融合钻孔地质信息的煤岩图像识别方法

当前应用于煤岩图像识别的深度卷积神经网络模型存在体积庞大、计算过程冗杂等问题,难以满足实时检测要求,且对低照度、高粉尘等复杂环境适应性差。针对上述问题,提出了一种融合钻孔地质信息的煤岩图像识别方法。首先,通过改进的谱残差显著性检测(ISRSD)算法增强煤岩图像质量,有效减弱复杂环境对煤岩图像特征造成的不利影响;然后,使用加入注意力机制的VGG(AVGG)深度卷积神经网络模型——在VGG的基础上进行剪枝、加入卷积注意力模块(CBAM)和引入自适应学习率调整策略,高效提取煤岩图像特征;最后,利用贝叶斯模型融合煤岩图像特征和由钻孔地质柱状图获取的钻孔地质信息,提升煤岩分类的准确性和鲁棒性。实验结果表明,经ISRSD算法增强后的图像目标更突出,色彩失真程度更低,且边缘、纹理等图像特征保留相对完整;AVGG模型的准确率与VGG模型相当,但平均推理时间、参数量及模型大小分别仅为VGG模型的15.61%,33.44%及33.40%;与仅使用AVGG模型识别煤岩图像相比,利用贝叶斯模型融合钻孔地质信息后,准确率提高了1.85%,达97.31%。