王 征,張赫林,李冬艷

(西安科技大學(xué) 電氣與控制工程學(xué)院，陜西 西安 710054)

隨著國家對大型煤礦的生產(chǎn)安全及環(huán)保要求越來越高，煤塵治理成為最重要的安全防治工作之一[1]，煤礦生產(chǎn)過程形成的大量煤塵不僅是一種環(huán)境污染源，也是對煤炭原料的一種損耗，同時易造成作業(yè)設(shè)備的磨損，使得產(chǎn)品質(zhì)量下降。當(dāng)煤塵顆粒達(dá)到一定質(zhì)量濃度，會引起煤塵爆炸事故[2]，其參與的爆炸危害遠(yuǎn)大于瓦斯爆炸，這嚴(yán)重威脅著煤礦的生產(chǎn)安全[3]。因此對煤塵顆粒的特征信息進(jìn)行提取分析，尤其是從煤塵顆粒的圖像特征這一新角度審視和探索煤塵顆粒特性機理，有利于煤塵顆粒的防治，能夠有效避免重大事故的發(fā)生，對煤礦的生產(chǎn)安全具有指導(dǎo)意義。

目前對煤塵顆粒特征機理已經(jīng)進(jìn)行了大量研究，文獻(xiàn)[4]研究了不同厚度光束對煤塵平均粒度的影響，并指出采用直徑為0.24 mm光束測量，誤差最小;文獻(xiàn)[5]研究了煤塵顆粒粒徑對管道內(nèi)的效應(yīng)段粒子運動速度的影響，所提改進(jìn)裝置模型能有效應(yīng)用于煤塵檢測;文獻(xiàn)[6]研究了某一典型高揮發(fā)分煤塵的爆炸壓力變化特性，經(jīng)分析指出，隨著煤塵云濃度的增加，爆后殘留物的孔隙率逐漸增加，其粒徑呈指數(shù)增大的趨勢變化。鑒于技術(shù)手段及研究角度的局限，專家們提出的方案是基于不同實驗條件下對煤塵特征的一個或幾個參數(shù)?；诖?，考慮進(jìn)一步對煤塵特性參數(shù)圖像分析的內(nèi)在機理進(jìn)行探索。

近年來，大量研究人員開始基于圖像分析的角度探索新的煤塵顆粒特佂提取方法，并取得一定成果。文獻(xiàn)[7]提出基于小波變異和模糊熵的圖像分割算法，算法結(jié)構(gòu)簡單，運行速度快，但得到的分割結(jié)果中依然存在大量噪點，將會影響煤塵顆粒特性的進(jìn)一步研究;文獻(xiàn)[8]提出改進(jìn)同步迭代算法，研究不同松弛因子對圖像清晰度的影響;文獻(xiàn)[9]根據(jù)煤塵顆粒的邊緣特性進(jìn)行分析，得出顆粒表面光滑度、黏合性等對顆粒的物理化學(xué)特性的影響。上述研究均實現(xiàn)了對顆粒圖像特性的分析，但對煤塵顆粒圖像特征細(xì)節(jié)信息的提取未進(jìn)行深入探討。因此，考慮從顆粒圖像特征細(xì)節(jié)信息入手，可以更好的解決煤塵顆粒圖像特征提取問題。

傳統(tǒng)的煤塵特性參數(shù)分析方法已經(jīng)凸顯出一定的局限性，因此迫切需要運用新的技術(shù)解決現(xiàn)有問題。深度學(xué)習(xí)及大數(shù)據(jù)驅(qū)動的深入研究，可用于解決圖像特征信息不明確的煤塵顆粒識別問題。此次主要針對煤塵特征圖像信息進(jìn)行分析，以全卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，根據(jù)煤塵顆粒的顏色、紋理、邊緣等圖像信息捕捉煤塵圖像特征，網(wǎng)絡(luò)中后半部卷積層提取到能表達(dá)更多煤塵信息語義程度的特征圖，并通過反向傳播獲取到的誤差值對特征圖進(jìn)行迭代更新，輸出前抓取特征圖中的煤塵和背景信息實現(xiàn)二分類，確保輸出網(wǎng)絡(luò)對煤塵顆粒的預(yù)測結(jié)果。

