基于DeepLab v3+的綜放工作面含矸率預測研究

關鍵詞：智能放煤；綜放工作面；含矸率；煤矸識別；體積含矸率；語義分割；DeepLab v3+模型

中圖分類號：TD821 文獻標志碼：A

0引言

煤炭是我國能源的壓艙石，擔負著我國能源安全的兜底保障作用[1-5]，其中厚煤層的儲量和產量分別達到煤層總儲量和總產量的一半左右，是我國煤炭開采的主要部分[6]。放頂煤開采是開采厚煤層的主要方法之一[7-9]。近年來，煤礦智能化開采成為煤炭行業高質量發展的必然趨勢。實現智能放煤的主要技術瓶頸是含矸率的精準識別，因此，研究綜放工作面含矸率預測對于煤礦智能化發展具有重要意義。

目前常用的含矸率識別方法有射線識別法[10-11]、聲信號識別法[12]、振動信號識別法[13]、圖像識別法等。其中射線識別法存在輻射問題，對人體有害，聲信號識別法、振動信號識別法受其他聲源或振動源的影響較大。含矸率一般包括煤矸圖像的投影面積含矸率及真實煤矸堆疊狀態下的體積含矸率，因為煤和矸石是三維塊體，所以體積含矸率更能反映實際煤矸占比，但現場煤流中煤矸體積很難獲取。隨著近年來計算機算力的提升及深度學習等技術的發展，基于深度學習的圖像識別法因其簡單、方便等優勢，在含矸率識別領域得到了迅速發展。王家臣等[14-15]提出了基于圖像識別的智能放煤技術，通過建立煤矸塊體投影面積含矸率和體積含矸率的關系，實現了體積含矸率識別，但僅僅考慮了單個煤矸塊體面積和體積的關系，未考慮煤矸堆積狀態下二者的關系。賀海濤等[16]提出了一種基于U?Net 的“見矸關門”閾值計算方法，但未考慮煤矸二維圖像與三維形態之間的關系；其他研究多關注于綜放工作面煤矸識別技術[17-21]，并未考慮含矸率識別。

針對上述問題，本文提出了一種基于DeepLabv3+的綜放工作面含矸率預測方法，對煤矸圖像進行準確識別和分割，建立體積含矸率預測模型，最終實現煤矸堆疊情況下體積含矸率預測。

1技術路線

本文技術路線如圖1 所示。首先，構建煤矸圖像數據集，運用DeepLab v3+模型進行煤矸圖像語義分割，進而計算煤矸圖像的投影面積含矸率。其次，利用PFC3D 放煤數值模擬軟件，基于重建的煤矸塊體建立數值模型，模擬頂煤放落和刮板輸送機運煤過程。然后，通過數值模擬構建煤矸堆積體的體積含矸率預測模型。最后，將煤矸圖像投影面積含矸率代入體積含矸率預測模型中，實現綜放工作面煤流體積含矸率預測。

2煤矸堆積體數據集構建

2.1煤矸圖像采集

現場采集煤和矸石樣本，在實驗室利用相機、條形照明燈等設備進行煤矸堆積體圖像采集工作。拍攝過程中，通過改變擺放的煤矸塊體數量，模擬煤矸堆疊從簡單到復雜的情況， 共采集煤矸圖像約200張。

2.2圖像標注

圖像標注前將圖像裁剪至大小為512×512。圖像標注采用半自動標注加人工調整相結合的方式。先利用半自動標注軟件EIseg預加載高精度模型，對選中類別的邊界進行初步預測，再輔以人工手動對邊界進行微調，完成標注工作。

標注完成后，利用Python 對圖像深度進行轉換，轉換后標注類別不變。圖像深度轉換如圖2 所示。

2.3圖像增強

采用中值濾波對煤矸圖像進行去噪處理，以提高圖像清晰度（圖3（a））。為了使網絡模型學習到更多信息，利用限制對比度自適應直方圖均衡化法對煤矸圖像進行對比度增強處理（圖3（b））。對比度增強后直方圖呈明顯的雙峰，達到了對比度增強效果。

2.4數據集擴充

為豐富數據集，增強網絡模型的泛化性、準確度，通過隨機裁剪、平移、旋轉、透視變換、仿射變換、翻轉、加入高斯噪聲和椒鹽噪聲等多種方式對圖像數據集進行擴充，最終共得到2 480 張圖像。部分擴充圖像如圖4 所示。訓練網絡模型時按照8∶1∶1的比例將圖像數據集劃分為訓練集、驗證集和測試集。

