煤礦井下鉆孔裂隙識別技術

趙安新 黎梁 劉柯 張育剛 王偉峰

摘 要：

為研究采區煤巖體中裂隙、斷裂、破碎帶等結構面的自動檢測技術，解決現有人工智能技術中迭代次數大、檢測框準確度低等問題，采用YOLOv5算法融合注意力機制、損失函數、多尺度檢測的方法，對煤礦巷道上頂板5種不同地質鉆孔進行裂隙檢測試驗。結果表明：將注意力機制SENet引入YOLOv5模型框架，避免了圖像背景區域與裂隙區域相似度較高問題；采用有效交并比損失函數代替完全交并比損失函數，使得預測框能夠更加有效擬合真實目標框；對YOLOv5模型增添3種不同尺寸的錨定框并添加160×160特征層，實現檢測更小的目標。該方法與SSD、YOLOv5等檢測算法在同樣條件下相比，其檢測精度分別提升了18.9%，2.1%，召回率提升了39.5%，1.6%，平均精度提升了28.1%，1.0%。改進后的模型將三尺度檢測變為四尺度檢測，提升了算法的多尺度目標檢測性能，能夠對鉆孔裂隙進行高精度檢測，滿足鉆孔裂隙實時檢測需求。

關鍵詞：煤礦鉆孔；裂隙識別；YOLOv5；注意力機制；深度學習；特征提取中圖分類號：TP 391.4

文獻標志碼：

A

文章編號：1672-9315（2023）06-1158

-10

DOI：10.13800/j.cnki.xakjdxxb.2023.0614開放科學（資源服務）標識碼（OSID）：

Crack identification technology of borehole

in underground coal mine

ZHAO Anxin1，LI Liang1，LIU Ke2，ZHANG Yugang1，WANG Weifeng3

（1.College of Communication and Information? Engineering，Xian University of Science and Technology，Xian 710054，China；

2.Shandong Energy Group New Material Co.，Ltd.，Zibo 255299，China；

3.College of Safety Science and Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：

In order to study the automatic detection technology of such structural planes as crack，fracture and fracture zone in coal rock mass in mining area，

and solve the problems of large iteration times and low accuracy of detection frame in existing artificial intelligence technology，

the YOLOv5 algorithm combining attention mechanism，loss function and multi-scale detection methods was used to conduct crack detection tests on 5 different geological boreholes in the roof of coal mine roadway.

The results show that the attention mechanism SENet is introduced into the YOLOv5 model framework to avoid the problem of high similarity between the background region and the crack region，the effective crossover loss function is used to replace the complete crossover loss function，which makes the prediction frame fit the real target frame more effectively，and three different sizes of anchor frames are added to the YOLOv5 model and 160×160 feature layers are added to achieve smaller detection targets.

Compared with detection algorithms such as SSD and YOLOv5 under the same conditions，the detection accuracy of this method is increased by 18.9% and 2.1%，the recall rate is increased by 39.5% and 1.6%，and the average accuracy is increased by 28.1% and 1.0%，respectively.The improved model changes the three-scale detection into four-scale detection，improves the multi-scale target detection performance of the algorithm，and can detect borehole cracks with high precision，meeting the real-time detection requirements of borehole cracks.

Key words：coal mine borehole；fracture recognition；YOLOv5；attention mechanism；deep learning；feature extraction

