Effects of different land use types on soil structure and hydraulic characteristics of reclaimed coal mines in semi-arid areas
-
摘要:
为探究半干旱区复垦煤矿土壤的水分特征,使复垦矿区土地得到更好的利用,选取复垦矿区还田、还草、还林、自然恢复等4种土地利用方式后的耕地、草地、林地、裸地等4种土地利用类型的土地,对土壤基本物理性质、水分特征曲线、非饱和导水率、水分扩散率进行研究。结果表明:复垦矿区内土壤为砂壤,林地孔隙度、含水量最高,容重和黏粒含量最低,耕地有机质含量最高,裸地有机质含量最低。裸地砂粒含量相对较高,耕地、草地、林地粉粒含量较高,可见通过还田、还草、还林这3种土地利用方式能改善矿区土壤的机械组成。Van-Genuchten (V-G)模型能够较好地拟合矿区土壤水分特征曲线,决定系数R2均大于0.99,土壤毛管重力水随水吸力增加显著下降,在2.5 kPa之前的吸力段持水能力呈现为耕地>草地>裸地>林地,随吸力增大,林地持水能力表现优于其他地类;释水过程主要出现在0~4.8 kPa吸力段,耕地释水能力最好,林地最差。土壤孔隙度与非饱和导水率呈现显著正相关,4种地类非饱和导水率林地>裸地>耕地>草地,林地的土壤结构性最好。土壤体积含水率与水分扩散率均符合D(θ)=Aexp(Bθ)的经验公式并呈指数曲线变化(A为当含水量为零时的土壤水分扩散能力;B为水分扩散率随含水量的变化速率),水分扩散率D(θ)随土壤体积含水率θ呈指数递增,决定系数R2均大于0.92,林地潜在传输水分的能力最好,裸地水分扩散率随含水率变化最快。研究结果可为半干旱区复垦煤矿的土地利用和生态修复提供理论及数据支持。
Abstract:In order to explore the water characteristics of soil in reclaimed coal mines in semi-arid areas and make better use of the land in reclaimed mining areas, the basic physical properties, water characteristic curves, unsaturated water conductivity and water diffusion rate of the reclaimed mining areas were selected for four types of land use after the four land use modes of reclaimed mining areas: farmland, grassland, forest land and bare land. The results showed that the soil in the reclaimed mining area was sandy soil, with the highest porosity and water content of forest land, the lowest bulk density and clay content, the highest organic matter content in cultivated land and the lowest organic matter content in bare land. The content of sand grain in bare land is relatively high, and the powder content of cultivated land, grassland and forest land is relatively high, indicating that the mechanical composition of soil in mining area can be improved by three land use methods: returning land, grassland and forest. The Van-Genuchten (V-G) model could fit the soil moisture characteristic curve in the mining area well, the coefficient of determination R2 was greater than 0.99, the gravity water of the soil capillary decreased significantly with the increase of water suction, and the water holding capacity in the suction section before 2.5 kPa was shown as cultivated land > grassland > bare land > forest land, and with the increase of suction, the water holding capacity of forest land was better than that of other land types. The water release process mainly appeared in the 0−4.8 kPa suction section, and the cultivated land had the best water release capacity and the worst forest land. Soil porosity and unsaturated water conductivity were significantly positively correlated, and the soil structure of four types of unsaturated water conductivity was the best in forest land > bare land > arable land > grassland. The soil volume moisture content and water diffusion rate conformed to the empirical formula of D(θ)=Aexp(Bθ) and changed exponentially, and the water diffusivity D(θ) increased exponentially with the soil volume moisture content θ, and R2 was greater than 0.92, and the potential water transport capacity of forest land was the best, and the water diffusion rate of bare land changed the fastest with moisture content. The research results provide theoretical and data support for land use and ecological restoration of reclaimed coal mines in semi-arid areas.
