Research on image recognition methods for coal rock fractures
-
摘要: 煤岩裂隙与瓦斯运移密切相关，且影响煤岩体稳定性，研究煤岩体中复杂的裂隙系统对于巷道支护和瓦斯抽采有重要意义。目前煤岩裂隙图像识别方法未能综合考虑煤岩图像裂隙数量、位置、形态和类别等特点，难以获取有效信息。以鹤壁煤电股份有限公司第八煤矿掘进工作面煤岩图像为研究对象，提出了一种基于U−Net网络对图像中裂隙及类别实现像素级智能识别的方法。采用直方图均衡化、高斯双边滤波和拉普拉斯算子对煤岩图像进行预处理，以提高图像质量，更有效地提取裂隙特征信息。通过观测记录煤岩裂隙特征并分为7类，对筛选出的煤岩裂隙图像进行扩增，采用Labelme软件对图像进行像素级标注，建立煤岩裂隙数据集。采用U−Net网络构建煤岩裂隙识别模型，经调试确定网络批量大小和学习率参数，实验表明当迭代次数达到300以上时，该模型的识别精确率均值为87%，召回率均值为92%，平均交并比大于85%，类别平均像素准确率大于80%。采集井下煤岩采动裂隙和实验室张性外生裂隙对煤岩裂隙识别模型进行验证，结果表明该模型可有效提取目标特征信息并与背景特征信息区分，能够较准确地定位、识别单一裂隙。Abstract: Coal rock fractures are closely related to gas migration and affect the stability of coal rock. Studying the complex fracture system in coal rock is of great significance for roadway support and gas extraction. At present, the recognition methods for coal rock fracture images fail to comprehensively consider the features of the number, position, morphology, and category of fracture in coal rock images, making it difficult to obtain effective information. Taking the coal rock images of excavation face in the No.8 Coal Mine of Hebi Coal and Electricity Co., Ltd. as the research object, a pixel level intelligent recognition method based on U-Net network for coal rock fractures and categories is proposed. The histogram equalization, Gaussian bilateral filtering, and Laplace operator are used to preprocess coal rock images to improve image quality and extract fracture feature information more effectively. The features of coal rock fractures are recorded by observing and divided into 7 categories, the selected coal rock fracture images are amplified, and the images are annotated at the pixel level using Labelme software to establish a coal rock fracture dataset. The U-Net network is used to construct a coal rock fracture recognition model. After debugging, the network batch size and learning rate parameters are determined. The experiment shows that when the number of iterations reaches 300 or more, the average recognition accuracy of the model is 87%, the average recall rate is 92%, the average intersection to parallel ratio is greater than 85%, and the average pixel accuracy of the category is greater than 80%. The coal rock fracture recognition model is validated by collecting underground coal rock mining fractures and laboratory tensile exogenous fractures. The results show that the model can effectively extract target feature information and distinguish it from background feature information, and can accurately locate and recognize a single fracture.
