0 引 言
矿区地表裂缝是采空区上覆岩层移动与表土层形变耦合的结果，是煤矿典型的采动损害形式之一[1]。矿区地裂缝对土地生态[2-5]建筑设施[6-7]、交通线路[8-10]、水体等造成不同程度的破坏，并引发地质灾害。目前学术界对采动地表裂缝的动态信息采集以现场测量方法为主，部分学者利用卫星遥感影像来提取裂缝特征。如范立民等[11]使用高分卫星影像(QuickBird)配合野外调查获取了榆神矿区等浅埋煤层高强度开采区地裂缝发育的基本特征；张兴航等[12]采用GeoEye影像获取地面裂缝特征，提出了一种基于对象的地裂缝分布提取方法。已有的现场测量裂缝方法工作量大、效率低，且难以获取裂缝的精细特征，而利用卫星遥感影像提取裂缝的时效性和空间分辨率不足,难以及时反映开采过程地表裂缝的动态发育特征。
随着无人机摄影测量技术的快速发展，利用低空无人机航拍系统可以在较短时间内快速获取沉陷区高分辨率数字影像，结合图像处理技术可实现地表裂缝特征的精细提取。笔者以榆神矿区金鸡滩煤矿某综放工作面地表为试验研究区域，采用低空无人机摄影测量系统获取沉陷区地面影像，通过试验对比分析多种常用的图像分类算法用于裂缝特征提取的有效性，针对裂缝初提取结果中存在的非裂缝地物信息，采用随机森林算法制作掩膜，用于去除图像中干枯植被等信息，从而实现采动地表裂缝的精提取。同时，基于裂缝图像灰度特征对地表裂缝进行成因分类和统计分析。
1 无人机影像数据采集与处理
1.1 试验区概况
试验区域位于榆神矿区金鸡滩煤矿综放工作面开采沉陷区，地表为厚松散风积沙覆盖，高程为+1 600—+1 700 m，属于沙丘地貌，地形起伏不大。地表无水系通过，但分布有多处水坑，植被覆盖度低，植被类型较单调，以沙生植被为主。开采工作面厚度平均9.3 m，煤层倾角平均0.5°，开采深度平均260 m，开采宽度300 m，推进长度5 000 m。
1.2 外业数据采集
在2019年4月当工作面推进至380 m时进行无人机外业拍摄，采用大疆精灵4pro型4旋翼无人机搭载索尼ExmorRCMOS相机系统。摄影测量覆盖范围为700 m×1 600 m，面积为1.12 km2。在外业航拍时工作面已经回采380 m，地表形成明显的沉陷盆地，最大下沉量超过5 m。在工作面开切眼至走向推进边界的地表沉陷盆地内出现了多条采动裂缝。
1.3 合理航高的确定
无人机航拍的合理高度取决于所要求的地面分辨率、镜头像素大小和镜头焦距。根据地表裂缝提取精度对地面分辨率的要求，结合研究区地形起伏情况和镜头参数，按下式来确定无人机拍摄的相对航高：
H=Gf/a
(1)
式中：a为镜头像素大小，mm；G为地面分辨率，m；f为镜头焦距，μm；H为无人机相对航高，m。
试验所用的索尼ExmorRCMOS传感器焦距f=8.8 mm，像元大小 =0.002 41 mm。考虑到试验区地貌起伏情况，将航高H设置为50 m，按式(1)确定影像的地面分辨率为13mm，可以满足沉陷区地表裂缝特征的提取要求。在外业摄影测量过程严格遵守《低空数字航空摄影规范》。试验区域除地表裂缝外，还存在枯草、植被、地性线、水坑、建筑物等地物。
1.4 沉陷区裂缝影像生成
沉陷区无人机影像处理在Smart3D软件中进行。其过程包括影像校正、配准、空三解算生成点云数据，并利用点云数据建立三维DSM(数字地面模型)和DEM(数字高程模型)，生成沉陷区DOM(数字正射影像)。具体处理流程如图1所示。为了反映裂缝精细特征的提取过程，裁取包含沙土、干枯植被和典型裂缝类型的Ⅰ、Ⅱ、Ⅲ幅影像作为试验数据，其正射影像及裂缝编号(A—J)如图2所示。
图1 沉陷区影像处理及裂缝提取流程
Fig.1 Image processing and fractures extraction modeling process of subsidence area
图2 裂缝区数字正射影像及裂缝编号
Fig.2 Digital orthophoto image and fracture number of fracture zone
2 采动地表裂缝提取
2.1 地表裂缝的粗提取
