煤矿井下钻孔裂隙识别技术

赵安新 黎梁 刘柯 张育刚 王伟峰

摘 要：

为研究采区煤岩体中裂隙、断裂、破碎带等結构面的自动检测技术，解决现有人工智能技术中迭代次数大、检测框准确度低等问题，采用YOLOv5算法融合注意力机制、损失函数、多尺度检测的方法，对煤矿巷道上顶板5种不同地质钻孔进行裂隙检测试验。结果表明：将注意力机制SENet引入YOLOv5模型框架，避免了图像背景区域与裂隙区域相似度较高问题；采用有效交并比损失函数代替完全交并比损失函数，使得预测框能够更加有效拟合真实目标框；对YOLOv5模型增添3种不同尺寸的锚定框并添加160×160特征层，实现检测更小的目标。该方法与SSD、YOLOv5等检测算法在同样条件下相比，其检测精度分别提升了18.9%，2.1%，召回率提升了39.5%，1.6%，平均精度提升了28.1%，1.0%。改进后的模型将三尺度检测变为四尺度检测，提升了算法的多尺度目标检测性能，能够对钻孔裂隙进行高精度检测，满足钻孔裂隙实时检测需求。

关键词：煤矿钻孔；裂隙识别；YOLOv5；注意力机制；深度学习；特征提取中图分类号：TP 391.4

文献标志码：

A

文章编号：1672-9315（2023）06-1158

-10

DOI：10.13800/j.cnki.xakjdxxb.2023.0614开放科学（资源服务）标识码（OSID）：

Crack identification technology of borehole

in underground coal mine

ZHAO Anxin1，LI Liang1，LIU Ke2，ZHANG Yugang1，WANG Weifeng3

（1.College of Communication and Information  Engineering，Xian University of Science and Technology，Xian 710054，China；

2.Shandong Energy Group New Material Co.，Ltd.，Zibo 255299，China；

3.College of Safety Science and Engineering，Xian University of Science and Technology，Xian 710054，China）

Abstract：

In order to study the automatic detection technology of such structural planes as crack，fracture and fracture zone in coal rock mass in mining area，

and solve the problems of large iteration times and low accuracy of detection frame in existing artificial intelligence technology，

the YOLOv5 algorithm combining attention mechanism，loss function and multi-scale detection methods was used to conduct crack detection tests on 5 different geological boreholes in the roof of coal mine roadway.

The results show that the attention mechanism SENet is introduced into the YOLOv5 model framework to avoid the problem of high similarity between the background region and the crack region，the effective crossover loss function is used to replace the complete crossover loss function，which makes the prediction frame fit the real target frame more effectively，and three different sizes of anchor frames are added to the YOLOv5 model and 160×160 feature layers are added to achieve smaller detection targets.

Compared with detection algorithms such as SSD and YOLOv5 under the same conditions，the detection accuracy of this method is increased by 18.9% and 2.1%，the recall rate is increased by 39.5% and 1.6%，and the average accuracy is increased by 28.1% and 1.0%，respectively.The improved model changes the three-scale detection into four-scale detection，improves the multi-scale target detection performance of the algorithm，and can detect borehole cracks with high precision，meeting the real-time detection requirements of borehole cracks.

Key words：coal mine borehole；fracture recognition；YOLOv5；attention mechanism；deep learning；feature extraction

