基于改进DeeplabV3+和迁移学习的煤岩界面图像识别方法

作者：闫志蕊; 王宏伟^*; 耿毅德

来源：煤炭科学技术, 2023, 51(S1): 429-439.

DOI：10.13199/j.cnki.cst.2022-1392

• 煤岩识别
• 语义分割
• DeepLabV3+
• 注意力机制
• 迁移学习

煤岩识别技术是实现煤矿工作面智能无人开采的关键技术之一。为进一步提高基于机器视觉实现煤岩界面图像识别的精度和效率，提出一种基于改进DeeplabV3+和迁移学习的煤岩界面图像识别网络模型：首先，使用轻量化MobilenetV2模块作为骨干特征提取网络，减少网络模型参数，提高语义分割效率；然后，在编码器和解码器中引入卷积注意力机制模块（CBAM），提高模型特征提取能力，并实现不同层级特征信息有效融合，提升模型分割精度；其次，采用迁移学习训练方法，克服样本分布差异性，增强模型泛化性，以适应于不同应用场景下的煤岩识别任务。应用自制煤岩分割数据集和综采面煤岩分割数据集验证模型性能，与FCN、SegNet、U-net、DeeplabV3+网络模型作对比试验，并选择准确度、平均交并比、推理时间等指标对模型识别效果进行评估。消融试验结果表明，改进DeepLabV3+网络模型在自制煤岩分割数据集上准确度和平均交并比分别为94.67%和93.48%，测试用时42.58 ms/张，采用推理加速框架TensorRT优化后推理时间可达6.14 ms/张，与其他模型相比，改进DeepLabV3+对煤岩边界细节特征提取能力更强，分割精度和处理效率更高。最后通过构建综采工作面含有煤岩层的煤岩图像分割数据集对改进DeepLabV3+模型采用迁移学习方法进行训练测试，实现了煤矿井下工作面的煤岩界面图像识别，验证了该方法在实际煤岩图像识别任务的可行性和有效性。

• 单位
  太原理工大学; 山西焦煤集团有限责任公司