基于改進(jìn)DeepLabV3+的煤塵圖像分割方法

左純子， 王征， 張科， 潘紅光

（西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054）

0 引言

在煤礦井下作業(yè)時，巷道內(nèi)存在大量煤塵顆粒，當(dāng)空氣中煤塵濃度達(dá)到上限時，會引起煤塵爆炸，嚴(yán)重威脅煤礦生產(chǎn)安全[1-2]。對煤塵的各種特性進(jìn)行分析，研究煤塵爆炸機(jī)理及其防范措施，對于保障煤礦安全生產(chǎn)具有重要意義[3]。

目前對煤塵顆粒的研究主要集中在煤塵自身的物理特性方面，如粒徑、形態(tài)、表面結(jié)構(gòu)等[4-5]。鑒于技術(shù)手段及研究角度的局限，現(xiàn)有研究大多針對煤塵特性的1個或幾個參數(shù)，所生成的模型泛化能力較弱[6]。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，圖像處理方法被應(yīng)用到煤塵顆粒特征研究中，并取得一定的成果。語義分割是圖像處理和機(jī)器視覺的一個重要分支。與分類任務(wù)不同，語義分割需要判斷圖像中每個像素點的類別，進(jìn)行精確分割。傳統(tǒng)的語義分割網(wǎng)絡(luò) 包 括 全 卷 積 網(wǎng) 絡(luò) （ Fully Convolutional Networks，F(xiàn)CN）[7]、 金 字 塔 場 景 解 析 網(wǎng) 絡(luò) （Pyramid Scene Parsing Network，PSPNet）[8]，SegNet[9]，U?Net[10]，Unet?SE[11]，DeepLabV3+[12]等。FCN需要進(jìn)行 8倍上采樣，采樣結(jié)果較模糊，易產(chǎn)生噪聲；SegNet未考慮上下文和局部細(xì)節(jié)信息；PSPNet融合了不同尺度的卷積，但分割細(xì)小物體時易出現(xiàn)模糊現(xiàn)象。U?Net和Unet?SE采用普通卷積進(jìn)行下采樣，空間分辨率會有所損失；DeepLabV3+引入擴(kuò)張卷積，可以獲取更多上下文信息，且能捕獲到邊緣細(xì)節(jié)信息。為了更好地捕獲煤塵不規(guī)則細(xì)小顆粒物，在DeepLabV3+的基礎(chǔ)上進(jìn)行改進(jìn)，并提出一種基于改進(jìn)DeepLabV3+的煤塵圖像分割方法。

1 基于改進(jìn)DeepLabV3+的煤塵圖像分割方法

1.1 DeepLabV3+網(wǎng)絡(luò)模型改進(jìn)

DeepLabV3+網(wǎng)絡(luò)模型用于解決圖像分割問題，分為編碼和解碼2個部分?！?br>