本發(fā)明屬于目標檢測，特別是涉及一種煤礦井筒微裂縫檢測方法、設(shè)備及存儲介質(zhì)。

背景技術(shù)：

1、

2、井壁出現(xiàn)裂縫是井壁結(jié)構(gòu)失效的預警，由于裂縫在初期階段相對微小，不會帶來嚴重的后果。然而，不及時監(jiān)測立井井壁的裂縫并采取止損措施，井壁裂縫可能會進一步演變?yōu)閲乐亓芽p，引發(fā)井壁結(jié)構(gòu)失效，威脅到井筒的穩(wěn)定性和安全運行，甚至會造成生命和財產(chǎn)的巨大損失。為了避免發(fā)生此種情況，需要采取有效的監(jiān)測手段來監(jiān)測井壁破壞并加以控制，以確保地下采礦的安全性。

3、隨著計算機技術(shù)的不斷發(fā)展，采集井筒圖像通過算法進行裂縫檢測成為熱門的研究方向。yolo算法因其檢測實時性高、結(jié)構(gòu)簡單等優(yōu)點成為深度學習領(lǐng)域的熱門算法，學者們從增加感受野、多尺度特征融合、模型輕量化等不同策略研究缺陷檢測。但井筒裂縫由于其檢測環(huán)境的特殊性還存在一些難題，比如：裂縫病害形狀大小差異較大，模型難以有效提取特征信息；井筒下光照不足，微裂縫背景區(qū)分度較小容易受到噪聲干擾；裂縫圖像細節(jié)模糊容易出現(xiàn)誤檢、漏檢。

4、因此，亟需一種煤礦井筒微裂縫檢測方法，在強化模型特征表征能力的同時，能夠保持模型輕量化，實現(xiàn)模型準確性與輕量化的平衡。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例的目的在于提供一種煤礦井筒微裂縫檢測方法、設(shè)備及存儲介質(zhì)，以解決現(xiàn)有檢測方法中難以有效提取特征信息，容易受到噪聲干擾且易出現(xiàn)誤檢、漏檢的問題。

2、為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是，

3、一種煤礦井筒微裂縫檢測方法，包括以下步驟：

4、s1：構(gòu)建井筒微裂縫的數(shù)據(jù)集，并劃分訓練集、驗證集和測試集；

5、s2：構(gòu)建井筒微裂縫檢測模型；

6、s21：構(gòu)建骨干網(wǎng)絡(luò)；

7、s22：構(gòu)建頸部特征融合網(wǎng)絡(luò)；

8、s23：構(gòu)建頭部網(wǎng)絡(luò)；

9、s3：使用訓練集訓練檢測模型，更新模型新參數(shù)。

10、進一步的，所述s21包括：

11、s211：構(gòu)建基本卷積模塊cbs；基本卷積模塊cbs由卷積層conv、批量歸一化層bn、激活函數(shù)silu順序組成；

12、s212：構(gòu)建可變形卷積模塊cn-cbs；可變形卷積模塊cn-cbs由可變形卷積層dcnv2、批量歸一化層bn、激活函數(shù)silu順序組成；三個可變形卷積模塊cn-cbs組成并行子網(wǎng)絡(luò)；

13、在可變形卷積層dcnv2中，可變形卷積層的計算公式為：

14、

15、其中，y(p)表示輸出特征圖在位置p處的特征值，x表示輸入特征圖，p表示輸出特征圖的位置，pk表示第k個采樣點相對于卷積核中心的初始位置，δpk表示第k個采樣點的位置偏移量，δmk表示第k個采樣點的特征調(diào)節(jié)系數(shù)，wk表示第k個采樣點的權(quán)重，k表示采樣點的序號，k表示采樣點的總數(shù)。

16、進一步的，所述s21還包括：

17、s213：構(gòu)建可變形特征融合模塊cn-c2f；

18、在可變形特征融合模塊cn-c2f中，輸入特征圖經(jīng)過第一基本卷積模塊cbs，進行特征提取和激活，再經(jīng)過split層進行通道分割操作，將特征圖分為兩個分支，第一分支依次通過n個d-bottleneck模塊，第二分支不通過d-bottleneck模塊，后將所有d-bottleneck模塊輸出與第二分支特征圖進行concat拼接操作，再經(jīng)過第二基本卷積模塊cbs，得到可變形特征融合模塊cn-c2f的輸出特征圖；

19、s214：構(gòu)建多尺度注意力特征融合模塊ema-c2f；多尺度注意力特征融合模塊ema-c2f由基本卷積模塊cbs、bottleneck模塊、高效多尺度注意力機制模塊ema構(gòu)成；

