基于自适应低照度图像增强的煤矸实时分割方法
郭永存1
杨宇豪2
李德永1
王爽1
何磊3
骆启生2
1.安徽理工大学煤炭无人化开采数智技术全国重点实验室,安徽 淮南 232001;安徽理工大学矿山智能技术与装备协同创新中心,安徽 淮南 232001;安徽理工大学机电工程学院,安徽 淮南 2320012.安徽理工大学煤炭无人化开采数智技术全国重点实验室,安徽 淮南 232001;安徽理工大学机电工程学院,安徽 淮南 2320013.安徽理工大学煤炭无人化开采数智技术全国重点实验室,安徽 淮南 232001
摘要：针对煤矿井下人造光源亮度低、煤矸分布密集等不利环境因素,导致现有煤矸检测算法存在特征提取困难和定位精度低等问题,提出一种基于自适应低照度图像增强的煤矸实时分割方法,其主要由图像增强模块 CG-IENet(Coal Gangue Image Enhancement Network)和目标分割模块 CG-TSNet(Coal Gangue Target Segmentation Network)两个部分组成.图像增强模块基于CycleGAN网络模型框架,通过注意力机制对生成器网络中的编码器、特征提取网络和解码器进行优化设计,同时采用PatchGAN作为判别器网络,以实现对低照度煤矸图像的自适应画质增强,从而更好地保留煤矸表面纹理信息.目标分割模块基于DeepLabV3+网络模型框架,在编码器中引入轻量化主干网络MobileNetV2和颈部网络SPS-ASPP模块,在解码器中结合特征融合模块、注意力机制和动态上采样,在提升模型分割精度的同时有效减少模型复杂程度,使其具有更快的处理速度和更低的能耗,便于边缘式计算设备的部署.试验结果表明:CG-IENet在峰值信噪比、结构相似度、信息保真度准则、信息熵和灰度均值指标上与其他低照度图像增强模型相比分别平均提升了47.86%、61.20%、14.30%、31.77%和 23.68%,平均色度误差最低为 1.18,同时采用三维灰度分布图和灰度直方图对各类模型进行直观对比分析,最终表明CG-IENet增强效果最佳,其能够更好提高图像亮度,避免色彩失真同时保留图像细节信息;CG-TSNet在保证模型参数量为 4.567×106 的基础上,与 HRNet、UNet和PSPNet等其他 4种语义分割模型相比,平均交并比、类别平均像素准确率、像素准确率和F1分数指标(F1)上均为最高,分别为 91.76%、95.84%、96.85%和 95.04%,综合检测性能最佳.基于自适应低照度图像增强的煤矸实时分割模型能够适应煤矿井下复杂工况,从而实现煤矸精准高效分选.
关键词：低照度图像增强煤矸分割轻量化高效分选
分类号：TD94(选矿)TP242.2(自动化技术及设备)
资助基金：国家自然科学基金(52404160)国家自然科学基金(52274152)安徽省自然科学优秀青年科研基金资助项目(2308085Y37)
论文发表日期：2025-11-30
在线出版日期：2025-12-15（本平台首次上网日期，不代表文献的发表时间）
页数：19( 1-19 )
英文信息