基于红外与深度学习的煤岩体破坏前兆识别方法和系统

本技术涉及材料损伤破坏识别，特别涉及一种基于红外与深度学习的煤岩体破坏前兆识别方法和系统。

背景技术：

1、现有岩石破坏预警技术主要依赖应力、应变、声发射、位移等传统监测手段，虽然能够反映材料损伤演化过程，但往往存在空间分辨率不足、对局部早期异常不敏感、难以直接表征试样表面热异常扩展过程等问题。红外热像技术具有非接触、可视化、实时性强和易于大范围监测等优势，能够从表面温度场变化中捕捉岩石破坏前兆，因此在岩石力学与灾害预警领域具有较高工程应用潜力。然而，现有基于红外热像的研究大多仍停留在单一指标分析阶段，通常只提取平均温度、红外辐射温度、方差、红外计数等简单统计量，虽然能够反映一定的热响应变化，但难以全面、定量地表征损伤演化的复杂状态，导致前兆识别的准确性与时效性不足。

2、现有技术中，文献：“wang j, chang y, he m. image processing basedinfrared precursor recognition for npr cable anchored rock with inclinationangles[j]. journal of rock mechanics and geotechnical engineering, 2026.”针对加锚复合岩石提出了一种破坏预测方法，采用两个独立的孤立森林模型分别对损伤区域的时间演化序列和时序裂纹长度进行异常检测并加权融合，进而预测加锚复合岩石破坏前兆。然而，由于煤岩组合体与加锚复合岩石在热物性和力学性质上存在明显差异，导致二者在热红外图像中的损伤模式差别较大，将加锚复合岩石破坏预测方案直接应用到煤岩组合体破坏前兆识别场景难以有效识别早期前兆。

3、另一方面，传统红外图像处理方法通常依赖阈值分割、人工经验判断或简单图像增强，对弱小、离散、不连续以及边界模糊的温度异常区域识别能力不足。尤其是在煤岩组合体中，由于煤与岩石在热物性和力学性质上存在明显差异，加载过程中温度场表现出较强异质性，异常区域可能呈现局部萌生、逐渐扩展、间断分布和区域融合等复杂特征，采用常规图像处理或人工识别方式不仅效率低，而且主观性强、重复性差、难以标准化。此外，经研究和实验发现，单纯依靠传统图像分割方法（如机器学习模型分割）很难准确区分背景热波动与真正具有损伤意义的异常热区，容易造成误判或漏判。

技术实现思路

1、本技术的目的在于提供一种基于红外与深度学习的煤岩体破坏前兆识别方法和系统，以解决或缓解上述现有技术中存在的问题。

2、为了实现上述目的，本技术提供如下技术方案：

3、本技术提供了一种基于红外与深度学习的煤岩体破坏前兆识别方法，包括：

4、步骤s1：获取煤岩组合体加载过程中的原始红外热像序列，经感兴趣区域提取及噪声抑制处理后，得到时序去噪红外温度矩阵ditm（denoised infrared temperaturematrix）；

5、步骤s2：基于所述时序去噪红外温度矩阵，通过自适应阈值分割提取损伤红外矩阵，并结合热辐射定律计算时序损伤红外能量响应参数dier（damage infrared energyresponse），以表征损伤演化的能量增强特征；

6、步骤s3：构建多通道输入样本，所述多通道输入样本至少包括：所述时序去噪红外温度矩阵ditm、温度增量矩阵tim（temperature increment matrix）、煤岩掩膜crm（coal-rock mask）、区域归一化温度增量矩阵rn-tim（region-based normalized temperatureincrement matrix）、时序变化特征tvf（temporal variation feature）；

7、将所述多通道输入样本输入至深度学习分割模型中，得到温度异常区域的像素级分割结果，并计算热异常区域占比tar（thermal abnormal-area ratio），以表征损伤演化的空间扩展特征；

8、步骤s4：将所述时序损伤红外能量响应参数dier与所述热异常区域占比tar构成联合特征序列，输入至异常检测模型中，识别在联合特征空间中偏离正常演化轨迹的异常样本，确定临界前兆帧，实现破坏前兆识别。

9、进一步地，步骤s2具体包括：

10、采用最大类间方差法计算所述时序去噪红外温度矩阵ditm中每一帧的最佳分割阈值，将每一帧中温度值小于所述最佳分割阈值的像素点置为零，保留其余像素点温度值，得到所述损伤红外矩阵，简称imd (infrared matrix of damage)；

