域在进行NLM时的权重系数，来保证原图像经过非局部均值滤波后粉尘部分的清晰度，避免粉尘区域经过滤波而变得非常模糊导致检测效果不佳，提高粉尘检测的准确度。

Description

基于机器视觉的井下带式输送机降尘检测系统

技术领域

本申请涉及图像处理领域，特别是涉及一种基于机器视觉的井下带式输送机降尘检测系统。

背景技术

随着我国经济快速发展，越来越多的井下矿山被开采，伴随而来的是在开采过程中引起的粉尘污染问题。扬起的粉尘对人体、生产环境、生态平衡都有严重的影响。同时粉尘会造成空气污染，引起尘肺病等职业病，对环境周围的工人的健康都造成了严重的威胁。

而当前矿业工地大多采取的措施是通过设置水管等设施在施工期间一直洒水来减轻粉尘，这种方法的缺点是不能根据当前情况及时调整，容易造成浪费的问题。因而，如果可以实时监测井下环境的粉尘扬起情况，在粉尘出现的初期就采取行动加以处理，就可以极大地减轻甚至解决上述的各种问题。随着图像识别处理技术的进步完善，可以通过采集建筑工地的实时图像借助图像处理技术来查看当前粉尘状况。但是因为井下环境复杂工人来往频繁，粉尘颗粒小不易识别，因此对图像的识别处理提出较高要求。而基于非局部均值滤波（NLM）的图像去噪技术可以很好的识别图像的局部特征，适用于井下矿业环境下的图像处理。但是传统的非局部均值滤波算法在图像部分区域权重上比较简易，不能满足当前需求，导致图像去噪效果不佳。

发明内容

本发明提供一种基于机器视觉的井下带式输送机降尘检测系统，其能够提高粉尘检测的准确度。

第一方面，本申请提供一种基于机器视觉的井下带式输送机降尘检测系统，包括：

图像采集模块，用于获取粉尘图像；

第一计算模块，用于确定所述粉尘图像中各个区域的粉尘浓度；

第二计算模块，用于基于粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的滤波权值；

滤波处理模块，用于利用非局部均值滤波算法基于粉尘区域对应的滤波权值对粉尘区域进行去噪处理。

可选的，第一计算模块包括：

聚类模块，用于基于所述粉尘图像中每一像素点的坐标值对所述粉尘图像中的像素点进行聚类，得到多个不同粉尘浓度等级的像素点组合；

浓度计算模块，用于确定每一像素点组合的灰度均值，将像素点组合的灰度均值与所有像素点组合中灰度均值的最大值之比确定为所述像素点组合对应的粉尘浓度，从而确定所述粉尘图像中各个区域的粉尘浓度。

可选的，所述聚类模块还用于：

计算每一像素点的灰度值与初始像素点组合的聚类中心之间的相似度，如果相似度大于预设，则将所述像素点并入初始像素点组合中，最终得到所述像素点组合；其中，初始像素点组合的聚类中心为初始像素点组合中像素点的灰度值的均值。

可选的，第二计算模块包括：

分散度计算模块，用于基于各个区域的粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的粉尘分散度；

聚合度计算模块，用于基于粉尘区域的粉尘分散度计算粉尘区域的粉尘聚合度；

权重计算模块，用于基于粉尘区域的粉尘浓度以及粉尘区域对应的粉尘聚合度计算粉尘区域对应的滤波权值。

可选的，分散度计算模块用于：

确定每一像素点组合对应的第一灰度游程矩阵，所述第一灰度游程矩阵的行表示游程长度，所述游程长度指相邻像素值相同的像素数量，所述第一灰度游程矩阵的列表示像素点的从0-255的灰度值；

提取所述第一灰度游程矩阵中灰度值从到/>之间的游程长度，将提取的游程长度平均分为预设数量的聚合区域，得到第二灰度游程矩阵，所述第二灰度游程矩阵的行表示聚合区域，列表示从/>到/>的灰度值，其中K表示所述像素点组合的灰度值均值，其中，每一聚合区域中游程长度集合差不大于1；