-
0. 引 言
煤矿智能化建设是实现煤矿安全高效绿色开采的必由之路[1],采煤机、掘进机作为煤矿采掘工作面的核心设备,其智能化水平直接影响煤炭的安全生产和开采效率[2]。其中,在综采工作面自动判断当前采煤面的煤岩分布状态是采煤机可以自适应调节滚筒高度和牵引速度实现智能截割的重要前提,在掘进工作面快速精准识别煤岩与顶底板界面是保证掘进机自适应截割智能高效掘进的关键条件[3-4]。然而,煤矿井下地质状况复杂多变,煤岩层特征具有相似性不易区分,如何准确识别追踪截割煤壁的煤层分布界面是煤炭开采领域内公认的关键技术难题,也是制约煤矿智能化发展水平的一大技术瓶颈。
近年来,随着煤矿智能化发展的不断推进,国内外学者针对煤岩界面识别方法进行了大量深入的研究[5-6]。其中,大部分研究都是基于采掘过程中截齿受到不同的截割力响应,在振动、电流、温度等信号上表现出不同的力学特征来判断所截割的介质种类,进而确定煤岩分布情况[7-8]。但是此类接触式识别方法,只有当截割到岩层时才可以获得差异反馈信号,而且容易受到地质条件和传感器性能的局限影响,导致煤岩分布判断不准确。随着机器视觉图像识别领域的发展,基于图像的煤岩识别技术成为解决煤岩识别问题的另一个重要研究方向[9-11],图像识别属于非接触式识别,通过实时获取当前截割煤壁图像信息对煤岩层分布界面进行识别预判,可以自动追踪煤岩界面,为采掘设备提供调控依据。孙继平等[12]分析了煤岩图像纹理特点,并基于二进制十字对角纹理矩阵实现了煤岩图像特征提取与分类识别。伍云霞等[13-14]分别研究了基于字典学习和最大池化稀疏编码的煤岩图像特征提取与识别技术。张婷[15]借助图像处理技术,提出了基于变换域与高斯混合模型聚类的煤岩识别方法。张斌等[16]将深度学习目标检测算法YOLOv2与线性成像模型相结合,对井下采集煤岩图像进行了智能识别与定位。司垒等[17]提出了一种基于改进U-net网络模型的煤岩图像识别方法,并在实验室和井下现场进行了试验。高峰等[18]提出了一种基于塔式池化架构和卷积神经网络技术的煤岩图像分割识别网络模型,测试结果取得了良好的煤岩识别效果。从以上研究可以看出,煤岩图像识别研究已取得一些阶段性成果,但是当前应用于煤岩界面图像识别的算法模型体积较大,计算量过于冗余,难以达到实时性检测要求,而且考虑到实际煤矿井下采掘工作面的多变环境,在复杂夹矸煤岩层识别困难以及针对不同场景下的算法实际适用性和准确性低等问题应对上仍存在众多挑战。
为进一步改善针对煤矿井下基于机器视觉实现煤岩界面图像自动识别的模型精度、效率和泛化性等问题,笔者重点研究了DeeplabV3+语义分割网络模型,并提出一种基于改进DeeplabV3+和迁移学习的煤岩界面图像识别模型,使用轻量化MobileNetV2替代骨干网络,并在模型有效特征层中引入卷积注意力机制模块(Convolutional Block Attention Module,CBAM),在提升模型运行效率的同时增强特征提取能力,并采用迁移学习训练方法,降低小样本训练对网络性能的影响,增强算法泛化性。最后采用实验室模拟和井下现场试验对煤岩图像进行语义分割,以期研究成果可为攻关煤岩识别技术提供新的思路。
1. 基于改进DeeplabV3+的煤岩界面图像分割网络模型设计
1.1 DeeplabV3+网络模型改进
DeeplabV3+网络模型在图像语义分割领域表现出良好的处理性能和分割精度。DeeplabV3+网络结构[19]如图1所示,主要包括编码器(Encoder)和解码器(Decoder)2部分。在Encoder结构中,首先采用Xception网络作为骨干网络(Backbone)对输入图像进行特征提取,得到的特征图像分别传送到空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)和Decoder结构。ASPP结构采用不同空洞率的空洞卷积层获得输入特征图的多尺度信息并拼接融合,得到图像的高层语义特征,然后使用1×1的卷积调整输出通道数。在Decoder结构中,对Encoder结构输出的高层语义特征进行4倍上采样,将分辨率恢复到原图的1/4,并对Backbone网络输出的低层特征经过1×1卷积调整通道数,与高层语义特征图进行特征融合。之后对融合特征图进行3×3卷积特征压缩和4倍上采样后获得和原图相同大小的语义分割预测结果。
基于机器视觉实现煤岩界面图像识别,可以通过语义分割算法识别得到采集图像的煤岩分布情况并用不同颜色标注,进而实现煤岩界面精准识辨。然而在实际煤岩图像识别任务中,一方面,采集煤岩图像时,主要仅涉及煤、岩及背景3个目标,应更加注重对较大范围目标的识别准确性;另一方面,限于在井下低照度高粉尘等复杂条件,煤岩局部细节特征难以区分。此外,煤岩层混合样本获取较为困难,样本过少会影响模型训练效果。因此,为增强全局信息和煤岩边缘等细节特征的感知,并避免数据集不足对模型性能的影响。笔者从以下方面对DeeplabV3+网络模型进行改进优化:
1)在Encoder结构中,Backbone采用轻量化模块MobileNetV2实现特征提取,减少网络训练参数,提高模型检测速度。
2)引入CBAM注意力机制模块,分别添加在Backbone和Decoder网络有效特征层中,增强模型特征提取准确性,确保不同层级的特征有效融合,提升模型分割精度。
3)采用迁移学习模型训练方法,降低小样本对网络性能的影响,强化模型训练效果,提高模型泛化性,以适用于井下工作面不同场景的识别任务。
改进后的DeeplabV3+网络模型结构如图2所示。
1.2 DeeplabV3+骨干网络结构改进
