Effect of AMF inoculation on root distribution and water use efficiency of Amorpha fruticosa L in western coal mining area
-
摘要:
西部干旱半干旱煤矿区井工开采导致了大面积采煤沉陷区的出现，矿区生态复垦难度较大，利用菌根微生物技术进行生态修复已经成为当前的研究热点。为探究接种丛枝菌根真菌（Arbuscular mycorrhizal fungi，AMF）对紫穗槐根系分布特征和水分利用效率（Water Use Efficiency，WUE）的影响，研究通过室内土柱试验，设置了对照不种植紫穗槐幼苗（CK1）、种植紫穗槐幼苗（CK）、种植紫穗槐幼苗并接种AMF（+AM）3组试验处理，并对植物生长指标和土壤水分等进行了测定。结果表明：①接种AMF有效促进了紫穗槐的生长，其株高、SPAD（Soil and plant analyzer development）值、地上生物量和地下生物量相较CK处理分别提升38.5%、27.5%、11.1%、69.4%；②接菌改变了紫穗槐的根系分布，使总根系长度和根尖数分别增加329.0%和586.1%，平均根直径显著减小22.9%，2 mm以下细根根长比例提升370.1%。同时，接菌影响了土壤水分分布和紫穗槐的水分利用模式，使0～20 cm的土壤含水率较CK处理分别提高8.9%、7.8%，20～50 cm的含水率又分别降低16.8%、4.0%、11.6%；接菌增加了紫穗槐对表层5 cm以下土壤的水分利用比例，在5～30、30～50 cm分别提升15.4%、9.9%；③接菌使紫穗槐植株的WUE增加了27.5%，主成分分析结果表明，紫穗槐根系中的细根长（0.50～1.00 mm）和根尖数是干旱胁迫下接种 AMF对土壤水分高效利用的关键根系特征。综上，接菌可对紫穗槐幼苗有明显的促生作用，通过对紫穗槐细根根系特征参数的显著改善，促进了对土壤水分的吸收及再分配能力，进而使紫穗槐植株表现出较高的WUE，该研究结果可为西部采煤沉陷区生物联合修复技术提供科学指导和技术支持。
Abstract:Coal mining in arid and semi-arid areas has led to the emergence of large areas of coal mining subsiding areas. The ecological reclamation of mining areas is hard, and the mycorrhizal microbial technology for ecological restoration has become a current research hotspot. To investigate the effects of arbuscular mycorrhizal fungi (AMF) inoculation on the root distribution characteristics and water use efficiency (WUE) of Amorpha fruticosa L. Three experimental treatments were set up: control without planting A fruticosa L seedlings (CK1), planting A fruticosa L seedlings (CK), planting A fruticosa L seedlings and inoculated with AMF (+AM). The plant growth indicators and soil moisture were measured, and the results showed that: ① AMF inoculation effectively promoted the growth of A fruticosa L. Compared with CK treatment, the plant height, SPAD value, aboveground biomass and aboveground biomass increased by 38.5%, 27.5%, 11.1% and 69.4%, respectively; ② Inoculation changed the root distribution of A fruticosa L and increased the total root length and the number of root tips by 329.0% and 586.1%, respectively. Besides, reduced the average root diameter by 22.9%, and increased the proportion of fine roots below 2 mm by 370.1%. At the same time, inoculation affected soil water distribution and water use pattern of A fruticosa L. Compared with CK treatment, the soil water content of 0-20 cm increased by 8.9% and 7.8%, and the soil water content of 20−50 cm decreased by 16.8%, 4.0% and 11.6%, respectively. The water use ratio of A fruticosa L to soil below 5 cm was increased by 15.4% and 9.9% at 5-30 cm and 30-50 cm, respectively; ③ Inoculation increased the WUE of A fruticosa L by 27.5%. The results of principal component analysis showed that fine root length (0.5−1.00 mm) and root tip number in the roots of A fruticosa L were the key root characteristics for the efficient use of soil water by AMF inoculation under drought stress. In conclusion, inoculation with mycorrhizal fungi can significantly promote the growth of A fruticosa L seedlings, promote the absorption and redistribution ability of soil water through the significant improvement of the fine root characteristic parameters of A fruticosa L, and then make A fruticosa L plants show a high WUE. The results of this study can provide a scientific guidance and technical support for the biological combined remediation technology in the western coal mining settlement area.