從微觀學(xué)和復(fù)雜的非線性模型研究角度出發(fā)，首先搭建U-Net網(wǎng)絡(luò)架構(gòu)模型，并在U-Net網(wǎng)絡(luò)的基礎(chǔ)上融合特征壓縮激活模塊，提出一種特征壓縮激活U-Net卷積神經(jīng)網(wǎng)絡(luò)(Unet-Squeeze Excitation，Unet-SE)實現(xiàn)煤塵顆粒圖像的語義分割，完成煤塵顆粒圖像細(xì)節(jié)特征信息提取。其次從網(wǎng)絡(luò)的基本結(jié)構(gòu)和原理分析入手，應(yīng)用煤塵圖像樣本數(shù)據(jù)進(jìn)行實驗仿真，分析協(xié)同損失函數(shù)對網(wǎng)絡(luò)分割性能的影響，并從準(zhǔn)確率、召回率以及F1分?jǐn)?shù)3個指標(biāo)上對Unet-SE網(wǎng)絡(luò)進(jìn)行合理的評估，驗證改進(jìn)后網(wǎng)絡(luò)模型的可行性。

1 煤塵顆粒特征提取

1.1 改進(jìn)Unet-SE網(wǎng)絡(luò)結(jié)構(gòu)

U-Net[10-12]網(wǎng)絡(luò)模型用于解決圖像分割問題，尤其是針對形狀較小的微觀粒子分割效果顯著，能夠很好地提取其圖像特征信息。由于煤塵顆粒邊界與微觀粒子邊界特征相似，因此將該網(wǎng)絡(luò)應(yīng)用于煤塵顆粒圖像分割部分。為提高網(wǎng)絡(luò)分割結(jié)果的準(zhǔn)確性，對U-Net網(wǎng)絡(luò)進(jìn)行改進(jìn)，加入批量歸一化(Batch Normalization，BN)和特征壓縮激活(Squeeze Excitation，SE)得到Unet-SE網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。其特征提取與上采樣階段子模塊細(xì)節(jié)如圖2所示。

圖1 改進(jìn)Unet-SE網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of improved Unet-SE

圖2 特征提取與上采樣階段子模塊結(jié)構(gòu)Fig.2 Structure of each module for feature extraction and up sampling

Unet-SE網(wǎng)絡(luò)結(jié)構(gòu)可分為左右兩部分，其中左半部分網(wǎng)絡(luò)通過4個模塊a完成對煤塵圖像特征信息的提取:模塊a中首先對煤塵圖像進(jìn)行一次3×3卷積，提取煤塵顆粒特征，再經(jīng)過BN層和SE模塊獲取更多的煤塵顆粒特征信息，最后通過ReLU函數(shù)進(jìn)行激活。上述過程共執(zhí)行2次，在第2次ReLU激活函數(shù)后連接1個步長為2的最大池化層以增強卷積層對煤塵顆粒位置的敏感性，煤塵圖像每經(jīng)過1次模塊a，通道數(shù)都將加倍以減少特征信息的丟失，圖像通道數(shù)變化情況為1→64→128→256→512→1 024。右半部分網(wǎng)絡(luò)通過4個模塊b和1個模塊c完成整個上采樣過程:模塊b中首先對左半部分網(wǎng)絡(luò)提取的特征圖通過上采樣進(jìn)行放大，其次將采樣結(jié)果和與通道加權(quán)之后的特征信息進(jìn)行連接，再通過2×2卷積進(jìn)行特征融合，然后對接BN層和ReLU激活函數(shù)輸出特征圖，每經(jīng)過1次模塊b，煤塵圖像的通道數(shù)都會作減半處理，最后連接模塊c進(jìn)行1次卷積，經(jīng)過BN層和sigmoid激活函數(shù)，將64個煤塵特征通道映射為2個特征通道，實現(xiàn)煤塵顆粒和背景的二分類，圖像通道數(shù)變化情況為1 024→512→256→128→64→2。

1.2 煤塵特征的批量歸一化

由于U-Net結(jié)構(gòu)中每層及同層網(wǎng)絡(luò)不同維度的接受域大小不同，導(dǎo)致所需學(xué)習(xí)率大小各異且無法規(guī)范。要確保損失函數(shù)有效地下降可采用其中最小的初始學(xué)習(xí)率進(jìn)行訓(xùn)練。而在卷積層后連接BN層可對網(wǎng)絡(luò)每層、每個維度的接受域大小規(guī)范統(tǒng)一，以保證網(wǎng)絡(luò)在煤塵顆粒特征提取過程中選取較高的初始學(xué)習(xí)率進(jìn)行優(yōu)化[13]，并提高訓(xùn)練過程中學(xué)習(xí)率的衰減速度，從而使網(wǎng)絡(luò)具有快速收斂的特性。

