基于点渲染的多分支融合露天矿爆堆块体精细分割方法
江松1
饶彬舰2
卢才武2
顾清华1
阮顺领1
杨辉3
1.西安建筑科技大学 资源工程学院,陕西 西安 710055;西安市智慧工业感知、计算与决策重点实验室,陕西 西安 710055;西安优迈智慧矿山研究院有限公司,陕西 西安 7100552.西安建筑科技大学 资源工程学院,陕西 西安 710055;西安市智慧工业感知、计算与决策重点实验室,陕西 西安 7100553.河南跃薪智能机械有限公司,河南 平顶山 462500
摘要：现代矿产开采中,爆破成本控制占据整个矿产开采的成本控制的很大一部分,这使得爆破效果的控制在整个矿产开采流程中至关重要,而爆破效果的控制与爆破参数直接关联,这需要采集现场真实的数据来指导爆破参数的优化.为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题,基于爆破参数优化的需要,提出了深度学习框架下的爆堆块体精细分割方法(Point+S Deeplabv3+).首先模型在骨干网络特征提取部分引入多分支可分离注意力机制,学习不同通道间的权重特征并融合,改善了提取特征时跨通道交互缺乏的问题;在解码阶段,运用点渲染模块,通过迭代选取点在不同尺度特征图的特征,逐步对每个点对应的低级语义特征和高级语义特征进行拼接,解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题;最后使用动态学习率调整策略,加快模型的收敛速度.实验结果表明,基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%,对比主流的语义分割网络,如FCN、UNet、PSPnet和Deeplabv3+相比,基于 Point+S Deeplabv3+的模型 MPA 和 MIoU 分别提升了 3.04%、4.44%、2.79%、1.52%和2.95%、4.36%、3.17%、1.88%,具有更好的综合性能,特别对于边缘和小目标的分割效果有明显改进.因此,基于Point+S Deeplabv3+的分割模型为在爆破现场环境下的爆破参数优化数据采集提供了实时便利、可靠的理论依据.
关键词：爆堆点渲染多分支可分离注意力语义分割Deeplabv3+边缘
分类号：TD322(矿山压力与支护)
资助基金：国家自然科学基金(52104146)陕西省自然科学基金青年基金资助项目(2021JQ-509)陕西省社会科学基金资助项目(2020R005)
论文发表日期：2023-12-30
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：11( 542-552 )
英文信息