煤矸识别技术是综放工作面实现智能化的关键技术之一，同时也是该领域的面临的一个重要挑战。针对目前煤矸图像数据集整体质量差、数据规模小，煤矸图像分割模型检测速度慢、识别精度低等问题，参考实际综放工作面搭建了大尺寸等比例综放开采相似模拟平台，基于该平台建立了煤矸图像采集系统采集构建了高清仿真综放面煤矸图像数据集；提出一种基于特征金字塔网络（FPN）和空洞空间金字塔池化（ASPP）的改进U-Net煤矸分割模型，提高了煤矸图像的分割精度。通过在U-Net模型的跳跃连接中添加FPN模块，同时在解码器部分引入ASPP模块，建立了FPN-ASPP-U-Net煤矸分割模型。消融实验验证了FPN模块和ASPP模块对U-Net模型性能的提升，实验结果表明：FPN-ASPP-U-Net模型分割效果最好，均准确率（mAcc）为97.29%，均F1得分（mF1-Score）为97.44%，均交并比（mIoU）为95.65%，模型参数量（Param）为29.64 M，浮点运算量（FLOPs）为341.29G，每秒帧数（FPS）为41.1f/s，与U-Net模型相比，mIoU、mF1-score和mAcc分别提升了2.64%、1.06%和1.15%，模型参数量仅仅增加了0.33 M，改进后的模型在图像分割速度上有少量提升。设计了FPN-ASPP-U-Net模型与PSPNet、SegFormer、DeepLabV3+、PSANet语义分割模型的图像分割效果对比实验，结果表明：FPN-ASPP-U-Net模型对煤矸图像分割的性能最好，同时模型整体计算参数量最小，在分割精度和分割速度之间有着较好的平衡。对于粉尘影响下的不清晰图像，采用暗通道与高斯加权相结合的方法对图像数据集进行去雾增强，轻度粉尘、中度粉尘、重度粉尘去雾前后的模型对煤的分割精度提高了14.81%、17.79%、23.62%，对矸的分割精度提高了11.73%、14.50%、14.86%。基于研究结论提出了FPN-ASPP-U-Net模型的煤矸图像混矸率计算方法，开展了煤矸图像分割控制放煤试验，以混矸率20%作为放煤口关闭的阈值，单次放煤口开关期间真实混矸率与模型预测混矸率平均误差率为4.71%，验证了基于煤矸图像混矸率对放煤控制的可行性。最后，封装模型代码研发了煤矸图像智能识别软件，设计了煤矸分割现场应用方案，在榆树田煤矿110501综放面进行了图像控制放煤试验，验证了该方法能够对煤矸图像进行精准分割，对放煤口开关进行合理控制，提高了综放面的智能化水平，为推动煤矿进一步智能化建设提供了有效的技术手段与参考价值。

1 煤矸图像数据集构建
1.1 放顶煤模拟实验平台
1.2 煤矸图像数据集构建
2 煤矸图像分割模型
2.1 U-Net模型
2.2 特征金字塔
2.3 空洞空间金字塔池化
2.4 FPN-ASPP-U-Net图像分割模型
2.5 图像分割模型评价指标
3 煤矸图像分割实验结果与分析
3.1 实验环境配置及训练参数
3.2 训练策略
3.3 实验结果
4 煤矸图像混矸率计算与试验
4.1 高粉尘图像去雾增强
4.2 煤矸像素混矸率实验结果
4.3 煤矸图像分割现场应用设计
5 结论

袁永,秦正寒,夏永琪,等.基于改进U-Net的煤矸图像分割模型与放煤控制技术研究[J/OL].煤炭学报,1-18[2024-09-30].https://doi.org/10.13225/j.cnki.jccs.2024.0588.