基于各个区域的粉尘浓度将所有像素点组合的第二灰度游程矩阵合并，得到第三灰度游程矩阵；

基于所述第三灰度游程矩阵确定粉尘图像中的粉尘区域，并确定粉尘区域对应的粉尘分散度。

可选的，如果相似窗口中心点的灰度值处于到/>之间，且相似窗口中心点的游程长度不为0，则表示相似窗口中心点处于聚合区域，分散度计算模块还用于：

计算每一像素点所在的聚合区域内像素点的游程长度之和以及所有聚合区域内像素点的游程长度之和；

基于所述像素点所在的聚合区域内像素点的游程长度之和，和所有聚合区域内像素点的游程长度之和的比值计算得到聚合区域对应的粉尘分散度，聚合区域对应的粉尘分散度为粉尘区域对应的粉尘分散度。

可选的，聚合度计算模块用于：

利用非局部均值滤波算法中相似窗口中心点上的游程长度对各个聚合区域的粉尘分散度进行加权，基于加权结果和聚合区域内最长的游程长度之比确定粉尘区域对应的粉尘聚合度；

其中，粉尘聚合度的计算公式为：

为第i个聚合区域/>的粉尘的分散度，/>为非局部均值滤波算法中相似窗口中心点上的游程长度，/>为第i个聚合区域/>内的最长游程长度。

可选的，权重计算模块用于利用如下公式计算粉尘区域对应的滤波权值：

其中，表示粉尘聚合度，/>表示粉尘浓度，h为平滑参数，/>分别表示像素点x和像素点y的邻域观察值向量，/>表示滤波权值。

可选的，滤波处理模块用于：

以像素点组合的聚类中心作为种子点，利用区域生长算法确定粉尘图像的语义信息；

基于粉尘图像的语义信息确定粉尘区域和非粉尘区域；

利用计算得到的滤波权值对粉尘区域进行去噪处理。

可选的，图像采集模块用于：

采集工地图像，利用暗通道去雾算法对采集的工地图像进行去雾处理，得到去雾图像；

利用工地图像减去去雾图像得到所述粉尘图像。

本申请的有益效果，区别于现有技术的情况，本申请的机器视觉的井下带式输送机降尘检测系统，确定所述粉尘图像中各个区域的粉尘浓度；基于粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的滤波权值；利用非局部均值滤波算法基于粉尘区域对应的滤波权值对粉尘区域进行去噪处理。该系统通过增加粉尘区域在进行NLM时的权重系数，来保证原图像经过非局部均值滤波后粉尘部分的清晰度，避免粉尘区域经过滤波而变得非常模糊导致检测效果不佳，提高粉尘检测的准确度。

附图说明

图1为本发明基于机器视觉的井下带式输送机降尘检测系统的一实施例的结构示意图；

图2为图1中第一计算模块的一实施例的结构示意图；

图3为图1中第二计算模块的一实施例的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

本发明通过非均值滤波算法对井下带式输送机部分的粉尘去噪和降噪，将非均值滤波算法中的权重系数通过粉尘浓度进行改进，采用暗通道去雾和图像减法运算得到只含有粉尘区域的图像，通过K-means聚类和灰度游程矩阵，得到不同粉尘浓度的粉尘分散情况。为后续非均值滤波算法赋权重时提供更精确地权重值，使整个算法在去噪的过程中在提高图像清晰度的同时，更精准保留图像中的局部特征。下面结合附图和实施例对本申请进行详细的说明。

请参见图1，图1为本申请基于机器视觉的井下带式输送机降尘检测系统的一实施例的结构示意图，具体包括：图像采集模块11、第一计算模块12、第二计算模块13以及滤波处理模块14。其中，图像采集模块11用于获取粉尘图像；第一计算模块12用于确定所述粉尘图像中各个区域的粉尘浓度；第二计算模块13用于基于粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的滤波权值；滤波处理模块14用于利用非局部均值滤波算法基于粉尘区域对应的滤波权值对粉尘区域进行去噪处理。该系统通过增加粉尘区域在进行NLM时的权重系数，来保证原图像经过非局部均值滤波后粉尘部分的清晰度，避免粉尘区域经过滤波而变得非常模糊导致检测效果不佳，提高粉尘检测的准确度。

