矿山采动地表裂缝智能识别的YOLOv7模型改进研究

• Published in: 煤矿安全 Vol. 55; no. 4; pp. 169 - 176
• Main Authors: 苏宇, 汤伏全, 李景祥, 王聪, 张馨月
• Format: Journal Article
• Language: Chinese
• Published: 自然资源部煤炭资源开发与综合利用重点实验室,陕西 西安 710021 2024; 西安科技大学 测绘科学与技术学院,陕西 西安 710054%西安科技大学 测绘科学与技术学院,陕西 西安 710054
• Subjects: 全局注意力机制; global attention mechanism; UAV imagery; 特征提取; feature extraction; YOLOv7; 采动裂缝; mining-induced cracks; 无人机影像
• ISSN: 1003-496X
• DOI: 10.13347/j.cnki.mkaq.20231007

TD325+.4; 矿山开采引起的地表裂缝对煤矿安全生产造成严重影响,利用无人机影像识别采煤沉陷区裂缝发育特征具有实用价值.提出了一种改进的YOLOv7 采动裂缝智能化识别模型,通过在模型主干网络中添加GAM全局注意力机制,减少图像卷积过程中特征信息的丢失;同时,引入深度可分离卷积代替主干网络中的普通卷积,使得图像特征图尺寸减半,而卷积过程中并不会造成特征缺失;进一步采用GIOU_Loss对网络边界框损失函数进行改进,提升了模型的小目标识别能力;使用LabelImg图像标注软件制作包含 2 143 张5472×3648pixels的采动裂缝识别训练数据集,对沉陷区无人机影像进行初处理构建DOM后,使用640×640的滑动窗口裁剪DOM,对裁剪后的DOM进行特征识别.结果表明:改进后的YOLOv7 模型对于密集、细小、植被覆盖 3 类裂缝图像的识别效果和漏检情况得到明显改善,平均准确度(mAP)达到 0.84.