一种基于AOD-Net增强YOLOv8的雾天环境煤矿采动地裂缝检测方法与流程

本发明涉及图像去雾领域及深度学习目标检测领域，具体涉及一种基于aod-net增强yolov8的雾天环境煤矿采动地裂缝检测方法。

背景技术：

1、煤层高强度开采诱发地表裂缝，破坏地表形态，影响上覆植被生长，导致生态环境恶化，破坏人民的生产生活设施，诱发采空区遗煤自燃，严重制约着煤矿的绿色可持续发展以及安全生产。因此，及时、准确地进行采动地裂缝识别及相关的信息获取具有重要意义，其可为煤矿安全生产和矿区环境综合治理提供重要依据。煤矿采动地裂缝的检测方法通常可以分为三种方法：(1)人工检测法：该方法依靠现场测绘或解读影像，人工识别裂缝，耗时耗力效率低下，容易出现误判和遗漏。(2)图像处理法：该方法包括阈值分割法、边缘检测法、区域生长法、多光谱图像分析、雷达干涉法、激光雷达技术及机器学习等方法，通过预处理、特征提取和分类等步骤来识别采动地裂缝，上述方法对几何形态和纹理复杂的裂缝检测存在困难，识别精度较低。(3)基于深度学习的目标检测法：该方法利用深度学习模型训练大量样本，实现自动识别采动地裂缝，其在复杂环境中能够提供较高的检测精度，并且能够有效处理大量采动的地裂缝目标。

2、雾天环境对采动地裂缝检测带来的影响主要表现在图像质量的降低、细节丢失、对比度减小以及背景干扰等方面，导致现有目标检测算法的性能下降。因此，为提高雾天环境下采动地裂缝检测的精度和可靠性，通常需要借助图像去雾等技术来改善图像质量，使得采动地裂缝更清晰地显现出来，从而更有效地进行检测和分析。

技术实现思路

1、(一)解决的技术问题

2、本发明针对雾天环境下常规采动地裂缝识别算法失准问题，提出一种基于aod-net增强yolov8的雾天环境煤矿采动地裂缝检测方法；针对原始的aod-net去雾算法存在亮度色调变化、丢失图像细节等一系列图像失真问题，通过替换卷积、加入特征注意力模块(feature attention,fa)和特征融合模块的方式，进一步提升去雾网络的速度及效果，通过去雾网络和检测网络损失函数的联合来提升雾天条件下的煤矿采动地裂缝检测的准确性。

3、(二)技术方案

4、为实现上述目的，本发明提出了一种基于aod-net增强yolov8的雾天环境煤矿采动地裂缝检测方法，主要内容如下：

5、1)构建无人机高分辨率影像雾天环境的煤矿采动地裂缝标注数据集，采集两期同一区域的无人机数据，其中一期数据为雾天环境下采集，另一期数据为晴天环境下采集，两期数据按照同样的方式进行数据预处理，按照相同比例将所述数据集划分为训练集、验证集和测试集；

6、2)构建改进aod-net去雾网络，包括：将原网络中k值估计模块的卷积进行改进，利用深度可分离卷积(depthwise separable convolution,dsconv)替换标准卷积；在k值估计模块后面加入了一种特征注意力模块(fa)，其中包括通道注意力(ca)及像素注意力(pa)；加入了特征融合模块，通过对不同的特征图求取权重图，并使用权重图进行特征图的加权融合；将加权融合后的结果导入到aod-net的清晰图像生成模块从而得到去雾图像。

7、3)改进的aod-net图像去雾模型和yolov8采动地裂缝检测模型的联合优化，并进行采动地裂缝的检测识别，首先，带雾图像与无雾图像导入到图像去雾网络，用于去雾过程的学习和去雾损失函数的计算；其次，去雾图像与无雾图像共同作为采动地裂缝检测模块的输入，结合样本标注信息进行目标检测器的训练；然后，将图像去雾模型和采动地裂缝检测模型的损失函数联合作为一体化网络的损失函数，进一步提升去雾效果以及采动地裂缝检测准确度；最后，采动地裂缝检测模块得到采动地裂缝的类别信息与位置偏移量。

