基于MRU-Net++的极薄煤层综采面煤岩界面图像识别

• Published in: 煤炭科学技术 Vol. 52; no. 11; pp. 103 - 116
• Main Authors: 张传伟, 何正伟, 路正雄, 李林岳, 龚凌霄, 张刚强, 潘巧娜
• Format: Journal Article
• Language: Chinese
• Published: 陕西交通职业技术学院,陕西 西安 710018%西安科技大学机械工程学院,陕西 西安 710054%西安科技大学安全科学与工程学院,陕西 西安 710054 01.11.2024; 西安科技大学机械工程学院,陕西 西安 710054
• Subjects: 极薄煤层; deep learning; 煤岩识别; 语义分割; extremely thin coal seam; 深度学习; coal rock recognition; U-Net++网络模型; semantic segmentation; U-Net++network model
• ISSN: 0253-2336
• DOI: 10.12438/cst.2024-1003

TD67; 煤岩识别是极薄煤层综采工作面实现智能化开采的核心技术之一.针对极薄煤层开采时煤岩分界线自然裸露在外的特殊情况,提出了一种基于MRU-Net++网络的极薄煤层煤岩图像识别方法.该网络以U-Net++为基础,通过"剪枝"技术对U-Net++结构进行优化,在U-Net++网络性能损失最小的同时减少其复杂度,以提高运算速度;采用MobileNetV2轻量化网络,构建一个基于MobileN-etV2的核心骨干网络,替代U-Net++原有的网络架构,显著降低了模型的参数数量,提高了模型分割效率;同时引入含有通道注意力机制的ResNeSt模块来增强对煤岩图像边缘细节特征的提取能力,提高分割精度.利用液压支架上的防爆摄像仪采集极薄煤层综采工作面煤岩图像,获取具有煤岩分布信息的高清煤岩图像并对图像进行预处理,创建含有 2 536个样本的极薄煤层综采面煤岩图像数据集.设置消融试验,验证改进部分对网络性能的影响,并将该模型与经典FCN、U-Net、U-Net++网络模型进行对比,利用自适应学习算法训练各网络模型,选择像素准确度(Pixel Accuracy,PA)、交并比(Intersection over Union,IOU)及测试时间等关键指标评估模型分割效果.结果显示,MRU-Net++网络模型的平均像素准确度PAM和交并比IOUM分别为 97.15%和 94.16%,模型占用内存 25.71 M,每张图像的平均测试时间 28.61 ms,充分证明了该方法在极薄煤层特殊环境下进行煤岩识别任务的可行性与有效性.