一种基于深度神经网络的煤矿井壁渗水识别方法与流程

技术特征：
1.一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在于，步骤100：利用图像采集设备获取煤矿井壁图像，挑选出含有清晰渗水区域的图像，作为原始煤矿井壁渗水图像；步骤200：对原始煤矿井壁渗水图像进行预处理，构建煤矿井壁渗水检测数据集；步骤300：构建改进的yolov5模型，在原始的yolov5模型颈部网络中加入cross-transformer模块，cross-transformer模块中采用多头交叉注意力机制；步骤400：将煤矿井壁渗水检测数据集输入到改进的yolov5模型中进行训练；步骤500：将待检测的图像输入到训练好的模型中完成渗水目标检测。2.根据权利要求1所述的一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在于，在步骤100中，挑选出含有渗水的图像的数量为大于等于300张。3.根据权利要求1所述的一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在于，在步骤200中，建立渗水检测数据集，包括以下子步骤：步骤210：使用labelimg图像标注软件对原始煤矿井壁渗水图像中的渗水区域进行手工标注，从而构成煤矿井壁渗水图像数据集，所述煤矿井壁渗水图像数据集中的样本包括渗水图像和与渗水图像对应的渗水目标标注结果图；步骤220：对煤矿井壁渗水图像数据集中的图像通过随机旋转、平移、水平翻转和垂直翻转操作实现数据扩充，得到数量扩充四倍的煤矿井壁渗水图像数据集，内含大于等于1200张的渗水图像；步骤230：对扩充后的煤矿井壁渗水图像数据集中的样本按照预设比例8:2随机划分为训练集和验证集。4.根据权利要求1所述的一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在于，在步骤300中，所述多头交叉注意力机制采用双输入结构，其目标是获得一个输入特征图查询与键之间的相关性，然后与另外一个输入的值相乘得到注意图，这一过程可以描述为：式(1)中，q1为一个输入的特征图查询query，k1为一个输入的键key，v1为一个输入的值value；q2为另一个输入的特征图查询query，k2为另一个输入的键key，v2为另一个输入的值value；attention表示注意力机制算法；c
k
为输入数据的维数，t为矩阵转置操作；mca1和mca2表示两个输入对应的多头交叉注意力。5.根据权利要求4所述的一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在于，所述cross-transformer模块，采用双分支结构，其中包括线性投影、前馈网络、层归一化操作，并采用多头交叉注意力机制实现两个分支之间的信息交互。6.根据权利要求5所述的一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在
于，对输入的两个特征映射x1和x2进行降维操作，为了对特征映射的位置信息进行编码，引入可学习的位置嵌入，并通过直接添加的方式将其与输入的特征映射分别融合，接着对y1和y2进行层归一化操作，得到特征嵌入后的特征y1和y2，这一过程可以描述为：式(2)中，lp为线性投影操作，pe为位置编码，ln表示层归一化。7.根据权利要求6所述的一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在于，利用多头交叉注意力机制实现y1和y2特征图之间的信息交互，并与原始特征图相加，得到特征图z1和z2，这一过程可以描述为：式中，mca1和mca2分别表示两个输入y1和y2对应的多头交叉注意力。8.根据权利要求7所述的一种基于深度神经网络的煤矿井壁渗水识别方法，其特征在于，为了适应网络的下一个维度，采用层归一化、前馈网络、特征映射操作，并将两个特征图z1和z2相加，得到特征图f，实现进一步信息融合，这一过程可以描述为；f＝fm[ln(z1) ln(ffn(z1))] fm[ln(z2) ln(ffn(z2))] (3)；式(3)中，ln表示层归一化，fm表示特征映射，ffn为前馈网络。

技术总结
本发明公开一种基于深度神经网络的煤矿井壁渗水识别方法，利用图像采集设备获取煤矿井壁图像，挑选出含有渗水的图像作为原始煤矿井壁渗水图像；对原始煤矿井壁渗水图像进行预处理，构建煤矿井壁渗水检测数据集；构建改进的YOLOv5模型；将煤矿井壁渗水检测数据集输入到改进的YOLOv5模型中进行训练；将待检测的图像输入到训练好的模型中完成渗水目标检测。改进的YOLOv5模型在原始YOLOv5模型的颈部网络中加入Cross-Transformer模块，且Cross-Transformer模块中采用多头交叉注意力机制，实现不同层次特征图之间关键信息的交互与融合，解决长距离依赖问题，检测精度从78％提高到85％。到85％。到85％。


技术研发人员：付文俊 张亮
受保护的技术使用者：北京中煤矿山工程有限公司
技术研发日：2022.10.10
技术公布日：2022/12/16