针对井下现场采掘设备对煤岩识别任务的实际需求,对煤岩分布识别的精准度和实时性均有着较高要求。因此,通过算法进行图像特征提取时要尽量保证全局信息的识别准确性,同时没有冗余的参数和计算量,保证识别效率。对经典DeeplabV3+网络结构进行轻量化改进,骨干网络以剪枝的MobileNetV2网络代替Xception网络。整个MobileNetV2网络[20]主要基于倒残差结构(Inverted Residual Block)组成,可实现更快的训练和更高的准确性,而且模型结构易移植,易优化。倒残差结构如图3所示,包括2部分:左侧是主干部分,首先利用1×1卷积升维,然后利用3×3深度可分离卷积(Depthwise Separable Convolution)进行跨特征点特征提取,再利用1×1卷积降维;右侧是残差部分,输入和输出直接相连。
其中,深度可分离卷积采用不同的卷积核对不同的输入通道进行卷积操作,实现空间和通道分离,具体可分2步操作:第1步利用深度卷积与输入特征的每一个通道分别进行卷积操作;第2步利用1×1逐点卷积对上步得到的不同深度卷积的输出进行组合。设输入特征图大小为DF×DF×M,输出特征图大小为DF×DF×N,卷积核大小为DK×DK,则常规卷积计算量为DK×DK×M×N×DF×DF,深度可分离卷积计算量为DK×DK×M×DF×DF+ M×N×DF×DF。因此深度可分离卷积的计算量是常规卷积的1/N+1/(DK·DK)倍,极大减少了网络模型的计算量和内存大小,提高了运行速度。另外,倒残差网络的升维和特征提取部分使用Relu6激活函数,将Relu激活函数限幅至最大输出为6,在减少模型参数的同时提高了数值分辨率,增强了模型稳定性和泛化性。
在DeeplabV3+网络模型中,MobileNetV2网络作为骨干网络目的是要实现特征提取及多特征层融合,因此对MobileNetV2网络进行剪枝,舍弃最后用于实现分类的3层结构,并修改原网络参数只进行4次下采样,保证图像分辨率和分割精度。以512×512×3图像作为输入,剪枝后的MobileNetV2 网络结构见表1。表1中,Operator表示不同网络模块层;t表示升维倍数;c表示输出数;n表示该层模块使用次数;s表示卷积步长,Output 表示每个模块输出特征图尺寸,即下一模块的输入层。
表 1 剪枝后的MobileNetV2网络结构Table 1. Mobilenetv2 network structure after pruningOperator t c n s Output Conv2d 3×3 — 32 1 2 256×256×32 Bottleneck 1 16 1 1 256×256×16 Bottleneck 6 24 2 2 128×128×24 Bottleneck 6 32 3 2 64×64×32 Bottleneck 6 64 4 2 32×32×64 Bottleneck 6 96 3 1 32×32×96 Bottleneck 6 160 3 1 32×32×160 Bottleneck 6 320 1 1 32×32×320 1.3 引入CBAM模块
为增强图像全局信息和煤岩边缘等细节特征的感知,在模型结构中引入注意力机制模块CBAM[21]。其中,骨干网络MobileNetV2的倒残差结构对模块的输入和输出特征直接相加,没有对各特征通道加以权重区分,会使得与识别目标无关的特征也继续传递,造成特征信息提取不准确。因此笔者在原有MobileNetV2网络倒残差结构中引入CBAM模块(图4)。通过为各特征通道添加权重信息,充分利用特征图的通道信息和空间信息,在获得整体特征的基础上重点关注煤岩边界区域的显著性特征,抑制无用特征的传递,增强网络表征能力。
另外,在DeeplabV3+模型的Decoder结构中,直接将Encoder网络输出的高层特征4倍上采样与低层特征相融合。高层特征分辨率较低,但其具有丰富的语义信息,而低层特征语义层级较低,却包含着准确的空间信息。因此,如果直接对不同层级不同分辨率的特征信息进行融合,会造成特征信息难以对齐。因此,笔者在Decoder结构中引入CBAM注意力模块,如图5所示。利用高层特征作指导对低层特征进行加权,将上采样后的高层特征经过CBAM模块后获得加权向量,然后与低层特征相乘获得低层加权特征,最终与高层特征拼接输出,实现不同层级特征融合并突出重点特征。为保证融合特征有效传递,在融合特征4倍上采样恢复图像大小后,再次经过一个CBAM注意力模块,增强网络鲁棒性。以上采用的CBAM模块是一种结合了空间和通道信息的轻量级注意力机制模块,可集成到任意卷积神经网络结构中,获得更全面可靠的注意力信息,提高模型表征能力。CBAM模块包括通道注意力模块(Channel Attention Module,CAM)和空间注意力模块(Spatial Attention Module,SAM)2部分。
通道注意力模块CAM结构如图6所示,首先将输入大小为H×W×C特征图F分别经过平均池化和最大池化聚合特征空间信息,得到1×1×C特征图输入两层共享感知机网络(MLP),然后逐元素求和并经过sigmoid激活函数得到通道注意力特征权重MC,最后与原输入特征图相乘得到通道注意力机制特征图FC。
空间注意力模块SAM结构如图7所示,将CAM模块输出特征图FC作为输入特征,特征图大小为H×W×C,经过基于通道的最大池化和平均池化得到2个H×W×1的特征图,基于通道进行拼接,然后经过一个7×7卷积操作,降维至H×W×1,再经过sigmoid激活生成空间注意力特征权重MS,最后和输入特征图相乘得到最终空间注意力机制特征图FS。
1.4 迁移学习训练方法
为解决煤岩识别网络模型针对不同工作面场景的算法适用性问题,采用迁移学习方法,保证在实验室自制数据集模拟训练的煤岩识别模型可以稳定迁移到实际井下现场工作面。文中共采用2次迁移学习,如图8所示。
第1次实验室场景下迁移学习训练过程如下:第1阶段,在源域公开数据集PASCAL VOC上学习训练获得模型预训练参数;第2阶段,冻结DeeplabV3+模型骨干特征提取网络,在目标域自制煤岩数据集上进行训练,对预训练的模型参数进行微调,加快模型在实际任务中的训练速度并保证特征提取效果和模型稳定性;第3阶段,解冻骨干网络,在目标数据集上再次训练,调整特征提取网络参数,保证迁移效果,提高模型准确性和泛化性。
第2次应用于井下工作面场景下迁移学习训练,过程同上述步骤,不同的是将实验室训练的模型和参数作为基础网络,然后在综采工作面数据集上训练,对模型特征参数重新调整,实现煤岩识别模型迁移使用到实际现场应用场景。
2. 实验室模拟试验
2.1 数据集建立与预处理
试验模拟训练共需要2种数据集,一种是源域PASCAL VOC公开数据集,可从网络下载获取;一种是目标域煤岩数据集,通过模拟煤岩层分布状态自制而成,煤岩试样如图9所示。
煤岩试样以煤、石灰岩、泥岩和粉砂岩为原料,按照不同煤岩占比、不同煤岩分布状态配制浇筑至模具制成。通过海康工业相机(MV-CA050-20UC)采集煤岩复合样本图像,并统一裁剪为512×512像素,使用图像数据标注工具Lableme按照背景、煤和岩3个标签类别对数据集进行标注,形成煤岩图像分割数据集,共2 180张图像,并按照9∶1比例划分形成训练集和验证集。
