基于多注意融合網絡的輸煤皮帶異物識別方法

李利，梁晶，陳旭東，等.基于多注意融合網絡的輸煤皮帶異物識別方法[J].西安科技大學學報，2024，44（5）：976-984.

LI Li，LIANG Jing，CHEN Xudong，et al.Foreign object recognition in coal conveyor belt "based on multi-attention fusion network[J].Journal of Xi’an University of Science and Technology，2024，44（5）：976-984.

摘要：為改善現有輸煤皮帶異物識別算法網絡參數量大、識別精度不高的問題，及時避免大塊煤和矸石、錨桿等帶來的安全隱患，提出了一種基于多注意融合網絡的輸煤皮帶異物識別方法，使用低照度圖像處理算法對數據集進行預處理，采用融合局部注意力殘差塊作為基本特征提取單元，在殘差塊中融入帶有額外偏移量的可變形卷積以增加對不規則特征的描述，用注意力機制對全局特征圖做期望最大化處理。

結果表明：在Cifar 10數據集和礦用皮帶傳輸異物識別數據集的識別準確率分別為93.7%和84.8%；與ShufflenetV2、MobileNetV2、ResNet 50、ResNet 110、Darknet 53算法相比，識別準確率分別提升了4.7%、3.9%、0.4%、0.5%、1.7%；與識別準確率相近的 ResNet 50、ResNet 110算法相比，網絡參數量和計算復雜度大大減小。識別方法能夠快速識別輸煤皮帶異物，且具有較高的識別準確率，對保障煤礦運輸系統的安全運行具有參考意義。

關鍵詞：異物識別；輸煤皮帶；Darknet網絡；可變形卷積；注意力機制

中圖分類號：TD 528

Foreign object recognition in coal conveyor belt based on multi-attention fusion network

LI Li1，2，3， "LIANG Jing1，CHEN Xudong1， "KOU Farong1，3， "PAN Hongguang1，2

（1.College of Electrical and Control Engineering，Xi’an University of Science and Technology，Xi’an 710054，China;

2.Xi’an Key Laboratory of Electrical Equipment Status Monitoring and Power Supply Safety，Xi’an 710054，China；

3.College of Mechanical Engineering，Xi’an University of Science and Technology，Xi’an 710054，China）

Abstract：In order to slove the problems of large network parameters and low recognition accuracy of the existing foreign object recognition algorithms for coal conveyor belt，and to avoid safety hazards just in time caused by large blocks of coal，gangue，anchor rods，etc.，a foreign object recognition method for coal conveyor belts based on a multi-attention fusion network is proposed.

The low illumination image processing algorithm is adopted to preprocess the dataset.A fused local attention residual block is chosen as the basic feature extraction unit with deformable convolution with additional offsets integrated into the residual block to enhance the description of irregular features.

The global feature map is processed with expectation maximization using an attention mechanism .The results show that the recognition accuracy rates on the Cifar10 dataset and the foreign object recognition dataset for mining belt transmission are 93.7% and 84.8%，respectively.Compared with algorithms such as ShufflenetV2，MobileNetV2，ResNet 50，ResNet 110， and Darknet 53，the proposed method increases the recognition accuracy rates "by 4.7%，3.9%，0.4%，0.5% and 1.7%，respectively.Compared with algorithms such as ResNet50 and ResNet110 with similar recognition accuracy rates，it reduces the network parameters and computational complexity significantly.This recognition method"can quickly identify foreign object in coal conveyor belt and has a high recognition accuracy rate，which has reference significance for ensuring the safe operation of coal mine transportation systems.

Key words：foreign object recognition;coal conveyor belt;Darknet network;deformable convolution;attention mechanism

0引言

煤炭在中國的能源消費結構中占有非常大的比重，煤炭安全生產是核心環節。帶式輸送機作為煤礦開采和運輸的主動脈，經常出現摻雜錨桿、大塊煤等異物的情況，導致輸送皮帶撕裂、轉接處堵塞等事故發生，嚴重影響煤礦安全高效生產[1-2]。因此，為了有效保障煤礦運輸系統的安全運行，需要對輸煤皮帶上存在的大塊煤及矸石、錨桿等異物進行快速識別[3]。

