基于MRAU视频分割模型的矿井涌(突)水风险识别方法

• Published in: 煤炭科学技术 Vol. 52; no. 11; pp. 17 - 28
• Main Authors: 武强, 张帅, 杜沅泽, 徐华, 赵颖旺
• Format: Journal Article
• Language: Chinese
• Published: 中国矿业大学(北京)国家煤矿水害防治工程技术研究中心,北京 100083 01.11.2024; 矿业大学(北京)内蒙古研究院,内蒙古 鄂尔多斯 017000; 矿山水防治与资源化利用国家矿山安全监察局重点实验室,北京 100083%北京石油化工学院信息工程学院,北京 102617
• Subjects: 视频分割; 注意力机制; 矿井涌(突)水; mine water inrush; U2Net; multichannel residual preprocessing; attention mechanism; video segmentation; MRAU; 多通道残差预处理
• ISSN: 0253-2336
• DOI: 10.12438/cst.2024-1370

TD742; 矿井涌(突)水视频识别是智能化矿井建设的关键之一,通过识别涌(突)水从无到有、从小到大的动态演变过程,有助于防止水量超出矿井排水能力并演变为水害.为此提出了一种基于多通道残差注意力机制的U2Net视频分割模型(MRAU),旨在识别涌(突)水的演变过程.首先,基于卷积注意力模块(CBAM)改进U2Net网络模型,以提高特征提取效果.通过多通道残差预处理,区分水流动态特征与静态背景,并将处理结果作为注意力机制输入模型,从而强化水流特征的学习.此外,使用中间帧掩码作为标签进行多帧融合学习,进一步提升网络对水流动态特征的识别能力.最终,通过学习不同场景下的水流特征,实现对未知场景中涌(突)水动态演变的有效识别.通过与Deeplab、LRASPP、FCN、U2Net网络模型的对比试验,选用Dice和IoU作为评价指标.试验结果表明,MRAU模型的Dice和IoU分别达到 92.88%和 87.51%,相比U2Net基础网络,识别结果分别提高了 4.71%和 7.41%.在未知的涌(突)水场景中测试时,MRAU的 Dice和 IoU得分分别达到了86.75%和 80.23%.与其他模型相比,MRAU的识别精度最高,表明该模型在不同场景下对水流特征具有更强的泛化能力.此外,MRAU能够精准监测涌(突)水流量从小到大的演变过程.最后,通过在井下环境中模拟突水场景,进一步验证MRAU模型在实际生产中的实用性,为矿井水害监测提供了有效的技术手段.