-
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。
![]()
图 5 引入注意力机制模块的Decoder结构Figure 5. Decoder structure with convolutional block attention module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。
![]()
图 10 不同Backbone网络的DeeplabV3+模型性能对比Figure 10. Performance comparison of DeeplabV3+ models with different backbone2.3.2 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。
![]()
图 11 引入不同注意力模块的图像特征提取结果Figure 11. Results of image feature extraction with different attention modulesCBAM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。
![]()
图 12 是否采用迁移学习的DeeplabV3+模型性能对比Figure 12. Performance comparison of DeeplabV3+ models with or without transfer learning2.3.4 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。
![]()
图 14 不同网络模型的煤岩图像分割效果对比Figure 14. Comparison of coal rock image segmentation results with different network models2.3.5 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。
![]()
图 16 综采工作面煤岩分割数据集样本示例Figure 16. A sample of semantic segmentation data set for coal-rock images in a fully-mechanized coal mining face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。
![]()
图 17 综采工作面煤岩图像分割结果对比Figure 17. Comparison of coal and rock image semantic segmentation in fully-mechanized coal mining face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。
![]()
图 18 综采工作面原始煤岩图像识别结果Figure 18. Recognition results of original coal and rock image of fully-mechanized working face4. 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。
-
![]()
图 2 紫穗槐根系的AMF定殖结构
Figure 2. AMF colonization structure of roots of Amorpha fruticosa L
![]()
图 3 不同处理下紫穗槐的总根系指标
Figure 3. Total root indices of Amorpha fruticosa L under different treatments
![]()
图 4 不同深度下根系的分布特征
注：不同字母表示在P＜0.05水平上有显著差异。
Figure 4. Distribution characteristics of roots at different depths
![]()
图 5 不同处理土壤剖面含水率的变化
Figure 5. Variation of soil profile moisture content in different treatments
![]()
图 6 不同处理土壤剖面电导率的变化
Figure 6. Variation of soil profile conductivity in different treatments
![]()
图 7 不同处理下土壤水和紫穗槐木质部的 δ18O 与 δD
Figure 7. δ18O and δD of soil water and xylem of Amorpha fruticosa L under different treatments
![]()
图 8 紫穗槐各层的用水比例
Figure 8. Proportion of water used in each layer of Amorpha fruticosa L
![]()
图 9 不同处理下紫穗槐的水分利用特征
Figure 9. Water use characteristics of Amorpha fruticosa L under different treatments
![]()
图 10 根系分布与植物水分利用效率之间的相关性分析
Figure 10. Correlation analysis between root distribution and plant WUE
![]()
图 11 紫穗槐根系对水分利用效率影响的主成分分析
Figure 11. Principal component analysis of effect of roots of Amorpha fruticosa L on water use efficiency
表 1 不同处理下紫穗槐的生长指标和菌根效应
Table 1 Growth indices and mycorrhizal effects of Amorpha fruticosa L under different treatments
处理 株高/cm SPAD值 地上生物量/g 地下生物量/g 根冠比 总生物量/g 侵染率/% 菌根贡献率/% CK1 — — — — — — — — CK 26.0±2.6a 23.67±6.6a 0.90±0.2a 0.36±0.1a 0.45±0.3a 1.26±0.1a 4.59±0.5a — +AM 36.0±4.6b 30.17±1.5a 1.00±0.6a 0.61±0.2a 0.67±0.2a 1.60±0.8a 59.55±22.8b 26.98 注：数据表示为平均值±SD (n=3)，同一列不同字母表示在P＜0.05水平上有显著差异。 