BN層與U-Net相結(jié)合采用仿權(quán)重共享策略，即視每張?zhí)卣鲌D為1個神經(jīng)元，歸一化操作的對象為單一神經(jīng)元，針對前向連接卷積層提取到的H×W煤塵特征圖(H,W為煤層特征圖尺寸)，分別對應(yīng)H×W個神經(jīng)元，第i層輸出的煤塵特征批量歸一化過程為

(1)

(2)

(3)

(4)

BN層不僅可以減少網(wǎng)絡(luò)參數(shù)數(shù)量，而且有利于網(wǎng)絡(luò)訓(xùn)練速度的改善[15]。如圖3所示，L1為初始化權(quán)重參數(shù)得到的分界線，L2為網(wǎng)絡(luò)訓(xùn)練得到的擬合直線，圖3(a)中未加入BN層，分界線L1經(jīng)過訓(xùn)練不斷調(diào)整才可到達(dá)L2位置，而加入BN層后數(shù)據(jù)均值為0，方差為1，得到圖3(b)的圓形分布，這使得L1在訓(xùn)練前已穿過數(shù)據(jù)，只需少量的訓(xùn)練和調(diào)整便可到達(dá)L2位置，因此網(wǎng)絡(luò)訓(xùn)練速度會顯著提升。

圖3 BN層對訓(xùn)練時間的影響Fig.3 Influence of BN layer on training time

1.3 壓縮激活模塊對煤塵特征的提取

卷積實際上是對局部區(qū)域進(jìn)行的特征融合。 這也導(dǎo)致了普通卷積神經(jīng)網(wǎng)絡(luò)的感受野不大，如考慮設(shè)計更多通道特征增加感受野，會導(dǎo)致計算量大大增加。因此為了空間上融合更多特征，提取多尺度空間信息[16]。卷積操作對輸入特征圖的所有通道進(jìn)行融合。而SE可以有效關(guān)注通道之間的關(guān)系，確保模型可以自動學(xué)習(xí)到不同通道特征的重要程度。HU Jie等[17]提出SE模塊是對各個通道進(jìn)行權(quán)重的分配，類似注意力機制[18]，幫助網(wǎng)絡(luò)快速學(xué)習(xí)到重要的特征信息。本文將SE模塊與BN層結(jié)合使用，能夠使網(wǎng)絡(luò)獲取更多的煤塵特征信息，SE模塊對煤塵特征提取的過程如圖4所示。

圖4 SE模塊對特征提取過程Fig.4 Processing of coal dust feature extraction with SE module

SE模塊能夠?qū)γ簤m圖像集輸入信息進(jìn)行構(gòu)造，用于卷積映射Fconv:X→U，其中X∈RW′×H′×C′，U∈RW×H×C。設(shè)V=[v1,v2,…,vc]為學(xué)習(xí)的卷積核集合，vc為第c個卷積核參數(shù)，卷積操作Fconv的輸出表示為:U=[u1,u2,…,uc]，計算公式為

(5)

為了達(dá)到對通道之間的依賴關(guān)系進(jìn)行精確建模以校準(zhǔn)卷積核操作，通過SE模塊進(jìn)行壓縮和激活2個操作。操作1:壓縮，即通過全局平均池化操作對BN層獲得的煤塵特征輸出Z(i)進(jìn)行壓縮，將大小為C×H×W的煤塵特征壓縮為C×1×1的實數(shù)數(shù)列，壓縮操作的目的是擴(kuò)大感受野[19]，使網(wǎng)絡(luò)低層也能利用全局信息，經(jīng)過壓縮操作得到煤塵特征Zc:

(6)

其中，Yc為大小為W×H的特征映射上第c個二維原始特征矩陣;i和j為特征圖在空間維的坐標(biāo);操作2:激活，旨在抓取各個通道之間的關(guān)系，此操作需滿足2個準(zhǔn)則:學(xué)習(xí)各個通道之間的非線性交互關(guān)系;學(xué)習(xí)非互斥關(guān)系。與獨熱編碼相反，激活操作允許強調(diào)多個通道，并采用ReLU激活方式，得到大小為C×1×1的通道激活值Sc:

Sc=Fex(Zc,Q)=σ(Q2ReLU(Q1Zc))

(7)

(8)

由于SE網(wǎng)絡(luò)模型的結(jié)構(gòu)是通過SE模塊的不斷堆疊實現(xiàn)，且在網(wǎng)絡(luò)中任意深度位置完成插入替換以適應(yīng)網(wǎng)絡(luò)模型需求。通過模型驗證，模型結(jié)構(gòu)中SE參模塊的引入，使得參數(shù)數(shù)量增加有限，但網(wǎng)絡(luò)性能得到較好提升，通過學(xué)習(xí)煤塵特征圖各通道之間的相互依賴性可自適應(yīng)地重新校正準(zhǔn)通道方面的特征響應(yīng)，從而學(xué)習(xí)到更為有用的煤塵特征并抑制多余特征。

1.4 二值交叉熵及合頁協(xié)同損失函數(shù)

在二分類語義分割任務(wù)中，默認(rèn)使用的損失函數(shù)為二值交叉熵?fù)p失函數(shù)JB，公式為

(9)

其中，N為像素點總數(shù);pi為像素點i的實際標(biāo)簽;di為網(wǎng)絡(luò)對像素點i的預(yù)測分類值。在反向傳播的過程中，二值交叉熵?fù)p失函數(shù)能夠穩(wěn)定返回每一類別所對應(yīng)的梯度值，有效避免梯度消失問題，但同時會對圖像上的每一個類別都平等地進(jìn)行評估，因此對于存在類別不平衡問題的圖像，通過二值交叉熵?fù)p失函數(shù)得到的返回梯度值意義較小，容易改變網(wǎng)絡(luò)的優(yōu)化方向，影響分割結(jié)果。另1種用于二分類的損失函數(shù)為合頁損失函數(shù)JH，常用于支持向量機分類，公式為

(10)

合頁損失對預(yù)測錯誤或置信度不高的預(yù)測結(jié)果都會給予懲罰，因此該損失函數(shù)能夠保證最終所得預(yù)測正確且置信度值較高。

本文結(jié)合2種損失函數(shù)的特點，提出二值交叉熵及合頁協(xié)同損失函數(shù)LC:

LC=θJB+(1-θ)JH

(11)

其中,θ為調(diào)節(jié)2種損失函數(shù)比重的參數(shù)，該協(xié)同損失函數(shù)避免反向傳播中梯度消失的問題，緩解煤塵圖像分割任務(wù)中的顆粒特征類別不平衡，并確保輸出特征獲得較高的預(yù)測值置信度。

2 實驗仿真及分析

2.1 煤塵樣本圖像數(shù)據(jù)集

樣本采集點選擇選煤廠的原煤煤倉、原煤破碎站、篩分破碎車間、跳汰車間、產(chǎn)品煤倉和輸煤走廊。在6個產(chǎn)塵場所設(shè)置固定煤塵采樣器，通過采樣器內(nèi)采樣頭上安裝的纖維濾膜，采集煤塵顆粒樣品。在實驗前將每組顆粒樣本放入60 ℃恒溫干燥箱中干燥24 h以上，并打好樣本標(biāo)簽。然后進(jìn)行圖像采集，圖像采集系統(tǒng)由Leica S 9D體視顯微鏡和臺式電腦組成，通過ImageView軟件和與體視顯微鏡相連接的數(shù)字?jǐn)z像頭對采集好的煤塵樣本進(jìn)行拍照，并將圖片信息保存為未壓縮的TIF格式文件。經(jīng)對原始圖像數(shù)據(jù)篩選后，所組成的數(shù)據(jù)集包含了6組圖像，每組數(shù)據(jù)集包含80張訓(xùn)練圖像，10張驗證圖像和20張測試圖像，具有紅綠藍(lán)3個通道，圖片尺寸大小為3 072 pixel×2 048 pixel，掃描精度為600 dpi?？紤]到顯存大小的限制，將每張圖像用512 pixel×512 pixel的滑窗進(jìn)行裁剪，每張原始圖像產(chǎn)生24張小圖像，相鄰圖像無像素重疊，最終每組中訓(xùn)練集、驗證集和測試集分別包含1 920，240和480張圖像。