0 引 言礦井圍巖中的裂隙、破碎等結構面在礦業工程中具有重要的地位。這些結構面在地質體中起著承載、傳遞應力的作用，對礦山的巖層穩定性、支護設計、瓦斯抽放、水文地質等方面產生顯著影響［1］。裂隙和破碎帶的分布、性質、走向和傾向等參數對巖體的力學性質、透水性、滲透性以及巖石的損傷和破壞模式具有深刻影響。在采礦過程中，結構面的存在可能導致巖層變形、失穩甚至巖體崩塌，影響礦山的安全生產［2］。因此，科學準確地識別礦井圍巖中的裂隙、破碎等結構面的性質和分布，對支護設計、巷道穩定性分析以及礦井通風、瓦斯抽放等安全措施的制定至關重要，對于確保礦山的可持續、安全、高效運營具有不可忽視的重要性。當前礦井鉆孔的探測主要是通過鉆孔窺視儀等結合人工觀察鉆孔視頻的方式，獲取煤巖層不同結構面分布情況，評價巷道穩定性。人工觀測具有人為主觀性強、工作強度大，不能夠實現在線化處理等問題，無法滿足當前智能化礦井建設的需求。為了實現鉆孔探測的智能化處理，大量學者在該領域嘗試采用深度學習、機器學習等人工智能手段，利用卷積神經網絡對圖像進行檢測。CRUZ等通過使用深度神經網絡代替Hough變換提取候選特征，提高了鉆孔圖像裂隙自動檢測精度［3］；蘇鈺桐等采用目標檢測領域中的YOLOv3算法對鉆孔圖像裂隙進行檢測，通過對鉆孔裂隙圖像人工標注制作數據集，利用Darknet-53的網絡結構進行訓練，實現了煤巖體各種特征裂隙智能快速檢測［4］；羅虎等通過DeepCrack網絡模型遷移學習識別巖體裂隙并利用ZhangSuen算法和8鄰域標記算法對識別的結果進行細化，骨架化和連通域分析，實現對巖體裂隙自動識別［5］；天津大學佟大威團隊提出一種基于深度學習的鉆孔圖像裂隙參數自動提取方法，通過建立裂隙圖像數據集、搭建識別模型、模型訓練，實現了鉆孔裂隙信息的提取，能夠有效定位出結構面所在區域，克服人工或傳統圖像檢測識別鉆孔裂隙準確率低、效率低等不足［6］；顧天縱提出一種基于機器視覺的裂隙提取算法，算法采用對裂隙掩膜識別圖直接骨架提取的方法，之后對提取骨架進行優化，提出基于交并比評分淘汰制的骨架剪除算法，從而完成剪除骨架圖虛假分支任務，只保留大塊的正確分支，大塊的正確分支可以大致描述出露頭裂隙的具體情況［7］；高旭利用Deep CORAL框架搭建網絡，在迭代訓練1 900次后得到訓練模型，能夠將鉆孔各種特征裂隙直觀地檢測出來［8］；賈世娜以YOLOv5s為基準模型，分別對其Head層增加了一個P2檢測頭并在Neck結構中加入了CBAM注意力機制，有助于提升網絡對小目標的關注度，提高目標檢測精度［9］。然而，這些方法在檢測性能上大程度依賴訓練次數，這容易導致訓練模型時占用更多時間。若降低訓練次數又會導致小目標檢測時，預測框與真實框出現較大差異等問題。為了解決現有問題，文中設計了一種基于YOLOv5算法融合注意力機制、損失函數、多尺度檢測的煤礦井下鉆孔裂隙識別模型（Multiscale Opti Mization Target Detection，MOMTD），對礦井鉆孔裂隙進行檢測識別。同時與SSD算法、YOLOv5等算法進行對比，使其綜合改進模型性能能夠滿足礦井這一特殊環境需求。其次，在對煤礦井下鉆孔裂隙識別過程中，針對缺乏數據集情況，對煤礦鉆孔采集視頻數據進行截幀處理，通過對圖像的上下翻轉、左右翻轉、水平垂直鏡像、旋轉擴充等處理形成數據集。

1 YOLOv5基礎網絡的改進

1.1 注意力機制煤礦井下鉆孔裂隙識別任務是在復雜環境下，對小目標進行檢測，然而YOLOv5算法在該類任務下表現較差。對于小目標檢測任務，注意力機制可以對不同區域分配不同權重，使模型更集中地處理關鍵目標區域，減少對背景干擾的敏感性，從而提高小目標檢測的準確度。在YOLOv5模型的Backbone模塊后添加SENet注意力機制，SENet注意力機制對Backbone模塊輸出的圖像特征進行擠壓、激勵操作后使用ReLu函數、全連接層、將其特征恢復，最后通過Sigmoid函數及注意操作將歸一化后的權重添加到每層通道特征上，從而增強模型對煤礦鉆孔裂隙特征的提取能力，弱化煤礦鉆孔非裂隙區域對模型的影響，使得模型對煤礦鉆孔裂隙識別精度得到提升。YOLOv5中添加注意力機制SENet網絡架構如圖1所示。