下载: 导出CSV
表 2 不同根径下根系特征参数的比较
Table 2 Comparison of root characteristic parameters under different root diameters
根类型 根系直径/mm 根长度/cm 根表面积/cm2 根体积/cm3 CK +AM CK +AM CK +AM 细 根 0～0.5 86.1±25Bb 741.3±229Ab 10.9±2Bc 90.0±26Ab 0.1±0Bb 0.9±0.2Ab 0.5～1.0 236.6±7Ba 1081.7±76Aa 44.5±13Bb 236.4±20Aa 0.8±0.3Ab 4.3±0.4Ab 中细根 1.0～2.0 139.9±78Bb 351.9±136Ac 45.5±7Bb 146.6±58Aab 1.7±0.2Ab 5.1±2.0Ab 粗 根 >2 123.2±19Ab 173.7±47Ac 167.4±26Aa 222.1±73Aa 22.6±4.1Aa 29.3±13.4Aa 注：数据表示为平均值±SD(n=3)，以上数据皆表示在P＜0.05水平上有差异性。大写字母表示不同处理同一根系直径相同指标之间的比较；小写字母则表示同一处理同一根系指标不同根系直径之间的比较。
下载: 导出CSV
-
[1] 曹志国,张建民,王 皓,等. 西部矿区煤水协调开采物理与情景模拟实验研究[J]. 煤炭学报,2021,46(2):638−651. CAO Zhiguo,ZHANG Jianmin,WANG Hao,et al. Physical modelling and scenario simulation of coal & water co-mining in coal mining areas in western China[J]. Journal of China Coal Society,2021,46(2):638−651.
[2] 王双明,杜华栋,王生全. 神木北部采煤塌陷区土壤与植被损害过程及机理分析[J]. 煤炭学报,2017,42(1):17−26. WANG Shuangming,DU Huadong,WANG Shengquan. Analysis of damage process and mechanism for plant community and soil properties atnorthern Shenmu subsidence mining area[J]. Journal of China Coal Society,2017,42(1):17−26.
[3] 许传阳,马守臣,张合兵,等. 煤矿沉陷区沉陷裂缝对土壤特性和作物生长的影响 [J]. 中国生态农业学报,2015,23(5):597−604. XU Chuanyang,MA Shouchen,ZHANG Hebing,et al. Effect of cracks on soil characteristics and crop growth in subsidedcoal mining areas [J]. Chinese Journal of Eco-Agriculture,2015,23(5):597−604.
[4] 张延旭,毕银丽,王 瑾. 接种菌根对采煤沉陷区苜蓿生长及土壤改良影响研究[J]. 煤炭科学技术,2020,48(4):142−147. ZHANG Yanxu,BI Yinli,WANG Jin. Research on effect of arbuscular mycorrhizal fungi on alfalfa growth and soil improvement in mining subsidence area[J]. Coal Science and Technology,2020,48(4):142−147.
[5] BI Y,ZHANG J,SONG Z,et al. Arbuscular mycorrhizal fungi alleviate root damage stress induced by simulated coal mining subsidence ground fissures[J]. Science of the Total Environment,2019,652:398−405. doi: 10.1016/j.scitotenv.2018.10.249
[6] LUGINBUEHL L H,MENARD G N,KURUP S ,et al. Fatty acids in arbuscular mycorrhizal fungi are synthesized by the host plant [J]. Sciene,2017,356(6343):1175−1178.
[7] BI Y,WU C,WANG S,et al. Combined arbuscular mycorrhizal inoculation and loess amendment improve rooting and revegetation post-mining[J]. Rhizosphere,2022,23:100560. doi: 10.1016/j.rhisph.2022.100560
[8] 毕银丽,申慧慧. 西部采煤沉陷地微生物复垦植被种群自我演变规律[J]. 煤炭学报,2019,44(1):307−315. BI Yinli,SHEN Huihui. Effect of micro-reclamation on different planted forest on the vegetation self-succession in the western mining subsidence area[J]. Journal of China Coal Society,2019,44(1):307−315.
[9] 张延旭,毕银丽,郭 楠,等. 接种不同丛枝菌根真菌对黄花苜蓿生长影响[J]. 煤炭学报,2019,44(12):3815−3822. ZHANG Yanxu,BI Yinli,GUO Nan,et al. Effects of arbuscular mycorrhizal fungi on the growth of Medicago falcata[J]. Journal of China Coal Society,2019,44(12):3815−3822.