3基于DeepLab v3+的煤矸圖像分割

3.1DeepLab v3+模型結構

DeepLab v3+模型分為編碼器和解碼器2 個部分，如圖5 所示。編碼器部分主要負責提取圖像特征，解碼器部分則負責將這些特征映射回原始圖像大小，從而得到最終的分割結果。在編碼器部分引入大量空洞卷積，能在不損失信息的情況下加大感受野，讓每個卷積輸出都包含較大范圍的信息；在解碼器部分結合上采樣、雙線性插值、反卷積等技術，逐步恢復空間信息，使模型能夠得到更為精細的分割結果。

煤矸圖像輸入后，在編碼器部分經過空洞卷積后輸出低級特征和高級特征：低級特征直接傳輸到解碼器部分；高級特征經過空洞卷積空間金字塔池化模塊進行5 種操作，分別為1個1×1 卷積、3個不同rate 的空洞卷積及1個全局平均池化，最后經過連接層和1×1卷積層得到1個高級特征輸出。解碼器部分先對編碼器輸出的低級特征進行1×1卷積，以調整維度；對高級特征進行上采樣后連接起來，再通過1個3×3卷積和上采樣得到密集預測結果，最終完成煤矸圖像分割任務。

3.2模型參數設置

本文實驗在Python?3.9、PyTorch 框架下完成，編譯軟件為PyCharm。硬件環境的配置： GPU 為AMD Ryzen7 5800H @ 3.2 GHz， 顯卡為NVIDIARTX3060 16 GiB，搭配CUDA 11.0.2 進行加速訓練。

Deeplab v3+模型參數設置見表1。采用余弦退火下降調整策略（cos），cos 策略屬于連續下降調整策略，開始迭代時的系數為1，最后一步的迭代系數為0，期間按照余弦曲線下降。因網絡模型主干特征提取部分提取的特征通用，為提高模型的訓練速度，采用MobileNet 模型的預訓練權重進行遷移學習。為了使模型能夠更好地適應煤矸分割任務，采用凍結訓練加解凍訓練的方式進行訓練：前40 步采用凍結訓練（遷移學習），凍結模型所有層參數，使模型能夠更快地提取到通用特征；后40 步采用解凍訓練，解凍模型所有層參數，使模型學習到更多煤矸特征。

3.3訓練結果分析

模型訓練結果如圖6 所示。可看出在訓練階段， DeepLab v3+模型損失率趨于0.08，平均交并比達95.2%，未出現過擬合現象。最終模型的準確率達到97.68%，類別平均像素準確率（Mean Pixel Accuracy，MPA）達97.72%，幀率達40 幀/s，能夠滿足實時檢測要求。

為驗證DeepLab v3+模型的效果，選取經典語義分割模型FCN8s 和PSPNet 進行對比實驗，結果見表2。可看出DeepLab v3+模型的準確率、MPA 和平均交并比均高于其他2種模型。

為更直觀展示各模型的圖像分割效果，在測試集上對煤矸堆積體圖像進行預測，結果如圖7 所示，圖中黃色框為錯檢區域，藍色框為漏檢區域。可看出FCN8s 模型存在大塊錯檢區域，效果最差；PSPNet模型對煤的分割效果差，漏檢了部分區域；DeepLabv3+模型的煤矸分割效果最好，更適用于煤矸堆積體投影面積含矸率計算。

4數值模型建立

為了研究綜放工作面放煤規律，結合某礦地質條件，利用顆粒流軟件PFC3D 建立綜放工作面三維模型，尺寸為12 m×7.5 m×18 m。由于煤層為近水平煤層，所以在建立模型時沒有考慮煤層傾角。模型初始狀態中，分別用不同顏色區分煤層和直接頂，上部為直接頂，下部為煤層，在煤層中設置多條標志線，對放煤過程進行監測。

4.1煤矸塊體三維重建

以往研究中三維放煤模擬一般用三維球體模擬頂煤，或利用隨機生成的剛性塊體模擬散體頂煤，但這2 種方式模擬的頂煤與實際頂煤塊體存在很大差異。為更好地模擬現場實際煤矸石塊體，本文提出一種煤矸塊體三維重建方法。