現有基于視覺的目標檢測和分類識別算法可以實現輸煤皮帶異物的分類識別[4-6]。目標檢測算法需要定位和框選圖像中的感興趣區域，這增加了計算量[7-11]。相比與目標檢測方法，分類識別算法則可直接對異物進行分類識別，省略了對感興趣區域定位的步驟，大大減小了網絡的計算復雜度，保證了異物識別的快速性[12-14]。但是，煤礦井下環境復雜，光照不足、粉塵彌漫等因素使得現有分類方法在井下輸煤皮帶異物識別問題上具有相當大的難度[15-16]。目前，許多研究應用機器視覺技術解決異物分類識別問題，但其大多采用基于各種多分類算法的圖像處理技術，易受環境因素影響，導致分類識別效果不理想[17-18]。除了使用傳統機器視覺技術外，一些學者也將深度學習技術應用于異物識別問題，該類異物識別技術多由卷積神經網絡實現，通過多次卷積和池化來提取物品特征，再通過全連接層來進行分類識別。郝帥等基于YOLOv5網絡，研究了皮帶輸送異物識別問題，改進了其網絡結構，提高了淺層特征獲取能力[19]；PU等基于VGG網絡，建立了異物識別模型[20]；于濤等基于透視變換和SNc-YOLOv5算法，實現了對大塊煤的檢測[21]；毛清華等通過直方圖均衡化進行圖像預處理，并采用深度可分離卷積等優化YOLOv7網絡結構，提高了異物檢測性能[22]；馬巖等基于異物圖像的數據特性，使用MobileNet網絡，針對性地優化了網絡結構且改進了損失函數[23]。

現有輸煤皮帶異物識別算法很少針對現場環境對圖像進行預處理，且網絡計算復雜度高、參數量大，識別精度不足[24-28]。為了解決這些問題，提出了一種基于多注意融合網絡的輸煤皮帶異物識別算法。針對礦井圖像的低照度特點，引入單尺度Retinex算法對圖像數據進行圖像增強[29-30]。同時，通過在原有網絡結構上增加權重參數，增強網絡不同通道的特征表現力；將融合注意力的瓶頸模塊用于特征提取，融入帶有偏移量卷積的可變形卷積算法。該方法通過優化網絡結構和注意力機制，成功減少了網絡參數量和計算復雜度，能夠快速識別輸煤皮帶上異物，對于保障煤礦運輸系統的安全運行具有重要意義。

1融合網絡算法

Darknet網絡通常用于目標檢測和分類識別問題，它是YOLO系列算法的核心網絡模型。設計思路是通過卷積池化層進行特征提取和通道降維；在殘差塊中對輸入特征圖的通道數進行裁剪，并采用多維度的特征拼接，實現在保留輸入主要特征的同時降低模型的計算復雜度；通過殘差連接將提取到特征與原始輸入特征相加，從而保持特征圖維度不變。

Darknet網絡結構被劃分為3部分，第1部分主要由常規的卷積層和最大池化層組成，這部分將圖像的空間信息不斷縮小并增加深度；第2部分主要由Darknet特有的瓶頸模塊結構組成，通過這種瓶頸模塊結構加速收斂、減少梯度消失，提高分類識別精度，在殘差塊中引入可變形卷積和注意力機制，增強特征提取能力和通道權重特征表達能力；第3部分主要由全局多尺度注意力機制和用于分類的全連接層組成（圖1）。

1.1Darknet融合注意力網絡

基于Darknet網絡的識別算法已被應用于輸煤皮帶異物識別，但現有算法檢測精度尚顯不足，難以滿足礦井安全生產的嚴格要求。為增強Darknet網絡的特征提取能力，在作為特征提取單元的瓶頸模塊中融入卷積塊注意力模塊（Convolutional Block Attention Module，CBAM），即在殘差塊特征融合之后引入CBAM注意力機制，增加通道權重參數（圖2）。

CBAM是一種結合了通道注意力和空間注意力的輕量級模塊，通道注意力對每個通道進行池化操作，得到通道全局平均值，再通過卷積層，將全局平均值映射為權重向量，與原始特征圖相乘獲得新的加權特征圖；空間注意力將通道注意力輸出的加權特征圖作為輸入，分別對每個通道的特征圖進行最大池化和平均池化，得到兩個空間特征圖，通過一個卷積層將這兩個空間特征圖相加，產生一個權重圖，與原始特征圖相乘以重新加權調整每個空間位置權重，將這個新加權特征圖傳遞給網絡的下一層。CBAM注意機制幾乎可以嵌入任何卷積網絡中，在增加較少計算量和參數量的情況下，能大大增強模型性能（圖3）。

