融合改進(jìn)YOLOv3與三次樣條插值的煤巖界面識別方法

孫傳猛，王燕平，王 沖，許瑞嘉，李新娥

(1.中北大學(xué) 電子測試技術(shù)重點實驗室，山西 太原 030051；2.中北大學(xué) 電氣與控制工程學(xué)院，山西 太原 030051)

智能化和無人化開采是煤礦井下生產(chǎn)的必然趨勢[1-3]，也是我國煤礦企業(yè)當(dāng)前重要的發(fā)展方 向[4-5]。智能化、無人化開采的關(guān)鍵在于提高工作面機(jī)電裝備的智能化水平，而最大的共性難題就是煤巖界面的自動識別。不論是采煤機(jī)滾筒的高度自動調(diào)節(jié)，還是液壓支架頂部支護(hù)自動調(diào)整，均依 賴于對煤層和巖層空間位置的精準(zhǔn)定位[6-7]?？梢姡钊胙芯棵簬r界面自動識別技術(shù)對煤礦井下智 能化、無人化開采具有重要的理論意義和應(yīng)用價值。

近年來，以煤巖圖像(顏色、紋理和形狀等)特征描述子配合傳統(tǒng)機(jī)器學(xué)習(xí)分類器的主動特征提取煤巖界面的識別方法受到了關(guān)注。然而，由于井下環(huán)境惡劣，煤巖圖像成像質(zhì)量普遍不高[8-10]，煤巖界面圖像具有對比度低、照度低、振動模糊、噪聲干擾嚴(yán)重等特點，導(dǎo)致煤巖特征描述子設(shè)計難度較大，甚至部分特征需要手動提?。煌瑫r，基于傳統(tǒng)機(jī)器學(xué)習(xí)算法的分類器分類效率較低，導(dǎo)致識別過程耗時長，且準(zhǔn)確率有待提高。主動特征提取煤巖界面識別發(fā)展不夠理想。

自2012年以來，深度學(xué)習(xí)[11]在圖像處理領(lǐng)域，以卓越的性能大放異彩，出現(xiàn)了R-CNN(Regions with CNN Features)，SPP-Net(Spatial Pyramid Pooling Networks)，F(xiàn)ast R-CNN，F(xiàn)aster R-CNN，RFCN(Region Based Fully Convolutional Networks)，YOLO(You Only Look Once)，SSD(Single Shot Multibox Detector)，F(xiàn)PN(Feature Pyramid Networks)，RetinaNet，RefineDet等各具性能的目標(biāo)檢測算 法[12]。隨著深層神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，深度學(xué)習(xí)開始被引入煤巖智能識別研究中。深度學(xué)習(xí)是對圖像特征由低層到高層的逐步抽象和概念化過程，是一種自主學(xué)習(xí)的識別方法，相比主動特征提取煤巖界面識別方法，其更加便捷，且可以學(xué)習(xí)到人眼觀察不到的高階特征信息，利于煤巖智能識別精度的提高。

章華[13]等設(shè)計了包含2個卷積層、2個下采樣層和1個完全連接層的卷積神經(jīng)網(wǎng)絡(luò)對煤巖識別做了初步研究；華同興[14]等采用Faster R-CNN方法實現(xiàn)了煤巖圖像中煤層和巖層的識別和定位；張斌[15]等將基于回歸方程的深度學(xué)習(xí)目標(biāo)檢測算法YOLOv2與線性成像模型相結(jié)合，并通過該算法對井下采集煤巖圖像進(jìn)行了智能識別與定位，識別成功率為78%；熊祥祥[16]、司壘[17-18]等提出了基于深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)和基于改進(jìn)U-Net網(wǎng)絡(luò)模型的煤巖圖像識別方法；王星[19]等針對煤巖圖像數(shù)據(jù)短缺的問題提出解決方法并增加數(shù)據(jù)量，基于在單張圖像上訓(xùn)練的生成式對抗網(wǎng)絡(luò)提出Var-Con Sin GAN模型并構(gòu)建樣本生成與特征遷移框架。筆者近年來也建立了煤巖圖像數(shù)據(jù)集，開展了基于改進(jìn)二值局部特征與深層聚合網(wǎng)絡(luò)融合的煤巖智能識別模型研究。