2.2 试验环境及参数设置
本试验模型基于Pytorch 深度学习框架搭建,在GPU环境下进行训练测试,具体试验环境配置见表2。综合考虑硬件及模型性能,并经过多次试验,试验训练设置如下:使用交叉熵损失函数,采用随机梯度下降(Stochastic Gradient Descent,SGD)算法优化网络模型,动量参数(momentum)设置为0.9,训练周期为100,批处理大小为8,初始学习率为0.000 1。模型性能采用准确度(Accuracy)、平均交并比(Mean Intersection over Union,MIoU)推理时间(Inference time)及模型所占内存等作为评估指标。
表 2 试验环境配置Table 2. Experimental environment configuration试验
环境名称 参数 硬件 CPU Intel Core i9-11950 内存 128 G GPU NVIDIA GeForce RTX A3000 显存 6 G 操作系统 Windows10 软件 深度学习框架 Pytorch1.7.1 CUDA 11.0 编程语言 Python3.7 2.3 试验结果及对比分析
2.3.1 MobileNetV2模块性能验证
在DeeplabV3+网络模型结构中,分别采用MobilenetV2、Xception、ResNet101作为Backbone网络在验证数据集上进行消融试验。采用平均交并比MIoU和推理时间作为评价指标衡量模型的精度和处理速度,比较结果如图10所示。可以看出,以MobilenetV2作为Backbone时,DeeplabV3+模型的推理时间和运行速度是最快的,而且分割准确率也仅略低于采用ResNet-101的模型结构。因此,综合衡量模型精度和处理速度,采用MobilenetV2作为骨干网络的DeeplabV3+模型性能最优。
2.3.2 CBAM模块性能验证
为验证CBAM注意力模块对模型性能的影响,随机从验证集挑选煤岩图像,并在DeeplabV3+的Backbone网络和Decoder网络结构中分别引入CBAM模块与单路通道注意力机制模块(Squeeze and Excitation,SENet)进行消融试验,图像特征提取结果如图11所示。由图11可以看出,未引入CBAM模块的特征提取效果最差,不仅没有很好地区分煤岩目标与背景区域,而且煤岩分布边界较为模糊,细节特征提取不明显;在Backbone网络添加CBAM模块后,特征提取结果明显提升,降低了背景区域的干扰,更关注于煤岩分布的特征信息;在Decoder网络中引入CBAM模块,煤岩分布边界细节特征更为清晰;在Backbone和Decoder网络中均添加CBAM模块或SENet模块,与单通道注意力SENet模块相比,CBAM模块基于通道和空间双通道注意力,不仅降低了背景的影响,而且更加关注煤岩边界的细节特征,通过有效结合高层和低层信息,提高了模型特征提取能力。
CBAM模块对DeeplabV3+模型性能的影响见表3。由表3可以看出,当在Backbone和Decoder网络中同时引入CBAM注意力模块时,模型的准确度和MIoU值分别较原模型提高了5.59%和1.43%,较引入SENet模型提高了0.63%和0.47%,可见CBAM注意力模块的使用减少了无关特征对模型的影响,增加了对重点煤岩目标的学习和融合各层级信息的能力,从而增强了网络模型的特征判别性和分割精度。
表 3 引入不同注意力模块的网络性能Table 3. Network performance with different attention modules网络模型 准确度/% MIoU/% 未引入CBAM 87.79 90.93 Backbone引入CBAM 90.26 91.27 Decoder引入CBAM 92.67 91.54 均引入CBAM 93.38 92.36 均引入SENet 92.75 91.89 2.3.3 采用迁移学习的消融试验
为检测采用迁移学习训练方法对模型性能的影响,对所提出的采用MobilenetV2骨干网络和CBAM注意力模块的DeeplabV3+模型在使用与不使用迁移学习训练下的结果进行对比,结果。如图12所示,在训练过程的前40个批次,2种模型的MIoU值均呈快速增长趋势,后期逐渐平稳收敛,采用迁移学习训练的模型增长速度更快,最终达到的MIoU值更高,在更短的训练时间内获得了更高的准确性。因此,采用迁移训练学习可以减少模型训练的时间,强化模型训练效果,增强模型的准确度和分割精度。
2.3.4 不同煤岩图像分割模型的消融试验对比
为了测试与分析本文改进DeeplabV3+网络模型在煤岩图像分割中的应用效果,选择常用的FCN网络模型、SegNet网络模型和U-net网络模型进行对比分析,训练过程的准确率和损失函数值变化规律如图13所示。提取各网络模型性能指标列于表4,可以看出,改进的DeeplabV3+模型准确度可达94.67%,MIoU指标达到93.48%,均优于其他模型。这是由于与FCN、SegNet、U-net相比,改进的DeeplabV3+模型有着更优的特征提取能力,通过引入CBAM注意力模块降低了背景等无关特征的影响,突出煤岩边界区域显著特征,并将低层特征与高层特征有效融合,提升了模型表征能力。另外,由于使用了轻量化模块MobilenetV2作为骨干网络,并采用迁移学习训练方法,有效减少了模型参数量,提升模型运行速度和分割精度。综上所述,改进DeeplabV3+综合性能最优,更易满足煤岩图像分割的精度和实时性要求。
表 4 不同网络模型性能指标Table 4. Performance indicators for different network models网络模型 准确度/% MIoU/% 模型大小/M 测试用时
/(ms·张−1)FCN 79.56 84.93 53.5 79.43 SegNet 81.24 86.59 78.4 68.79 U-net 84.47 88.84 94.9 69.68 DeeplabV3+ 87.79 90.93 89.5 65.47 改进 DeeplabV3+ 94.67 93.48 32.4 42.58 从验证集随机挑选不同分布的煤岩图像,不同模型的可视化分割预测结果对比如图14所示。由图14可以看出,所有网络模型均可以将煤岩分布的大致区域进行分割,但是采用FCN、SegNet、U-net、DeeplabV3+时,煤岩边缘区域未能完全识别或超出边界,煤岩边界细节分割不准确。相比而言,本文改进DeeplabV3+能有效识别煤岩边界细节特征,煤岩边界更加清晰准确,可以与输入煤岩图像实际边界有效拟合。