0 引 言矿井围岩中的裂隙、破碎等结构面在矿业工程中具有重要的地位。这些结构面在地质体中起着承载、传递应力的作用，对矿山的岩层稳定性、支护设计、瓦斯抽放、水文地质等方面产生显著影响［1］。裂隙和破碎带的分布、性质、走向和倾向等参数对岩体的力学性质、透水性、渗透性以及岩石的损伤和破坏模式具有深刻影響。在采矿过程中，结构面的存在可能导致岩层变形、失稳甚至岩体崩塌，影响矿山的安全生产［2］。因此，科学准确地识别矿井围岩中的裂隙、破碎等结构面的性质和分布，对支护设计、巷道稳定性分析以及矿井通风、瓦斯抽放等安全措施的制定至关重要，对于确保矿山的可持续、安全、高效运营具有不可忽视的重要性。当前矿井钻孔的探测主要是通过钻孔窥视仪等结合人工观察钻孔视频的方式，获取煤岩层不同结构面分布情况，评价巷道稳定性。人工观测具有人为主观性强、工作强度大，不能够实现在线化处理等问题，无法满足当前智能化矿井建设的需求。为了实现钻孔探测的智能化处理，大量学者在该领域尝试采用深度学习、机器学习等人工智能手段，利用卷积神经网络对图像进行检测。CRUZ等通过使用深度神经网络代替Hough变换提取候选特征，提高了钻孔图像裂隙自动检测精度［3］；苏钰桐等采用目标检测领域中的YOLOv3算法对钻孔图像裂隙进行检测，通过对钻孔裂隙图像人工标注制作数据集，利用Darknet-53的网络结构进行训练，实现了煤岩体各种特征裂隙智能快速检测［4］；罗虎等通过DeepCrack网络模型迁移学习识别岩体裂隙并利用ZhangSuen算法和8邻域标记算法对识别的结果进行细化，骨架化和连通域分析，实现对岩体裂隙自动识别［5］；天津大学佟大威团队提出一种基于深度学习的钻孔图像裂隙参数自动提取方法，通过建立裂隙图像数据集、搭建识别模型、模型训练，实现了钻孔裂隙信息的提取，能够有效定位出结构面所在区域，克服人工或传统图像检测识别钻孔裂隙准确率低、效率低等不足［6］；顾天纵提出一种基于机器视觉的裂隙提取算法，算法采用对裂隙掩膜识别图直接骨架提取的方法，之后对提取骨架进行优化，提出基于交并比评分淘汰制的骨架剪除算法，从而完成剪除骨架图虚假分支任务，只保留大块的正确分支，大块的正确分支可以大致描述出露头裂隙的具体情况［7］；高旭利用Deep CORAL框架搭建网络，在迭代训练1 900次后得到训练模型，能够将钻孔各种特征裂隙直观地检测出来［8］；贾世娜以YOLOv5s为基准模型，分别对其Head层增加了一个P2检测头并在Neck结构中加入了CBAM注意力机制，有助于提升网络对小目标的关注度，提高目标检测精度［9］。然而，这些方法在检测性能上大程度依赖训练次数，这容易导致训练模型时占用更多时间。若降低训练次数又会导致小目标检测时，预测框与真实框出现较大差异等问题。为了解决现有问题，文中设计了一种基于YOLOv5算法融合注意力机制、损失函数、多尺度检测的煤矿井下钻孔裂隙识别模型（Multiscale Opti Mization Target Detection，MOMTD），对矿井钻孔裂隙进行检测识别。同时与SSD算法、YOLOv5等算法进行对比，使其综合改进模型性能能够满足矿井这一特殊环境需求。其次，在对煤矿井下钻孔裂隙识别过程中，针对缺乏数据集情况，对煤矿钻孔采集视频数据进行截帧处理，通过对图像的上下翻转、左右翻转、水平垂直镜像、旋转扩充等处理形成数据集。

1 YOLOv5基础网络的改进

1.1 注意力机制煤矿井下钻孔裂隙识别任务是在复杂环境下，对小目标进行检测，然而YOLOv5算法在该类任务下表现较差。对于小目标检测任务，注意力机制可以对不同区域分配不同权重，使模型更集中地处理关键目标区域，减少对背景干扰的敏感性，从而提高小目标检测的准确度。在YOLOv5模型的Backbone模块后添加SENet注意力机制，SENet注意力机制对Backbone模块输出的图像特征进行挤压、激励操作后使用ReLu函数、全连接层、将其特征恢复，最后通过Sigmoid函数及注意操作将归一化后的权重添加到每层通道特征上，从而增强模型对煤矿钻孔裂隙特征的提取能力，弱化煤矿钻孔非裂隙区域对模型的影响，使得模型对煤矿钻孔裂隙识别精度得到提升。YOLOv5中添加注意力机制SENet网络架构如图1所示。

