矿井涌（突）水视频识别是智能化矿井建设的关键之一，通过识别涌（突）水从无到有、从小到大的动态演变过程，有助于防止水量超出矿井排水能力并演变为水害。为此，本文提出了一种基于多通道残差注意力机制的U2Net视频分割模型(video segmentation model based on Multi-channel Residual Attention mechanism and U2Net，MRAU)，旨在识别涌（突）水的演变过程。首先，基于卷积注意力模块（Convolutional Block Attention Module，CBAM）改进U2Net网络模型，以提高特征提取效果。接着，通过多通道残差预处理的方法，将水流动态特征与静态背景进行区分，并将处理结果作为注意力机制输入模型，从而强化水流特征的学习。此外，使用中间帧掩码作为标签进行多帧融合学习，进一步提升网络对水流动态特征的识别能力。最终，通过学习不同场景下的水流特征，实现对未知场景中涌（突）水动态演变的有效识别。通过与Deeplab、LRASPP、FCN、U2Net网络模型的对比实验，选用Dice和IoU作为评价指标。实验结果表明，MRAU模型的Dice和IoU分别达到92.88%和87.51%，相比U2Net基础网络，识别结果分别提高了4.71%和7.41%。在未知的涌（突）水场景中测试时，MRAU的Dice和IoU得分分别达到了86.75%和80.23%。与其他模型相比，MRAU的识别精度最高，表明该模型在不同场景下对水流特征具有更强的泛化能力。此外，MRAU能够精准监测涌（突）水流量从小到大的演变过程。最后，通过在井下环境中模拟突水场景，进一步验证MRAU模型在实际生产中的实用性，为矿井水害监测提供了有效的技术手段。

0 引 言
1 MRAU模型设计
1.1整体网络结构
1.2CBAM模块
2Net网络结构'>1.3基于CBAM的U2Net网络结构
1.4多通道残差预处理
1.5多通道残差注意力机制
2实验设置
2.1数据集
2.2评价指标
2.3实验细节
3实验与应用分析
3.1与主流分割模型的比较
3.2CBAM模块性能验证
3.3多通道残差注意力机制性能验证
3.4帧数的定量评价
3.5跨场景涌(突)水水量动态识别
3.6应用分析
4结 论

武强,张帅,杜沅泽,等.基于MRAU视频分割模型的矿井涌（突）水风险识别方法[J/OL].煤炭科学技术,1-12[2024-11-19].http://kns.cnki.net/kcms/detail/11.2402.TD.20241015.0939.001.html.