融合鉆孔地質(zhì)信息的煤巖圖像識(shí)別方法

文章編號(hào)：1671?251X（2024）08?0038?07 DOI：10.13272/j.issn.1671-251x.2024040048

關(guān)鍵詞：煤巖識(shí)別；鉆孔地質(zhì)信息；深度卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制；圖像增強(qiáng)；貝葉斯模型

中圖分類號(hào)：TD67 文獻(xiàn)標(biāo)志碼：A

0引言

煤巖識(shí)別作為煤礦智能開采和巷道智能掘進(jìn)技術(shù)的關(guān)鍵環(huán)節(jié)，其準(zhǔn)確性和魯棒性直接影響煤礦采掘智能化水平[1-3]。根據(jù)實(shí)施過程中是否需要接觸煤炭或巖石，煤巖識(shí)別方法可分為接觸式和非接觸式兩大類[4]。接觸式煤巖識(shí)別方法包括振動(dòng)檢測(cè)法、聲壓檢測(cè)法、高壓水射流法等，雖然能直接作用于煤巖表面提供即時(shí)反饋，但成本較高，設(shè)備易損壞且不容易實(shí)現(xiàn)遠(yuǎn)程操作。非接觸式煤巖識(shí)別方法包括圖像分析法、聲波探測(cè)法、雷達(dá)探測(cè)法、γ 射線探測(cè)法等，由于無需直接接觸煤巖，減少了設(shè)備磨損且易于實(shí)現(xiàn)遠(yuǎn)程操作。煤巖圖像識(shí)別作為圖像分析法的一種，具有設(shè)備體積小、成本低、易于部署等優(yōu)點(diǎn)，一直是煤巖識(shí)別研究的熱點(diǎn)之一。

近年來，眾多學(xué)者研究使用深度卷積神經(jīng)網(wǎng)絡(luò)提取煤巖圖像特征來實(shí)現(xiàn)煤巖圖像識(shí)別。張?jiān)频萚5]將雙注意力機(jī)制（通道注意力機(jī)制與通道空間注意力機(jī)制）融入卷積神經(jīng)網(wǎng)絡(luò)，提高了煤巖識(shí)別精度。王建才等[6]將Transformer 應(yīng)用于 YOLOv5，實(shí)現(xiàn)了煤巖圖像特征的高效提取。高峰等[7]使用嵌入全局注意力機(jī)制的殘差卷積模塊，降低了全局無關(guān)特性對(duì)煤巖識(shí)別的不利影響。司壘等[8]用深度分離卷積代替?zhèn)鹘y(tǒng)卷積，提高了煤巖識(shí)別的準(zhǔn)確性。張斌等[9]使用目標(biāo)檢測(cè)算法YOLOv2 與線性成像模型相結(jié)合的方法，實(shí)現(xiàn)了對(duì)井下煤巖圖像的智能識(shí)別與定位。閆志蕊等[10]通過改進(jìn)的DeeplabV3+和遷移學(xué)習(xí)實(shí)現(xiàn)了煤巖界面圖像識(shí)別。伍云霞等[11-12]使用帶有局部約束的自學(xué)習(xí)方法，解決了煤巖識(shí)別模型訓(xùn)練中樣本不足的問題。

然而，當(dāng)前應(yīng)用于煤巖圖像識(shí)別的深度卷積神經(jīng)網(wǎng)絡(luò)模型存在體積龐大、計(jì)算過程冗雜等問題，難以滿足實(shí)時(shí)檢測(cè)要求，且對(duì)低照度、高粉塵等復(fù)雜環(huán)境適應(yīng)性差。因此，本文提出了一種融合鉆孔地質(zhì)信息的煤巖圖像識(shí)別方法。首先，通過改進(jìn)譜殘差顯著性檢測(cè)（Improved Spectral Residual SaliencyDetection，ISRSD）算法改善圖像質(zhì)量；其次，使用加入注意力機(jī)制的VGG（Attentional Visual GeometryGroup， AVGG）深度卷積神經(jīng)網(wǎng)絡(luò)高效提取圖像特征；最后，通過貝葉斯模型融合圖像特征和鉆孔地質(zhì)信息，從而提升煤巖識(shí)別的魯棒性和準(zhǔn)確性。