注意力机制被广泛用于目标检测、语音识别、自然语言处理等不同深度学习任务当中。机器学习中注意力机制类比了人类注意力机制，其作用是从大量信息中有选择地筛选出少量并重要的信息，增大有用特征。有空间域、通道域、混合域（空间域和通道域的结合）3种注意力机制方法。空间域思路是将原始图片中空间信息转换到另一空间并保留关键信息，其通过转换这一方式有效避免了卷积神经网络池化操作直接采用最大池化或平均池化导致关键信息无法检测的弊端。通道域思路是给经过卷积之后得到的特征图每个通道增加权重，权重越高的通道则含有更多的关键信息。在计算机视觉领域往往卷积之后会得到很多通道特征图，通道注意机制效果更加客观，因此选取通道注意力机制SENet。SENet是HU等所提出的通道注意力机制网络，模型结构如图2所示。

1.3 锚框参数优化及多尺度检测由于煤矿钻孔数据集中存在的裂隙区域大小不尽相同，对于存在区域较大的裂隙通过使用预训练好的YOLOv5算法模型能够检测得到。在真实情况下煤矿钻孔中存在着许多小区域裂隙，正是因为这种大小差异性使得小目标可能不被检测得到。另外YOLOv5中预先设定的锚定框是依据COCO数据集设定的，在训练时候采用K均值聚类算法自动获取合适的锚定框。相较于煤矿井下钻孔这一特殊环境，一方面锚定框是根据普通通用场景所筛选设定的，另一方面需要更适合小目标的锚定框，所以在原有锚定框基础上再加3个尺寸分别为（5，6），（8，14），（15，11）的锚定框用于捕捉小目标区域。目标检测任务中，大的特征图上能够提取到更多小目标信息，依次对应小的特征图上提取大目标信息。表1为改进YOLOv5算法中设置锚定框与特征图对应关系。

为了提高煤矿钻孔中小区域钻孔裂隙的检测，通过给YOLOv5模型预设定锚框中添加3个尺寸的锚框用以检测小目标，在原始的YOLOv5模型中，采取3个检测层以对应3组预设定锚定框值。检测数据集规格为640×640，在经过5次下采样之后特征图大小为20×20，40×40，80×80。最大80×80特征图上检测小目标，当其对应在640×640上，则每一格特征图感受野是8×8大小。当目标区域框小于8像素时，网络就会很难学习到目标特征信息，从而导致小目标检测丢失。在添加了针对小目标的锚定框后，必然需要与之对应的检测层，在YOLOv5原有检测层基础上添加一个160×160特征层，用以对应着添加的小目标

锚定框以及检测小目标，改进网络结构如图4所示。

在80×80特征图之后添加卷积层以及2倍上采样操作，将获取到的160×160特征图与骨干网络层第2层进行Concat融合，使之成为更大特征图然后对小目标检测。最后增加一个小目标检测层，最终采用结构图中Prediction 1，Prediction 2，Prediction 3，Prediction 4的4尺度检测层对目标进行检测。这是以牺牲检测速率来提升检测精度做法，在增加检测层后最直接的影响是造成计算量增加，导致模型检测速率降低。但是随着硬件设施更新换代以及原模型与改进模型检测速率相差为毫秒量级，加上对于煤矿钻孔裂隙检测应尽量全面，所以改进模型能够更好地帮助裂隙区域检测。

