金属矿山

作者：李若谦梁鹏,刘言王羽冉郑来耀王金松王聚贤

单位：1. 华北理工大学矿业工程学院河北唐山063210;2. 河北省矿山绿色智能开采技术创新中心河北唐山063210

关键词：无人机, 深度学习, 露天矿多类型道路, 迁移学习, 道路识别, 注意力机制 ,

基金：国家自然科学基金项目(编号:52474099);河北省创新能力提升计划项目(编号:23564201D);河北省自然科学基金项目(编号:D2024209014,E2024209024);国家级大学生创新创业训练计划项目(编号:202410081055)。

露天矿区道路的精确识别对于矿区数字化与无人智能化建设至关重要,但现有机器视觉方法难以精准识别阴影遮挡及碎石堆积道路。 提出一种以 VGG16 替代原有 U-Net 骨干网络,结合偏振多尺度特征自注意力(PMFS)和通道空间并行注意力(CSPA)机制,用于矿区无人机图像道路识别的 VMA-UNet 网络。 使用无人机采集矿区道路影像,并将其划分为非结构化、阴影遮挡、碎石堆积道路 3 种类型,经 CLAHE 处理后用 Labelme 标注,制成多类型道路数据集并采用迁移学习预训练模型。 对比试验表明,CLAHE 操作能够显著突出矿区不同类型道路所具有的特征,迁移学习使网络收敛速度更快,更好地适应不同场景下的矿区道路数据。 VMA-UNet 在各类矿区道路数据集中表现优异,在总数据集上的准确率、召回率和平均交并比分别达 94. 8%、91. 29%和 80. 58%,均优于 D-LinkNet、DeepLabV3+和U-Net 网络模型,可精准识别阴影遮挡及碎石堆积道路的边缘,有效提升矿区多类型道路的识别精度。

来源：2025年第8期

《金属矿山》期刊编辑部

查看金属矿山杂志2025年第8期