-
题名采空区地裂缝混合域注意力变形卷积网络检测方法
被引量：3
- 1
-
-
作者
程健
叶亮
郭一楠
王瑞彬
-
机构
煤炭科学研究总院矿山大数据研究院
中国矿业大学(北京)机电与信息工程学院
中国矿业大学信息与控制工程学院
煤炭资源高效开采与洁净利用国家重点实验室
-
出处
《煤炭学报》
EI
CAS
CSCD
北大核心
2020年第S02期993-1002,共10页
-
基金
辽宁省自然基金计划资助项目(2020-KF-22-02)
国家自然科学基金资助项目(61973305)
中国煤炭科工集团有限公司科技创新创业资金专项重点资助项目(2019-2-ZD002)
-
文摘
为了保护生态环境和人员安全,周期性地对煤矿采空区的地裂缝进行检测至关重要。传统的地裂缝人工巡检方法耗时长、效率低下,且无法保障巡检人员安全。航拍视角下的地裂缝与路面、桥梁等裂缝具有相似特征,都呈现出狭长形状。但是,一般煤矿采空区地裂缝分布在山区,其背景和噪声更为复杂,导致传统图像处理方法性能不佳。因此,提出一种基于混合域注意力变形卷积网络的地裂缝检测方法。针对地裂缝的狭长特性,引入变形卷积,在特征提取中自适应地确定感受野的范围。混合域注意力机制为特征图中不同通道和不同空间位置的特征信息赋予相应权值,来强化特征图中特定通道和空间位置对地裂缝检测的贡献程度。其中,通道域注意力模块利用通道池化,并经过卷积和激活函数为每个通道生成0~1的权值,强化了特定通道对检测的贡献;空间域注意力模块利用空间池化,并结合变形卷积训练得到每个空间位置的权值,使得模型能更有效地获取空间信息。基于此,给出注意力机制引导的地裂缝检测一般框架,应用无人机搭载高清摄像头采集采空区图像进行地裂缝检测。实验中,所提方法与一阶段检测模型SSD300、SSD512和RetinaNet相比,平均精度分别提升了0.246,0.101和0.034,与多阶段检测模型Faster R-CNN和Cascade R-CNN相比,精准率分别提升了0.300和0.271。自我对比实验中,引入混合域注意力提升了0.195的精准率和0.038的平均精度;较大尺寸的输入图像各方面性能更高。结果表明,所提方法通过结合变形卷积与注意力机制,相比于其它检测方法准确率更高,训练过程更平稳。
-
关键词
混合域注意力
变形卷积网络
地裂缝检测
航拍图像
煤矿采空区
-
Keywords
hybrid domain attention
deformable convolutional network
detection of ground crack
aerial image
goaf
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
TD325.3
[自动化与计算机技术—计算机科学与技术]
-
