巷道掘进过程中煤岩识别技术是掘进机截割头自动调整的核心，同样是制约矿山智能化建设的关键难题之一。针对当前采掘失衡，掘进工作面缺乏成熟有效的煤岩识别方案，现有基于图像的煤岩识别模型存在分割精度差、无法灵活部署等问题，提出一种应用在掘进工作面下基于图像分割的煤岩截割界面感知与精准识别方法。该方法结合掘进工作面实际截割情况，采用MobileNetV2特征提取网络作为DeepLabV3+的主干网络，使模型更好地兼顾分割精度和模型复杂度；将空洞空间卷积池化金字塔模块输出的高级特征进行通道注意力(SE)操作，分配通道权重以强化对重点特征信息的训练；在主干网络输出的浅层特征引入通道空间注意力(CA)机制，使浅层特征图中的低级表征信息加权，从而设计出融合双注意力机制于DeepLabV3+的煤岩截割界面识别模型。同时搭建煤尘环境下煤岩识别实验平台模拟掘进机截割后形成的煤岩截割面，研发巷道掘进过程中煤岩截割界面采集方法，并以实际矿井的掘进工作面为工程背景，验证该煤岩识别模型的分割精度以及实际应用性。研究结果表明：SE-CA-DeepLabV3+模型的平均交并比和平均像素精度分别为97.15%和98.51%，相较于其他模型具有更优的分割性能。将所建立模型对来自陕北试验矿井掘进工作面的原始煤岩图像进行验证，平均误差为0.7%，每秒传输帧数为43fps，满足井下现场应用部署条件。研究成果为实现煤矿自动化、无人化巷道掘进提供了理论依据，推动了矿山智能化建设进程。

1 基于SE-CA-DeepLabV3+模型的煤岩图像语义分割算法
1.1 图像语义分割算法基础理论
1.2 图像特征提取原理
1.3 空洞空间卷积池化金字塔
1.4 融合注意力机制的煤岩图像分割网络
1.5 去雾算法
1.6 SE-CA-DeepLabV3+算法
2 掘进工作面下煤岩截割模拟实验
2.1 搭建掘进工作面煤岩识别实验平台
2.2 煤岩数据集去雾处理
2.3 掘进工作面煤岩图像数据集标注
2.4 煤岩图像识别方法及训练策略
3 结果与分析
3.1 评价指标
3.2 不同煤尘浓度实验对比
3.3 SE-CA-DeepLabV3+模型分割性能对比
3.4 训练结果与分析
3.5 SE-CA-DeepLabV3+模型测试结果分析
3.5.1 不同主干网络的效果对比
3.5.2 改进ASPP模块效果对比
3.5.3 不同模型之间的对比实验
4 工程应用
5 结论

张云,童亮,来兴平等.基于机器视觉的煤尘环境下掘进空间煤岩界面感知与精准识别[J/OL].煤炭学报:1-14[2023-10-18].DOI:10.13225/j.cnki.jccs.2023.0677.