目前，基于深度學(xué)習(xí)的煤巖界面識別研究處于起步階段，尚存在一些不足，這也是該類方法不可回避的關(guān)鍵問題，主要有：① 深度學(xué)習(xí)目標(biāo)檢測算法各模型均十分龐大，訓(xùn)練和預(yù)測時對機(jī)器的性能要求都非常高，通常需要使用高性能的GPU甚至TPU進(jìn)行并行計算，這導(dǎo)致在實際應(yīng)用時因其只有非常有限的存儲資源和計算能力，而滿足不了實時性的要求；② 已有的深度學(xué)習(xí)目標(biāo)檢測算法主要針對離散對象，算法通常通過統(tǒng)計True Positive(TP)、True Negative(TN)，F(xiàn)alse Positive(FP)，F(xiàn)alse Negative(FN)等樣本數(shù)目，進(jìn)而構(gòu)建準(zhǔn)確率(Accuracy)、精確率(Precision)、召回率(Recall)等評測指標(biāo)來評估算法性能。然而，煤巖界面在圖像中常常是連續(xù)的、貫穿的，導(dǎo)致上述樣本數(shù)目無法統(tǒng)計，進(jìn)而使傳統(tǒng)目標(biāo)檢測評測指標(biāo)無法準(zhǔn)確評價煤巖界面識別算法的準(zhǔn)確性能；③ 已有的深度學(xué)習(xí)目標(biāo)檢測算法多利用檢測框進(jìn)行分類和定位，如何利用目標(biāo)檢測算法的檢測框獲得接近真實的煤巖界面曲線鮮見報道。

鑒于此，筆者引入兼具檢測精度與速度的深度學(xué)習(xí)目標(biāo)檢測算法YOLOv3對煤巖界面識別展開研究。首先，利用深度可分離卷積改進(jìn)YOLOv3算法，實現(xiàn)界面識別精度和效率的有效提升；然后，針對煤巖界面連續(xù)、貫穿的特點，建立了全新的煤巖界面準(zhǔn)確性評測指標(biāo)；最后，融合三次樣條插值算法，實現(xiàn)煤巖界面曲線的準(zhǔn)確提取。

1 融合改進(jìn)YOLOv3與三次樣條插值的煤巖界面識別方法

1.1 YOLOv3算法

YOLOv3[20]算法采用Darknet-53網(wǎng)絡(luò)提取特征，采用特征金字塔預(yù)測網(wǎng)絡(luò)預(yù)測結(jié)果。Darknet-53網(wǎng)絡(luò)又通過全卷積層和殘差結(jié)構(gòu)獲取圖像特征，結(jié)構(gòu)如圖1所示。

圖1 YOLOv3模型特征提取網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.1 YOLOv3 model feature extraction network model structure

該結(jié)構(gòu)由一系列的1×1和3×3的卷積層組成，每個卷積層后都會跟1個BN層和1個LeakyReLU層(圖1(b))。Darknet-53還使用了ResNet跳層連接方式(圖1(c))，保證網(wǎng)絡(luò)結(jié)構(gòu)在很深的情況下仍能收斂，使模型能訓(xùn)練下去；同時，網(wǎng)絡(luò)越深，表達(dá)的特征越好，分類與檢測的效果均會提升。特征金字塔預(yù)測網(wǎng)絡(luò)則將低分辨率特征圖采樣，并與Darknet-53 網(wǎng)絡(luò)中的特征圖拼接，從而獲得高分辨率特征圖，使各種尺度的特征圖均融合了不同分辨率、不同 語義強(qiáng)度的特征[21]。在公開數(shù)據(jù)集VOC2007上對Fast R-CNN，F(xiàn)aster R-CNN，SSD，YOLO，YOLOv2，YOLOv3進(jìn)行測試(表1)表明，YOLOv3在MAP Mean Average Precision)和(FPS(Frames Per Second) 指標(biāo)上均具有良好的性能，兼具檢測精度與速 度[22-24]。

表1 常見的目標(biāo)檢測算法性能比較Table 1 Performance comparison of common target detection algorithms

1.2 改進(jìn)的YOLOv3網(wǎng)絡(luò)模型

在深度學(xué)習(xí)中，卷積層通常起到的作用有：① 對上一層的特征圖進(jìn)行尺寸調(diào)整；② 對上一層的特征圖數(shù)量(通道數(shù))進(jìn)行調(diào)整。常規(guī)卷積層連接的上一層一般具有多個通道(設(shè)為n)。因此，卷積運算時，1個濾波器(Filter)必須具有n個卷積核(Kernel)與之對應(yīng)。1個濾波器完成1次卷積，實際上是多個卷積核與上一層對應(yīng)通道的特征圖進(jìn)行卷積后再進(jìn)行相加，從而輸出下一層的一個通道特征圖。在下一層中，若需要得到多個通道的特征圖(設(shè)為m)，那么對應(yīng)的濾波器就需要m個(圖2)。可見，常規(guī)卷積層包含大量的訓(xùn)練參數(shù)。