1.2可變形卷積

礦用數據集特征不規則且樣本復雜多變。為了使多注意融合網絡盡可能保留更多有效信息，在主干特征提取網絡的殘差連接模塊Bottleneck中引入可變形卷積網絡（Deformable Convolutional Network，DCN），再將Bottleneck_DCN引入瓶頸模塊中，在不影響模型整體穩定性情況下，提高了模型性能。DCN原理是通過增加額外偏移量來增加模塊的空間采樣位置，在不需要額度監督的情況下通過卷積算法處理來自目標的偏移量。

傳統的卷積結構可以定義為

y（P0）=∑Pn∈R∫10w（Pn）·x（P0+Pn）

（1）

式中Pn是P0在卷積核范圍內的每個偏移量；y是輸出特征圖的每個點，與卷積核中心點對應。

可變形卷積在公式（1）的基礎上為每個點引入了一個偏移量ΔPn，偏移量是由輸入特征圖通過卷積生成，如下式。

y（P0）=∑

Pn∈R

∫10w（Pn）·x（P0+Pn+ΔPn）

（2）

可變形卷積包含普通卷積核和學習偏移量對應卷積層內的卷積核，這兩種卷積核通過雙線性插值反向傳播進行參數更新，從而比正常的卷積操作多學習了卷積核的偏移量信息。

1.3融合全局注意力機制

煤礦井下輸煤皮帶的異物識別環境復雜，Darknet網絡在這類場景中的表現相對欠佳。針對該類復雜背景下的識別任務，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，減少背景干擾的敏感性，從而提高輸煤皮帶異物識別的準確度。多注意融合網絡輸煤皮帶異物識別方法引入期望最大化注意力（Expectation Maximization Attention， EMA），在原全局特征圖基礎上通過期望最大化重建特征圖，提高了算法的圖像識別性能。

EMA整體結構采用了并行子結構，能夠在卷積操作中不進行通道降維的情況下學習有效的通道描述，并為高級特征圖產生更好的像素級別的注意力信息。具體來說，對于輸入維度為C×H×W的特征圖，首先進行平均池化，再利用從協調注意力（Coordinate Attention， CA）模塊中挑選出的1×1卷積共享組件生成通道注意力。為了聚合多尺度空間結構信息，將3×3卷積分支與1×1分支并行放置以實現快速響應，利用二維全局平均池化將全局空間信息編碼，并通過兩個分支輸出并融合，從而實現了跨空間學習，有效地建立短期和長期依賴關系，進而獲得更好的性能（圖4）。

1.4低照度圖像處理

針對礦井圖像數據低照度的特點，引入單尺度Retinex算法對圖像數據進行圖像增強。Retinex算法是一種基于人眼視覺感知原理的圖像增強算法，它能夠有效地增強圖像對比度和色彩飽和度，同時保持圖像的自然外觀。此外，單尺度Retinex算法通過計算圖像中每個像素周圍區域的平均亮度，并將其作為該像素的參考亮度，從而獲得圖像的增強版本。單尺度Retinex算法圖像增強效果（圖5）。

單尺度Retinex算法的數學模型為

Ie（x，y）=I（x，y）·（Le（x，y）L（x，y））

（3）

式中I（x， y）為原始圖像的像素值；Ie（x， y）為增強后圖像的像素值；L（x， y）為原始圖像中以像素（x，y）為中心的局部區域的平均亮度。

2試驗結果

試驗平臺選擇Ubuntu 20.04.2版本，GPU型號為NVIDIA RTX 2080 Ti，顯存為11 GB，使用的Pytorch框架版本號為1.8，CUDA驅動版本號為11.1。

2.1試驗數據

礦用數據集來源于煤礦井下皮帶輸

煤場景，其中訓練數據集和測試數據集比例為4∶1。數據集共分為3個類別：大塊異物、錨桿和正常煤流，其中前兩行的圖片屬于第一類別，該類異物可能會導致皮帶的落煤口堵塞，從而使皮帶脫軌，妨礙正常運輸；中間兩行的圖片屬于第二類別，該類異物在傳輸過程中可能會劃傷傳輸皮帶；后兩行圖片是正常的皮帶輸煤數據（圖6）。

2.2結果分析

2.2.1模型效果

在迭代次數為79時，模型完全收斂，識別準確率較好且收斂速度較快。與其他算法相比，識別準確率高、收斂迅速且損失函數收斂效果好（圖7、圖8）。

2.2.2消融試驗

為了研究CBAM注意力融合方式對多注意融合網絡識別效果的影響，使用礦用數據集對比試驗3種CBAM注意力融合方法（圖9）。

在全部瓶頸模塊中融入CBAM注意力機制的多注意融合網絡輸煤皮帶異物識別方法比在主干或單個瓶頸模塊中融入的效果更佳，融合CBAM注意力機制的輸煤皮帶異物識別準確率分別提高了0.2%、0.1%和0.5%（表1，圖10）。

