煤体红外热像异常区域分割方法
赵小虎1
车亭雨1
叶圣1
田贺2
张凯1
1.矿山互联网应用技术国家地方联合工程实验室,江苏 徐州 221008;中国矿业大学 信息与控制工程学院,江苏 徐州 2210082.中国矿业大学 安全工程学院,江苏 徐州 221008
摘要：红外辐射可反映煤岩受载破坏情况,用于监测和预防煤岩动力灾害,但红外热像仪生成的红外热像图像素分辨率低、噪声较大,导致检测结果受主观因素影响较大,无法准确识别煤体损伤区域.将深度学习和红外热像结合进行无损检测已成为趋势,但目前结合深度学习和红外热像对煤体受载破坏进行识别检测的研究相对较少.针对上述问题,提出一种基于多尺度通道注意力模块(MS?CAM)U?Net模型的煤体红外热像异常区域分割方法.在传统U?Net模型的编码器中引入MS?CAM,设计了基于MS?CAM的U?Net模型结构,使模型在关注煤体红外热像异常区域显著特征的同时,还关注异常区域小目标特征,以提高异常区域分割精度.为降低煤体红外热像数据集匮乏对模型准确率和适用性的影响,对创建的煤体红外热像数据集进行数据增强操作,并采用MS COCO数据集对基于MS?CAM的U?Net模型进行预训练,再采用煤体红外热像数据集训练,得出最终网络权重.实验结果表明,该方法可有效分割煤体红外热像异常区域,精确率、F1分数、Dice系数和平均交并比分别为94.75％,94.94％,94.65％,90.03％,均优于Deeplab模型、U?Net模型和基于SENet注意力机制的U?Net模型.
关键词：煤岩动力灾害煤岩受载破坏红外辐射红外热像异常区域分割U-Net模型多尺度通道注意力模块深度学习
分类号：TD315/67(矿山压力与支护)
资助基金：中央高校基本科研业务费专项资金资助项目(2020ZDPY0223)
论文发表日期：2022-09-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 92-99 )
英文信息