圖2 卷積操作Fig.2 Convolution operation

由圖1可知，YOLOv3包含5次下采樣過程，共有53層全卷積層，其參數(shù)量龐大，計算量巨大，導(dǎo)致YOLOv3訓(xùn)練和預(yù)測時對機(jī)器的性能要求都非常高，需要使用高性能的GPU進(jìn)行并行計算。在采煤和掘進(jìn)工作面現(xiàn)場，工作條件惡劣，粉塵、噪聲、振動等干擾嚴(yán)重。在實驗室環(huán)境下的高性能機(jī)器遷移到采掘工作面現(xiàn)場，其性能將受到極大制約，甚至失效。為降低識別算法對高性能機(jī)器的依賴性，提高算法的普適性，需對原YOLOv3網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，大幅降低模型參數(shù)量，提高訓(xùn)練和預(yù)測速度。

鑒于此，筆者提出利用深度可分離卷積[25]替換ResNet模塊中的卷積操作，改進(jìn)原YOLOv3算法，從而降低模型訓(xùn)練參數(shù)，提高模型的識別能力，加快網(wǎng)絡(luò)訓(xùn)練速度。深度可分離卷積將來自上一層的多通道特征圖全部拆分為單個通道的特征圖，并分別對其進(jìn)行單通道卷積，然后重新堆疊到一起。這一過程稱為逐通道卷積(Depthwise Convolution)，如圖3所示。逐通道卷積只對來自上一層的特征圖做尺寸的調(diào)整，而通道數(shù)未發(fā)生變化。然后，利用1×1大小的卷積核對上一步特征圖進(jìn)行第2次卷積，在深度方向上進(jìn)行加權(quán)組合，生成新的特征圖。這一過程稱為逐點卷積(Pointwise Convolution)，如圖4所示。深度可分離卷積相比常規(guī)卷積操作，有助于參數(shù)數(shù)量的下降，對網(wǎng)絡(luò)的輕量化有益。改進(jìn)的YOLOv3模型特征提取網(wǎng)絡(luò)如圖5所示。

圖3 逐通道卷積操作Fig.3 Depthwise convolution operation

圖4 逐點卷積操作Fig.4 Pointwise convolution operation

圖5 改進(jìn)的YOLOv3模型特征提取網(wǎng)絡(luò)模型結(jié)構(gòu)Fig.5 Improved YOLOv3 model feature extraction network model structure

設(shè)原YOLOv3算法中卷積層輸入為3通道圖像，卷積層共有N個Filter，每個Filter包含了k個Kernel(為匹配通道數(shù)，k=3)，每個Kernel的大小為3×3。因此，卷積層的參數(shù)數(shù)量Nstd為

采用深度可分離卷積操作，逐通道卷積的1個卷積核負(fù)責(zé)1個通道，1個通道只被1個卷積核卷積。所以，1個3通道的圖像經(jīng)過運算后生成3個特征圖。其中，1個Filter只包含1個大小為3×3的Kernel，卷積部分的參數(shù)個數(shù)NDW為

逐通道卷積對輸入層的每個通道獨立進(jìn)行卷積運算，沒有有效地利用不同通道在相同空間位置上的特征信息，完成后的特征圖數(shù)量與輸入層的通道數(shù)相同，無法擴(kuò)展原特征圖。

逐點卷積的卷積核尺寸為1×1×M，M為上一層的通道數(shù)。該操作將上一步的特征圖在深度方向上進(jìn)行加權(quán)組合，生成新的特征圖。共設(shè)N個Filter，以使輸出維度與常規(guī)卷積的相同。由于采用的是1×1卷積的方式，逐點卷積涉及到的參數(shù)個數(shù)NPW為

故，改進(jìn)的YOLOv3算法的卷積層參數(shù)數(shù)量NSC為

對比式(1)和(4)可知，改進(jìn)的卷積操作比原操作參數(shù)量降幅巨大，在N值較大(N=9000)時，降低量接近88.9%。顯然，改進(jìn)的YOLOv3算法參數(shù)規(guī)模得到了很好地改善，相應(yīng)的訓(xùn)練和預(yù)測速度也得到了提升。