注意力機制被廣泛用于目標檢測、語音識別、自然語言處理等不同深度學習任務當中。機器學習中注意力機制類比了人類注意力機制，其作用是從大量信息中有選擇地篩選出少量并重要的信息，增大有用特征。有空間域、通道域、混合域（空間域和通道域的結合）3種注意力機制方法。空間域思路是將原始圖片中空間信息轉換到另一空間并保留關鍵信息，其通過轉換這一方式有效避免了卷積神經網絡池化操作直接采用最大池化或平均池化導致關鍵信息無法檢測的弊端。通道域思路是給經過卷積之后得到的特征圖每個通道增加權重，權重越高的通道則含有更多的關鍵信息。在計算機視覺領域往往卷積之后會得到很多通道特征圖，通道注意機制效果更加客觀，因此選取通道注意力機制SENet。SENet是HU等所提出的通道注意力機制網絡，模型結構如圖2所示。

1.3 錨框參數優化及多尺度檢測由于煤礦鉆孔數據集中存在的裂隙區域大小不盡相同，對于存在區域較大的裂隙通過使用預訓練好的YOLOv5算法模型能夠檢測得到。在真實情況下煤礦鉆孔中存在著許多小區域裂隙，正是因為這種大小差異性使得小目標可能不被檢測得到。另外YOLOv5中預先設定的錨定框是依據COCO數據集設定的，在訓練時候采用K均值聚類算法自動獲取合適的錨定框。相較于煤礦井下鉆孔這一特殊環境，一方面錨定框是根據普通通用場景所篩選設定的，另一方面需要更適合小目標的錨定框，所以在原有錨定框基礎上再加3個尺寸分別為（5，6），（8，14），（15，11）的錨定框用于捕捉小目標區域。目標檢測任務中，大的特征圖上能夠提取到更多小目標信息，依次對應小的特征圖上提取大目標信息。表1為改進YOLOv5算法中設置錨定框與特征圖對應關系。

為了提高煤礦鉆孔中小區域鉆孔裂隙的檢測，通過給YOLOv5模型預設定錨框中添加3個尺寸的錨框用以檢測小目標，在原始的YOLOv5模型中，采取3個檢測層以對應3組預設定錨定框值。檢測數據集規格為640×640，在經過5次下采樣之后特征圖大小為20×20，40×40，80×80。最大80×80特征圖上檢測小目標，當其對應在640×640上，則每一格特征圖感受野是8×8大小。當目標區域框小于8像素時，網絡就會很難學習到目標特征信息，從而導致小目標檢測丟失。在添加了針對小目標的錨定框后，必然需要與之對應的檢測層，在YOLOv5原有檢測層基礎上添加一個160×160特征層，用以對應著添加的小目標

錨定框以及檢測小目標，改進網絡結構如圖4所示。

在80×80特征圖之后添加卷積層以及2倍上采樣操作，將獲取到的160×160特征圖與骨干網絡層第2層進行Concat融合，使之成為更大特征圖然后對小目標檢測。最后增加一個小目標檢測層，最終采用結構圖中Prediction 1，Prediction 2，Prediction 3，Prediction 4的4尺度檢測層對目標進行檢測。這是以犧牲檢測速率來提升檢測精度做法，在增加檢測層后最直接的影響是造成計算量增加，導致模型檢測速率降低。但是隨著硬件設施更新換代以及原模型與改進模型檢測速率相差為毫秒量級，加上對于煤礦鉆孔裂隙檢測應盡量全面，所以改進模型能夠更好地幫助裂隙區域檢測。