具体的，图像采集模块11用于获取粉尘图像。在一具体实施例中，图像采集模块11用于：采集工地图像，利用暗通道去雾算法对采集的工地图像进行去雾处理，得到去雾图像；利用工地图像减去去雾图像得到所述粉尘图像。

具体的，暗通道去雾算法可以很好的去除图像中的粉尘，对采集到的图像进行暗通道先验去雾处理，在RGB三个通道中取最小值组成灰度图，然后再进行一个最小值滤波得到暗通道分布，最后进行大气光估计和图像复原之后得到去雾后的图像。得到去雾图后运用图像的减法运算，用原图像-去雾图像从而得到粉尘图像。

第一计算模块12于确定所述粉尘图像中各个区域的粉尘浓度。具体的，请结合图2，图2为第一计算模块的一实施例的结构示意图，其中，第一计算模块12包括聚类模块21、浓度计算模块22。

粉尘图像是经过灰度化处理的灰度图像。聚类模块21用于基于所述粉尘图像中每一像素点的坐标值对所述粉尘图像中的像素点进行聚类，得到多个不同粉尘浓度等级的像素点组合。具体的，输入粉尘图像的灰度值以及粉尘图像中像素点的坐标值对粉尘图像进行K-means聚类，对粉尘浓度不同的地方完成区域分割，划分粉尘浓度的等级。由于提取到的粉尘图片中井下工作环境较暗，灰尘分布比较广，且不同位置的粉尘浓度相差也较大，所以在进行K-means聚类时将聚类分组设为10，可以直观的看出粉尘浓度变化，也即聚类之后得到10个聚类结果，每一个聚类结果由多个像素点组合而成。

在一具体实施例中，在进行聚类时，聚类模块21计算每一像素点的灰度值与初始像素点组合的聚类中心之间的相似度，如果相似度大于预设，则将所述像素点并入初始像素点组合中，最终得到所述像素点组合；其中，初始像素点组合的聚类中心为初始像素点组合中像素点的灰度值的均值。具体的，在进行初始聚类时，为10个聚类分组随机选取聚类中心，然后重复下面两个步骤：计算每个像素点的灰度值和每个聚类中心的相似度，将像素点划分到最相似的类别中。计算每个初始像素点组合中所有像素点的均值，并将该均值作为每个初始像素点组合的新的聚类中心，经过迭代至聚类中心不再改变，最终输出聚类中心以及每个粉尘浓度的类别。得到十个不同粉尘浓度等级的图像，该图像由像素点组合中的像素点组成。

浓度计算模块22用于确定每一像素点组合的灰度均值，将像素点组合的灰度均值与所有像素点组合中灰度均值的最大值之比确定为所述像素点组合对应的粉尘浓度，从而确定所述粉尘图像中各个区域的粉尘浓度。具体的，取10个像素点组合的灰度值均值，设灰度值均值为：。

取其中灰度均值的最大值为，/>，则：

以各像素点组合的灰度均值与最大值之比作为浓度等级，各像素点组合的粉尘浓度P为：

为当前像素点组合的灰度均值，/>为所有像素点组合的灰度均值的最大值，粉尘浓度P最大取值为1。按照粉尘浓度递增的规律确定区域的编号，即/>粉尘浓度最小，/>粉尘浓度最大。且在粉尘区域外的粉尘浓度为/>。

由此即可通过第一计算模块12计算得到粉尘图像中各个区域的粉尘浓度。

本申请的检测系统中，第二计算模块13用于基于粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的滤波权值。其中，请结合图3，图3为第二计算模块的一实施例的结构示意图，第二计算模块13包括分散度计算模块31、聚合度计算模块32以及权重计算模块33。