2.3.5 基于TensorRT的推理时间加速优化
TensorRT是英伟达开发的一款高性能深度学习推理优化器,可以为深度学习应用提供低延迟、高吞吐率的部署推理。为展现本文改进DeeplabV3+煤岩界面图像识别模型的推理时间优势,采用推理加速框架TensorRT进行加速优化,模型优化前后的识别精度和推理时间结果对比见表5。虽然模型经TensorRT优化后,其识别精度略有下降, 但是推理时间却有极大提升,单张图片的平均推理时间可达6.14 ms,满足煤岩界面图像识别的实时性检测要求。
表 5 TensorRT优化前后模型性能对比Table 5. Model performance comparison before and after TensorRT optimization模型性能 TensorRT优化前 TensorRT优化后 准确度/% 94.67 93.96 推理时间/(ms·张-1) 42.58 6.14 3. 井下现场试验验证
为验证算法在井下实际现场应用的可行性,从山西省吕梁市某矿薄煤层综采工作面采集得到煤岩原始图像(图15)。为避免液压支架挡板等背景信息干扰并丰富数据集,对原始煤岩图像进行切分,共获得200张煤岩图像样本。然后采用数据增强扩充数据集并对图像进行标注,最终构建综采工作面煤岩分割数据集共1 200张图像,按照9∶1比例划分形成训练集和验证集,样本和标签示例如图16所示。
将FCN、SegNet、U-net、DeeplabV3+和本文改进DeeplabV3+网络模型在综采面煤岩分割数据集进行迁移训练,训练参数同上文实验室训练设置。从测试集随机挑选2张煤岩图像,2种模型分割结果如图17所示。由图17可以看出,本文改进DeeplabV3+网络模型可以更好地感知全局信息并获取煤岩边缘等细节特征,识别结果更为准确。
最后,将原始整体煤岩图像输入改进DeeplabV3+网络模型中进行语义分割,结果如图18所示,煤岩层界面图像识别结果基本与人为标注煤岩界面分布情况一致,可以实现综采工作面截割煤壁煤岩层分布状态的自动识别预判,从而为采掘设备提供调控依据。
4. 结 论
1)提出了基于改进DeeplabV3+和迁移学习的煤岩界面图像识别模型,模型使用轻量化MobileNetV2作为骨干网络,引入CBAM注意力机制模块,在提升模型运行效率的同时增强了特征提取能力,并采用迁移学习训练方法,降低了样本分布差异性对网络性能的影响。
2)实验室消融试验结果表明,改进DeeplabV3+模型在自制煤岩分割数据集上准确度可达94.67%,MIoU达到93.48%,模型大小为32.4M,测试用时为42.58 ms/张,与其他模型相比,改进DeeplabV3+网络模型在煤岩图像分割中性能更优。采用推理加速框架TensorRT进行加速后,模型推理时间可达到6.14 ms/张,满足煤岩界面实时检测的需求。
3)井下现场试验结果表明改进DeeplabV3+可以较好识别出综采工作面的煤岩层界面分布,验证了模型应用于煤岩识别的可行性和实用性。
4)笔者所提方法为煤矿井下煤岩识别任务提供了新的研究思路和理论模型,要将模型迁移部署于实际煤矿井下,后续需进一步研究低照度煤岩图像超分辨率重建优化算法,并收集大量井下实际煤岩界面图像,构建煤岩数据信息样本库保证模型充分训练学习拥有更准确的判别能力。
-
表 1 研究区样地情况
Table 1 Study area plots
地类 主要植被类型 种植方式 密度/(株·m−2) 草地 萹蓄 撒种 6.30 林地 杨树 移植 0.75 裸地 — — — 耕地 玉米 播种 4.20 表 2 矿区不同地类0~20 cm土壤理化性质及机械组成分析
Table 2 Analysis of physicochemical properties and mechanical composition of 0−20 cm soil in different land types in mining areas
地类 含水量/% 有机质含量/(g·kg−1) 容重/(g·cm−3) 总孔隙度/% 机械组成/% 砂粒/mm 粉粒/mm 黏粒/mm 草地 2.44±0.06c 15.83±1.59ab 1.32±0.10a 35.62±1.25c 68.21±6.79a 31.04±6.48a 0.75±0.30b 林地 8.88±1.49a 10.66±8.29bc 0.86±0.07c 47.24±0.64a 60.73±2.07a 39.14±2.07a 0.13±0.01b 裸地 5.84±0.19b 1.86±0.67c 1.12±0.02b 41.47±1.42b 66.66±4.08a 30.58±3.39a 2.76±0.70a 耕地 4.79±0.08b 25.16±7.00a 1.32±0.04a 33.96±0.57c 64.95±5.31a 34.13±5.04a 0.92±0.27b 注:各地类间不同小写字母表示具有显著差异(P<0.05),具有相同字母表示无显著差异(P>0.05)。 表 3 矿区不同地类土壤V-G模型参数
Table 3 V-G model parameters of different soil types in mining area
地类 残余含水率θr/
(cm3·cm−3)饱和含水率θs/
(cm3·cm−3)进气值相关参数α/
cm−1形状系数n 形状系数m 决定系数R2 草地 0.0001 0.2799 0.0186 4.1253 0.7576 0.9987 林地 0.0068 0.2397 0.0191 4.6349 5.6349 0.9994 裸地 0.0049 0.2630 0.0205 4.2349 5.2349 0.9997 耕地 0.0059 0.2845 0.0200 4.2824 5.2824 0.9991 表 4 V-G 模型相关参数相关性分析
Table 4 Correlation analysis of related parameters of V-G model
指标 孔隙度 有机质 黏粒 粉粒 砂粒 θs θr α n m 孔隙度 1 −0.671 −0.246 0.615 −0.719 −0.996** 0.515 0.187 0.81 0.803 有机质 1 −0.464 0.171 −0.002 0.603 −0.061 −0.496 −0.123 −0.119 黏粒 1 −0.789 0.617 0.329 −0.089 0.776 −0.604 −0.589 粉粒 1 −0.970* −0.679 0.664 −0.227 0.952* 0.950* 砂粒 1 0.767 −0.804 −0.011 −0.989* −0.991** θs 1 −0.529 −0.124 −0.852 −0.845 θr 1 0.554 0.753 0.773 α 1 0.001 0.024 n 1 1.000** m 1 注:**在0.01水平上显著相关,*在0.05水平上显著相关。 表 5 不同地类非饱和导水率拟合结果