2 試驗與結果分析

2.1 鉆孔數據集準備由于所要識別的任務為礦井鉆孔圖像裂隙情況，并沒有可供使用的公開數據集。因此，通過礦用鉆孔測井裝置對某礦42224工作面的巷道上頂板5種不同地質鉆孔進行測井分析，獲取鉆孔高分辨率視頻、自然伽馬、全方位鉆孔軌跡、鉆孔深度4種數據。其中，高分辨率視頻可以獲取到鉆孔內部的狀況圖；鉆孔軌跡可以判斷出鉆孔方位角、傾角；鉆孔深度數據可精確至厘米。如圖5所示為礦用鉆孔測井裝置。進而對高分辨率視頻進行截幀處理，形成鉆孔試驗數據集。由于截幀處理，每相鄰連續幾張圖基本類似，故對相似或重復圖片進行舍棄，并通過圖像位置變化（平移、翻轉）、圖像增強（灰度變化、亮度增強、銳化）等手段增廣數據集，最后構建

1 098張不同的鉆孔裂隙圖片。由于視頻獲取于不同區域，所以一定程度上增加了樣本的多樣性，能夠使得不同方位、大小、形狀的鉆孔裂隙展現出來從而提升模型學習能力，同時采用開源LabelImg軟件對對礦井鉆孔圖像中裂隙進行人工標注、編號，其中對于裂隙標記為Fracture。試驗環境配置見表2。

2.2 模型改進試驗分析

2.2.1 引入注意力機制的試驗分析

使用PyTorch深度學習框架，將YOLOv5+Attention和YOLOv5初始模型在煤礦鉆孔裂隙數據集上做對照試驗，驗證引入注意力機制后的YO-LOv5模型是否

具有良好的檢測效果。評價指標選用精度P以及平均精度mAP。模型采用SGD優化器，利用Warmup預熱學習率，訓練batch_size設置為32，訓練300個Epoch。表3為對照試驗結果。

表3在YOLOv5模型基礎上引入SENet注意力機制，相較于YOLOv5初始模型精度P提升了1.8%，平均精度mAP提升了0.9%，整體而言檢測能力具有一定提升。針對于礦鉆孔這一特殊場景，在很難改變環境情況下調整模型來提升檢測能力是一種有效手段。圖6為對照試驗結果，其中圖6（a）圖6（b），圖6（c）圖6（d），圖6（e）圖6（f）為3組對照試驗結果，左側為添加SENet注意力機制模型試驗結果，右側為原始模型試驗結果。

圖6（a）圖6（b）、圖6（e）圖6（f）2組對照試驗出現漏檢現象，不能夠將裂隙區域全部檢測處理，在添加SENet注意力機制之后模型改善了這一情況，而圖6（c）圖6（d）組對照試驗中出現誤檢現象，YOLOv5原基礎模型將孔壁非裂隙區域檢測為裂隙區域，改進后模型有效彌補了這一不足。通過對比可以看出，在加入通道注意力機制后能夠改善YOLOv5模型對于鉆孔裂隙檢測不全、誤檢情況，提升模型檢測能力。

2.2.2 優化損失函數試驗分析本試驗通過更改YOLOv5中的損失函數，驗證EIOU Loss邊框回歸函數是否具備良好的檢測效果。其相較于完全交并比損失函數，有效交并比損失函數EIOU Loss考慮了寬高與置信度的有效差異，使預測框能夠更加有效擬合真實目標框。基于這一提升，本小節分別使用EIOU Loss、CIOU Loss作為邊框回歸函數，在煤礦鉆孔裂隙數據集上做對照試驗，評價指標仍然選用精度P以及平均精度mAP。表4為對照試驗結果。

表4顯示了YOLOv5算法模型中采用的CIOU Loss邊框回歸函數以及試驗所采用的EIOU Loss邊框回歸函數在鉆孔煤礦裂隙數據集上的精度、平均精度的對比結果。EIOU Loss邊框回歸函數相較于 CIOU Loss邊框回歸函數檢測精度提升了1.3%，平均精度提升了0.4%。結果表明，以EIOU Loss作為邊框回歸損失函數可以優化模型，提升模型檢測能力。EIOU Loss邊框回歸函數不僅提升了模型檢測能力，而且使得預測框能夠有效擬合真實目標框。圖7為對照試驗結果，其中圖7（a）圖7（b），圖7（c）圖7（d），圖7（e）圖7（f）為3組對照試驗結果，左側為采用EIOU Loss作為邊框回歸函數的試驗結果，右側為原始模型CIOU Loss作為邊框回歸函數的試驗結果。在使用EIOU Loss作為邊框回歸函數與CIOU Loss作為邊框回歸函數從試驗結果上來看區別僅在于回歸框的不同。圖7（a）圖7（b），圖7（e）圖7（f）2組試驗中采用EIOU Loss