1.3 煤巖界面識別準(zhǔn)確性評測指標(biāo)

對常規(guī)對象(圖6)進(jìn)行目標(biāo)檢測時，該對象是離散、可數(shù)的，一般通過統(tǒng)計TP(被模型預(yù)測為正的正樣本數(shù))、TN(被模型預(yù)測為負(fù)的負(fù)樣本數(shù))、FP(被模型預(yù)測為正的負(fù)樣本數(shù))、FN(被模型預(yù)測為負(fù)的正樣本數(shù))等，進(jìn)而構(gòu)建混淆矩陣定義正確率、準(zhǔn)確率、召回率等性能指標(biāo)評測各算法性能。而煤巖界面是連續(xù)的、貫穿的和不可數(shù)的(圖7)，無法通過統(tǒng)計各樣本數(shù)來評價算法性能。顯然，需要結(jié)合煤巖界面特性，建立評價煤巖界面識別算法性能的評測指標(biāo)。

圖6 典型目標(biāo)檢測對象Fig.6 Typical target detection object

圖7 煤巖界面檢測對象Fig.7 Coal-rock interface detection object

針對煤巖界面連續(xù)、貫穿的特點，本文提出以預(yù)測框在x和y方向的總投影長度占煤巖界面曲線投影總長度的比值作為目標(biāo)檢測準(zhǔn)確性評價標(biāo)準(zhǔn)。如圖8所示，設(shè)紅色框為煤巖界面識別算法給出的預(yù)測框，紫色框為煤巖界面曲線的最小外接矩形，各矩形框坐標(biāo)均顯示在圖上。顯然，煤巖界面曲線在x和y方向的總投影長sx，sy分別為

圖8 煤巖界面預(yù)測框Fig.8 Coal-rock interface prediction frame

預(yù)測框在x和y方向投影按如下步驟計算：

(1) 找出最靠近圖像左上角的預(yù)測框，記該預(yù)測框為A1，坐標(biāo)為((x1min，y1min)，(x1max，y1max))；

(2) 找出與A1有重疊區(qū)域的預(yù)測框，設(shè)其中最靠近左上角的預(yù)測框為A2，坐標(biāo)為((x2min，y2min)，(x2max，y2max))，則將A1與A2融合為新的預(yù)測框，新預(yù)測框坐標(biāo)為((x1min，y1min)，(x2max，y2max))；

(3) 繼續(xù)尋找與新預(yù)測框重疊的其他預(yù)測框，并按步驟(2)融合，直至無預(yù)測框與最新融合預(yù)測框重疊為止。此時，記融合預(yù)測框為AR1，坐標(biāo)為((rx1min，ry1min)，(rx1max，ry1max))，其在x和y方向的投影分別為rx1max-rx1min和ry1max-ry1min。

(4) 在未遍歷的預(yù)測框中，找出最靠近圖像左上角的預(yù)測框，重復(fù)步驟(1)～(3)，直至遍歷完所有預(yù)測框。設(shè)最終融合預(yù)測框個數(shù)為Z，第z(z=1，…，Z)個融合預(yù)測框坐標(biāo)為((rxzmin，ryzmin)，(rxzmax，ryzmax))，則預(yù)測框在x和y方向投影長度分別為

式中，rx，ry分別為預(yù)測框在x和y方向的投影長度。

則，定義x方向煤巖界面識別準(zhǔn)確性評測指標(biāo)xa為

同理，定義y方向煤巖界面識別準(zhǔn)確性評測指標(biāo)ya為

1.4 融合改進(jìn)YOLOv3與三次樣條插值的煤巖界面識別方法

顯然，上述識別的預(yù)測框離真實煤巖界面曲線還有差距，需要對結(jié)果進(jìn)一步處理。

三次樣條曲線[26]線形光滑，具有較好的保形功能，擬合精度由采樣點間距決定。改進(jìn)的YOLOv3煤巖界面識別效果好，其預(yù)測框中點正好落于煤巖真實界面上，而預(yù)測框間通常有重疊，預(yù)測框中點間距小。因此，本文利用三次樣條插值法從改進(jìn)的YOLOv3識別結(jié)果中提取真實的煤巖界面曲線。具體步驟如下：

(1) 設(shè)預(yù)測框總數(shù)為L，第l個預(yù)測框坐標(biāo)為((xlmin，ylmin)，(xlmax，ylmax))。則，第l個預(yù)測框中點坐標(biāo)(lXM，lYM)為