其中，分散度计算模块31用于基于各个区域的粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的粉尘分散度。具体的，K-means聚类将粉尘图像划分为了十个像素点组合，每一像素点组合对应一个初始划分区域，但是每个初始划分区域里面不仅仅有粉尘区域的像素，还有其他的背景的像素，由于在每个初始划分区域里粉尘都占有很大一部分，根据上述求出来的各个初始划分区域的灰度值均值，可以认为灰度值在灰度值均值/>的灰度值邻域/>内的像素均为粉尘区域的像素，即灰度值在内的像素组成粉尘区域，其余部分为背景像素。/>的经验取值为20。

对这10个初始划分区域分别进行0°方向上的灰度游程矩阵计算，统计每个灰度级别出现的游程长度和频率。具体的，确定每一像素点组合对应的第一灰度游程矩阵，所述第一灰度游程矩阵的行表示游程长度，所述游程长度指相邻像素值相同的像素数量，相邻像素值是指在图像中连续排列的相邻像素，其像素值相同，所述第一灰度游程矩阵的列表示像素点的从0-255的灰度值。第一灰度游程矩阵如下表1所示：

表1

其中，P为像素点的最大游程长度。得到第一灰度游程矩阵后，提取所述第一灰度游程矩阵中灰度值从到/>之间的游程长度，由此得到各处粉尘区域中粉尘像素的分布状况。将提取的游程长度平均分为预设数量的聚合区域，得到第二灰度游程矩阵。具体的，将将游程长度平均分为五个聚合区域，如果有余数不能整分，则将余数按照由长到短平均分配给这五个区域，保证每个聚合区域中的游程长度集合差不大于1。五个聚合区域分别记为：/>，每个聚合区域内的取值为此灰度值在区域内的游程长度总和，最终得到第二灰度游程矩阵。其中，所述第二灰度游程矩阵的行表示聚合区域，列表示从/>到/>的灰度值，其中K表示所述像素点组合的灰度值均值，每一聚合区域可以表示一个粉尘区域。第二灰度游程矩阵如下表2所示：

表2

基于粉尘浓度将所有像素点组合的第二灰度游程矩阵合并，得到第三灰度游程矩阵。具体的，将十个像素点组合对应的区域的小矩阵即第二灰度游程矩阵按照每个粉尘浓度由小到大的顺序排列在一起，得到一个大矩阵即第三灰度游程矩阵。其中，是最短游程长度的集合，表示粉尘像素分布最分散，/>是最长游程长度的集合，表示粉尘像素分布最集中，从/>到/>代表着粉尘像素分布越来越集中。其中每个矩阵中的聚合区域/>代表了粉尘像素在整幅图像中的分散程度，如/>的总值占比越大，则证明在整幅图像中粉尘的分布是很分散的，中间夹杂了很多的背景，反之则代表整幅图像中粉尘分布很集中，夹杂的背景区域较少。

根据非均值滤波算法NLM的基本原理将图像划分为21*21的搜索窗口和3*3的相似窗口。分散度计算模块31基于所述第三灰度游程矩阵计算各个区域对应的粉尘分散度。具体的，如果相似窗口中心点的灰度值处于到/>之间，且相似窗口中心点的游程长度不为0，则表示相似窗口中心点处于聚合区域，分散度计算模块31计算每一像素点所在的聚合区域内像素点的游程长度之和以及所有聚合区域内像素点的游程长度之和；基于所述像素点所在的聚合区域内像素点的游程长度之和/>，和所有聚合区域内像素点的游程长度之和/>的比值计算得到聚合区域对应的粉尘分散度。

进行非局部均值滤波算法NLM去噪时，判断相似窗中心点的灰度值是否处于大矩阵中的所有值域内，然后计算相似窗中心点在0°和180°上的游程长度总和，若不在/>值域内或者此中心点的游程长度为0，则代表相似窗中心点并未在粉尘区域，若在值域内且游程长度不为0，则判断此像素点的游程长度处于聚合区域，并计算此区域的粉尘分散度/>：