作為邊框回歸函數使得回歸框更加貼近真實情況，圖7（a）圖7（b）對照組中，圖7（a）相較于圖7（b），圖7（a）中回歸框有效框選出了鉆孔裂隙部分，圖7（b）中回歸框出現少許偏差；圖7（e）圖7（f）對照組中，圖7（e）相較于圖7（f），圖7（e）中回歸框并沒有如圖7（f）中回歸框情形框選了鉆孔裂隙以外“多余”部分，對照圖中可以清楚觀察到。圖7（c）圖7（d）對照組中，圖7（c）相較于圖7（d），圖7（c）中回歸框更加關注鉆孔裂隙部分呈現出簡潔有效的效果，圖7（d）中雖然能夠將鉆孔裂隙部分框選但是涉及較多孔壁區域顯得冗余，在其他不同裂隙情況中可能會出現圖7（b）或者圖7（f）情況。EIOU Loss作為邊框回歸函數，使得回歸框逼近真實情況，因此采用EIOU Loss作為邊框回歸函數可以獲得更好的效果。

2.2.3 錨框參數優化及多尺度檢測試驗分析本試驗在YOLOv5模型原錨定框基礎上添加

小尺寸錨定框以及增加檢測層，驗證該模型是否可以提升煤礦鉆孔中小裂隙區域檢測精度。本小節利用鉆孔數據集做對照試驗，評價指標同樣選用精度P以及平均精度mAP，結果見表5。

從表5可以看出，通過優化錨定框參數以及增加檢測層，多尺度檢測模型在檢測精度上比原模型提升了1.3%，而平均精度提升了0.2%。結果表明，對錨框參數優化以及增加檢測層能夠優化模型，對于煤礦鉆孔中裂隙區域檢測有一定提升。

圖8為對照試驗結果，左側為錨定框參數優化及增加檢測層模型的試驗結果，右側為原始模型試驗結果。從圖8可以看出，右邊原始YOLOv5模型對于小目標區域存在漏檢情況，而左側改進后的模型能夠識別檢測出小裂隙區域。圖8（a）、圖8（c）、圖8（e）均較于與之相對應的對照組圖8（b）、圖8（d）、圖8（f），能夠將遺漏的小裂隙區域檢測出來，優化后模型對于不同大小鉆孔裂隙檢測表現出良好的性能。因此通過增加小尺寸錨定框以及檢測層能夠使得模型獲得更高的檢測精度和平均精度。

2.3 MOMTD模型試驗分析上述試驗分別從注意力機制、邊框回歸函數、檢測層3個階段對原模型做出改進，每個改進均通過3組試驗驗證其有效性。本節將這3個階段改進融合進一個模型中形成綜合優化模型MOMTD，與基于MobileNet網絡的一階段檢測SSD算法、基于ResNet50網絡的兩階段檢測Faster RCNN算法、原模型進行對比試驗驗證其是否仍然有效。對于添加注意力機制、改變邊框回歸函數、添加檢測層改進模型備注為優化1、優化2、優化3。模型采用SGD優化器，利用Warmup預熱學習率，訓練batch_size設置為32，訓練300個Epoch得出試驗結果。表6為對照試驗結果。