-
0. 引言
煤岩内部裂隙结构的演化关系到煤炭资源安全开采和高效利用。煤层裂隙在成因上分为内生裂隙（也称割理）和外生裂隙（也称节理），在规模上分为宏观裂隙和微观裂隙[1]。煤层中裂隙分布会导致煤层渗透性各向异性，裂隙发育特征影响煤层瓦斯渗流优势，并影响瓦斯抽采和煤层气井的生产效率[2-3]。此外，煤岩裂隙发育会导致煤岩体自身的承重能力下降，致使煤岩体稳定性降低，引发煤矿安全事故。因此，研究煤岩体中复杂的裂隙系统对于巷道支护和瓦斯抽采有重要意义。
近年来，随着数字图像处理技术快速发展，国内外许多学者在图像裂纹识别方面进行了大量研究。H. Majidifard等[4]采用深度学习预测沥青路面破损状况，通过深度学习框架和谷歌街景图像自动检测、分类和分割9种类型的路面破损。Ju Huyan等[5]提出了一种路面裂缝深度检测网络架构，可检测具有复杂道路背景的多种裂缝，并对CrackDN、Faster−RCNN和SSD300这3种算法的性能进行了对比。刘勇等[6]通过分析裂隙形态特征定义了煤层裂隙判定系数，并给出了一种基于裂隙形态特征的识别方法，通过遍历不同的灰度阈值对煤层二值化图像进行裂隙识别。孙月龙等[7]采用数字图像处理技术批量处理煤壁裂隙图像，提取裂隙参数，得到煤壁上裂隙的倾角；根据采煤工作面、运输巷和回风巷之间的空间关系建立几何模型，以求出裂隙的产状，为煤层裂隙系统的快速统计提供了一种新方法。覃木广[8]基于Matlab图像识别技术，对王庄矿91−105工作面煤层裂隙进行了统计与分析，并利用数码相机拍摄煤层图像，分析图像特点，采取不同阈值范围进行二值化，识别出不同地质单元的裂隙参数，绘制玫瑰花图确定裂隙的优势方位。谢配红等[9]以贵州省余庆县大乌江镇郑家屋基崩塌地质灾害点为例，在高位灾害隐患点调研的基础上，运用Matlab图像识别技术，对危岩体裂隙分布规律进行半定性半定量的统计分析。张庆贺等[10]在研究复杂裂隙岩石变形破坏规律和裂隙扩展特征时，基于 YOLOv5模型，结合DIC（Digital Image Correlation，数字图像相关）云图，提出了一种智能精准识别动态裂隙的算法。
煤岩图像中灰度信息居多，裂隙区域与邻近背景区域区别不显著，且裂隙类别相对复杂，大小形态各异，因此煤岩裂隙识别难度较大。现有的图像裂隙识别方法未能综合考虑煤岩图像裂隙数量、位置、形态和类别等特点，难以获取裂隙有效信息。笔者在前人研究基础上，通过分析煤岩图像裂隙特征，对煤岩裂隙图像进行预处理，提出了一种基于U−Net网络对煤岩图像裂隙及类别实现像素级智能识别的方法。
1. 煤岩裂隙图像预处理
采集鹤壁煤电股份有限公司第八煤矿掘进工作面煤层原始图像，可观察到图像中有多种不同的裂隙类型。为排除图像中无关信息对煤岩裂隙提取的干扰，选取图像中含有裂隙的部分作为ROI（Region of Interest，感兴趣区域），舍弃图像中顶板铺网、工作设备及无裂隙部分。
依次扫描煤岩裂隙图像的每一个像素，计算出图像的灰度直方图。因采集的煤岩裂隙原始图像相对较暗，其直方图分布集中在灰度级的低端，图像中裂隙与邻近区域的灰度级相近，不易区分。对此，将煤岩裂隙图像的直方图分布通过累积分布函数转换为近似均匀分布[11]，从而增强图像对比度，实现图像均衡化处理。
煤岩图像中除需要提取的裂隙特征外，其表面也具有一定的纹理特征。煤岩灰度图像中裂隙特征与纹理特征不易区分，需通过图像噪声处理提高图像质量，改善显示效果。经试验发现，高斯双边滤波方法对煤岩图像纹理噪声的处理效果较好[12]。但高斯双边滤波在滤除纹理噪声的同时，会弱化裂隙边缘信息，因此需通过图像锐化处理恢复或实现边缘信息增强。试验显示，采用拉普拉斯算子进行煤岩裂隙的边缘增强效果最好。数字图像函数的拉普拉斯算子借助各种模板卷积实现，基于二阶差分运算得到具有各向同性的双像素宽的边缘，一般不会出现伪边缘[13]，增强了裂隙图像的边缘信息，有利于进一步的裂隙识别处理。
煤岩裂隙图像预处理主要通过调用OpenCV库来实现，预处理结果如图1所示。
2. 煤岩裂隙数据集建立
井下光线不足，煤体自身颜色偏暗，煤岩体裂隙类别复杂且形态各异，准确识别裂隙类别需要一定专业知识，导致煤岩裂隙识别模型不能很好地通过图像分析进行裂隙特征区分，造成识别准确率不高。另外，图像中裂隙形态、产状、纹理特征等不够完整。基于上述情况，通过实地观测，记录采集图像的裂隙特征并分类，从成因和形态两方面入手[14-15]，构建煤岩裂隙数据集。该数据集共包含17种不同形态和组合关系的裂隙，经合并处理分为7类，每个数据都是经人工筛选出的具有相关裂隙种类的图像，具体见表1。