8、(三)有益效果

9、1、本发明提出了一种基于aod-net增强yolov8的雾天环境煤矿采动地裂缝检测方法，在特征提取阶段，引入深度可分离卷积(dsconv)，该卷积相对于原网络标准卷积有几个优势：(1)dsconv采用较小的卷积核，将卷积操作分解为两个独立的步骤，即逐通道卷积和逐点卷积，可显著减少网络的参数量，使得网络更加轻量化；(2)dsconv的分解操作减少了计算量，计算效率更高；(3)dsconv通过逐点卷积层将不同通道的特征进行融合，具有更好的特征表示能力，这有助于提高模型的准确性和泛化能力。

10、2、本发明在原始aod-net网络的k值估计模块之后加入了特征注意力模块和特征融合模块，其中特征注意力模块结合了通道注意力机制与像素注意力机制，考虑到不同通道特征包含完全不同的加权信息，且雾在图像的不同像素上分布不均匀，该模块对不同的特征和像素进行非等权重处理，这在处理不同类型的信息时提供了额外的灵活性，扩展了卷积神经网络的表示能力；特征融合模块通过对不同的特征图求取权重图，并使用权重图进行特征图的加权融合，该模块减轻不同尺度的特征信息在直接连接导致的部分特征信息丢失的现象，从而解决去雾图像模糊、去雾场景过度曝光、细节丢失等问题。

11、3、本发明将图像去雾模型和采动地裂缝检测模型通过损失函数进行关联，同步优化，其中图像去雾网络使用均方误差(mean square error，mse)和结构相似性损失(structural similarity，ssim)的叠加作为损失函数，采动地裂缝检测网络yolov8的损失函数分为回归损失lreg和分类损失lcls，两者相加表示检测网络的总损失函数，整个联合优化去雾检测模型的损失函数loss为两个网络损失函数的结合，从而解决部分细节特征缺失以及色彩失真等问题，并且提高检测任务的精度。

技术特征：

1.一种基于aod-net增强yol0v8的雾天环境煤矿采动地裂缝检测方法，其特征在于，包括如下内容：

2.根据权利要求1所述的构建无人机高分辨率影像带雾场景煤矿采动地裂缝标注数据集，其特征在于，包含如下步骤：

3.根据权利要求1所述的构建改进aod-net去雾网络，将原k值估计模块的卷积层进行卷积替换，在原k值估计模块后面加入了特征注意力模块及特征融合模块，其特征在于，包含如下步骤：

4.根据权利要求1所述的构建去雾检测一体化网络并进行采动地裂缝的检测识别，其特征在于，包括如下主要步骤：

技术总结
本发明公开了一种基于AOD‑Net增强YOLOv8的雾天环境煤矿采动地裂缝检测方法，首先，构建煤矿采动地裂缝标注数据集，数据集包括雾天环境及晴天环境采集的两期数据；其次，构建改进的AOD‑Net去雾网络，利用深度可分离卷积替换原K值估计模块的标准卷积，在K值估计模块后加入了特征注意力模块(FA)，包括通道注意力机制及像素注意力机制，并且使用特征融合模块进行特征图的加权融合；然后，将两期数据导入AOD‑Net增强YOLOv8网络，用于去雾网络及目标检测器的训练，该一体化网络采用去雾损失和检测损失联合优化的方式，进一步提升去雾效果及采动地裂缝检测能力；最后，将模型的训练结果用于雾天环境下煤矿采动地裂缝图像的检测识别，包括采动地裂缝的检测框位置和类别信息。

技术研发人员：杜兰宝,许志华,赵向凯,王卫东,江昊,冯国轩,刘生优,杨可明,林云浩,张振鑫,孙超
受保护的技术使用者：陕西德源府谷能源有限公司
技术研发日：
技术公布日：2024/10/31