表示像素点所在聚合区域内所有像素点游程长度之和，/>代表在聚合区域内所有像素点的游程长度之和。由于/>到/>所代表的粉尘像素分散程度逐渐减小，对于粉尘分散程度较大的区域，中间容易夹杂其他背景，所以应该对分散程度大的区域增加滤波权重，防止滤波后粉尘区域变得模糊。

聚合度计算模块32用于基于粉尘区域的粉尘分散度计算粉尘区域的粉尘聚合度。具体的，聚合度计算模块32用于利用非局部均值滤波算法中相似窗口中心点上的游程长度对各个聚合区域的粉尘分散度进行加权，基于加权结果和聚合区域内最长的游程长度之比确定各个区域对应的粉尘聚合度。其中，粉尘聚合度的计算公式为：

为第i个聚合区域/>的粉尘的分散度，/>为非局部均值滤波算法中相似窗口中心点上的游程长度，/>为第i个聚合区域/>内的最长游程长度。

表示第i个聚合区域/>内粉尘的分散程度。较大的/>值表示粉尘更为分散，而较小的/>值表示粉尘更为集中。/>的大小反映了粉尘在相似窗口内的连续性。较大的/>值表示在相似窗口内粉尘更连续，而较小的/>值表示在相似窗口内粉尘更不连续。当/>和/>较大时，/>的值会增大，表示该聚合区域/>的粉尘更为聚集。

表示第i个聚合区域/>内粉尘的最长连续长度。/>的大小反映了聚合区域/>内粉尘的连续性程度。较大的/>值表示粉尘更连续，而较小的/>值表示粉尘更不连续。当/>较大时，/>的值会减小，表示该聚合区域/>的粉尘更为分散。

加一的作用是确保粉尘聚合度的值始终大于等于1，使得即使在较低的粉尘聚合度情况下，/>仍保持正数值。这样做可以方便后续的计算和处理，并确保结果的一致性。

权重计算模块33用于基于粉尘区域的粉尘浓度以及粉尘区域对应的粉尘聚合度计算粉尘区域对应的滤波权值，具体的，权重计算模块33用于利用如下公式计算各个区域对应的滤波权值：

其中，表示粉尘聚合度，/>表示粉尘浓度，h为平滑参数，/>分别表示像素点x和像素点y的邻域观察值向量，具体而言，/>为高斯加权的欧氏距离，V(x)和V(y)可以表示为包含像素点x和像素点y周围像素的特征向量，/>表示计算得到的滤波权值。

粉尘聚合度越大，的值越大，会增加滤波权值/>。这意味着在粉尘聚集较高的区域，像素点x与邻域像素点y之间的相似性会更强，权值也会更高，从而在滤波过程中更受到关注。

当较大时，/>的值会增大，表示粉尘浓度较高的区域在滤波过程中具有更高的权重。/>和/>的大小直接影响/>的权重，决定了滤波过程中不同区域的重要性。

相似窗口落到粉尘区域时，此处的权重随着粉尘浓度的增大而增大，并且同时随着分散程度的增加而增加。这样改进的权重系数不仅仅可以在滤波时让浓度粉尘区域更清晰，而且可以保护夹杂着背景区域的粉尘区域不被模糊化。

滤波处理模块14用于利用非局部均值滤波算法基于各个区域对应的滤波权值对对应的区域进行去噪处理。具体的，滤波处理模块14用于：以像素点组合的聚类中心作为种子点，利用区域生长算法确定粉尘图像的语义信息；基于粉尘图像的语义信息确定粉尘区域和非粉尘区域。