(2) 對上述L個數(shù)據(jù)點，計算樣條曲線系數(shù)，建立樣條函數(shù)在各中心點區(qū)間的表達(dá)式，得到擬合曲線。

2 試驗結(jié)果及分析

2.1 試驗環(huán)境

主要硬件環(huán)境：Intel Corei5-4590k CPU，8GB內(nèi)存，Nvidia Quadro P40008GB GPU。軟件環(huán)境：操作系統(tǒng)為64位的Window10，開發(fā)環(huán)境為Pycharm 2020，開發(fā)語言為Python3.6.0，配置環(huán)境為Tensrflow1.14.0。

2.2 試驗過程

(1) 構(gòu)建煤巖圖像數(shù)據(jù)集。該數(shù)據(jù)集主要來源于重慶南川南平煤礦、重萬盛龍叫煤礦等井下工作面，煤質(zhì)為焦煤。為提高模型的泛化能力，從互聯(lián)網(wǎng)上搜集、整理了部分煤巖圖像作為補(bǔ)充。數(shù)據(jù)集建立流程如圖9所示。由于井下環(huán)境惡劣，煤巖圖像常含有噪聲，考慮到不能模糊細(xì)節(jié)造成特征信息丟失，選用中值濾波預(yù)處理，中值濾波原理如圖10所示。

圖9 煤巖圖像數(shù)據(jù)集建立流程Fig.9 Establishment process of coal rock image data set

圖10 中值濾波處理過程Fig.10 Median filtering process

(2) 配置模型參數(shù)和訓(xùn)練參數(shù)。主要包括迭代步數(shù)、學(xué)習(xí)率、先驗框尺寸的設(shè)置。輸入圖片的尺寸416×416，Batch配置為6。學(xué)習(xí)率可以設(shè)置得小一些，為0.001。訓(xùn)練步數(shù)設(shè)置為10000。Class為類別，設(shè)置為1。由于Class為1，因此每個YOLO層的前一層卷積通道數(shù)設(shè)置為(5+1)×3=18，共需設(shè)置3次。另外通過k-means算法配置先驗框(Anchor)參數(shù)進(jìn)行設(shè)置，經(jīng)過多輪計算，最終得到9個聚類中心，分別為[30，148]，[35，66]，[39，33]，[51，96]，[54，42]，[62，27]，[70，62]，[105，30]，[204，43]，準(zhǔn)確率為73.52%。

(3) 預(yù)設(shè)模型參數(shù)和訓(xùn)練參數(shù)后，將準(zhǔn)備好的煤巖圖像數(shù)據(jù)集分別輸入到原YOLOv3算法模型和改進(jìn)的YOLOv3算法模型中進(jìn)行訓(xùn)練。訓(xùn)練中可采用多種方法優(yōu)化訓(xùn)練過程，并通過不斷調(diào)整模型的架構(gòu)，重新設(shè)置算法參數(shù)等方式，最終獲得最優(yōu)的煤巖識別模型，并通過測試集驗證其識別性能。

(4) 對生成預(yù)測框，按1.4節(jié)方法處理，獲得真實的煤巖界面曲線。作為對比，還利用分段三次Hermite插值方法進(jìn)行了煤巖界面曲線提取。

2.3 試驗結(jié)果

(1) 改進(jìn)的YOLOv3模型較原模型，性能得到全面提升，可有效識別煤巖界面區(qū)域。

圖11為典型的識別結(jié)果，紅色框即為煤巖界面區(qū)域，可見采用改進(jìn)的YOLOv3模型可以有效識別煤巖界面區(qū)域。

圖11 煤巖界面識別的部分結(jié)果Fig.11 Some results of coal-rock interface identification

對比原YOLOv3模型和改進(jìn)的模型參數(shù)規(guī)模，采用傳統(tǒng)卷積的訓(xùn)練參數(shù)為61576342，而采用深度可分離卷積的訓(xùn)練參數(shù)為12162673?？梢姡倪M(jìn)YOLOv3的訓(xùn)練參數(shù)規(guī)模減少約80%。

為進(jìn)一步說明改進(jìn)模型性能，對同一張煤巖圖片進(jìn)行測試，結(jié)果如圖12所示?？梢姡倪M(jìn)的模型對煤巖界面區(qū)域識別能力更強(qiáng)。同時，原模型預(yù)測時間為2.7026363 s，而改進(jìn)的模型預(yù)測時間為2.5763096 s，測試時間減少了約5%。可見，改進(jìn)的模型在提高識別準(zhǔn)確性的同時，也加快了測試速度。