[10] ZHAO R,GUO W,Bi N,et al. Arbuscular mycorrhizal fungi affect the growth,nutrient uptake and water status of maize (Zea mays L. ) grown in two types of coal mine spoils under drought stress[J]. Applied Soil Ecology,2015,88:41−49. doi: 10.1016/j.apsoil.2014.11.016
[11] HAO Z P,XIE W,JIANG X L,et al. Arbuscular mycorrhizal fungus improves Rhizobium-Glycyrrhiza seedling symbiosis under drought stress[J]. Agronomy-Basey,2019,9(10):572. doi: 10.3390/agronomy9100572
[12] 任建廷. 风积沙采煤沉陷区AM真菌与其它土壤微生物的多样性及其分布[D]. 呼和浩特:内蒙古大学,2017. REN Jianting. Biodiversity and distribution of Arbuscular Mycorrhizal Fungi(AMF) and other soil microorganism of aeolian sandy coal mining subsidence area [D]. Hohhot:Inner Mongolia University ,2017.
[13] 毕银丽,吴王燕,刘银平. 丛枝菌根在煤矸石山土地复垦中的应用[J]. 生态学报,2007,27(9):3738−3743. BI Yinli,WU Wangyan,LIU Yinping. Application of arbuscular mycorrhizas in land reclam ation of coal spoil heaps[J]. Acta Ecologica Sinica,2007,27(9):3738−3743.
[14] 毕银丽,江 彬,秦芳玲,等. 干旱半干旱煤矿区联合接菌对土壤改良动态生态效应[J]. 农业工程学报,2021,37(7):85−93. BI Yinli,JIANG Bin,QIN Fangling,et al. Effects of combined inoculation microbes on soil dynamic improvement in coal miningsubsidence areas[J]. Transactions of the Chinese Society of Agricultural Engineering,2021,37(7):85−93.
[15] 杨 皓,刘 超,张树同,等. 不同载体菌肥对紫穗槐生长和光合特性及土壤养分的影响 [J]. 南京林业大学学报(自然科学版),2022:1021−1026. YANG Hao,LIU Chao,ZHANG Shutong,et al. Effects of different carrier bacterial fertilizers on growth,photosynthetic characteristics and soil nutrients of Amorpha fruticosa [J]. Journal of Nanjing Forestry University (Natural Sciences Edition) ,2022:1021−1026.
[16] 赵雅倩. 毛乌素沙地紫穗槐长根苗培育技术研究 [D]. 杨凌:西北农林科技大学,2017. ZHAO Yaqian. Study on long root-seeding cultivation technique of Amoerpha fruticosa in Muus desert [D]. Yangling:Northwest A & F University,2017.
[17] 宋海凤,李绍才,孙海龙,等. 根施不同浓度多效唑对紫穗槐生长特性和相关生理指标的影响[J]. 植物生理学报,2015,51(9):1495−1501. SONG Haifeng,LI Shaocai,SUN Hailong,et al. Effects of soil-applied paclobutrazol on growth and physiological character-istics of Amorpha fruticosa[J]. Plant Physiology Journal,2015,51(9):1495−1501.
[18] 闫永庆,朱 虹,刘兴亮,等. 盐胁迫对紫穗槐生长发育及生理特性的影响[J]. 东北农业大学学报,2008,39(12):31−35. YAN Yongqing,ZHU Hong,LIU Xingliang,et al. Effect of salt stress on Amorpha fraticosa L. growth and physiological index[J]. Journal of Northeast Agricultural University,2008,39(12):31−35.
[19] 毕银丽,李明超,柯增鸣,等. 土层重构模式下接种DSE对玉米根系形态及水分利用的影响[J]. 煤炭学报,2023,48(8):3191−3203. 3-03-16]. BI Yinli,LI Mingchao,KE Zengming,et al. Effects of DSE inoculation on maize growth and water use under soil reconfigu-ration mode [J] . Journal of China Coal Society,2023,48(8):3191−3203.