具体的，对筛选出来的十个粉尘部分即10个像素点组合进行区域生长，以每个不同等级的粉尘区域的聚类中心作为种子点，以这十个种子点开始，将与种子灰度级相似的领域像素附加到生长区域的每个种子上，进行迭代处理后实现对粉尘部分的提取，得到粉尘图像的语义信息。因为原图像经过暗通道、K-means以及区域生长后，图像粉尘的底层特征不变，所以进行过区域生长后提取到的粉尘图像在原图中的位置信息不变。

当搜索窗口的中心点位于非粉尘区域，而相似窗移动至粉尘区域时，此时两个像素块的相似程度非常低，传统的NLM算法会将此时的粉尘区域所占权重降低到接近于零，去噪之后的粉尘区域会变得非常模糊，不利于后续检测。

在进行NLM去噪时，根据经过区域生长提取到的粉尘的语义信息，判断相似窗的位置是否处于粉尘区域内，若在粉尘区域外，则判定粉尘浓度，按照传统的NLM执行，若检测到相似窗落到粉尘区域内，则按照不同的粉尘浓度等级对相似窗内的像素块加以不同的权重，粉尘浓度等级越高，则所占权重越大。

需要说明的是，根据非均值滤波算法NLM的基本原理将图像划分为21*21的搜索窗口和3*3的相似窗口（具体窗口形状大小可根据实施者需求进行调整）。将相似窗口从搜索窗口的左上角依次滑动到右下角。

在进行图像去噪时，传统的NLM去噪方法会使粉尘图像变模糊，可能导致捕捉不到粉尘区域。针对此情况，在进行非局部均值滤波时，根据不同粉尘浓度的等级，增加粉尘部分的权值，粉尘浓度等级越大，则进行NLM时所占权重越大。

对于非粉尘区域，利用如下公式对非粉尘区域进行去噪处理：

其中代表的是经过去噪后该点的灰度值，I表示像素i的相似点几个，通过搜索一定区域得到，/>表示的是传统的NLM的权值，为像素x和像素y之间的相似度，相似度由以/>为中心的矩形邻域间的距离决定：

为归一化系数，h为平滑参数，经验值为/>，/>分别表示像素x和像素y的邻域观察值向量。NLM算法在加权核函数的选择上选择了指数型减函数，其中权重系数/>和高斯加权的欧氏距离的关系可表示为：

为高斯加权的欧氏距离，h为平滑系数，是人为确定的，它决定了指数型加权核函数的衰减程度。当h选取一个固定的值后，则加权核函数为一个单调递减函数，即高斯加权的欧氏距离取值越大，则该像素块的权重比例越小，直至接近0，所以在进行加权平均计算时，相似程度低的像素块对像素估计值产生的作用几乎没有。

本申请中，在进行的NLM去噪时，对于粉尘区域，则利用计算得到的滤波权值对粉尘区域进行去噪处理，具体的，将计算的到的：

代入到权重中，通过粉尘浓度和粉尘聚合度的变化影响权重/>，并执行NLM滤波，避免因为相似度过低而导致粉尘区域权重几乎为零而导致检测的粉尘图像模糊。

可以理解的，粉尘区域的滤波权重大于非粉尘区域的滤波权重。

本申请通过增加粉尘区域在进行NLM时的权重系数，来保证原图像经过非局部均值滤波后粉尘部分的清晰度，避免粉尘区域经过滤波而变得非常模糊导致检测效果不佳，提高粉尘检测的准确度。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (9)