经过图像筛选和预处理后，确定300张具有典型特征的图像。由于采集的图像样本有限，而深度学习模型训练需要大量样本[16-18]，所以需对数据集进行扩增。常用的数据集扩增方法包括旋转、缩放、裁剪、调整对比度、加入噪声等[19]。考虑煤岩裂隙图像的特点，为了有效保留图像裂隙特征，采用图像旋转方法进行扩增，如图2所示。最终确定1200张图像构成煤岩裂隙数据集，将数据集按照8∶2随机划分为训练集和测试集，即960张图像构成训练集，240张图像构成测试集。
表 1 煤岩裂隙数据集Table 1. Data set of coal rock fracture裂隙类别 训练样本个数 测试样本个数 内生裂隙 197 49 张性外生裂隙 132 33 剪性外生裂隙 75 18 张剪性外生裂隙 43 11 压剪性外生裂隙 82 21 劈理 34 9 采动裂隙 74 18 采用Labelme软件对不规则形状的煤岩裂隙区域进行逐点分类标注，生成1 200张标注图像。部分分类标注后的可视化训练样本如图3所示。
3. 煤岩裂隙识别模型设计
CNN（Convolutional Neural Network，卷积神经网络）是一种具有局部连接、权值共享特点的前馈神经网络[20]，其实质是搭建特征提取层和特征映射层，对数据进行卷积和池化操作，不断提取隐藏在数据集中的特征信息。CNN主要由输入层、卷积层、激活函数层、池化层、全连接层叠加而成。不同的 CNN 结构对于不同问题、不同数据集具有不同的效果[21]。
为选择合适的CNN网络建立煤岩裂隙识别模型，选用主流的SegNet，DeepLab v3+，PspNet，U−Net模型对建立的煤岩裂隙数据集进行分类识别，结果见表2。可看出U−Net模型对训练集和测试集的识别准确率均最高。考虑U−Net模型结构简单，对于语义较为简单的多模态图像中高级语义信息和低级特征更加敏感，且对数量较少的数据集进行训练即可达到较好的识别效果[22]，本文选择以U−Net模型为架构建立煤岩裂隙识别模型。
表 2 不同模型的煤岩裂隙识别准确率Table 2. Accuracy rate of coal rock fracture identification by different models模型 准确率/% 训练集 测试集 SegNet 64.63 55.38 DeepLab v3+ 67.41 62.86 PspNet 68.37 53.82 U−Net 71.71 66.01 煤岩裂隙识别模型包括主干特征提取、加强特征提取、预测3个部分，如图4所示，网络参数见表3。
![]()
图 4 煤岩裂隙识别模型网络结构Figure 4. Network structure of coal rock fracture identification model表 3 煤岩裂隙识别模型网络参数Table 3. Network parameters of coal rock fracture identification model层次结构 参数设置 卷积层_1 卷积核数：16；卷积核尺寸：5×5×3；步长：1；全零填充
卷积核数：16；卷积核尺寸：5×5×3；步长：1；全零填充池化层_1 池化核尺寸：2×2；步长：2 卷积层_2 卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充池化层_2 池化核尺寸：2×2；步长：2 卷积层_3 卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充上采样_4、
拼接融合上采样因子：2×2×3 卷积层_5 卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充上采样_6、
拼接融合上采样因子：2×2×3 卷积层_7 卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充卷积层_8 卷积核数：8；卷积核尺寸：1×1×3；步长：1；全零填充 1） 主干特征提取部分。大小为512×512的煤岩裂隙图像经输入层转换为矩阵，输入主干特征提取部分进行初步特征提取。该部分为卷积层和最大池化层的堆叠，通过卷积层_1（2层卷积）+池化层_1、卷积层_2（2层卷积）+池化层_2、卷积层_3（3层卷积）完成特征提取。
2） 加强特征提取部分。卷积层_3提取的特征图像经上采样_4进行2倍上采样，与卷积层_2+池化层_2提取的特征图像进行拼接。拼接图像经卷积层_5进行2层卷积，之后经上采样_6进行2倍上采样，与卷积层_1+池化层_1提取的特征图像进行拼接。拼接图像经卷积层_7进行2层卷积，最终得到与输入图像尺寸相同的特征图像。