目前多数学者基于卫星遥感影像研究地裂缝的提取算法。常用的地裂缝提取方法有基于Canny[13-15]算法及其各种改进方法、支持矢量机[16](Support Vector Machine，SVM)算法、最大似然法(Maximum likelihood method，MLM)等。与卫星遥感影像相比，低空无人机获取的沉陷区影像光谱信息较贫乏，待提取的采动地表裂缝在尺度和延展度方面远比一般地裂缝更差，裂缝发育类型更为复杂多样，因而上述算法在无人机影像提取地表裂缝方面的实际效果有待验证。为此，采用以上3种算法分别对图2中3幅影像进行裂缝提取，结果如图3所示。
图3 基于常用算法的采动地表裂缝提取结果
Fig.3 Extraction results of mining surface fractures based on common algorithms
由图3可知，在地物较复杂的采煤沉陷区内，Canny算法提取的非裂缝信息较多，其原因是Canny算法会自动提取出所有地物的边缘信息，因而不适合于地物植被较丰富的采煤沉陷区裂缝提取；支持矢量机算法和最大似然法受干枯植被的影响较大，但一定程度上能得到较好的裂缝信息。为了验证后两种算法的有效性，利用支持矢量机法和最大似然法提取图2中各条地表裂缝，并与实地测量结果进行对比分析，其结果见表1。
由表1可知，2种算法对宽度较大的裂缝提取效果均较好，对宽度较小的裂缝提取效果相对较差。其原因是宽度较小裂缝与周边像元的灰度特征差异小，导致部分小裂缝未被提取。从所提取的裂缝长度看，2种算法提取效果相差不大，但最大似然法提取的裂缝宽度效果更优。从提取裂缝的纯度看，最大似然法提取结果更混杂，但其主要干扰来自干枯植被信息。为此，引入裂缝提取率来描述2种算法提取效果。裂缝提取率p由下式计算：
表1 SVM算法和MLM法裂缝提取结果
Table 1 SVM algorithm and MLM algorithm for fracture extraction results
方法参数裂缝编号ABCDEFGHIJ裂缝提取率实测结果长度/m192611417813787宽度/cm7106512811121012—SVM算法提取长度/m14216315611623宽度/cm67541078119774.4%MLM法提取长度/m18249315712555宽度/cm695410791181083.2%
(2)
式中：wi为图像提取的裂缝宽度；Wi为实测的裂缝宽度；li为图像提取的裂缝长度；Li为实测的裂缝宽度；n为裂缝总数。
据此，计算出最大似然法的裂缝提取率为83.2%，SVM算法为74.4%，且最大似然法计算耗时仅为SVM算法的50.0%。因此，试验条件下最大似然法更适合无人机影像的地表裂缝提取，但实际提取效果还有待进一步改进。
2.2 地表裂缝的精提取
由图3可知，采用最大似然法提取的试验区裂缝存在少量其他信息，通过实地勘测和DOM影像叠加分析发现，这些非裂缝信息以干枯植被为主，还有地物(植被)的阴影以及地表存在的凹陷式裂缝等，其像元灰度值与裂缝相近，被误提取成地表裂缝。
目前针对遥感图像进行植被分类的算法较多，常用的包括最邻近距离法、面向对象的算法、随机森林(Random Forests,RF)算法等，其中结合纹理信息的RF算法对植被进行分类的效果较优。笔者采用RF算法对影像进行植被分类，将分类后的植被制成掩膜文件以去除植被干扰，再采用最大似然法对裂缝进行精细提取。利用上述RF算法对图2影像进行分类的结果如图4所示。由图4可看出RF分类算法对植被较敏感，将分类结果中植被等非裂缝地物制作成掩膜文件。由于分类结果中有一部分宽度较小的裂缝被分到了植被类，在制作掩膜文件前需先进行腐蚀操作。在加入掩膜文件后，采用最大似然法进行地表裂缝的精提取，其结果如图5所示。在加入掩膜文件后，所提取的地表裂缝比图3所示更为清晰，裂缝较完整且很少包含其他信息。
图4 基于RF算法的分类结果
Fig.4 Classification results based on RF algorithm
由表1及图5可知，经过裂缝的粗提取和精提取后，所得到的裂缝信息较为完整。但由于航拍影像的像元分辨率在2 cm左右，图像中宽度较小的裂缝与周边像元的灰度特征差异小，造成部分小裂缝信息在RF分类中被制作成掩膜文件，导致裂缝端部宽度较小的裂缝信息丢失，而人工实地采集裂缝时可通过肉眼分辨细小的裂缝，使得影像自动提取结果比实测数据更小，可通过提高影像分辨率和改进掩膜文件来获取裂缝的精细特征。