2 试验与结果分析

2.1 钻孔数据集准备由于所要识别的任务为矿井钻孔图像裂隙情况，并没有可供使用的公开数据集。因此，通过矿用钻孔测井装置对某矿42224工作面的巷道上顶板5种不同地质钻孔进行测井分析，获取钻孔高分辨率视频、自然伽马、全方位钻孔轨迹、钻孔深度4种数据。其中，高分辨率视频可以获取到钻孔内部的状况图；钻孔轨迹可以判断出钻孔方位角、倾角；钻孔深度数据可精确至厘米。如图5所示为矿用钻孔测井装置。进而对高分辨率视频进行截帧处理，形成钻孔试验数据集。由于截帧处理，每相邻连续几张图基本类似，故对相似或重复图片进行舍弃，并通过图像位置变化（平移、翻转）、图像增强（灰度变化、亮度增强、锐化）等手段增广数据集，最后构建

1 098张不同的钻孔裂隙图片。由于视频获取于不同區域，所以一定程度上增加了样本的多样性，能够使得不同方位、大小、形状的钻孔裂隙展现出来从而提升模型学习能力，同时采用开源LabelImg软件对对矿井钻孔图像中裂隙进行人工标注、编号，其中对于裂隙标记为Fracture。试验环境配置见表2。

2.2 模型改进试验分析

2.2.1 引入注意力机制的试验分析

使用PyTorch深度学习框架，将YOLOv5+Attention和YOLOv5初始模型在煤矿钻孔裂隙数据集上做对照试验，验证引入注意力机制后的YO-LOv5模型是否

具有良好的检测效果。评价指标选用精度P以及平均精度mAP。模型采用SGD优化器，利用Warmup预热学习率，训练batch_size设置为32，训练300个Epoch。表3为对照试验结果。

表3在YOLOv5模型基础上引入SENet注意力机制，相较于YOLOv5初始模型精度P提升了1.8%，平均精度mAP提升了0.9%，整体而言检测能力具有一定提升。针对于矿钻孔这一特殊场景，在很难改变环境情况下调整模型来提升检测能力是一种有效手段。图6为对照试验结果，其中图6（a）图6（b），图6（c）图6（d），图6（e）图6（f）为3组对照试验结果，左侧为添加SENet注意力机制模型试验结果，右侧为原始模型试验结果。

图6（a）图6（b）、图6（e）图6（f）2组对照试验出现漏检现象，不能够将裂隙区域全部检测处理，在添加SENet注意力机制之后模型改善了这一情况，而图6（c）图6（d）组对照试验中出现误检现象，YOLOv5原基础模型将孔壁非裂隙区域检测为裂隙区域，改进后模型有效弥补了这一不足。通过对比可以看出，在加入通道注意力机制后能够改善YOLOv5模型对于钻孔裂隙检测不全、误检情况，提升模型检测能力。

2.2.2 优化损失函数试验分析本试验通过更改YOLOv5中的损失函数，验证EIOU Loss边框回归函数是否具备良好的检测效果。其相较于完全交并比损失函数，有效交并比损失函数EIOU Loss考虑了宽高与置信度的有效差异，使预测框能够更加有效拟合真实目标框。基于这一提升，本小节分别使用EIOU Loss、CIOU Loss作为边框回归函数，在煤矿钻孔裂隙数据集上做对照试验，评价指标仍然选用精度P以及平均精度mAP。表4为对照试验结果。

表4显示了YOLOv5算法模型中采用的CIOU Loss边框回归函数以及试验所采用的EIOU Loss边框回归函数在钻孔煤矿裂隙数据集上的精度、平均精度的对比结果。EIOU Loss边框回归函数相较于 CIOU Loss边框回归函数检测精度提升了1.3%，平均精度提升了0.4%。结果表明，以EIOU Loss作为边框回归损失函数可以优化模型，提升模型检测能力。EIOU Loss边框回归函数不仅提升了模型检测能力，而且使得预测框能够有效拟合真实目标框。图7为对照试验结果，其中图7（a）图7（b），图7（c）图7（d），图7（e）图7（f）为3组对照试验结果，左侧为采用EIOU Loss作为边框回归函数的试验结果，右侧为原始模型CIOU Loss作为边框回归函数的试验结果。在使用EIOU Loss作为边框回归函数与CIOU Loss作为边框回归函数从试验结果上来看区别仅在于回归框的不同。图7（a）图7（b），图7（e）图7（f）2组试验中采用EIOU Loss