1.基于机器视觉的井下带式输送机降尘检测系统，其特征在于，包括：

图像采集模块，用于获取粉尘图像；

第一计算模块，用于确定所述粉尘图像中各个区域的粉尘浓度；

第二计算模块，用于基于粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的滤波权值；

滤波处理模块，用于利用非局部均值滤波算法基于粉尘区域对应的滤波权值对粉尘区域进行去噪处理；

第二计算模块包括：

分散度计算模块，用于基于各个区域的粉尘浓度确定粉尘图像中的粉尘区域，并确定粉尘区域对应的粉尘分散度；

聚合度计算模块，用于基于粉尘区域的粉尘分散度计算粉尘区域的粉尘聚合度；

权重计算模块，用于基于粉尘区域的粉尘浓度以及粉尘区域对应的粉尘聚合度计算粉尘区域对应的滤波权值。

2.根据权利要求1所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，第一计算模块包括：

聚类模块，用于基于所述粉尘图像中每一像素点的坐标值对所述粉尘图像中的像素点进行聚类，得到多个不同粉尘浓度等级的像素点组合；

浓度计算模块，用于确定每一像素点组合的灰度均值，将像素点组合的灰度均值与所有像素点组合中灰度均值的最大值之比确定为所述像素点组合对应的粉尘浓度，从而确定所述粉尘图像中各个区域的粉尘浓度。

3.根据权利要求2所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，所述聚类模块还用于：

计算每一像素点的灰度值与初始像素点组合的聚类中心之间的相似度，如果相似度大于预设，则将所述像素点并入初始像素点组合中，最终得到所述像素点组合；其中，初始像素点组合的聚类中心为初始像素点组合中像素点的灰度值的均值。

4.根据权利要求1所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，分散度计算模块用于：

确定每一像素点组合对应的第一灰度游程矩阵，所述第一灰度游程矩阵的行表示游程长度，所述游程长度指相邻像素值相同的像素数量，所述第一灰度游程矩阵的列表示像素点的从0-255的灰度值；

提取所述第一灰度游程矩阵中灰度值从到/>之间的游程长度，将提取的游程长度平均分为预设数量的聚合区域，得到第二灰度游程矩阵，所述第二灰度游程矩阵的行表示聚合区域，列表示从/>到/>的灰度值，其中K表示所述像素点组合的灰度值均值，其中，每一聚合区域中游程长度集合差不大于1；

基于各个区域的粉尘浓度将所有像素点组合的第二灰度游程矩阵合并，得到第三灰度游程矩阵；

基于所述第三灰度游程矩阵确定粉尘图像中的粉尘区域，并确定粉尘区域对应的粉尘分散度。

5.根据权利要求4所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，如果相似窗口中心点的灰度值处于到/>之间，且相似窗口中心点的游程长度不为0，则表示相似窗口中心点处于聚合区域，分散度计算模块还用于：

计算每一像素点所在的聚合区域内像素点的游程长度之和以及所有聚合区域内像素点的游程长度之和；

基于所述像素点所在的聚合区域内像素点的游程长度之和，和所有聚合区域内像素点的游程长度之和的比值计算得到聚合区域对应的粉尘分散度，聚合区域对应的粉尘分散度为粉尘区域对应的粉尘分散度。

6.根据权利要求5所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，聚合度计算模块用于：

利用非局部均值滤波算法中相似窗口中心点上的游程长度对各个聚合区域的粉尘分散度进行加权，基于加权结果和聚合区域内最长的游程长度之比确定粉尘区域对应的粉尘聚合度；

其中，粉尘聚合度的计算公式为：

为第i个聚合区域/>的粉尘的分散度，/>为非局部均值滤波算法中相似窗口中心点上的游程长度，/>为第i个聚合区域/>内的最长游程长度。

7.根据权利要求1所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，权重计算模块用于利用如下公式计算粉尘区域对应的滤波权值：

其中，表示粉尘聚合度，/>表示粉尘浓度，h为平滑参数，/>分别表示像素点x和像素点y的邻域观察值向量，/>表示滤波权值。

8.根据权利要求1所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，滤波处理模块用于：

以像素点组合的聚类中心作为种子点，利用区域生长算法确定粉尘图像的语义信息；

基于粉尘图像的语义信息确定粉尘区域和非粉尘区域；

利用计算得到的滤波权值对粉尘区域进行去噪处理。

9.根据权利要求1所述的基于机器视觉的井下带式输送机降尘检测系统，其特征在于，图像采集模块用于：

采集工地图像，利用暗通道去雾算法对采集的工地图像进行去雾处理，得到去雾图像；

利用工地图像减去去雾图像得到所述粉尘图像。