共查询到6条相似文献，搜索用时 15 毫秒
1.
为了更好地满足矿区现场爆堆块度实时高精度检测的需要,提出了一种基于深度学习的爆堆块体分割模型TAUNet(Transformer Aspp UNet),该模型在UNet的编码器和解码器中融入Transformer的自我注意机制,利用其处理大型特征映射,改善全局信息的提取,恢复在编码器中跳过的粒度细节。在骨干网络特征提取阶段,加入了ASPP空洞卷积模块,增强了模型对块体局部特征的融合。在爆堆图像分割的基础上,采用爆堆分层的方法获取爆堆的块度空间分布信息。结果表明：(1)TAUNet分割模型具有良好分割性能,模型训练评价指标骰子系数、交并比、召回率分别达到97.12%、94.61%、96.2%,均优于主流的语义分割模型,对现场爆堆块体有着良好的分割效果;(2)通过爆堆分层的方法可知肇庆某矿山西采区315～300 m平台的爆堆块度空间分布,87.15%岩块粒径分布在0～0.6 m, 9.9%的岩块粒径分布于0.6～1.0 m,大于1.0 m的大块占2.95%。研究结果能够为爆破效果评价的精细化、智能化发展提供参考借鉴。 相似文献
2.
爆破大块率是反映爆破效果的关键指标,其统计精度主要依赖于爆堆矿石图像分割的准确性。由于爆堆矿石图像中存在矿石目标分布密集、边缘对比度低等问题,致使传统图像分割方法难以准确分割爆堆矿石图像。因此,提出了一种基于U-Net和改进分水岭算法的露天矿爆堆矿石图像分割方法,以实现大块率的精准统计。首先利用无人机在哑巴岭露天矿爆破现场拍摄爆堆矿石图像,制作爆堆矿石图像数据集;然后利用深度学习算法建立了UNet网络架构,同时融合了高级语义信息和低级语义信息,建立了爆堆矿石图像分割模型,再利用训练后的模型对爆堆矿石图像进行初步分割,进一步采用基于距离运算的分水岭算法优化了分割结果;最后评估了该方法的分割精度。试验结果表明:该算法可准确分割露天矿爆堆矿石图像,为露天矿爆破大块率统计、爆破效果智能评价提供技术支持。 相似文献
3.
由于煤矿井下环境恶劣,使得煤矿井下视频获取的图像严重降质,而现有的基于深度学习的语义分割模型在图片清晰化后存在边缘分割模糊的问题,提出了一种采用融合边缘优化模块处理边界信息并运用门控卷积层连接传统特征提取模块并行处理信息的方法;为监督学习轮廓信息,采用二元交叉熵损失函数提高学习效果,并与常规分支的损失函数共同优化模型分割效果。试验结果表明:对已完成清晰化的煤矿井下图像进行语义分割任务时,基于融合边缘优化模块的方法与其他方法相比整体语义分割精度得到提升并且边缘分割精度更高。 相似文献
4.
煤岩识别技术是实现煤矿工作面智能无人开采的关键技术之一。为进一步提高基于机器视觉实现煤岩界面图像识别的精度和效率,提出一种基于改进DeeplabV3+和迁移学习的煤岩界面图像识别网络模型：首先,使用轻量化MobilenetV2模块作为骨干特征提取网络,减少网络模型参数,提高语义分割效率;然后,在编码器和解码器中引入卷积注意力机制模块（CBAM）,提高模型特征提取能力,并实现不同层级特征信息有效融合,提升模型分割精度;其次,采用迁移学习训练方法,克服样本分布差异性,增强模型泛化性,以适应于不同应用场景下的煤岩识别任务。应用自制煤岩分割数据集和综采面煤岩分割数据集验证模型性能,与FCN、SegNet、U-net、DeeplabV3+网络模型作对比试验,并选择准确度、平均交并比、推理时间等指标对模型识别效果进行评估。消融试验结果表明,改进DeepLabV3+网络模型在自制煤岩分割数据集上准确度和平均交并比分别为94.67%和93.48%,测试用时42.58 ms/张,采用推理加速框架TensorRT优化后推理时间可达6.14 ms/张,与其他模型相比,改进DeepLabV3+对煤岩边界细节特... 相似文献
5.
在数据挖掘的基础上, 采用粗糙集对矿岩可爆性数据进行了数据级融合, 除去冗余属性, 然后采用BP神经网络进行特征级融合, 从而建立基于多源信息融合的矿岩可爆性评价模型。对原始数据进行了离散归一化处理, 应用粗糙集对决定矿岩可爆性指数的6个因素进行了属性约简, 剔除了平均合格率, 而保留了漏斗体积、大块率、小块率、岩体声波速度和波阻抗等5个因素, 并对约简的准确性进行了验证。分别建立了矿岩可爆性评价的BP神经网络模型和粗糙集-BP神经网络模型, 前者对矿岩可爆性指数的预测值与实际值的平均偏差为8.33%, 而后者为6.75%。利用建立的粗糙集-BP神经网络模型预测某矿山井下采场的矿岩可爆性指数为78.43, 计算出采场的炸药单耗为0.65 kg/m3, 而现场试验值为0.67 kg/m3, 进一步验证了该模型的正确性。 相似文献