表6顯示了各階段改進、MOMTD、原模型以及SSD模型之間的R，P，mAP值。從表6可以看出，SSD，Faster RCNN算法模型準確度與MOMTD模型有明顯差距，表明一階段檢測算法YOLOv5算法可以更好實現鉆孔裂隙檢測。從P，R值來看，MOMTD模型在保證檢測精度情況下同時也兼顧了鉆孔裂隙區域檢測的全面性，保證了較高的召回率。其原因在于MOMTD模型采用了多層卷積神經網絡以及多檢測層，淺層神經網絡用來提取圖像的顏色、邊緣、紋理等特征信息，深層神經網絡用來提取圖像的語義特征。然后使用特征金字塔網絡結構和路徑聚集網絡結構實現了不同尺度特征信息的融合，最后采用4層特征層對不同尺寸的鉆孔裂隙區域進行檢測。SSD算法模型則采用的MobileNet網絡是一個輕量級卷積神經網絡，其進行卷積的參數比標準卷積少，導致對煤礦鉆孔環境復雜情況下鉆孔裂隙圖像數據集特征提取效果不理想。Faster RCNN作為一階段檢測算法，其并沒有采用多尺度檢測且沒有有效保留在深度CNN提取之后小尺度的特征，導致數據集在該模型上并沒有較為理想的精度以及召回率。同時，MOMTD相較于單步優化模型各性能指標都有提升，且對比原模型，MOMTD模型的P值提升了2.1%，R值提升了1.6%，mAP值提升了1.0%。這說明針對煤礦鉆孔這一特殊環境改進方法可以提升準確度，能夠更準確更全面地檢測鉆孔裂隙。最終將MOMTD模型與礦用鉆孔測井裝置采集的鉆孔深度數據相結合，從而準確判斷出鉆孔內部裂隙形狀及具體位置信息。

圖9中MOMTD的邊框回歸損失與置信度損失均低于原模型。表明預測框能夠更加貼合實際情況，背景冗余情況減輕，預測目標準確率更高。在調整了YOLOv5模型的邊框回歸損失函數之后，檢測框更加貼近真實框，同時也提升了檢測精度。在鉆孔裂隙數據集情況下圖9（a）MOMTD模型采取有效交并比損失函數的損失值低于YOLOv5中采取完全交并比損失函數，使得損失函數計算更加精細。圖9（b）置信度損失則能夠清晰反映YOLOv5模型與MOMTD模型檢測精度情況，采用多尺度檢測以及SENet通道注意機制的MOMTD模型能夠在相同數據集情況下比YOLOv5模型獲得一個更為準確的檢測結果。

3 結 論1）在YOLOv5基礎上通過引入注意力機制、更換損失函數、添加小尺寸錨定框等操作，形成MOMTD模型，解決了礦井鉆孔圖像背景區域與裂隙區域相似度較高、模型檢測框及小裂隙區域檢測精度低等問題。2）MOMTD模型網絡訓練在迭代300次時模型識別精度為97.3%，召回率為98.2%，平均精度為99.3%，對比試驗表明MOMTD相比單步優化以及SSD、Faster RCNN算法模型具有更好的檢測能力，該方法可以適用于礦井鉆孔圖像裂隙識別。3）針對公開數據集中并無本試驗所需數據集，從獲取到的煤礦上頂板鉆孔視頻生成數據，通過數字圖像處理技術對數據集圖片進行位置變換、圖像增強等操作形成了裂隙檢測數據集。參考文獻（References）：

［1］

王國法，張良，李首濱，等.煤礦無人化智能開采系統理論與技術研發進展［J］.煤炭學報，2023，48（1）：34-53.WANG Guofa，ZHANG Liang，LI Shoubin，et al.Progresses in theory and technological development of unmanned smart mining system［J］.Journal of China Coal Society，2023，48（1）：34-53.

［2］袁亮，張平松.煤礦透明地質模型動態重構的關鍵技術與路徑思考［J］.煤炭學報，2023，48（1）：1-14.YUAN Liang，ZHANG Pingsong.Key technology and path thinking of dynamic reconstruction of mine transparent geological model［J］.Journal of China Coal Society，2023，48（1）：1-14.［3］CRUZ R，CACAU D，SANTOS R，et al.Improving accuracy of automatic fracture detection in borehole images with deep learning and GPUs［C］//2017 30th SIBGRAPI Conference on Graphics，Patterns and Images（SIBGRAPI），IEEE Computer Society，2017.［4］蘇鈺桐，楊煒毅，李俊霖.基于YOLOv3的煤巖鉆孔圖像裂隙智能識別方法［J］.煤礦安全，2021，52（4）：156-161.SU Yutong，YANG Weiyi，LI Junlin.Intelligent recognition method of borehole image fractures for coal and rock based on YOLOv3［J］.Safety in Coal Mines，2021，52（4）：156-161.