作为边框回归函数使得回归框更加贴近真实情况，图7（a）图7（b）对照组中，图7（a）相较于图7（b），图7（a）中回归框有效框选出了钻孔裂隙部分，图7（b）中回归框出现少许偏差；图7（e）图7（f）对照组中，图7（e）相较于图7（f），图7（e）中回归框并没有如图7（f）中回归框情形框选了钻孔裂隙以外“多余”部分，对照图中可以清楚观察到。图7（c）图7（d）对照组中，图7（c）相较于图7（d），图7（c）中回归框更加关注钻孔裂隙部分呈现出简洁有效的效果，图7（d）中虽然能够将钻孔裂隙部分框选但是涉及较多孔壁区域显得冗余，在其他不同裂隙情况中可能会出现图7（b）或者图7（f）情况。EIOU Loss作为边框回归函数，使得回归框逼近真实情况，因此采用EIOU Loss作为边框回归函数可以获得更好的效果。

2.2.3 锚框参数优化及多尺度检测试验分析本试验在YOLOv5模型原锚定框基础上添加

小尺寸锚定框以及增加检测层，验证该模型是否可以提升煤矿钻孔中小裂隙区域检测精度。本小节利用钻孔数据集做对照试验，评价指标同样选用精度P以及平均精度mAP，结果见表5。

从表5可以看出，通过优化锚定框参数以及增加检测层，多尺度检测模型在检测精度上比原模型提升了1.3%，而平均精度提升了0.2%。结果表明，对锚框参数优化以及增加检测层能够优化模型，对于煤矿钻孔中裂隙区域检测有一定提升。

图8为对照试验结果，左侧为锚定框参数优化及增加检测层模型的试验结果，右侧为原始模型试验结果。从图8可以看出，右边原始YOLOv5模型对于小目标区域存在漏检情况，而左侧改进后的模型能够识别检测出小裂隙区域。图8（a）、图8（c）、图8（e）均较于与之相对应的对照组图8（b）、图8（d）、图8（f），能够将遗漏的小裂隙区域检测出来，优化后模型对于不同大小钻孔裂隙检测表现出良好的性能。因此通过增加小尺寸锚定框以及检测层能够使得模型获得更高的检测精度和平均精度。

2.3 MOMTD模型试验分析上述试验分别从注意力机制、边框回归函数、检测层3个阶段对原模型做出改进，每个改进均通过3组试验验证其有效性。本节将这3个阶段改进融合进一个模型中形成综合优化模型MOMTD，与基于MobileNet网络的一阶段检测SSD算法、基于ResNet50网络的两阶段检测Faster RCNN算法、原模型进行对比试验验证其是否仍然有效。对于添加注意力机制、改变边框回归函数、添加检测层改进模型备注为优化1、优化2、优化3。模型采用SGD优化器，利用Warmup预热学习率，训练batch_size设置为32，训练300个Epoch得出试验结果。表6为对照试验结果。