1方法原理

融合鉆孔地質(zhì)信息的煤巖圖像識(shí)別方法流程如圖1 所示。先應(yīng)用ISRSD算法對(duì)煤巖圖像進(jìn)行增強(qiáng)， 優(yōu)化圖像質(zhì)量以降低模型運(yùn)算量， 再利用AVGG 模型提取圖像特征。結(jié)合鉆孔地質(zhì)柱狀圖為每個(gè)煤巖圖像樣本添加相應(yīng)的地質(zhì)特征標(biāo)簽，標(biāo)記當(dāng)前工作空間中存在的特定煤巖類型，從而提高煤巖識(shí)別準(zhǔn)確率。最終，基于貝葉斯模型將提取的圖像特征與鉆孔地質(zhì)信息進(jìn)行融合，獲取煤巖圖像分類結(jié)果。

1.1圖像增強(qiáng)

顯著性檢測(cè)算法被廣泛應(yīng)用于圖像的壓縮編碼、邊緣檢測(cè)、區(qū)域像素增強(qiáng)和目標(biāo)分割等研究領(lǐng)域[13-14]，可有效應(yīng)對(duì)因煤礦井下低照度等因素造成的煤巖圖像特征不明顯。但傳統(tǒng)的顯著性檢測(cè)算法對(duì)于圖像特征被遮擋等情形的煤巖圖像適應(yīng)較差，因此本文使用ISRSD 算法改善煤巖圖像質(zhì)量，使圖像特征更易提取，以便降低模型運(yùn)算量。該算法利用圖像的頻域信息，具有較高的檢測(cè)準(zhǔn)確性和魯棒性。

ISRSD 算法流程如圖2 所示。首先使用中值濾波抑制井下復(fù)雜環(huán)境對(duì)煤巖圖像遮擋造成的影響，同時(shí)泛化主要目標(biāo)區(qū)域；然后，提取煤巖樣本顯著區(qū)域，并使用銳化算子增強(qiáng)圖像邊緣、紋理等特征；最后，使用直方圖均衡化提升圖像亮度，使得圖像中的目標(biāo)更加清晰。

1.2圖像特征提取

深度卷積神經(jīng)網(wǎng)絡(luò)能夠從圖像中自動(dòng)提取特征[5]，其中，VGG是提取圖像特征的首選算法之一[15]。但VGG存在參數(shù)量大、體積冗余、推理時(shí)間長(zhǎng)等問題，因此本文對(duì)其進(jìn)行改進(jìn)，提出了一種AVGG 模型，結(jié)構(gòu)如圖3所示。

具體改進(jìn)方案：① 對(duì)VGG模型進(jìn)行剪枝處理，減少冗余參數(shù)，提高其識(shí)別煤巖圖像的效率。② 加入卷積注意力模塊（Convolutional Block Attention Module，CBAM）[16]，改善VGG 模型對(duì)不同通道和生成空間的權(quán)重分配能力，以提升對(duì)煤巖圖像識(shí)別的學(xué)習(xí)能力。③ 引入自適應(yīng)學(xué)習(xí)率調(diào)整策略（圖4），根據(jù)交叉熵?fù)p失值的變化量調(diào)整學(xué)習(xí)率，即當(dāng)交叉熵?fù)p失值陷入局部震蕩或波動(dòng)幅度過大時(shí)，更新學(xué)習(xí)率，在提高學(xué)習(xí)效率的同時(shí)保證收斂性能。

1.3鉆孔地質(zhì)信息融合

為提升煤巖識(shí)別的魯棒性和準(zhǔn)確性，使用貝葉斯模型將AVGG 模型提取的圖像特征與鉆孔地質(zhì)信息融合，獲取煤巖圖像分類結(jié)果。

鉆孔地質(zhì)柱狀圖詳細(xì)記錄了鉆孔中不同地層的信息，從而可預(yù)知井下特定工作空間的煤巖類別。因此，依據(jù)鉆孔地質(zhì)柱狀圖，將采掘設(shè)備可直接接觸的煤巖類別的圖像樣本標(biāo)記地質(zhì)特征標(biāo)簽1，采掘設(shè)備不可直接接觸的煤巖類別的圖像樣本標(biāo)記地質(zhì)特征標(biāo)簽?1。