[20] CUI Q F,FENG Z P,YANG X T. Distributions of fine and coarse tree roots in a semi-arid mountain region and their relationships with soil properties[J]. Trees-Structuer and Funtion,2017,31(2):607−616. doi: 10.1007/s00468-016-1493-3
[21] 谢 靖. 丛枝菌根真菌提高黄土高原紫穗槐抗旱能力的研究[D]. 杨凌:西北农林科技大学,2012. XIE Jing. Effects of arbuscular mycorrhizal fungi on drought resistance of Amorpha fruticosa on the loess plateau under water stress [D]. Yangling:Northwest A & F University,2012.
[22] 陈 婕,谢 靖,唐 明. 水分胁迫下丛枝菌根真菌对紫穗槐生长和抗旱性的影响[J]. 北京林业大学学报,2014,36(6):142−148. CHEN Jie,XIE Jing,TANG Ming. Effects of arbuscular mycorrhizal fungi on the growth anddrought resistance of Amorpha fruticosa under water stress[J]. Journal of Beijing Forestry University,2014,36(6):142−148.
[23] ZHU J M,INGRAM P A,BENFEY P N,et al. From lab to field,new approaches to phenotyping root system architecture[J]. Current Opinion in Plant Biology,2011,14(3):310−317. doi: 10.1016/j.pbi.2011.03.020
[24] KALDOER M,LUDWIG-MULLER J. AM fungi might affect the root morphology of maize by increasing indole-3-butyric acid biosynthesis[J]. Physiologia Plantarum,2000,109(1):58−67. doi: 10.1034/j.1399-3054.2000.100109.x
[25] 吴强盛,袁芳英,费永俊,等. 丛枝菌根真菌对白三叶根系构型和糖含量的影响[J]. 草业学报,2014,23(1):199−204. WU Qiangsheng,YUAN Fangying,FEI Yongjun,et al. Effects of arbuscular mycorrhizal fungi on root system architecture and sugar contents of white clover[J]. Acta Prataculturae Sinica,2014,23(1):199−204.
[26] 毕银丽,周会丽,马少鹏,等. 接菌对花生耐旱及表型结构的影响:以陕北煤矿区为例[J]. 煤炭学报,2021,46(6):1936−1944. BI Yinli,ZHOU Huili,MA Shaopeng,et al. Effects of bacterial inoculation on drought tolerance and phenotypic structure of peanut:Take coal mining area of Northern Shaanxi as example[J]. Journal of China Coal Society,2021,46(6):1936−1944.
[27] 刘凯洋,邱智军,张巧明,等. 丛枝菌根真菌对砷胁迫下棉花根系形态和生理特征的影响[J]. 西北植物学报,2021,41(7):1188−1198. LIU Kaiyang,QIU Zhijun,ZHANG Qiaoming,et al. Effect of arbuscular mycorrhizal fungi on root morphological and physiological characteristics of cotton under arsenic stress[J]. Acta Botanica Boreali-Occidentalia Sinica,2021,41(7):1188−1198.
[28] LI T,REN J,HE W,et al. Anatomical structure interpretation of the effect of soil environment on fine root function[J]. Frontiers in Plant Science,2022,13:993127. doi: 10.3389/fpls.2022.993127
[29] SMITH S E,SMITH F A. Fresh perspectives on the roles of arbuscular mycorrhizal fungi in plant nutrition and growth[J]. Mycologin,2012,104(1):1−13. doi: 10.3852/11-229
[30] 毕银丽,高学江,柯增鸣,等. 露天煤矿排土场土层重构及接菌对植物根系提水作用试验研究[J]. 煤田地质与勘探,2022,50(12):12−20. BI Yinli,GAO Xuejiang,KE Zengming,et al. Experimental study on effect of soil layer reconstruction and inoculation on plant root hydraulic lift in open-pit coal mine dump[J]. Coal Geology & Exploration,2022,50(12):12−20.