表6显示了各阶段改进、MOMTD、原模型以及SSD模型之间的R，P，mAP值。从表6可以看出，SSD，Faster RCNN算法模型准确度与MOMTD模型有明显差距，表明一阶段检测算法YOLOv5算法可以更好实现钻孔裂隙检测。从P，R值来看，MOMTD模型在保证检测精度情况下同时也兼顾了钻孔裂隙区域检测的全面性，保证了较高的召回率。其原因在于MOMTD模型采用了多层卷积神经网络以及多检测层，浅层神经网络用来提取图像的颜色、边缘、纹理等特征信息，深层神经网络用来提取图像的语义特征。然后使用特征金字塔网络结构和路径聚集网络结构实现了不同尺度特征信息的融合，最后采用4层特征层对不同尺寸的钻孔裂隙区域进行检测。SSD算法模型则采用的MobileNet网络是一个轻量级卷积神经网络，其进行卷积的参数比标准卷积少，导致对煤矿钻孔环境复杂情况下钻孔裂隙图像数据集特征提取效果不理想。Faster RCNN作为一阶段检测算法，其并没有采用多尺度检测且没有有效保留在深度CNN提取之后小尺度的特征，导致数据集在该模型上并没有较为理想的精度以及召回率。同时，MOMTD相较于单步优化模型各性能指标都有提升，且对比原模型，MOMTD模型的P值提升了2.1%，R值提升了1.6%，mAP值提升了1.0%。这说明针对煤矿钻孔这一特殊环境改进方法可以提升准确度，能够更准确更全面地检测钻孔裂隙。最终将MOMTD模型与矿用钻孔测井装置采集的钻孔深度数据相结合，从而准确判断出钻孔内部裂隙形状及具体位置信息。

图9中MOMTD的边框回归损失与置信度损失均低于原模型。表明预测框能够更加贴合实际情况，背景冗余情况减轻，预测目标准确率更高。在调整了YOLOv5模型的边框回归损失函数之后，检测框更加贴近真实框，同时也提升了检测精度。在钻孔裂隙数据集情况下图9（a）MOMTD模型采取有效交并比损失函数的损失值低于YOLOv5中采取完全交并比损失函数，使得损失函数计算更加精细。图9（b）置信度损失则能够清晰反映YOLOv5模型与MOMTD模型检测精度情况，采用多尺度检测以及SENet通道注意机制的MOMTD模型能够在相同数据集情况下比YOLOv5模型获得一个更为准确的检测结果。

3 结 论1）在YOLOv5基础上通过引入注意力机制、更换损失函数、添加小尺寸锚定框等操作，形成MOMTD模型，解决了矿井钻孔图像背景区域与裂隙区域相似度较高、模型检测框及小裂隙区域检测精度低等问题。2）MOMTD模型网络训练在迭代300次时模型识别精度为97.3%，召回率为98.2%，平均精度为99.3%，对比试验表明MOMTD相比单步优化以及SSD、Faster RCNN算法模型具有更好的检测能力，该方法可以适用于矿井钻孔图像裂隙识别。3）针对公开数据集中并无本试验所需数据集，从获取到的煤矿上顶板钻孔视频生成数据，通过数字图像处理技术对数据集图片进行位置变换、图像增强等操作形成了裂隙检测数据集。参考文献（References）：

［1］

王国法，张良，李首滨，等.煤矿无人化智能开采系统理论与技术研发进展［J］.煤炭学报，2023，48（1）：34-53.WANG Guofa，ZHANG Liang，LI Shoubin，et al.Progresses in theory and technological development of unmanned smart mining system［J］.Journal of China Coal Society，2023，48（1）：34-53.

［2］袁亮，张平松.煤矿透明地质模型动态重构的关键技术与路径思考［J］.煤炭学报，2023，48（1）：1-14.YUAN Liang，ZHANG Pingsong.Key technology and path thinking of dynamic reconstruction of mine transparent geological model［J］.Journal of China Coal Society，2023，48（1）：1-14.［3］CRUZ R，CACAU D，SANTOS R，et al.Improving accuracy of automatic fracture detection in borehole images with deep learning and GPUs［C］//2017 30th SIBGRAPI Conference on Graphics，Patterns and Images（SIBGRAPI），IEEE Computer Society，2017.［4］蘇钰桐，杨炜毅，李俊霖.基于YOLOv3的煤岩钻孔图像裂隙智能识别方法［J］.煤矿安全，2021，52（4）：156-161.SU Yutong，YANG Weiyi，LI Junlin.Intelligent recognition method of borehole image fractures for coal and rock based on YOLOv3［J］.Safety in Coal Mines，2021，52（4）：156-161.