［5］羅虎，MILLER M，張睿，等.基于計算機視覺技術和深度學習的隧道掌子面巖體裂隙自動識別方法研究［J］.現代隧道技術，2023，60（1）：56-65

LUO Hu，MILLER M，ZHANG Rui，et al.Research on the automatic identification method for rock mass fracture in tunnel face based on computer vision technology and deep learning［J］.Modern TunnelTechnology，2019，60（1）：56-65.

［6］天津大學.一種基于深度學習的鉆孔圖像裂隙參數自動提取方法：CN202110056319.6［P］.2021-04-30.Tianjin University.An automatic extraction method of crack parameters in drilling images based on deep learning：CN202110056319.6［P］.2021-04-30.

［7］顧天縱.基于深度學習的巖體裂隙圖像識別及坐標提取［D］.南京：南京理工大學，2022.GU Tianzong.Image recognition of rock mass cracks based on deep learning and coordinate extraction［D］.Nanjing：Nanjing University of Science and Technology，2022.

［8］高旭.基于深度學習的圍巖鉆孔裂隙識別技術研究及應用［D］.徐州：中國礦業大學，2020.GAO Xu.Research and application of wall rockborehole crack identification technology based on deep learning［D］.Xuzhou：China University of Mining and Technology，2020.

［9］賈世娜.基于改進YOLOv5的小目標檢測算法研究［D］.南昌：南昌大學，2023.JIA Shina.Research on small target detection Algorithm based on improved YOLOv5［D］.Nanchang：Nanchang University，2023.

［10］王蔚鳴，任杰.近距離煤層鉆孔耦合破壞特性［J］.西安科技大學學報，2023，43（2）：284-291.WANG Weiming，REN Jie.Coupling damage characteristics of dense gas drainage boreholes［J］.Journal of Xian University of Science and Technology，2023，43（2）：284-291.

［11］蔚保寧，黃慶享.淺埋煤層綜采面覆巖破壞規律的鉆探實測研究［J］.西安科技大學學報，2022，42（1）：33-39.WEI Baoning，HUANG Qingheng.Drilling measured research on overburden failure law in shallow buried long wall face［J］.Journal of Xian University of Science and Technology，2022，42（1）：33-39.

［12］楊忠民，高永濤，吳順川，等.基于等效巖體技術的節理參數對巖體強度影響性研究［J］.中國礦業大學學報，2018，47（5）：979-986.YANG Zhongmin，GAO Yongtao，WU Shunchuan，et al.Study of the influence of joint parameters on rock mass strength based on equivalent rock mass technology［J］.Journal of China University of mining and technology，2018，47（5）：979-986.

［13］劉泉聲，張華，林濤.煤礦深部巖巷圍巖穩定與支護對策［J］.巖石力學與工程學報，2004，23（21）：3732-3737.LIU Quansheng，ZHANG Hua，LIN Tao.Study on stability of deep rock roadways in coal mines? and their support measures［J］.Journal of Rock Mechanics and Engineering 2004，23（21）：3732-3737.

［14］鄒先堅，王川嬰，韓增強，等.鉆孔圖像特征分析與結構面區域劃分方法［J］.天津大學學報（自然科學與工程技術版），2018，51（1）：88-94.ZOU Xianjian，WANG Chuanying，HAN Zengqiang，et al.Borehole image characteristic analysis and structural planes partitioning method［J］.Journal of Tianjin University（Natural Science and Engineering Technology Edition），2018，51（1）：88-94.