Table 5 Fitting results of unsaturated water conductivity in land classes
地类 a b R2 草地 0.9634 − 1.4900 0.958 林地 3.8946 − 1.4944 0.948 裸地 2.1261 − 1.4931 0.953 耕地 1.3262 − 1.4894 0.954 表 6 非饱和导水率与总孔隙度相关性分析
Table 6 Correlation analysis of unsaturated water conductivity and total porosity
相关分析 吸力/kPa 0.49 1.57 2.45 3.82 8.33 9.60 10.68 总孔隙度 0.624* 0.612* 0.669* 0.678* 0.631* 0.613* 0.44* 注: *在0.05水平上显著相关。 表 7 不同地类土壤体积含水率与土壤水分扩散率指数函数拟合分析
Table 7 Fitting analysis of soil volume water content and soil water diffusivity index function in different soil categories
土地类型 拟合方程 A B R2 草地 D(θ)=0.003 6exp(21.096θ) 0.003 6 21.096 0.957 林地 D(θ)=0.023 6exp(22.894θ) 0.023 6 22.894 0.949 裸地 D(θ)=0.005 9exp(24.405θ) 0.005 9 24.405 0.975 耕地 D(θ)=0.004 3exp(22.069θ) 0.004 3 22.069 0.979 注:A为当含水量为零时的土壤水分扩散能力;B为水分扩散率随含水量的变化速率。 -
[1] 陈珂,杨胜天,黄诗峰,等. 基于SVAT模型的喀斯特地区水文过程尺度效应研究[J]. 中国水利水电科学研究院学报(中英文),2022,20(4):352−361. CHEN Ke,YANG Shengtian,HUANG Shifeng,et al. Study on simulation of hydrological proesses in karst area by SVAT model[J]. Journal of China Institute of Water Resources and HydropowerResearch,2022,20(4):352−361.
[2] 王愿斌,王佳铭,樊媛媛,等. 土壤水分特征曲线模型模拟性能评价[J]. 冰川冻土,2019,41(6):1448−1455. WANG Yuanbin,WANG Jiaming,FAN Yuanyuan,et al. Performance evaluation of 12 models describing the soil water retention characteristics[J]. Journal of Glaciology and Geocryology,2019,41(6):1448−1455.
[3] 张保华,何毓蓉,程根伟. 贡嘎山东坡林地土壤低吸力段持水特性及其影响因素分析[J]. 西部林业科学,2006,35(1):48−51,61. ZHANG Baohua,HE Yurong,CHENG Genwei,et al. Water retention in low suction condition of forest soil on east slope of Gongga mountain and analysis on its in fluencing factors[J]. Journal of West China Forestry Science,2006,35(1):48−51,61
[4] 韩湘,张超英,耿玉清,等. 添加粉煤灰对煤矸石基质有效水和持水性能的影响[J]. 西北农林科技大学学报(自然科学版),2023,51(10):89−96. HAN Xiang,ZHAGN Chaoying,GENG Yuqing,et al. Effect of adding fly ash on water availability and holding capacity of coal gangue matrix[J]. Journal of Northwest A& F University(Natural Science Edition),2023,51(10):89−96.
[5] 杨永刚,苏帅,焦文涛,等. 煤矿复垦区土壤水动力学特性对下渗过程的影响[J]. 生态学报,2018,38(16):5876−5882. YANG Yonggang,SU Shuai,JIAO Wentao,et al. The influence of hydrodynamic characteristics on the infiltration process of soilwater in a coal mine reclamation area[J]. Acta Ecologica Sinica,2018,38(16):5876−5882.
[6] SHI G,WU Y,LI T,et al. Mid-and long-term effects of biochar on soil improvement and soil erosion control of sloping farmland in a black soil region,China[J]. Journal of Environmental Ma-nagement,2022,320:115902.
[7] 毕银丽,彭苏萍,杜善周. 西部干旱半干旱露天煤矿生态重构技术难点及发展方向[J]. 煤炭学报,2021,46(5):1355−1364. BI Yinli,PENG Suping,DU Shanzhou. Technological difficulties and future directions of ecological reconstruction in open pit coalmine of the arid and semi-arid areas of Western China[J]. Journalof China Coal Society,2021,46(5):1355−1364.