圖12 改進(jìn)的YOLOv3模型與原模型識別效果對比Fig.12 Comparison of recognition effect between improved YOLOv3 model and original model

由于傳統(tǒng)的正確率、準(zhǔn)確率、召回率等性能指標(biāo)對連續(xù)、不可數(shù)目標(biāo)失效，利用前述提出的煤巖界面識別準(zhǔn)確性評測指標(biāo)對改進(jìn)模型的識別準(zhǔn)確性進(jìn)行定量評判。表2為測試集中200張圖像的煤巖界面識別結(jié)果統(tǒng)計情況，測試集的煤巖圖像取自重慶南川南平煤礦、重萬盛龍叫煤礦，煤質(zhì)為焦煤。分析表2可知，改進(jìn)的YOLOv3模型在x方向上識別準(zhǔn)確率為89.89%，較原模型的84.04%提高了5.85%；在y方向上識別準(zhǔn)確率為73.30%，較原模型的56.31%提高了16.99%。結(jié)果表明，提出的煤巖界面識別準(zhǔn)確性評測指標(biāo)可有效用于連續(xù)、不可數(shù)的煤巖界面識別；改進(jìn)的YOLOv3模型在準(zhǔn)確性上較原模型性能提升明顯。

表2 煤巖界面識別結(jié)果統(tǒng)計Table 2 Statistics of coal-rock interface identification results

(2) 融合改進(jìn)的YOLOv3與三次樣條插值的煤巖界面識別方法可有效提取真實的煤巖界面曲線。

對上述識別結(jié)果進(jìn)行進(jìn)一步的處理，獲得真實的煤巖界面曲線。

圖13為選用三次樣條插值和分段三次Hermite插值進(jìn)行標(biāo)注框中點擬合的效果。其中，綠色的虛線代表三次樣條插值擬合結(jié)果，紫色實線代表分段三次Hermite插值擬合結(jié)果。

圖13 煤巖界面提取效果Fig.13 Extraction effect of coal-rock interface

分析圖13中的煤巖界面提取效果，當(dāng)預(yù)測框較充分時，三次樣條插值與分段三次Hermite插值的提取效果相差不大，如圖13(a)，(b)所示；當(dāng)預(yù)測框不夠充分時，三次樣條插值較分段三次Hermite插值的提取效果好，如圖13(c)，(d)所示。

進(jìn)一步利用測試集分析上述提取方法，結(jié)果如圖14所示，藍(lán)色實線為真實的煤巖界面，綠色和紫色同圖13。為進(jìn)一步分析提取效果，統(tǒng)計提取值與真實值的差異，其中圖14(a)統(tǒng)計結(jié)果見表3，圖14(b)統(tǒng)計結(jié)果見表4。由表3，4可知，本文提出的融合改進(jìn)YOLOv3與三次樣條插值的煤巖界面識別方法可有效提取真實的煤巖界面，所提取的煤巖界面與真實界面相比，誤差控制在4.1%以內(nèi)。

表3 圖14(a)提取值與真實值差異統(tǒng)計結(jié)果Table 3 Fig.14(a) statistical results of difference between extracted and real values

表4 圖14(b)提取值與真實值差異統(tǒng)計結(jié)果Table 4 Fig.14(b) statistical results of difference between extracted and real values

圖14 真實煤巖界面曲線提取效果測試Fig.14 Extraction effect test of real coal-rock interface curve

3 結(jié)論

(1) 針對煤巖界面連續(xù)、貫穿的特點，建立了全新煤巖界面識別準(zhǔn)確性評測指標(biāo)。在后續(xù)識別試驗中，新構(gòu)建的評測指標(biāo)對于連續(xù)、不可數(shù)的煤巖界面對象的識別效果起到重要的評測作用。

(2) 利用深度可分離卷積改進(jìn)YOLOv3算法，實現(xiàn)煤巖界面識別準(zhǔn)確性和效率的有效提升。其中，參數(shù)規(guī)模減少了約80%，測試時間減少了約5%；在x和y方向上的準(zhǔn)確率分別提高了5.85%和16.99%。

(3) 融合改進(jìn)的YOLOv3與三次樣條插值的煤巖界面識別方法，獲得了接近真實的煤巖界面曲線，誤差控制在4.1%以內(nèi)。