為了比較可變形卷積對多注意融合網絡識別準確率的提升效果，在全部瓶頸模塊中融入CBAM注意力機制的基礎上，在全主干使用可變形卷積和只在瓶頸模塊中使用可變形卷積這2種融合方法進行對比試驗。

從表2可以看出，只在瓶頸模塊中使用可變形卷積比在主干中融入的效果更佳，Darknet全主干使用可變形卷積和只在瓶頸模塊融入可變形卷積這兩種改進方式的準確率分別提升了0.1%和0.4%（表2，圖11）。

基于以上改進的融合網絡，在網絡特征提取主干之后和用于分類的全連接網絡之前，引入了EMA注意力機制。

當引入EMA注意力機制后，識別準確率提高了0.5%，識別性能提升顯著，且網絡參數量增加較少（表3）。

在以上多注意融合網絡的基礎上，引入低照度圖像處理方法，用于圖像增強。

當引入低照度圖像增強處理后，識別精確率提高了0.3%，且網絡參數量并未增加，保證了識別速率，能夠實現對帶式輸送機異物的快速精準識別（表4）。

2.2.3對比試驗

為了進一步驗證多注意融合網絡的識別性能，對比分析目前幾種主流圖像分類識別網絡的復雜度和參數量，并在礦用數據集和公共數據集上比較識別準確率。

不同網絡的計算復雜度、參數量、識別準確率都有著顯著差異。從網絡參數量和計算復雜度方面分析，多注意融合網絡與ShufflenetV2、MobileNetV2、Darknet 53算法參數量相近，且識別準確率相比與這3種算法在Cifar 10數據集上分別提高了5.3%、4.6%和0.6%，在礦用數據集上分別提高了4.7%、3.9%和1.7%。從分類準確率指標上來看，多注意融合網絡與ResNet 50、ResNet 110相近，但網絡的參數量和計算復雜度均大大減小，保證了網絡識別的快速性（表5）。

通過上述對比試驗可知，基于多注意融合網絡的輸煤皮帶異物識別方法在實現較高識別準確率的前提下，具有較小的計算復雜度和網絡參數量，能夠及時且有效地快速識別輸煤皮帶異物。

3結論

1）多注意融合網絡輸煤皮帶異物識別方法通過結合低照度圖像處理、融合局部注意力殘差塊以及全局特征圖的注意力機制，顯著提升了分類識別準確率。在Cifar 10數據集和礦用皮帶傳輸異物識別數據集上表現優越。

2）與多種主流深度學習模型相比，多注意融合網絡輸煤皮帶異物識別方法分類識別準確率表現出色。與ShufflenetV2、MobileNetV2、ResNet 50、ResNet 110、Darknet 53等算法相比，在分類識別準確率上有了顯著提升，表明在輸煤皮帶異物分類任務中具有更高的識別性能。

3）在保持高識別準確率的同時，顯著降低了網絡參數量和計算復雜度。與分類準確率相近的ResNet 50、ResNet 110等算法相比，該方法通過優化網絡結構和注意力機制，成功減少了網絡參數量和計算復雜度，使得算法在實際應用中更加高效，能夠快速識別輸煤皮帶上異物。

參考文獻（References）：

[1]王哲興.煤礦皮帶運輸異物識別及去除技術研究[J].中國石油和化工標準與質量，2022，42（15）：87-89.

WANG Zhexing.Research on foreign matter identification and removal technology in coal mine belt transportation[J].China Petroleum and Chemical Standards and Quality，2022，42（15）：87-89.

[2]韓曉東，宋云龍.煤礦井下皮帶AI異物識別與聯動控制研究與應用[J].能源與節能，2023（8）：154-158.

HAN Xiaodong，SONG Yunlong.Research and application of AI foreign object identification and linkage control in underground coal mine belt[J].Energy and Energy Conservation，2023（8）：154-158.

[3]任富強，李剛，康宇全.圖像AI識別在煤炭運輸中的應用研究[J].運輸經理世界，2022（9）：95-97.

REN Fuqiang，LI Gang，KANG Yuquan.Research on the application of image AI recognition in coal transportation[J].Transport Manager World，2022（9）：95-97.