［15］王川嬰，鄒先堅，韓增強，等.基于特征函數的鉆孔圖像結構面識別方法［J］.巖土力學，2017，38（10）：3062-3066.WANG Chuanying，ZOU Xianjian，HAN Zengqiang，et al.Recognition of structural planes in borehole image based on characteristic function［J］.Geotechnical Mechanics，2017，38（10）：3062-3066.

［16］葛云峰，鐘鵬，唐輝明，等.基于鉆孔圖像的巖體結構面幾何信息智能測量［J］.巖土力學，2019，40（11）：4467-4476.GE Yunfeng，ZHONG Peng，TANG Huiming，et al.Intelligent measurement on geometric informationof rock discontinuities based on borehole image［J］.Geotechnical Mechanics，2019，40（11）：4467-4476.

［17］李立，余翠，孫濤，等.基于顏色特征的數字鉆孔圖像溶隙結構識別方法［J］.巖土力學，2019，40（8）：3274-3281，3290.LI Li，YU Cui，SUN Tao，et al.Automatic identification of solution fissure from boreholedigital optical image based on color features［J］.Geotechnical Mechanics，2019，40（8）：3274-3281，3290.

［18］鄧兆鵬，曹茂永，

LAXMISHA Rai.基于改進的區域生長和Hough變換的鉆孔圖像水平裂隙識別［J］.科學技術與工程，2019，19（31）：239-245.DENG Zhaopeng，CAO Maoyong，LAXMISHA Rai.Horizontal fracture recognition of borehole image based on improved region growing and Hough transform［J］.Science，technology and engineering，2019，19（31）：239-245.

［19］王迪聰，白晨帥，鄔開俊.基于深度學習的視頻目標檢測綜述［J］.計算機科學與探索，2021，15（9）：1563-1577.WANG Dicong，BAI Chenshuai，WU Kaijun.Survey of video object detection based on deep learning［J］.Computer Science and Exploration，2021，15（9）：1563-1577.

［20］陳科圻，朱志亮，鄧小明，等.多尺度目標檢測的深度學習研究綜述［J］.軟件學報，2021，32（4）：1201-1227.CHEN Keqi，ZHU Zhiliang，DENG Xiaoming，et al.Deep learning for multi-scale object detection：A survey［J］.Journal of Software，2021，32（4）：1201-1227.

［21］張斌，蘇學貴，段振雄，等.YOLOv2在煤巖智能識別與定位中的應用研究［J］.采礦與巖層控制工程學報，2020，2（2）：94-101.ZHANG Bin，SU Xuegui，DUAN Zhenxiong，et al.Application of YOLOv2 in intelligent recognition and location of coal and rock［J］.Journal of Mining and Rock Stratum Control Engineering，2020，2（2）：94-101.

［22］陳幻杰，王琦琦，楊國威，等.多尺度卷積特征融合的SSD目標檢測算法［J］.計算機科學與探索，2019，13（6）：1049-1061.CHEN Huanjie，WANG Qiqi，YANG Guowei，et al.SSD object detection algorithm with multi-scale convolution feature fusion［J］.Computer Science and Exploration，2019，13（6）：1049-1061.

［23］WANG L Y，DANG J，WANG X，et al.Waveform-based fracture identification of steel beam ends using convolutional neural networks［J/OL］.Structural Control and Health Monitoring，2021，e2777.https：//doi.org/10.1002/stc.2777.［24］PAN D D，LI Y H，LIN C J，et al.Intelligent rock fracture identification based on image semantic segmentation：Methodology and application［J］.Environmental Earth Sciences，2023，82：71.

［25］LI H T，LUO H W，XIANG Y X，et al.DTS based hydraulic fracture identification and production profile interpretation method for horizontal shale gas wells［J］.Natural Gas Industry B，2021（8）：494-504.

［26］趙安新，楊宏魁，黎梁，等.基于國產可控CPU架構的煤礦智能化平臺搭建［J］.軟件導刊，2022，21（10）：53-57.ZHAO Anxin，YANG Hongkui，LI Liang，et al.Construction of coal mine intelligent platform based on domestic controllable CPU architecture［J］.Software Guide，2022，21（10）：53-57.

（責任編輯：劉潔）