3） 预测部分。选用1×1的卷积层_8进行通道调整，将特征图像通道数调整为煤岩裂隙标注类别数，利用Softmax函数对原始图像的各像素点进行分类，通过对比分类结果中每个像素点属于每个类别的概率与标签，完成网络训练。
由于煤岩裂隙图像数据集分类较多，为保证模型对每一类裂隙识别的准确性，同时考虑U−Net网络特征提取的特点，为减小模型训练耗时，采用迁移学习方式对数据进行迁移训练。
在煤岩裂隙识别模型训练过程中，采用随机梯度下降法和迭代优化策略，衰减率为0.96，学习率初始值为0.01，批量大小初始值为2。每次迭代时，采用早停法连续迭代10次，若识别准确率未增长，则结束迭代进程，将学习率乘以0.1，从而提高模型对图像中更细微特征的敏感性。批量大小会影响模型训练速度和效果，选择批量大小为2，4，6，8，10分别进行训练。在不同学习率和批量大小条件下重复训练10次，取识别准确率均值，结果见表4。根据训练结果，最终选用批量大小为6，学习率为0.000 1。
表 4 煤岩裂隙识别模型训练结果Table 4. Training results of coal rock fracture identification model批量大小 不同学习率下的识别准确率/% 0.01 0.001 0.000 5 0.000 1 0.000 01 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 2 30.19 27.99 76.31 77.26 90.36 71.21 83.05 82.93 79.13 68.96 4 48.38 46.95 78.55 69.34 90.36 71.19 89.23 83.07 80.52 68.52 6 63.52 52.68 72.43 73.88 85.74 68.01 87.69 89.43 84.13 77.53 8 42.41 41.26 87.14 74.67 89.31 68.61 82.45 87.31 88.39 72.45 10 42.87 38.57 84.91 80.50 89.72 71.70 86.03 82.60 82.60 65.42 选用精确率、召回率、平均交并比、类别平均像素准确率作为衡量模型性能优劣的指标。其中平均交并比和类别平均像素准确率均依赖于混淆矩阵、精确率和召回率。识别模型训练所得的混淆矩阵如图5所示，序号0—7分别表示背景、内生裂隙、张性外生裂隙、剪性外生裂隙、张剪性外生裂隙、压剪性外生裂隙、劈理、采动裂隙。
煤岩裂隙识别模型的评价指标如图6所示。可看出随着迭代次数增加，精确率和召回率逐渐增大，当迭代次数达到300以上时，精确率和召回率基本稳定，精确率均值为87%，召回率均值为92%，平均交并比大于85%且最高达90%，类别平均像素准确率大于80%且最高达90%，表明模型具有较强的边界拟合能力和较高的识别精度。
![]()
图 6 煤岩裂隙识别模型的评价指标Figure 6. Evaluation indexes of coal rock fracture identification model4. 煤岩裂隙识别及结果分析
采集井下开采现场的煤岩裂隙图像（采动裂隙）和实验室加载实验裂纹扩展图像（张性外生裂隙），对煤岩裂隙识别模型进行测试。图像经预处理后，输入训练后的煤岩裂隙识别模型，识别结果如图7所示（自左至右依次为原图像、识别图像、原图像与识别图像的叠加图像）。可看出煤岩裂隙识别模型可有效提取目标特征信息，并将其与背景特征信息区分；对于单一裂隙，能够准确确定较宽裂隙的形状和位置，但对小微裂隙和裂隙边缘及两端识别效果欠佳。综合来看，设计的煤岩裂隙图像识别模型具有一定的可行性。
5. 结论
1） 采集的井下煤岩裂隙图像受一定条件的限制而呈现效果不佳，影响裂隙识别效果。采用直方图均衡化、高斯双边滤波、拉普拉斯算子等，对煤岩裂隙图像进行预处理，提高图像质量和后续裂隙特征提取及识别的准确率。
2） 对预处理后的煤岩裂隙图像进行裂隙分类，采用Labelme软件对图像进行像素级标注，建立煤岩裂隙数据集。
3） 通过实验，选用U−Net模型建立煤岩裂隙识别模型，采用煤岩裂隙数据集训练得出合适的批量大小和学习率参数。实验结果表明：当迭代次数达到300以上时，煤岩裂隙识别模型的识别精确率均值为87%，召回率均值为92%，平均交并比大于85%，类别平均像素准确率大于80%。该模型具有较强的边界拟合能力和较高的识别精度。
4） 采集井下煤岩采动裂隙和实验室张性外生裂隙，对煤岩裂隙识别模型进行验证。结果表明，该模型可有效提取目标特征信息并与背景特征信息区分，能够较准确地定位、识别单一裂隙。
5） 为提高煤岩裂隙识别模型对小微裂隙和裂隙边缘及两端的识别准确率，未来将改进煤岩裂隙图像采集方式，采取更加有效的图像处理方法来提高图像质量，尤其是增强小微裂隙和裂隙边缘及两端的清晰度；增加数据样本数量，以提高模型识别准确率。