[31] HILLEL D. Salinity management for sustainable irrigation :integrating science,environment,and economics [J]. Environmentally & Socially Sustainable Development,2000,8:20842.
[32] SONG X,GAO X,WU P,et al. Drought responses of profile plant-available water and fine-root distributions in apple (Malus pumila Mill. ) orchards in a loessial,semi-arid,hilly area of China[J]. Science of the Total Environment,2020,723:137739. doi: 10.1016/j.scitotenv.2020.137739
[33] 谷 裕,王金满,刘慧娟,等. 干旱半干旱煤矿区土壤含水率研究进展[J]. 灌溉排水学报,2016,35(4):81−86. GU Yu,WANG Jinman,LIU Huijuan,et al. Advance of soil moisture in arid and semi-arid mining areas[J]. Journal of Irrigation and Drainage,2016,35(4):81−86.
[34] BERRUTI A,LUMINI E,BALESTRINI R,et al. Arbuscular mycorrhizal fungi as natural biofertilizers:Let's benefit from past successes[J]. Frontiers in Microbiology,2016,6:426.
[35] GONG M,TANG M,CHEN H,et al. Effects of two Glomus species on the growth and physiological performance of Sophora davidii seedlings under water stress[J]. New Forests,2013,44(3):399−408. doi: 10.1007/s11056-012-9349-1
[36] 李机密,黄儒珠,王 健,等. 陆生植物水分利用效率[J]. 生态学杂志,2009,28(8):1655−1663. LI Jimi,HUANG Ruzhu,WANG Jian,et al. Water use efficiency of terrestrial plants[J]. Chinese Joumal of Ecology,2009,28(8):1655−1663.
[37] 邢 丹,韩世玉,罗朝斌,等. 接种丛枝菌根真菌对干旱条件下桑树生长及水分利用效率的影响[J]. 蚕业科学,2019,45(4):475−483. XING Dan,HAN Shiyu,LUO Chaobin,et al. Effects of arbuscular mycorrhizal fungi on mulberry growth and water use efficiency under drought condition[J]. Science of Sericulture,2019,45(4):475−483.
[38] 邢 丹. 石漠化地区丛枝菌根真菌促进桑树根系水分吸收的机理研究 [D]. 贵阳:贵州大学,2018. XING Dan. Mechanisms underlying the promotion of arbuscular mycorrhiza fungi to water absorption of mulberry roots fromrocky desertification habitats [D]. Guiyang:Guizhou University,2018
[39] PENUELAS,JOSEP,CANADELL,JOSEP G,et al. Increased water-use efficiency during the 20th century did not translate into enhanced tree growth[J]. Global Ecology and Biogeography,2011,20(4):597−608. doi: 10.1111/j.1466-8238.2010.00608.x
[40] ZHANG T,HU Y,ZHANG K,et al. Arbuscular mycorrhizal fungi improve plant growth of Ricinus communis by altering photosynthetic properties and increasing pigments under drought and salt stress[J]. Industrial Crops and Products,2018,117:13−19. doi: 10.1016/j.indcrop.2018.02.087
-
期刊类型引用(5)
1. 唐澳柔，张义平，朱华杰. 非金属矿山地表河流渗漏水综合探测技术研究. 中国矿业. 2025(04): 234-240 . 
百度学术
2. 丁耀龙. 华阳一矿西翼三维地震精细解释技术研究. 煤炭与化工. 2025(05): 64-69 . 百度学术
3. 王卫光，乔旭，杨峰. 探地雷达在华阳一矿隐伏陷落柱构造探测中的应用. 煤矿现代化. 2024(02): 64-67+72 . 百度学术
4. 吴钰晶. 基于峰值检测与栅格化二次拟合算法的微粗糙裸露断面拾取方法. 煤炭工程. 2024(12): 155-160 . 百度学术
5. 张鑫辉. 探地雷达在煤矿地质预测预报工作中的应用研究. 内蒙古煤炭经济. 2023(08): 163-165 . 百度学术
其他类型引用(0)
计量
- 文章访问数: 71
- HTML全文浏览量: 12
- PDF下载量: 21
- 被引次数: 5