20、在多尺度注意力特征融合模塊ema-c2f中，輸入特征圖通過第一基本卷積模塊cbs，然后使用split層將經(jīng)過第一基本卷積模塊cbs的輸出特征圖分為兩個分支；第一分支依次經(jīng)過n個bottleneck模塊的處理；bottleneck模塊是通過卷積、殘差結(jié)構(gòu)、silu激活函數(shù)順序構(gòu)成；第二分支不經(jīng)過bottleneck模塊的處理，將所有bottleneck模塊輸出與第二分支特征圖進行concat拼接操作，并依次經(jīng)過第二基本卷積模塊cbs、高效多尺度注意力機制模塊ema，得到多尺度注意力特征融合模塊ema-c2f輸出。

21、進一步的，所述s21還包括：

22、s215：構(gòu)建空間深度轉(zhuǎn)換卷積模塊spdi；

23、在空間深度轉(zhuǎn)換卷積模塊spdi中，對于輸入特征圖s1×s2×c1，s1、s2、c1分別表示特征圖的高度、寬度、通道數(shù)；先將輸入特征圖尺寸轉(zhuǎn)換為s1/2×s2/2×4c1，再通過切片操作得到四個子特征圖然后將四個子特征圖進行concat拼接操作，再經(jīng)過一個卷積層，后利用split操作將特征圖分為四個分支，四個分支分別通過不同的深度可分離卷積層dwconv，前三個分支中的深度可分離卷積層dwconv的卷積核尺寸分別為：3x3、1×11、11×1，最后一個分支中不進行深度可分離卷積層dwconv操作；將各個分支的輸出進行concat拼接操作，并通過一個卷積層將所有分支的輸出融合在一起，生成空間深度轉(zhuǎn)換卷積模塊spdi的輸出特征圖。

24、進一步的，所述s21還包括：

25、s216：構(gòu)建空間金字塔池化模塊e-sppfcspc；

26、在空間金字塔池化模塊e-sppfcspc中，輸入特征圖通過第一基本卷積模塊cbs后分為兩個分支，第一分支將得到的特征圖輸入至spp結(jié)構(gòu)中，spp結(jié)構(gòu)中包括不同尺寸的池化層，后將不同池化層的輸出進行concat操作，再經(jīng)過第二基本卷積模塊cbs；第二分支將得到的特征圖輸入第三基本卷積模塊cbs中，將第二基本卷積模塊cbs的輸出特征圖與第三基本卷積模塊cbs的輸出特征圖進行concat連接，然后再依次通過高效多尺度注意力機制模塊ema、第四基本卷積模塊cbs得到e-sppfcspc的輸出。

27、進一步的，所述骨干網(wǎng)絡(luò)中，輸入圖像依次經(jīng)過第一基本卷積模塊cbs、第二基本卷積模塊cbs、第一空間深度轉(zhuǎn)換卷積模塊spdi、第三基本卷積模塊cbs、第二空間深度轉(zhuǎn)換卷積模塊spdi模塊、第一可變形特征融合模塊cn-c2f、第四基本卷積模塊cbs、第三空間深度轉(zhuǎn)換卷積模塊spdi、第二可變形特征融合模塊cn-c2f、第五基本卷積模塊cbs、多尺度注意力特征融合模塊ema-c2f、e-sppfcspc模塊，同時，將經(jīng)過第一空間深度轉(zhuǎn)換卷積模塊spdi的特征圖通過另一分支輸入第一可變形卷積模塊cn-cbs；將經(jīng)過第一可變形卷積模塊cn-cbs模塊得到的特征圖分為兩個支路，第一支路進入第一可變形特征融合模塊cn-c2f中，第二支路進入第二可變形卷積模塊cn-cbs中；將經(jīng)過第二可變形卷積模塊cn-cbs得到的特征圖分為兩個支路，第一支路進入第二可變形特征融合模塊cn-c2f，第二支路進入第三可變形卷積模塊cn-cbs中；將經(jīng)過第三可變形卷積模塊cn-cbs的特征圖輸入至多尺度注意力特征融合模塊ema-c2f中，進行井筒裂縫表面特征提取；骨干網(wǎng)絡(luò)的輸出為三路，分別為第一可變形特征融合模塊cn-c2f的輸出、第二可變形特征融合模塊cn-c2f的輸出、e-sppfcspc模塊的輸出；將三路特征同時送入頸部特征融合網(wǎng)絡(luò)neck。

28、進一步的，所述頸部特征融合網(wǎng)絡(luò)neck由基本卷積模塊cbs、多尺度注意力特征融合模塊ema-c2f、可變形特征融合模塊cn-c2f模塊、上采樣層構(gòu)成；