［5］罗虎，MILLER M，张睿，等.基于计算机视觉技术和深度学习的隧道掌子面岩体裂隙自动识别方法研究［J］.现代隧道技术，2023，60（1）：56-65

LUO Hu，MILLER M，ZHANG Rui，et al.Research on the automatic identification method for rock mass fracture in tunnel face based on computer vision technology and deep learning［J］.Modern TunnelTechnology，2019，60（1）：56-65.

［6］天津大学.一种基于深度学习的钻孔图像裂隙参数自动提取方法：CN202110056319.6［P］.2021-04-30.Tianjin University.An automatic extraction method of crack parameters in drilling images based on deep learning：CN202110056319.6［P］.2021-04-30.

［7］顾天纵.基于深度学习的岩体裂隙图像识别及坐标提取［D］.南京：南京理工大学，2022.GU Tianzong.Image recognition of rock mass cracks based on deep learning and coordinate extraction［D］.Nanjing：Nanjing University of Science and Technology，2022.

［8］高旭.基于深度学习的围岩钻孔裂隙识别技术研究及应用［D］.徐州：中国矿业大学，2020.GAO Xu.Research and application of wall rockborehole crack identification technology based on deep learning［D］.Xuzhou：China University of Mining and Technology，2020.

［9］贾世娜.基于改进YOLOv5的小目标检测算法研究［D］.南昌：南昌大学，2023.JIA Shina.Research on small target detection Algorithm based on improved YOLOv5［D］.Nanchang：Nanchang University，2023.

［10］王蔚鳴，任杰.近距离煤层钻孔耦合破坏特性［J］.西安科技大学学报，2023，43（2）：284-291.WANG Weiming，REN Jie.Coupling damage characteristics of dense gas drainage boreholes［J］.Journal of Xian University of Science and Technology，2023，43（2）：284-291.

［11］蔚保宁，黄庆享.浅埋煤层综采面覆岩破坏规律的钻探实测研究［J］.西安科技大学学报，2022，42（1）：33-39.WEI Baoning，HUANG Qingheng.Drilling measured research on overburden failure law in shallow buried long wall face［J］.Journal of Xian University of Science and Technology，2022，42（1）：33-39.

［12］杨忠民，高永涛，吴顺川，等.基于等效岩体技术的节理参数对岩体强度影响性研究［J］.中国矿业大学学报，2018，47（5）：979-986.YANG Zhongmin，GAO Yongtao，WU Shunchuan，et al.Study of the influence of joint parameters on rock mass strength based on equivalent rock mass technology［J］.Journal of China University of mining and technology，2018，47（5）：979-986.

［13］刘泉声，张华，林涛.煤矿深部岩巷围岩稳定与支护对策［J］.岩石力学与工程学报，2004，23（21）：3732-3737.LIU Quansheng，ZHANG Hua，LIN Tao.Study on stability of deep rock roadways in coal mines  and their support measures［J］.Journal of Rock Mechanics and Engineering 2004，23（21）：3732-3737.

［14］邹先坚，王川婴，韩增强，等.钻孔图像特征分析与结构面区域划分方法［J］.天津大学学报（自然科学与工程技术版），2018，51（1）：88-94.ZOU Xianjian，WANG Chuanying，HAN Zengqiang，et al.Borehole image characteristic analysis and structural planes partitioning method［J］.Journal of Tianjin University（Natural Science and Engineering Technology Edition），2018，51（1）：88-94.

［15］王川婴，邹先坚，韩增强，等.基于特征函数的钻孔图像结构面识别方法［J］.岩土力学，2017，38（10）：3062-3066.WANG Chuanying，ZOU Xianjian，HAN Zengqiang，et al.Recognition of structural planes in borehole image based on characteristic function［J］.Geotechnical Mechanics，2017，38（10）：3062-3066.