[8] XIA J,ZHANG Y Y,MU X M,et al. A review of the ecohydrology discipline:Progress,challenges,and future directions in China[J]. Journal of Geographical Sciences,2021,31(8):1085−1101. doi: 10.1007/s11442-021-1886-0
[9] 唐敏,赵西宁,高晓东,等. 黄土丘陵区不同土地利用类型土壤水分变化特征[J]. 应用生态学报,2018,29(3):765−774. TANG Min,ZHAO Xining,GAO Xiaodong,et al. Characteristicsof soil moisture variation in different land use types in the hilly region of the Loess Plateau[J]. Chinese Journal of Applied Ecol-ogy,2018,29(3):765−774.
[10] 刘永光,刘克锋,孙向阳,等. 基于土壤水分特征曲线的北京市废弃关停矿山修复效果研究[J]. 土壤通报,2013,44(1):64−71. LIU Yongguang,LIU Kefeng,SUN Xiangyang,et al. Research on restoration effectiveness of abandoned mine in Beijing mountainous area based on characteristic curve of soil moisture[J]. Chinese Journal of Soil Science,2013,44(1):64−71.
[11] 苏帅,杨永刚,黄磊. 矿区生态修复过程中不同立地类型土壤水动力学特性[J]. 水土保持通报,2018,38(1):18−23. SU Shuai,YANG Yonggang ,HUANG Lei. Dynamic characteristics of soil water in different sites during ecological restoration in mining area[J]. Bulle tin of Soil and Water Conservation,2018,38(1):18−23.
[12] DUWIG C,PRADO B,TINET A J,et al. Impacts of land use on hydrodynamic properties and pore architecture of volcanic soils from the Mexican Highlands[J]. Soil Research,2019,57(6):629−641. doi: 10.1071/SR18271
[13] DU C. Comparison of the performance of 22 models describing soil water retention curves from saturation to oven dryness[J]. Va-dose Zone Journal,2020,19(1):e20072. doi: 10.1002/vzj2.20072
[14] 李爽,赵相杰,谢云,等. 基于土壤理化性质估计土壤水分特征曲线Van Genuchten模型参数[J]. 地理科学,2018,38(7):1189-1197. LI Shuang,ZHAO Xiangjie,XIE Yun, et al. Parameter estimation of soil water retention curve based on soil physical and chemical properties of Van Genuchten model[J]. Scientia Geographica Sinica. 2018,38(7):1189-1197.
[15] 石文豪,李奇,韩琼,等. 基于不同优化算法的土壤水分特征曲线模型模拟性能分析[J]. 水资源与水工程学报,2020,31(4):157−165. SHI Wenhao,LI Qi,HAN Qiong,et al. Performance analysis ofsoil water retention curve models based on different fitting opti-mization algorithms[J]. Journal of Water Resources and Water E-ngineering,2020,31(4):157−165.
[16] 陈雪,宋娅丽,王克勤,等. 基于Van Genuchten模型的等高反坡阶下土壤水分特征[J]. 水土保持研究,2019,26(5):45−52. CHEN Xue,SONG Yali,WANG Keqin,et al. Moisture characteristics under contour reverse-slope terrace based on Van Genuchten model[J]. Research of Soil and Water Conservation,2019,26(5):45−52.
[17] WEN X,DENG X,ZHANG F. Scale effects of vegetation restoration on soil and water conservation in a semi-arid region in China:Resources conservation and sustainable management[J]. Resources,Conservation and Recycling,2019,151:104474.
[18] 马玉莹,雷廷武,庄晓晖. 测量土壤颗粒密度的体积置换法[J]. 农业工程学报,2014,30(15):130−139. MA Yuying,LEI Tingwu,ZHUANG Xiaohui. Volume replacement methods for measuring soil particle density[J]. Transactions of the Chinese Society of Agricultural Engineering,2014,30(15):130−139.
[19] 鲍士旦. 土壤农化分析[M]. 北京:中国农业出版社,2000. BAO Shidan. Soil and agricultural chemistry analysis[M]. Beijing:China Agriculture Press,2000.
[20] 王庆礼,代力民,许广山. 简易森林土壤容重测定方法[J]. 生态学杂志,1996(3):68−69. WANG Qingli,DAI Limin XU Gangshan. A sampling method in measuring forest soil bulk density[J]. Chinese Journal of Ecology,1996(3):68−69.
[21] 段世航,崔若然,江荣风,等. 激光衍射法测定土壤粒径分布的研究进展[J]. 土壤,2020,52(2):247−253. DUAN Shihang,CUI Ruoran,JIANG Rongfeng,et al. Research advancein determing soil particle size distribution by laser diffraction method[J]. Soils,2020,52(2):247−253.
[22] KAMENÍčKOVÁ I,LARIšOVÁ L. Using two pedotransfer functions to estimate soil moisture retention curves from one experimental site of south Moravia[J]. Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis,2014,62(3):501−506. doi: 10.11118/actaun201462030501
[23] 刘新平,张铜会,何玉惠,等. 不同粒径沙土水分扩散率[J]. 干旱区地理,2008,31(2):249−253. LIU Xinping,ZHANG Tonghui,HE Yuhui,et al. Water diffusivity of sandy soils of different partic esizes[J]. Arid Land Geography,2008,31(2):249−253.
[24] 邵明安,王全九,黄明斌. 土壤物理学[M]. 北京:高等教育出版社,2006:48−76. SHAO Mingan,WANG Quanjiu,HANG Mingbin. soil physics[M]. Beijing:Higher Education Pres,2006:48−76.