11、基于斯特藩-玻尔兹曼定律，计算所述损伤红外矩阵中各像素点的辐射能量，并对所有像素点的辐射能量进行累加得到帧总辐射能量；

12、结合所述损伤红外矩阵imd与红外相机采样时间间隔和所述感兴趣区域对应的实际物理表面积，计算得到所述时序损伤红外能量响应参数dier。

13、优选地，所述温度增量矩阵tim按如下方式计算：

14、获取参考帧；

15、对于时序去噪红外温度矩阵ditm中的每一帧，将该帧温度场与参考帧内的对应像素的温度进行差值计算，得到温度增量矩阵tim。

16、优选地，步骤s3中，所述煤岩掩膜crm是根据煤岩组合体试样的煤岩分区结构生成，用于标识像素点所属的煤区/岩区；

17、所述区域归一化温度增量矩阵rn-tim是基于所述温度增量矩阵tim与所述煤岩掩膜crm构建的，其构建过程包括：利用所述煤岩掩膜crm将所述温度增量矩阵tim划分为煤区数据子集与岩区数据子集，分别计算所述煤区数据子集与所述岩区数据子集的统计特征值，形成统计特征值对，并利用所述统计特征值对对应数据子集内的温度增量数据进行独立归一化处理，得到所述区域归一化温度增量矩阵rn-tim。

18、优选地，所述时序变化特征tvf的计算方式是：

19、基于所述区域归一化温度增量矩阵rn-tim的时序序列，计算相邻帧之间对应像素点的数值差值；

20、将所述数值差值作为所述时序变化特征tvf，用于表征温度异常响应的时间变化速率。

21、优选地，所述深度学习分割模型为嵌入金字塔池化模块的u-net网络模型；

22、所述u-net网络模型包括下采样路径、上采样路径以及连接两者的瓶颈层；

23、所述金字塔池化模块设置于所述瓶颈层，用于对瓶颈层输出的特征图进行多尺度池化操作并融合上下文信息；

24、所述深度学习分割模型的输出层用于生成表征温度异常区域分布的像素级概率图。

25、优选地，所述热异常区域占比tar的计算方法包括：

26、基于所述深度学习分割模型输出的像素级概率图，通过设定置信度阈值得到二值异常区域掩膜；

27、统计所述二值异常区域掩膜中表征异常区域的像素点数量，并计算其与感兴趣区域内总有效像素点数量的比值，得到所述热异常区域占比tar。

28、优选地，所述步骤s4包括：

29、采用孤立森林模型作为所述异常检测模型，对所述联合特征序列进行拟合；

30、计算所述联合特征序列中每个样本点在联合特征空间中的异常分数，依据所述异常分数识别偏离正常演化轨迹的异常样本点；

31、将时序上最早出现的所述异常样本点对应的红外热像帧序号确定为所述临界前兆帧；

32、根据所述临界前兆帧的帧序号与红外热像序列的采样频率，计算得到破坏预警时间。

33、优选地，

34、步骤s1包括：

35、从所述原始红外热像序列的每一帧中截取煤岩组合体试样对应的温度场区域，得到时序感兴趣区域温度场矩阵；

36、采用自适应中值滤波算法对所述时序感兴趣区域温度场矩阵进行脉冲噪声抑制，得到脉冲噪声抑制后的温度场矩阵；

37、采用块匹配三维滤波算法对所述脉冲噪声抑制后的温度场矩阵进行高斯噪声抑制，得到所述时序去噪红外温度矩阵ditm。

38、本实施例提供一种基于红外与深度学习的煤岩体破坏前兆识别系统，包括：

39、数据获取单元，配置为获取煤岩组合体加载过程中的原始红外热像序列，经感兴趣区域提取及噪声抑制处理后，得到时序去噪红外温度矩阵ditm；

40、能量提取单元，配置为基于所述时序去噪红外温度矩阵，通过自适应阈值分割提取损伤红外矩阵，并结合热辐射定律计算时序损伤红外能量响应参数dier，以表征损伤演化的能量增强特征；

41、空间提取单元，配置为构建多通道输入样本，所述多通道输入样本至少包括：所述时序去噪红外温度矩阵、温度增量矩阵tim、煤岩掩膜crm、区域归一化温度增量矩阵rn-tim、时序变化特征tvf；

42、将所述多通道输入样本输入至深度学习分割模型中，得到温度异常区域的像素级分割结果，并计算热异常区域占比tar，以表征损伤演化的空间扩展特征；

43、破坏前兆识别单元，配置为将所述时序损伤红外能量响应参数dier与所述热异常区域占比tar构成联合特征序列，输入至异常检测模型中，识别在联合特征空间中偏离正常演化轨迹的异常样本，确定临界前兆帧，实现破坏前兆识别。

44、有益效果：

45、本技术提供一种提出的双路线红外前兆识别框架，通过分别构建能量演化路线（dier）与空间扩展路线（tar），并将二者联合输入异常检测模型，既能够从红外温度场中提取损伤演化相关的能量响应信息，又能够准确分割和量化温度异常区域的空间演化过程，实现对煤岩组合体宏观失稳前关键前兆时刻的自动识别，同时提高其破坏预测的准确性、稳定性和可解释性。