金属矿山

作者：卢才武,宋义良,江松,章赛,王懋纪凡,

单位：1. 西安建筑科技大学资源工程学院,陕西 西安 710055;2. 西安市智慧工业感知、计算与决策重点实验室,陕西 西安 710055;3. 西安优迈智慧矿山研究院有限公司,陕西 西安 710055;4. 陕西财经职业技术学院大数据与人工智能学院,陕西 咸阳 712000

关键词：煤岩识别,语义分割,少样本学习,U-net,深度学习,机器视觉技术,

基金：陕西省自然科学联合基金项目(编号:2019JLP-16);陕西省自然科学基金青年项目(编号:2023-JC-QN-0513);陕西省教育厅服务地方专项重点培育项目(编号:21JC024)。

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。 针对以上问题,提出了一种基于改进 U-net 模型的样本煤岩界面图像分割模型。 将裁剪后具有更强特征提取能力且结构上更为简单的 VGG16 替换U-net 的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在 U-net 网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。 使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。 通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典 Unet、DeepLabv3+、PspNet、HrNet 网络模型进行了对比。 试验结果表明:在同样使用由 125 幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典 U-net 模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了 1. 84%,平均交并比提高了 5. 34%,类别平均像素准确率提高了 0. 48%,检测速度增幅为 5. 3%。 同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

来源：2024年第01期

《金属矿山》期刊编辑部

查看金属矿山杂志2024年第01期