將鉆孔地質(zhì)信息與AVGG提取的圖像特征進(jìn)一步抽象形成貝葉斯模型訓(xùn)練所需的數(shù)據(jù)集，包括地質(zhì)特征、AVGG提取的圖像特征（AVGG模型輸出的各類別置信度）、煤巖圖像樣本真實(shí)類別。

貝葉斯模型可以利用先驗(yàn)知識(shí)和新的觀測(cè)數(shù)據(jù)不斷更新對(duì)未知參數(shù)或事件概率的估計(jì)[17]。其中先驗(yàn)知識(shí)就是已知的鉆孔地質(zhì)信息，而新的觀測(cè)數(shù)據(jù)則是AVGG模型提取的圖像特征。

為實(shí)現(xiàn)貝葉斯模型在分類過程自動(dòng)學(xué)習(xí)新樣本，采用增量學(xué)習(xí)策略[18]，即在接受訓(xùn)練樣本時(shí)，僅根據(jù)新樣本對(duì)模型進(jìn)行更新，不必重新訓(xùn)練整個(gè)模型，并且使先前學(xué)得的有效信息不被忘記，從而實(shí)現(xiàn)隨著煤巖圖像樣本增加，分類結(jié)果更準(zhǔn)確。

2實(shí)驗(yàn)條件

2.1樣本采集

采集攀枝花煤田、沁水煤田多個(gè)生產(chǎn)礦井的含煤系地層巖樣，共包含煤炭、泥巖、砂巖、礫巖和頁巖5種巖性。使用KTW301 礦用本安型手機(jī)在實(shí)驗(yàn)室暗光條件下對(duì)采集的巖樣進(jìn)行拍攝，共采集煤巖圖像1 244張，圖像尺寸統(tǒng)一調(diào)整為224×224。為增強(qiáng)模型的泛化能力，使用圖像增強(qiáng)技術(shù)對(duì)樣本集進(jìn)行擴(kuò)充，得到7041張煤巖圖像。對(duì)不同類別的樣本之間輸入不同的旋轉(zhuǎn)角度間隔，以達(dá)到類別均衡的效果。數(shù)據(jù)集擴(kuò)充及類別均衡前后樣本數(shù)量見表1。

2.2鉆孔地質(zhì)信息獲取

某煤礦工作面的鉆孔地質(zhì)柱狀圖如圖5所示。該工作面主要開采9 號(hào)煤層，直接底和偽頂均為泥巖。采煤機(jī)可直接接觸的煤巖類型為泥巖、煤，將這類煤巖圖像樣本的地質(zhì)特征標(biāo)簽記為1，其他類煤巖圖像樣本的地質(zhì)特征標(biāo)簽記為?1。

2.3實(shí)驗(yàn)環(huán)境及參數(shù)

分別使用Sklearn 機(jī)器學(xué)習(xí)模塊和PyTorch 深度學(xué)習(xí)框架搭建貝葉斯模型和AVGG 模型，在GPU 環(huán)境下進(jìn)行模型訓(xùn)練和測(cè)試。具體實(shí)驗(yàn)環(huán)境配置：CPU為Intel（R） Xeon（R） W?2145 CPU @ 3.70 GHz；內(nèi)存為64 GiB；GPU 為NVIDIA Quadro P1000；顯存為4 GiB；操作系統(tǒng)為Ubuntu 20.04；學(xué)習(xí)框架為PyTorch 1.8；CUDA版本為11.0；編程語言為Python3.7。綜合考慮硬件及模型性能，模型訓(xùn)練設(shè)置：采用隨機(jī)梯度下降算法優(yōu)化模型，訓(xùn)練周期為300，批處理大小為64，初始學(xué)習(xí)率為0.08。煤巖圖像樣本按照9∶1 比例隨機(jī)劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集6 339 張，測(cè)試集702 張。

3實(shí)驗(yàn)結(jié)果

3.1AVGG模型性能驗(yàn)證

為驗(yàn)證AVGG模型的性能， 與GoogLeNet，VGG， SVGG（Simplified VGG，剪枝的VGG）模型進(jìn)行對(duì)比，使用未經(jīng)過ISRSD 算法處理的煤巖圖像樣本進(jìn)行訓(xùn)練，結(jié)果見表2。