[4]CEN F，ZHAO X H，LI W Z，et al.Deep feature augmentation for occluded image classification[J].Pattern Recognition，2021（111）：107737.

[5]程德強，王雨晨，寇旗旗，等.基于改進深度殘差網絡的礦井圖像分類[J].計算機應用研究，2021，38（5）：1576-1580.

CHENG Deqiang，WANG Yuchen，KOU Qiqi，et al.Classification of mine images based on improved deep residual network[J].Application Research of Compu-ters，2021，38（5）：1576-1580.

[6]肖進勝，劉恩雨，朱力，等.改進的基于卷積神經網絡的圖像超分辨率算法[J].光學學報，2017，37（3）：103-111.

XIAO Jinsheng，LIU Enyu，ZHU Li，et al.Improved image super resolution algorithm based on convolutional neural network[J].Acta Optica Sinica，2017，37（3）：103-111.

[7]楊慧劍，孟亮.基于改進的YOLOv5的航拍圖像中小目標檢測算法[J].計算機工程與科學，2023，45（6）：1063-1070.

YANG Huijian，Meng Liang.A small target detection algorithm based on improved YOLOv5 in aerial image[J].Computer Engineering and Science，2023，45（6）：1063-1070.

[8]劉浩翰，樊一鳴，賀懷清，等.改進YOLOv7-tiny的目標檢測輕量化模型[J].計算機工程與應用，2023，59（14）：166-175.

LIU Haohan，FAN Yiming，HE Huaiqing，et al.Improved

YOLOv7-tiny’s object detection lightweight model[J].Computer Engineering and Applications，2023，59（14）： 166-175.

[9]趙安新，楊金橋，楊浩波，等.基于改進DeepSORT和FastReID的室內多目標人員跨鏡識別與跟蹤[J].西安科技大學學報，2023，43（3）：622-630.

ZHAO Anxin，YANG Jinqiao，YANG Haobo，et al．Indoor multi-object personnel recognition and tracking across camera based on optimized DeepSORT and FastReID[J].Journal of Xi’an University of Science and Technology，2023，43（3）：622-630.

[10]張維，徐華龍.三維模型與視頻監控融合關鍵技術研究[J].煤礦安全，2019，50（10）：112-114.

ZHANG Wei，XU Hualong.Research on key technologies of 3D model and video monitoring fusion[J].Safety in Coal Mines，2019，50（10）：112-114.

[11]WANG W W，ZHANG H F，ZHANG Z，et al.Sparse graph based self-supervised hashing for scalable image retrieval[J].Information Sciences，2021，547：622-640.

[12]王燕，郭瀟檣，劉新華，等.帶式輸送機大塊異物視覺檢測系統設計[J].機械科學與技術，2021，40（12）：1939-1943.

WANG Yan，GUO Xiaoqiang，LIU Xinhua，et al.Design of visual detection system for large foreign body in belt conveyor[J].Mechanical Science and Technology for Aerospace Engineering，2021，40（12）：1939-1943.

[13]GUO A，SUN K Q，ZHANG Z Y.A lightweight YOLOv8 integrating FasterNet for real-time underwater object detection[J].Journal of Real-Time Image Processing，2024，21（2）：1-15.

[14]LIU B，FANG S.Multi-aggregation network based on non-separable lifting wavelet for single image deraining[J].Multimedia Systems，2023，29（6）：3669-3684..

[15]胡璟皓，高妍，張紅娟，等.基于深度學習的帶式輸送機非煤異物識別方法[J].工礦自動化，2021，47（6）：57-62.

HU Jinghao，GAO Yan，ZHANG Hongjuan，et al.Research on the identification method for non-coal foreign object of belt conveyor based on learning[J].Industrial and Mining Automation，2021，47（6）：57-62.

[16]何敏，王培培，蔣慧慧，等.基于SVM和紋理的煤和煤矸石自動識別[J].計算機工程與設計，2012，33（3）：1117-1121.

HE Min，WANG Peipei，JIANG Huihui，et al.Recognition of coal and stone based on SVM and texture[J].Computer Engineering and Design，2012，33（3）： 1117-1121.

[17]吳守鵬，丁恩杰，俞嘯.基于改進FPN的輸送帶異物識別方法[J].煤礦安全，2019，50（12）：127-130.

WU Shoupeng，DING Enjie，YU Xiao.Foreign body identification of belt based on improved FPN[J].Safety in Coal Mines，2019，50（12）：127-130.

