-
作者
武强 张帅 杜沅泽 徐华 赵颖
-
单位
中国矿业大学(北京)内蒙古研究院中国矿业大学(北京)国家煤矿水害防治工程技术研究中心矿山水防治与资源化利用国家矿山安全监察局重点实验室北京石油化工学院信息学院
-
摘要
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。
-
关键词
矿井涌(突)水视频分割MRAU多通道残差预处理注意力机制U2Net
-
文章目录
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
-
引用格式
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.