從表2 可看出，VGG 模型的準(zhǔn)確率最高，但模型參數(shù)量最大，單個(gè)樣本平均推理時(shí)間最長(zhǎng)；SVGG 模型單個(gè)樣本平均推理時(shí)間較短， 但準(zhǔn)確率最低；GoogLeNet 模型由于使用并行結(jié)構(gòu)，參數(shù)量大幅減少，但單個(gè)樣本平均推理時(shí)間增加；AVGG 模型的準(zhǔn)確率與VGG 模型相當(dāng)，但單個(gè)樣本平均推理時(shí)間最短，且在參數(shù)量?jī)H比SVGG 模型增加2 238 個(gè)（不足總參數(shù)量的0.1%）的情形下， AVGG 模型的準(zhǔn)確率較SVGG 模型提高了7.61%。

3.2ISRSD算法性能驗(yàn)證

為驗(yàn)證ISRSD 算法的性能，與經(jīng)典的顯著性檢測(cè)算法FT（Frequency-tuned）[19]，LC （Local Contrast）[20]和HC（Histogram-based Contrast） [21]進(jìn)行對(duì)比， 結(jié)果如圖6所示。

從圖6可看出：ISRSD算法增強(qiáng)后的目標(biāo)主體更突出，背景弱化最明顯，色彩失真程度相較其他算法更低且邊緣、紋理等圖像特征保留相對(duì)完整；應(yīng)用FT，LC 和HC 算法增強(qiáng)后的目標(biāo)邊緣、紋理等特征有所缺失，部分樣本存在目標(biāo)主體與背景同時(shí)得到增強(qiáng)的現(xiàn)象，且色彩失真相對(duì)較大。

使用AVGG模型分別學(xué)習(xí)由ISRSD，F(xiàn)T，LC及HC顯著性檢測(cè)算法處理后的煤巖圖像樣本，不同算法下AVGG模型的準(zhǔn)確率如圖7 所示。可看出AVGG 模型對(duì)于經(jīng)ISRSD算法處理的煤巖圖像樣本比未經(jīng)顯著性檢測(cè)優(yōu)化處理樣本的識(shí)別準(zhǔn)確率提升了1.85%，達(dá)94.36%，且欠擬合程度更低，這是由于ISRSD算法能夠有效強(qiáng)化圖像的邊緣、紋理、亮度等特征， 使圖像特征更易被AVGG模型學(xué)習(xí)； FT，LC 及HC算法優(yōu)化的訓(xùn)練集的識(shí)別準(zhǔn)確率均低于ISRSD算法。

不同顯著性檢測(cè)算法耗時(shí)見表3，可看出ISRSD算法處理單個(gè)樣本耗時(shí)僅略高于FT 算法，仍滿足煤巖識(shí)別速度要求。

3.3鉆孔地質(zhì)信息融合效果驗(yàn)證

為驗(yàn)證基于貝葉斯模型融合鉆孔地質(zhì)信息的效果，將僅使用AVGG 模型識(shí)別煤巖圖像的準(zhǔn)確率與利用貝葉斯模型融合鉆孔地質(zhì)信息后的煤巖識(shí)別準(zhǔn)確率進(jìn)行對(duì)比，如圖8 所示。

由圖8可知， 融合鉆孔地質(zhì)信息后，煤巖識(shí)別平均準(zhǔn)確率比融合前高1.85%，達(dá)97.31%。

4結(jié)論

1）使用ISRSD算法對(duì)煤巖圖像進(jìn)行中值濾波、銳化及直方圖均衡化處理，優(yōu)化圖像質(zhì)量；通過對(duì)VGG 模型剪枝、增加CBAM 注意力機(jī)制和引入自適應(yīng)學(xué)習(xí)率調(diào)整策略，高效提取圖像特征；基于貝葉斯模型將提取的圖像特征與鉆孔地質(zhì)信息融合，獲取煤巖分類結(jié)果。

2） 實(shí)驗(yàn)結(jié)果表明，ISRSD算法能夠有效增強(qiáng)圖像特征，使其更容易被學(xué)習(xí)的同時(shí)降低模型運(yùn)算量；AVGG 模型在保證準(zhǔn)確率的同時(shí)具有更快的推理速度；基于貝葉斯模型融合鉆孔地質(zhì)信息能有效提升煤巖識(shí)別的準(zhǔn)確性和魯棒性。