［16］葛云峰，钟鹏，唐辉明，等.基于钻孔图像的岩体结构面几何信息智能测量［J］.岩土力学，2019，40（11）：4467-4476.GE Yunfeng，ZHONG Peng，TANG Huiming，et al.Intelligent measurement on geometric informationof rock discontinuities based on borehole image［J］.Geotechnical Mechanics，2019，40（11）：4467-4476.

［17］李立，余翠，孙涛，等.基于颜色特征的数字钻孔图像溶隙结构识别方法［J］.岩土力学，2019，40（8）：3274-3281，3290.LI Li，YU Cui，SUN Tao，et al.Automatic identification of solution fissure from boreholedigital optical image based on color features［J］.Geotechnical Mechanics，2019，40（8）：3274-3281，3290.

［18］邓兆鹏，曹茂永，

LAXMISHA Rai.基于改进的区域生长和Hough变换的钻孔图像水平裂隙识别［J］.科学技术与工程，2019，19（31）：239-245.DENG Zhaopeng，CAO Maoyong，LAXMISHA Rai.Horizontal fracture recognition of borehole image based on improved region growing and Hough transform［J］.Science，technology and engineering，2019，19（31）：239-245.

［19］王迪聪，白晨帅，邬开俊.基于深度学习的视频目标检测综述［J］.计算机科学与探索，2021，15（9）：1563-1577.WANG Dicong，BAI Chenshuai，WU Kaijun.Survey of video object detection based on deep learning［J］.Computer Science and Exploration，2021，15（9）：1563-1577.

［20］陈科圻，朱志亮，邓小明，等.多尺度目标检测的深度学习研究综述［J］.软件学报，2021，32（4）：1201-1227.CHEN Keqi，ZHU Zhiliang，DENG Xiaoming，et al.Deep learning for multi-scale object detection：A survey［J］.Journal of Software，2021，32（4）：1201-1227.

［21］张斌，苏学贵，段振雄，等.YOLOv2在煤岩智能识别与定位中的应用研究［J］.采矿与岩层控制工程学报，2020，2（2）：94-101.ZHANG Bin，SU Xuegui，DUAN Zhenxiong，et al.Application of YOLOv2 in intelligent recognition and location of coal and rock［J］.Journal of Mining and Rock Stratum Control Engineering，2020，2（2）：94-101.

［22］陈幻杰，王琦琦，杨国威，等.多尺度卷积特征融合的SSD目标检测算法［J］.计算机科学与探索，2019，13（6）：1049-1061.CHEN Huanjie，WANG Qiqi，YANG Guowei，et al.SSD object detection algorithm with multi-scale convolution feature fusion［J］.Computer Science and Exploration，2019，13（6）：1049-1061.

［23］WANG L Y，DANG J，WANG X，et al.Waveform-based fracture identification of steel beam ends using convolutional neural networks［J/OL］.Structural Control and Health Monitoring，2021，e2777.https：//doi.org/10.1002/stc.2777.［24］PAN D D，LI Y H，LIN C J，et al.Intelligent rock fracture identification based on image semantic segmentation：Methodology and application［J］.Environmental Earth Sciences，2023，82：71.

［25］LI H T，LUO H W，XIANG Y X，et al.DTS based hydraulic fracture identification and production profile interpretation method for horizontal shale gas wells［J］.Natural Gas Industry B，2021（8）：494-504.

［26］趙安新，杨宏魁，黎梁，等.基于国产可控CPU架构的煤矿智能化平台搭建［J］.软件导刊，2022，21（10）：53-57.ZHAO Anxin，YANG Hongkui，LI Liang，et al.Construction of coal mine intelligent platform based on domestic controllable CPU architecture［J］.Software Guide，2022，21（10）：53-57.

（责任编辑：刘洁）