現場采集形狀具有代表性的煤矸塊體，包括片狀、長條狀、塊狀等；對采集的煤矸塊體進行三維重建，如圖8 所示。最后將重建后塊體導入PFC3D軟件中進行模擬運算。

4.2綜放工作面三維模型

綜放工作面三維模型中間設置1個支架進行放煤，支架中心距為1.5 m，中間支架兩側各保留3 m不放煤，支架高度為2.5 m，掩護梁角度為50°，刮板輸送機中心距為1.5 m。按照不同頂煤厚度設置3 組實驗方案，見表3。

綜放工作面初始模型如圖9 所示。刮板輸送機采用PFC3D 中的墻單元進行模擬。建立速度、位移均為0 的3 個墻單元模擬刮板輸送機的左、右、下邊界；建立若干沿y 軸方向速度為2 m/s 的墻單元模擬可移動的刮板（圖9 中紅色部分）。

為保證刮板輸送機的持續運行，利用fish 語言實現放煤過程模擬，具體步驟如下。

1） 模型運行5 000 步。

2） 在刮板輸送機后方每隔1.5 m 生成1 個用于模擬刮板的墻單元，生成10 個墻單元后停止。

3） 給新生成的10 個墻單元分組并沿y 軸方向施加2 m/s 的速度。

4） 重復步驟1）—步驟3），直至放煤結束。

5煤矸堆積體體積含矸率預測

為探究煤矸圖像投影面積含矸率與煤矸堆積體體積含矸率之間的關系，對煤矸圖像投影面積含矸率與煤和矸石堆積體體積含矸率分別進行計算。通過分析二者相關性，構建體積含矸率預測模型。

5.1體積含矸率計算

煤和矸石堆積體體積含矸率計算公式為

式中：V_g為截取區域內矸石塊體總體積；V_c 截取區域內煤炭塊體總體積。

在PFC3D中通過fish 語言讀取每個矸石或煤的體積，再進行累加計算，即可獲得矸石和煤炭塊體的總體積，從而計算體積含矸率。

5.2投影面積含矸率計算

采集刮板輸送機上方的煤矸圖像，通過DeepLabv3+模型進行煤矸圖像分割，計算煤和矸石的投影面積比例，求得煤矸堆積體的投影面積含矸率：

式中：S_g 為截取區域內矸石塊體總投影面積；S_c 為截取區域內煤炭塊體總投影面積。

模擬中的頂煤和矸石是不規則形狀的塊體，所以塊體的投影面積不能像球體一樣通過模型坐標和尺寸求得。通過Python 程序調取其內置的圖像處理庫進行投影面積計算。截取刮板上的煤矸圖像后，由Python 程序讀取，對圖像的像素點進行遍歷，標記出圖像中的每一種顏色，并計算與每種顏色匹配的像素數，最后輸出代表矸石的顏色所占面積與整個圖像面積的比，得到投影面積含矸率，如圖10所示。

5.3體積含矸率預測模型

為保證實驗結果的準確性，針對每組實驗方案，沿刮板輸送機運行方向每間隔1.5 m 截取1 張煤矸堆積體圖像，每組方案分別截取20 張圖像進行分析，如圖11所示。

分別計算投影面積含矸率和體積含矸率，并對計算結果進行統計，繪制投影面積含矸率和體積含矸率關系曲線，如圖12 所示。可看出在不同頂煤厚度下煤矸堆積體的投影面積含矸率與體積含矸率存在很強的線性相關性，且投影面積含矸率普遍小于體積含矸率。

將不同方案數據整合匯總，建立體積含矸率預測模型，如圖13所示，可看出預測模型的決定系數R² 為0.982 8，R² 接近1，說明模型預測效果較好。

6結論

1） 構建了煤矸堆積體圖像數據集，并采用半自動的數據標注方法提高了數據集的標注速度。為了使網絡模型學習到更多信息，利用限制對比度自適應直方圖均衡化法對煤矸圖像進行對比度增強處理。

2） 基于DeepLab v3+模型實現了煤矸圖像分割，DeepLab v3+模型的準確率、MPA 和平均交并比分別為97.68%，97.72%，95.33%，均高于經典語義分割模型FCN8s 和PSPNet。

3） 利用顆粒流軟件PFC3D建立綜放工作面三維模型，對放煤過程進行數值模擬，通過fish 語言讀取每個矸石或煤的體積，計算得到煤矸堆積體體積含矸率。

4） 通過模擬建立二維煤矸圖像投影面積含矸率與煤矸堆積體體積含矸率之間的關系，構建體積含矸率預測模型。該模型的決定系數R²為0.9828，預測效果較好。