基于点渲染的多分支融合露天矿爆堆块体精细分割方法 |
| |
引用本文: | 江松,饶彬舰,卢才武,顾清华,阮顺领,杨辉.基于点渲染的多分支融合露天矿爆堆块体精细分割方法[J].煤炭学报,2023(S2):542-552. |
| |
作者姓名: | 江松 饶彬舰 卢才武 顾清华 阮顺领 杨辉 |
| |
作者单位: | 1. 西安建筑科技大学资源工程学院;2. 西安市智慧工业感知,计算与决策重点实验室;3. 西安优迈智慧矿山研究院有限公司;4. 河南跃薪智能机械有限公司 |
| |
基金项目: | 国家自然科学基金青年基金资助项目(52104146);;陕西省自然科学基金青年基金资助项目(2021JQ-509);;陕西省社会科学基金资助项目(2020R005); |
| |
摘 要: | 现代矿产开采中,爆破成本控制占据整个矿产开采的成本控制的很大一部分,这使得爆破效果的控制在整个矿产开采流程中至关重要,而爆破效果的控制与爆破参数直接关联,这需要采集现场真实的数据来指导爆破参数的优化。为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题,基于爆破参数优化的需要,提出了深度学习框架下的爆堆块体精细分割方法(Point+S Deeplabv3+)。首先模型在骨干网络特征提取部分引入多分支可分离注意力机制,学习不同通道间的权重特征并融合,改善了提取特征时跨通道交互缺乏的问题;在解码阶段,运用点渲染模块,通过迭代选取点在不同尺度特征图的特征,逐步对每个点对应的低级语义特征和高级语义特征进行拼接,解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题;最后使用动态学习率调整策略,加快模型的收敛速度。实验结果表明,基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%,对比主流的语义分割网络,如FCN、UNet、PSPnet和Deeplabv3+相比,基于Point+S Deeplabv3+的模型MPA和M...
|
关 键 词: | 爆堆 点渲染 多分支可分离注意力 语义分割 Deeplabv3+ 边缘 |
|
|