图5 加入掩膜的最大似然法裂缝提取结果
Fig.5 Results of fracture extraction by maximum likelihood method with addition of mask
试验中Canny算法基于Python语言和OpenCV库在Pycharm集成开发环境上编程实现，SVM算法和最大似然法在ENVI5.1软件上完成，RF算法在Random Forest Classification下实现。
3 沉陷区地表裂缝分类及特征分析
3.1 采动地表裂缝的特征类型
采动地表裂缝一般是由于开采引起的地表变形超过表土层的极限变形而形成的。地表裂缝的发育是一个动态过程，当工作面前方某处水平拉伸变形达到开裂的临界值时，地表裂缝开始产生。首先在开切眼外侧产生裂缝，产生与工作面推进方向垂直的闭合环带，随工作面推进，水平变形继续集中，裂缝宽度增大直至最大值。随着工作面推进，动态水平变形开始减小，裂缝宽度将有所减小直至闭合。
采动地表裂缝的分类依据不同准则而不同。根据裂缝受力状况不同，结合采矿工艺[2]、裂缝发育位置、岩梁破断特征[11]等情况，可分为拉应力引起的拉伸裂缝和剪应力引起的剪切裂缝；根据采动地表裂缝的形成机理可分为拉伸型裂缝、挤压型裂缝、塌陷型裂缝、滑动型裂缝等；根据裂缝发育过程可分为临时性裂缝和永久性裂缝。临时性裂缝随着工作面的推进，先增大后减小直至闭合。永久性裂缝是地表形成的永久性破断，地表移动稳定后裂缝无法完全闭合。试验中根据裂缝的图像特征可将采动地表裂缝分为开裂式台阶裂缝、闭合式台阶裂缝、凹陷式裂缝、条纹式裂缝、裂纹式裂缝、凹陷式闭合台阶裂缝。如图6所示。
图6 采动地表裂缝特征类型
Fig.6 Mining surface fractures characteristics type
3.2 沉陷区地表裂缝分布特征
对沉陷区影像进行裂缝提取和特征信息提取。对于地表裂缝中因植被遮挡、阴影和陷坑影响而产生的不连续现象，将所提取的裂缝图与无人机正射影像、地下开采工作面、地表移动观测站布设图进行叠加分析，通过目视解译结合沉陷区裂缝发育特征,对裂缝非连续处进行图像编辑和再生成，得到沉陷区地表裂缝分布如图7a所示。图7b为野外人工测绘的地表裂缝分布图。
图7 沉陷区地表裂缝分布
Fig.7 Distribution of surface fractures in subsidence areas
图7中基于无人机影像使用本文方法所提取的裂缝与人工测绘结果基本一致，但具有更多的裂缝详细信息。如在走向观测点A47～A49 ，基于影像提取了多条密集的小裂缝信息。同时，根据无人机影像的灰度变化特征可进一步对裂缝进行特征分类，将其细分为开裂式台阶裂缝、闭合式台阶裂缝、凹陷式裂缝、条纹式裂缝、裂纹式裂缝、凹陷式闭合台阶裂缝。其中，开裂式台阶裂缝和条纹式裂缝由于裂缝宽度较大，其图像灰度特征明显，分类效果较好；闭合式台阶裂缝的开裂宽度小，有明显台阶，可根据台阶的灰度特征判断该类裂缝；凹陷式裂缝由于其形状特殊，裂缝形态表现为明显的断续性；裂纹式裂缝的深度浅而宽度小且长度短，部分与干枯植被相似，分类效果较差。基于无人机影像提取的沉陷区地表裂缝分类及其特征信息见表2。
表2 沉陷区地表裂缝分类及其特征信息
Table 2 Classification and characteristic information of surface fractures in subsidence areas
分布位置A21—A25A26—A35A36—A45A46—A49B16—B21B22—B29B30—B40B40—B42裂缝类型图6a、图6b图6c、图6e图6b、图6d、图6e图6d、图6e图6f图6d、图6e图6d、图6e图6a最大长度/m4835471941601088652最大宽度/cm21108105131025可见深度/cm5635473242313256