[25] 许婷婷,董智,李红丽,等. 不同设障年限沙丘土壤粒径和有机碳分布特征[J]. 环境科学研究,2014,27(6):628−634. XU Tingting,DONG Zhi,LI Hongli, et al. Distributions of soil particle sizeand soil organic carbon in dunes of checkerboard ba-rriers with different setting years[J]. Research of Environmental S-c-iences,2014,27(6) :628−634.
[26] 吴立新,马保东,刘善军. 基于SPOT卫星NDVI数据的神东矿区植被覆盖动态变化分析[J]. 煤炭学报,2009,34(9):1217−1222. WU Lixin,MA Baodong,LIU Shanju. Analysis to vegetation coverage change in Shendong mining area with SPOTNDVI data[J]. Journal of ChinaCoal Society,2009,34(9):1217−1222.
[27] 李源,宋维峰,马建刚. 中国西南水梯田土壤水分特性研究:以哈尼梯田为例[J]. 水土保持学报,2021,35(2):160−169. LI Yuan,SONG Weifeng,MA Jiangang. Soil moisture characteri-stics of water terrace in southwest China:a case study of H-ani terrace[J]. Journal of Soil and Water Conservation,2021,35(2):160−169.
[28] 林莎, 王莉, 李远航, 等. 青藏高原东北缘黄土区典型立地人工林分土壤水分特性研究[J]. 生态学报, 2019, 39(18): 6610−6621. LIN Sha, WANG Li, LI Yuanhang, et al. Soil moisture characteristics of typical standing artificial forests in loess area of the northeastern Tibetan Plateau.[J]. Acta Ecologica Sinica, 2019, 39(18): 6610−6621.
[29] 吴华山,陈效民,叶民标,等. 太湖地区主要水稻土水力特征及其影响因素[J]. 水土保持学报,2005,19(1):181−183. WU Huashan,CHEN Xiaoming,YE Minbiao,et al. Moisture characteristics and their effect factors of main paddy soils in Tai lake region[J]. Journal of Soil and Water Conservation,2005,19(1):181−183.
[30] 宁婷,郭忠升,李耀林. 黄土丘陵区撂荒坡地土壤水分特征曲线及水分常数的垂直变异[J]. 水土保持学报,2014,28(3):166−170. NING Ting,GUO Zhongsheng,LI Yaolin. Soil water characteristic curves and soil water constants at different depths in the abandoned sloping field of loess hilly regio[J]. Journal of Soil and Water Conservation,2014,28(3):166−170.
[31] 张勇,秦嘉海,赵芸晨,等. 黑河上游冰沟流域不同林地土壤理化性质及有机碳和养分的剖面变化规律[J]. 水土保持学报,2013,27(2):126−130. ZHANG Yong,QIN Jiahai,ZHAO Yunchen,et al. Change of soil physical and chemical properties,organic carbon and nutrients of different soil profile on different forest in binggou of Heihe basi[J]. Journal of Soil and Water Conservation,2013,27(2):126−130.
[32] 姚淑霞, 赵传成, 张铜会, 等. 科尔沁沙地不同生境土壤水分扩散率[J]. 生态学杂志, 2014, 33(4): 867−873. YAO Shuxia, ZHAO Chuancheng, ZHANG Tonghui, et al. Soil moisture diffusivity in different habitats in Horqin Sand Land.[J]. Chinese Journal of Ecology, 2014, 33(4): 867−873.
[33] 胡顺军,李修仓,田长彦,等. 阿拉尔绿洲灌区棉田土壤水分扩散率的测定[J]. 干旱区地理,2009,32(6):912−916. HU Shunjun,LI Xiuchang,TIAN Changyani,et al. Measurement of unsaturated soil water diffusivity in cotton field of Aral Oasis irrigated distric[J]. Arid Land Geography,2009,32(6):912−916.
[34] 郑子成,李廷轩,李卫. 设施土壤水分扩散率变化特征[J]. 排灌机械工程学报,2013,31(1):87−92. doi: 10.3969/j.issn.1674-8530.2013.01.018 ZHENG Zicheng,LI Tingxuan,LI Wei. Variation characteristics of soil water diffusivity in greenhouse soil[J]. Journal of Drainage and Irrigation Machinery Engineering,2013,31(1):87−92. doi: 10.3969/j.issn.1674-8530.2013.01.018
[35] 田丹,屈忠义,勾芒芒,等. 生物炭对不同质地土壤水分扩散率的影响及机理分析[J]. 土壤通报,2013,44(6):1374−1378. TIAN Dan,QU Zhongyi,GOU Mangmang,et al. Influence and mechanism analysis of biochar on water diffusivity of different soil textures[J]. Chinese Journal of Soil Science,2013,44(6):1374−1378.
[36] 杨春璐,马溪平,李法云,等. 海城河河岸带土壤理化性质分析[J]. 生态科学,2010,29(3):262−267. doi: 10.3969/j.issn.1008-8873.2010.03.012 YANG Chunlu,MA Xiping,LI Fayun,et al. Analysis of soil p-hysical and chemical properties of riparian zone along Haicheng River[J]. Ecological Science,2010,29(3):262−267. doi: 10.3969/j.issn.1008-8873.2010.03.012
-
期刊类型引用(2)
1. 杨琴,杨勤,岳丽杰,刘禹池,陈冠陶,陈玉峰,刘永红,王谢. 复垦土地夏玉米栽培技术. 四川农业科技. 2025(01): 19-23 . 百度学术
2. 张凯,李晓楠,暴凯凯,姜凯升,王潇芫,谭栩荧. 西北干旱露天煤矿排土场土壤重构与水盐运移机制. 煤炭学报. 2024(03): 1556-1569 . 百度学术
其他类型引用(0)