-
![]()
图 4 煤岩裂隙识别模型网络结构
Figure 4. Network structure of coal rock fracture identification model
![]()
图 6 煤岩裂隙识别模型的评价指标
Figure 6. Evaluation indexes of coal rock fracture identification model
表 1 煤岩裂隙数据集
Table 1 Data set of coal rock fracture
裂隙类别 训练样本个数 测试样本个数 内生裂隙 197 49 张性外生裂隙 132 33 剪性外生裂隙 75 18 张剪性外生裂隙 43 11 压剪性外生裂隙 82 21 劈理 34 9 采动裂隙 74 18 
下载: 导出CSV
表 2 不同模型的煤岩裂隙识别准确率
Table 2 Accuracy rate of coal rock fracture identification by different models
模型 准确率/% 训练集 测试集 SegNet 64.63 55.38 DeepLab v3+ 67.41 62.86 PspNet 68.37 53.82 U−Net 71.71 66.01
下载: 导出CSV
表 3 煤岩裂隙识别模型网络参数
Table 3 Network parameters of coal rock fracture identification model
层次结构 参数设置 卷积层_1 卷积核数：16；卷积核尺寸：5×5×3；步长：1；全零填充
卷积核数：16；卷积核尺寸：5×5×3；步长：1；全零填充池化层_1 池化核尺寸：2×2；步长：2 卷积层_2 卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充池化层_2 池化核尺寸：2×2；步长：2 卷积层_3 卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充上采样_4、
拼接融合上采样因子：2×2×3 卷积层_5 卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：64；卷积核尺寸：3×3×3；步长：1；全零填充上采样_6、
拼接融合上采样因子：2×2×3 卷积层_7 卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充
卷积核数：32；卷积核尺寸：3×3×3；步长：1；全零填充卷积层_8 卷积核数：8；卷积核尺寸：1×1×3；步长：1；全零填充
下载: 导出CSV
表 4 煤岩裂隙识别模型训练结果
Table 4 Training results of coal rock fracture identification model
批量大小 不同学习率下的识别准确率/% 0.01 0.001 0.000 5 0.000 1 0.000 01 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 训练集 测试集 2 30.19 27.99 76.31 77.26 90.36 71.21 83.05 82.93 79.13 68.96 4 48.38 46.95 78.55 69.34 90.36 71.19 89.23 83.07 80.52 68.52 6 63.52 52.68 72.43 73.88 85.74 68.01 87.69 89.43 84.13 77.53 8 42.41 41.26 87.14 74.67 89.31 68.61 82.45 87.31 88.39 72.45 10 42.87 38.57 84.91 80.50 89.72 71.70 86.03 82.60 82.60 65.42
下载: 导出CSV
-
[1] 刘建华,王生维,粟冬梅. 二连盆地群低煤阶煤储层裂隙地质建模与精细描述[J]. 煤炭科学技术,2022,50(5):198-207. LIU Jianhua,WANG Shengwei,SU Dongmei. Geological modeling and fine description of fractures in low coal rank coal reservoirs of Erlian Basin Group[J]. Coal Science and Technology,2022,50(5):198-207.