由表2可知，沉陷区地表裂缝呈现多种类型，不同裂缝的长度、宽度及可见深度也有差异，在走向上，开切眼两侧的裂缝主要为闭合式和开裂式台阶裂缝，其长度一般可达数十米，台阶高度最大可达60 cm，裂缝形成后，可永久保留；在采空区中部地表，主要是裂纹式和凹陷式裂缝，此类裂缝是工作面推进过程中处于推进边界地表的裂纹式和条纹式裂缝趋于闭合后所形成的，该部分裂缝随时间推移将慢慢趋于闭合；在工作面推进边界上方地表，主要是裂纹式和条纹式裂缝。裂纹式裂缝宽度和深度较小，长度几米到几十米，条纹式裂缝一般可达上百米，宽度不大，可见深度达数十厘米，这2类裂缝随工作面推进将会逐渐趋于闭合。在工作面倾向上采空区左、右边界附近，地表裂缝主要是闭合式台阶裂缝和开裂式台阶裂缝，采空区中部则是多种裂缝共存。这些裂缝分布特征揭示了开采沉陷过程中地表裂缝的动态发育规律。
4 结 论
1)低空无人机摄影测量为西部煤矿条件下采动地表裂缝的高效精准监测提供了技术途径。通过设置合理的航拍参数能够获取高时空分辨率的采煤沉陷区地表三维信息本文试验条件下无人机影像的地面分辨率优于15 mm，满足矿区采动地表裂缝精细化提取的基本要求。
2)利用最大似然法结合随机森林算法可实现沉陷区影像的有效分类及采动地表裂缝的精细提取。通过试验对比发现，在榆神矿区地形起伏较小和植被覆盖较低的条件下，利用随机森林算法对图像中的植被进行分类并制成掩膜文件，可有效地去除植被影响，采用最大似然法进行裂缝提取可以获得效果更优的裂缝特征信息。
3)利用高分辨率航拍影像所提取的裂缝特征信息，揭示了采动地表裂缝的特征类型及发育规律。试验结果表明，在榆神矿区浅埋深、大采高综放开采条件下，地表裂缝发育类型可分为闭合式台阶裂缝、开裂式台阶裂缝、条纹式裂缝、裂纹式裂缝以及凹陷式裂缝等形式，初步揭示了试验区采动裂缝的成因类型及分布特征。
应该指出，试验区影像获取时间为春季，受植被干扰较小。在夏季植被覆盖有所增大，所提取裂缝的连续性会受到植被及地物阴影的影响，造成裂缝断续现象增加。为此，可结合采动裂缝发育规律及裂缝图像的灰度特征，构建断续裂缝的自动生成算法。同时，试验区地表为松散沙土，所形成的采动裂缝在自然力和动态压缩变形作用下，易形成隐性地裂缝，其灰度差异性变小，可结合实地调查及这种裂缝的其他光谱特征进行解译，以实现采动裂缝的高效监测与自动获取，这方面的研究有待进一步深入开展。
参考文献(References):
[1] 陈 超,胡振琪.我国采动地裂缝形成机理研究进展[J].煤炭学报,2018,43(3):810-823.
CHEN Chao,HU Zhenqi.Research progress on formation mechanism of mining ground fractures in China [J].Journal of China Coal Society,2018,43(3) :810-823.
[2] 杨泽元,范立民,许登科,等.陕北风沙滩地区采煤塌陷裂缝对包气带水分运移的影响:模型建立[J].煤炭学报,2017,42(1):155-161.
YANG Zeyuan,FAN Limin,XU Dengke,et al.Effects of coal collapse fractures on water transport in vadospermitic zone in feng sandy area of Northern Shaanxi Province:modeling [J].Journal of China Coal Society,2017,42(1) :155-161.
[3] 杨伟峰,隋旺华,吉育兵,等.薄基岩采动裂缝水砂流运移过程的模拟试验[J].煤炭学报,2012,37(1):141-146.
YANG Weifeng,SUI Wanghua,JI Yubing,et al.Simulation test of water-sand flow migration process in mining-induced fractures of thin bedrock [J].Journal of China Coal Society,2012,37(1) :141-146.
[4] 侯恩科,张 杰,谢晓深,等.无人机遥感与卫星遥感在采煤地表裂缝识别中的对比[J].地质通报,2019,38(S1):443-448.
