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.

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

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 221008;中国矿业大学 安全工程学院,江苏 徐州 221008

[1]赵小虎;车亭雨;叶圣;田贺;张凯-.煤体红外热像异常区域分割方法)[J].工矿自动化,2022(09):92-99

异常区域分割,煤岩受载破坏,多尺度通道注意力模块

分割方法,红外辐射,煤岩动力灾害,红外热像仪,仪生,红外热像图,像素,主观因素,准确识别,煤体损伤,损伤区,无损检测,识别检测,CAM,编码器,模型结构,显著特征,小目标特征,模型准确率,数据增强,COCO,预训练,集训,精确率,Dice,平均交并比,Deeplab,SENet,注意力机制

0.167079