[2] 韩文龙,王延斌,倪小明,等. 多期构造运动对深部煤储层物性特征影响研究[J]. 煤炭科学技术,2021,49(10):208-216. DOI: 10.13199/j.cnki.cst.2021.10.028 HAN Wenlong,WANG Yanbin,NI Xiaoming,et al. Study on impact of multi-period tectonic movement on deep coal reservoir physical properties[J]. Coal Science and Technology,2021,49(10):208-216. DOI: 10.13199/j.cnki.cst.2021.10.028
[3] 王登科,魏强,魏建平,等. 煤的裂隙结构分形特征与分形渗流模型研究[J]. 中国矿业大学学报,2020,49(1):103-109,122. WANG Dengke,WEI Qiang,WEI Jianping,et al. Fractal characteristics of fracture structure and fractal seepage model of coal[J]. Journal of China University of Mining & Technology,2020,49(1):103-109,122.
[4] MAJIDIFARD H,ADU-GYAMFI Y,BUTTLAR W G. Deep machine learning approach to develop a new asphalt pavement condition index [J]. Construction and Building Materials,2020,247. DOI: 10.1016/j.conbuildmat.2020.118513.
[5] JU Huyan,LI Wei,TIGHE S,et al. Detection of sealed and unsealed cracks with complex backgrounds using deep convolutional neural network [J]. Automation in Construction,2019,107. DOI: 10.1016/j.autcon.2019.102946.
[6] 刘勇,崔洪庆. 基于裂隙形态特征的煤层图像裂隙识别研究[J]. 工矿自动化,2017,43(10):59-64. LIU Yong,CUI Hongqing. Research on coal-bed image fractures identification based on fracture shape characteristics[J]. Industry and Mine Automation,2017,43(10):59-64.
[7] 孙月龙,崔洪庆,关金锋. 基于图像识别的煤层井下宏观裂隙观测[J]. 煤田地质与勘探,2017,45(5):19-22. SUN Yuelong,CUI Hongqing,GUAN Jinfeng. Image recognition-based observation of macro fracture in coal seam in underground mine[J]. Coal Geology & Exploration,2017,45(5):19-22.
[8] 覃木广. 基于matlab图像识别王庄矿后备区裂隙发育方位[J]. 采矿技术,2021,21(1):173-176. QIN Muguang. Identification of fracture development orientation in Wangzhuang Coal Mine reserve area based on matlab image[J]. Mining Technology,2021,21(1):173-176.
[9] 谢配红,谭海英. 基于图像识别技术对出露危岩体裂隙发育规律统计分析[J]. 煤炭技术,2021,40(7):66-67. XIE Peihong,TAN Haiying. Statistical analysis of fracture development law of exposed dangerous rock mass based on image recognition technology[J]. Coal Technology,2021,40(7):66-67.
[10] 张庆贺,陈晨,袁亮,等. 基于DIC和YOLO算法的复杂裂隙岩石破坏过程动态裂隙早期智能识别[J]. 煤炭学报,2022,47(3):1208-1219. ZHANG Qinghe,CHEN Chen,YUAN Liang,et al. Early and intelligent recognition of dynamic cracks during damage of complex fractured rock masses based on DIC and YOLO algorithms[J]. Journal of China Coal Society,2022,47(3):1208-1219.
[11] 靳阳阳,韩现伟,周书宁,等. 图像增强算法综述[J]. 计算机系统应用,2021,30(6):18-27. JIN Yangyang,HAN Xianwei,ZHOU Shuning,et al. Review on image enhancement algorithms[J]. Computer Systems & Applications,2021,30(6):18-27.
[12] LAURENT C,JEAN-PHILIPPE T,PIERRE C. The guided bilateral filter:when the joint/cross bilateral filter becomes robust[J]. IEEE Transactions on Image Processing,2015,24(4):1199-1208.