HOU Enke,ZHANG Jie,XIE Xiaoshen,et al.Comparison of UAV remote sensing and satellite remote sensing in mining surface fracture identification [J].Geological Bulletin,2019,38(S1):443-448.
[5] 吴群英,冯泽伟,胡振琪,等.生态脆弱矿区地表裂缝动态变化对土壤含水量的影响[J].煤炭科学技术,2020,48(4):148-155.
WU Qunying,FENG Zewei,HU Zhenqi,et al.Influence of dynamic changes of surface fractures on soil moisture content in ecologically fragile mining areas [J].Coal Science and Technology,2020,48(4)：148-155.
[6] 阳恩慧,张傲南,杨荣山,等.高速铁路无砟轨道表面裂缝三维图像自动识别算法[J].铁道学报,2019,41(11):95-99.
YANG Enhui,ZHANG Aonan,YANG Rongshan,et al.Automatic recognition algorithm of 3d image of surface crack of ballastless track of high-speed railway [J].Journal of Railway,2019,41(11) :95-99.
[7] 闫瑞龙,屠世浩,王方田,等.高头窑矿区地表采动裂缝演化规律研究[J].煤炭工程,2016,48(1):95-98.
YAN Ruilong,TU Shihao,WANG Fangtian,et al.Study on the evolution of surface mining fractures in Gaotouyao mining area [J].Coal Engineering,2016,48(1):95-98.
[8] 狄亚平.路面裂缝识别算法研究[D].郑州：郑州大学,2018.
[9] 周 颖,刘 彤.基于计算机视觉的混凝土裂缝识别[J].同济大学学报(自然科学版),2019,47(9):1277-1285.
ZHOU Ying,LIU Tong.Recognition of concrete cracks based on computer vision [J].Journal of Tongji University(Natural Science Edition),2019,47(9):1277-1285.
[10] 戴华阳,王 祥,李 军,等.形态参数下地表采动裂缝三维建模及可视化方法[J].测绘通报,2018(2):148-153.
DAI Huayang,WANG Xiang,LI Jun,et al.3D modeling and visualization of surface mining fractures under morphological parameters[J].Bulletin of Surveying and Mapping,2018(2):148-153.
[11] 范立民,张晓团,向茂西,等.浅埋煤层高强度开采区地裂缝发育特征:以陕西榆神府矿区为例[J].煤炭学报,2015,40(6):1442-1447.
FAN Limin,ZHANG Xiaotuan,XIANG Maoxi,et al.Characteristics of underground fracture development in high-intensity mining area of shallow coal seam：a case study of Yushenfu mining area in Shaanxi Province [J].Journal of China Coal Society,2015,40(6):1442-1447.
[12] 张兴航,朱 琳,王 威,等,任应超.基于对象的地裂缝分步提取方法研究与应用[J].国土资源遥感,2019,31(1):87-94.
ZHANG Xinghang,ZHU Lin,WANG Wei,et al.Research and application of the method of stepwise extraction of ground fractures based on object [J].Remote sensing of land and resources,209,31(1) :87-94.
[13] 李亚利.应用Canny算子的织物疵点检测改进算法[J].科技通报,2019,35(12):59-70.
LI Yali.An improved algorithm for fabric defect detection using Canny operator [J].Science and technology bulletin,209,35(12) :59-70.
[14] 李宝芸,范玉刚,高 阳.基于OTSU和Canny算子的红外图像特征提取[J].陕西理工大学学报(自然科学版),2019,35(6):33-40.
LI Baoyun,FAN Yugang,GAO Yang.Infrared image feature extraction based on OTSU and Canny operator [J].Journal of Shaanxi University of Science and Technology(Natural Science Edition),209,35(6):33-40.
[15] 段红燕,邵 豪,张淑珍,等.一种基于Canny算子的图像边缘检测改进算法[J].上海交通大学学报,2016,50(12):1861-1865.
DUAN Hongyan,SHAO Hao,ZHANG Shuzhen,et al.An improved image edge detection algorithm based on Canny operator [J].Journal of Shanghai Jiaotong University,2016,50(12) :181-1865.
[16] 周建伟,吴一全.MRELBP特征、Franklin矩和SVM相结合的遥感图像建筑物识别方法[J].测绘学报,2020,49(3):355-364.
ZHOU Jianwei,WU Yiquan.Building recognition method based on MRELBP feature,Franklin moment and SVM [J].Journal of Surveying and Mapping,2020,49(3):355-364.