[18]程健，王東偉，楊凌凱，等.一種改進的高斯混合模型煤矸石視頻檢測方法[J].中南大學學報（自然科學版），2018，49（1）：118-123.

CHENG Jian，WANG Dongwei，YANG Lingkai，et al.An improved Gaussian mixture model for coal gangue video detection[J].Journal of Central South University（Science and Technology），2018，49（1）：118-123.

[19]郝帥，張旭，馬旭，等.基于CBAM-YOLOv5的煤礦輸送帶異物檢測[J].煤炭學報，2022，47（11）：4147-4156.

HAO Shuai，ZHANG Xu，MA Xu，et al.Foreign object detection in coal mine conveyor belt based on CBAM-YOLOv5[J].Journal of China Coal Society，2022，47（11）：4147-4156.

[20]PU Y Y，APEL D，SZMIGIEL A，et al.Image recognition of coal and coal gangue using a convolutional neural network and transfer learning[J].Energies，2019，12（9）： 1735-1746.

[21]于濤.基于透視變換和SNc-YOLOv5的大塊煤識別方法應用[J].西安科技大學學報，2024，44（1）：54-63.

YU Tao.Application of large block coal recognition method based on perspective transformation and SNc-YOLOv5[J].Journal of Xi’an University of Science and Technology，2024，44（1）：54-63.

[22]毛清華，李世坤，胡鑫，等.基于改進YOLOv7的煤礦帶式輸送機異物識別[J].工礦自動化，2022，48（12）：26-32.

MAO Qinghua，LI Shikun，HU Xin，et al.Foreign object recognition of belt conveyor in coal mine based on improved YOLOv7[J].Journal of Mine Automation，2022，48（12）：26-32.

[23]馬巖.煤矸圖像識別的深度學習算法及其關鍵技術研究[D].北京：中國礦業大學（北京），2019.

MA Yan.Research on deep learning algorithm and key technology of coal gangue image recognition[D].Beijing：China University of Mining and Technology（Beijing），2019.

[24]XIAO D，KANG Z，YU H，et al.Research on belt foreign body detection method based on deep learning[J].Transactions of the Institute of Measurement and Control，2022，44（15）：2919-2927.

[25]WU J H，LIU Y D，OUYANG A G.Research on real time identification of seed variety by machine vision technology[J].Journal of Transcluction Technology，2005，18（4）：742-744.

[26]徐慈強，賈運紅，田原.基于MES-YOLOv5s的綜采工作面大塊煤檢測算法[J].工礦自動化，2024，50（3）：42-47.

XU Ciqiang，JIA Yunhong，TIAN Yuan.Large block coal detection algorithm for fully mechanized working face based on MES-YOLOv5s[J].Journal of Mine Automation，2024，50（3）：42-47.

[27]王淵，郭衛，張傳偉，等.融合注意力機制和先驗知識的刮板輸送機異常煤塊檢測[J].西安科技大學學報，2023，43（1）：192-200.

WANG Yuan，GUO Wei，ZHANG Chuanwei，et al.Detection of abnormal coal block in scraper conveyor by integrating attention mechanism and prior knowledge[J].Journal of Xi’an University of Science and Technology，2023，43（1）：192-200.

[28]王國法，趙國瑞，任懷偉.智慧煤礦與智能化開采關鍵核心技術分析[J].煤炭學報，2019，44（1）：34-41.

WANG Guofa，ZHAO Guorui，REN Huaiwei.Analysis of key technologies of intelligent coal mine and intelligent mining[J].Journal of China Coal Society，2019，44（1）：34-41.

[29]蘇波，李超，王莉.基于多權重融合策略的Retinex礦井圖像增強算法[J].煤炭學報，2023，48（S2）：813-822.

SU Bo，LI Chao，WANG Li.Mine image enhancement algorithm based on retinex using multi-weight fusion strategy[J].Journal of China Coal Society，2023，48（S2）： 813-822.

[30]SHASTRY A，JIDESH P，GEORGE S，et al.A self-attention driven

retinex-based deep image prior model for satellite image restoration[J].Optics and Lasers in Engineering，2024，173（2）：1-18.

（責任編輯：李克永）

收稿日期：2024-05-21

基金項目：陜西省自然科學基礎研究計劃項目（2024JC-YBQN-0726）；陜西省教育廳科研計劃項目（23JK0550）；西安市科技計劃項目（23DCYJSGG0025-2022）

通信作者：李利，男，山東棗莊人，博士，講師，E-mail：lilxiansen@163.com