[13] 陈春谋. 基于直方图均衡化与拉普拉斯的铅条图像增强算法[J]. 国外电子测量技术,2019,38(7):131-135. CHEN Chunmou. Lead line image enhancement algorithm based on histogram equalization and Laplacian[J]. Foreign Electronic Measurement Technology,2019,38(7):131-135.
[14] 王兆会,孙文超,水艳婷,等. 预制裂隙类岩石试件表面变形场演化与裂隙扩展机理研究[J/OL]. 煤炭科学技术:1-11 [2022-12-11]. https://doi.org/10.13199/j.cnki.cst.2022-1447. WANG Zhaohui,SUN Wenchao,SHUI Yanting,et al. Surface deformation field and fracture propagation mechanism of rock-like samples with pre-existing fracture[J/OL]. Coal Science and Technology:1-11 [2022-12-11]. https://doi.org/10.13199/j.cnki.cst.2022-1447.
[15] 曾勇,屈永华,宋金宝. 煤层裂隙系统及其对煤层气产出的影响[J]. 江苏地质,2000(2):91-94. ZENG Yong,QU Yonghua,SONG Jinbao. The coal seam system of fissures and their influence on the occurrence of coal seams[J]. Jiangsu Geology,2000(2):91-94.
[16] SUN C,SHRIVASTAVA A,SINGH S,et al. Revisiting unreasonable effectiveness of data in deep learning era[C]. IEEE International Conference on Computer Vision,Venice,2017. DOI: 10.1109/ICCV.2017.97.
[17] HESTNESS J, NARANG S, ARDALANI N, et al. Deep learning scaling is predictable, empirically[EB/OL]. [2022-12-02]. https://doi.org/10.48550/arXiv.1712.00409. HESTNESS J,NARANG S,ARDALANI N,et al. Deep learning scaling is predictable,empirically[EB/OL]. [2022-12-02]. https://doi.org/10.48550/arXiv.1712.00409.
[18] JABRI A,JOULIN A,MAATEN L,et al. Learning visual features from large weakly supervised data[C]. European Conference on Computer Vision, Amsterdam,2016. DOI: 10.1007/978-3-319-46478-7_5.
[19] 薛珊,张振,吕琼莹,等. 基于卷积神经网络的反无人机系统图像识别方法[J]. 红外与激光工程,2020,49(7):250-257. XUE Shan,ZHANG Zhen,LYU Qiongying,et al. Image recognition method of anti UAV system based on convolutional neural network[J]. Infrared and Laser Engineering,2020,49(7):250-257.
[20] 周飞燕,金林鹏,董军. 卷积神经网络研究综述[J]. 计算机学报,2017,40(6):1229-1251. ZHOU Feiyan,JIN Linpeng,DONG Jun. Review of convolutional neural network[J]. Chinese Journal of Computers,2017,40(6):1229-1251.
[21] 林丽,刘新,朱俊臻,等. 基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究[J]. 红外与激光工程,2022,51(3):475-483. LIN Li,LIU Xin,ZHU Junzhen,et al. Research on vibrothermography detection and recognition method of metal fatigue cracks based on CNN[J]. Infrared and Laser Engineering,2022,51(3):475-483.
[22] 杨凯,罗帅,王勇,等. 基于U−Net的列车轮对激光曲线提取[J]. 无损检测,2021,43(1):19-23. YANG Kai,LUO Shuai,WANG Yong,et al. Laser curve extraction of train wheelset based on U-Net[J]. Nondestructive Testing,2021,43(1):19-23.
-
期刊类型引用(3)
1. 路俊维，马雪松，马林霏. 基于光栅传感器的煤矿巷道锚杆受力监测技术. 煤炭技术. 2022(07): 179-181 . 
百度学术
2. 赵庆川，孙世岭. 基于总线传输的锚杆应力传感器研制. 计算技术与自动化. 2021(02): 21-24+35 . 百度学术
3. 卢剑伟. 基于压力反馈控制的车间机械手智能防碰撞监测系统设计. 计算机测量与控制. 2020(12): 48-52 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 132
- HTML全文浏览量: 113
- PDF下载量: 46
- 被引次数: 5
