针对当前煤矿巷道掘进迎头裂隙图像识别精度不高、井下环境难以批量化快速识别的难题，提出基于Mask R-CNN的煤矿巷道掘进迎头裂隙检测与定位算法。首先，建立一个包含1 000张图像的煤矿巷道掘进迎头裂隙图像数据库。然后，基于Mask R-CNN深度学习网络构建一个裂隙检测与定位框架，并选择该数据库对神经网络模型进行训练和测试，进而开展煤矿井下干扰环境下的鲁棒性和适应性评价，并与传统图像处理算法进行对比。结果表明，在相同样本条件下，基于Mask R-CNN的深度学习算法能够高效实现煤矿巷道迎头裂隙的检测与定位，该算法能有效避免低照度、多尺度边缘、截割刻痕、非均匀光照等干扰因素的影响，具有更高的分割准确度和计算速度，可满足煤矿井下裂隙批量化快速识别的要求，为煤矿巷道裂隙迹线的检测与定位提供了新路径。

国家自然科学基金项目(52034007)；

1 煤矿巷道掘进迎头裂隙图像数据集构建
2 方 法
2.1 总体流程
2.2 Mask R-CNN分割框架
2.3 裂隙信息统计分析
3 训练与实验
3.1 实验环境和模型训练
3.2 训练结果
1) 常规环境测试结果
2) 低照度干扰测试结果
3) 多尺度边缘干扰测试结果
4) 其他干扰因素测试结果
3.3 几何信息计算结果
4 讨 论
5 结 论

张农,袁钰鑫,韩昌良等.基于Mask R-CNN的煤矿巷道掘进迎头裂隙检测与定位算法[J].采矿与安全工程学报,2023,40(05):925-932.DOI:10.13545/j.cnki.jmse.2023.0303.