29、頸部特征融合網(wǎng)絡(luò)中，將頭部網(wǎng)絡(luò)中e-sppfcspc模塊的輸出分為兩個支路，在第一分支中進行第一上采樣操作，后將第一上采樣操作后的特征圖與骨干網(wǎng)絡(luò)第二可變形特征融合模塊cn-c2f的輸出特征圖進行第一concat拼接操作；后通過可變形特征融合模塊cn-c2f將特征圖分為兩支路，第一支路進行第二上采樣操作，后將第二上采樣操作得到的特征圖與骨干網(wǎng)絡(luò)第一可變形特征融合模塊cn-c2f的輸出特征圖進行第二concat拼接操作；將第二concat拼接操作得到的特征圖通過第一多尺度注意力特征融合模塊ema-c2f后分為兩個分支，第一分支作為頸部網(wǎng)絡(luò)的第一輸出；第二分支輸入至頸部網(wǎng)絡(luò)的第一基本卷積模塊cbs中；將經(jīng)過第一基本卷積模塊cbs的特征圖與通過可變形特征融合模塊cn-c2f的第二支路特征圖進行第三concat拼接操作，第三concat拼接操作得到的特征圖輸入至第二多尺度注意力特征融合模塊ema-c2f中，將第二多尺度注意力特征融合模塊ema-c2f的輸出分為兩個分支，第一分支作為頸部網(wǎng)絡(luò)的第二輸出，將第二分支特征圖輸入至第二基本卷積模塊cbs中；后將第二基本卷積模塊cbs的輸出特征圖與骨干網(wǎng)絡(luò)e-sppfcspc模塊輸出的第二分支特征圖進行第四concat拼接操作；將第四concat拼接操作輸出輸入至第三多尺度注意力特征融合模塊ema-c2f中，作為頸部網(wǎng)絡(luò)的第三輸出。

30、進一步的，所述頭部網(wǎng)絡(luò)由檢測輸出模塊構(gòu)成；檢測輸出模塊接收頸部網(wǎng)絡(luò)的輸出；

31、檢測輸出模塊由兩個分支構(gòu)成，第一分支依次由基本卷積模塊cbs、conv2d構(gòu)成，后使用框回歸損失進行優(yōu)化；第二分支依次由基本卷積模塊cbs模塊、conv2d構(gòu)成，后使用類別分類損失進行優(yōu)化；

32、檢測輸出模塊的基本卷積模塊cbs中，使用frelu作為激活函數(shù)，frelu的公式如下：

33、f(xc,i,j)＝max(xc,i,j,t(xc,i,j))

34、

35、其中，

36、f(xc,i,j)表示在第c個通道上位置(i,j)處的特征值經(jīng)過frelu激活函數(shù)后的輸出，t(xc,i,j)表示空間條件函數(shù)；xc,i,j表示在第c個通道上位置(i,j)處的原始特征值，表示在第c個通道中共享的參數(shù)，表示在xc,i,j周圍的一個kh×kw大小的局部池化窗口內(nèi)對特征值進行池化操作得到的結(jié)果，kh、kw表示局部池化窗口的高度、寬度。

37、本發(fā)明所采用的另一技術(shù)方案是，一種煤礦井筒微裂縫檢測設(shè)備，采用上述的方法實現(xiàn)煤礦井筒微裂縫的檢測。

38、本發(fā)明所采用的另一技術(shù)方案是，一種煤礦井筒微裂縫檢測存儲介質(zhì)，采用上述的方法實現(xiàn)煤礦井筒微裂縫的檢測。

39、本發(fā)明的有益效果是

40、1，本發(fā)明方法融入可變形卷積模塊cn-cbs構(gòu)建并行子網(wǎng)絡(luò)，提高網(wǎng)絡(luò)對特征信息的提取能力。

41、2，本發(fā)明方法構(gòu)建可變形特征融合模塊cn-c2f，通過兩個卷積層對輸入數(shù)據(jù)進行特征轉(zhuǎn)換，有助于提取輸入數(shù)據(jù)中的不同層次和抽象程度的特征。

42、3，本發(fā)明方法結(jié)合了空間轉(zhuǎn)深度模塊spdconv和大核分解操作inception、深度可分離卷積dwconv的優(yōu)點設(shè)計了spdi，避免了現(xiàn)有檢測方法骨干網(wǎng)絡(luò)中的跨步卷積造成的信息損失，通過非跨步卷積即spdi中步長為1的卷積層和分解大卷積核即spdi模塊中將不同的小尺寸卷積通過并聯(lián)的方式結(jié)合在一起再將輸出拼接起來的方式，能夠提高模型的特征學習效率和全局建模能力，提高檢測效率。

43、4，本發(fā)明方法引入高效多尺度注意力機制ema，構(gòu)建多尺度注意力特征融合模塊ema-c2f和空間金字塔池化模塊e-sppfcscp，e-sppfcspc模塊可以有效避免圖像裁剪和縮放后的失真，解決卷積神經(jīng)網(wǎng)絡(luò)重復提取特征的問題，ema-c2f模塊和e-sppfcspc模塊能夠提高模型對微裂縫表征能力，避免噪聲干擾。