2.2 評估指標(biāo)選取

為對煤塵圖像分割結(jié)果進(jìn)行評估，本文選擇經(jīng)常用于深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)性能評估的3個指標(biāo):召回率(R)、準(zhǔn)確度(P)、F1分?jǐn)?shù)(F1)。

(12)

(13)

(14)

其中,召回率R表示樣本數(shù)據(jù)中的正例被網(wǎng)絡(luò)預(yù)測正確的概率;準(zhǔn)確度P表示網(wǎng)絡(luò)預(yù)測為正的結(jié)果中為真的概率;F1分?jǐn)?shù)可以視為召回率R與準(zhǔn)確度P的一種調(diào)和平均。上述指標(biāo)值越大代表網(wǎng)絡(luò)分割結(jié)果越好。

2.3 實驗分析

煤塵特征識別仿真實驗平臺環(huán)境選取Windows10操作系統(tǒng),采用Intel(R)Core(TM)i7-7700HQ的處理器,主頻2.80 GHz，內(nèi)存16 GB，深度學(xué)習(xí)搭建框架選取Kears，軟件編程以Python3.7作為平臺，GPU為NVIDIA GeForce GTX 1070。

2.3.1不同煤塵顆粒分割方法的對比

實驗對FCN[21],SegNet[22],DeepLab[23],SENet,U-Net和Unet-SE六種網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其中FCN,SegNet,DeepLab具有典型深度學(xué)習(xí)機制，可考慮用于邊界模糊、梯度復(fù)雜、需要較多模塊集合的重復(fù)疊加，屬于輕量級網(wǎng)絡(luò)，可完成自主學(xué)習(xí)并獲取各特征通道的重要程度，同時提取更重要的特征并抑制對當(dāng)前任務(wù)作用不大的特征。Unet-SE是在U-Net的通道維度拼接融合的結(jié)構(gòu)基礎(chǔ)上加入SENet中的SE模塊，在U-Net保證以維度拼接形成更厚的特征同時，還可繼承SENet自主學(xué)習(xí)重要特征的核心特點，因此可顯著提高U-Net網(wǎng)絡(luò)的特征學(xué)習(xí)能力。

通過煤塵樣本測試集分別對上述模型進(jìn)行性能測試，表1給出各網(wǎng)絡(luò)通過測試集訓(xùn)練后的性能指標(biāo)。分析表1發(fā)現(xiàn)，F(xiàn)CN，SegNet， DeepLab以及SENet的F1數(shù)值較低，這是由于4種網(wǎng)絡(luò)對網(wǎng)絡(luò)編碼器提取的特征，只通過上采樣操作將其恢復(fù)為輸入圖像尺寸，而未對多尺度特征的像素定位和分類之間的相關(guān)性進(jìn)行學(xué)習(xí)，因此獲得的實驗結(jié)果較為模糊。而U-Net與Unet-SE網(wǎng)絡(luò)添加了跳躍連接，將提取到的底層簡單特征和高層抽象特征相融合，有效的幫助網(wǎng)絡(luò)得到更準(zhǔn)確的分割結(jié)果。從表1中可以看到，Unet-SE的準(zhǔn)確率、召回率及F1分?jǐn)?shù)分別達(dá)到0.873 2，0.843 4和0.858 0，與U-Net網(wǎng)絡(luò)相比，訓(xùn)練時間相對縮短，分割結(jié)果明顯提升。 效果的改善主要是因為Unet-SE網(wǎng)絡(luò)中加入BN層能有效地統(tǒng)一訓(xùn)練數(shù)據(jù)的分布，從而提升網(wǎng)絡(luò)性能;SE模塊的引入可幫助網(wǎng)絡(luò)對于重要的特征信息快速學(xué)習(xí)，擴(kuò)大其感受野，增強網(wǎng)絡(luò)對特征的利用并提高對顆粒的學(xué)習(xí)能力。

表1 不同網(wǎng)絡(luò)學(xué)習(xí)性能指數(shù)對比Table 1 Comparative analysis for evaluation indexes of each network

圖5給出運用6種網(wǎng)絡(luò)模型對不同粒徑的煤塵顆粒特征進(jìn)行提取的結(jié)果對比，3行圖像分別對應(yīng)粒徑范圍R≤35 μm，35200 μm的煤塵顆粒樣本。圖5(a)表示輸入網(wǎng)絡(luò)的煤塵樣本顆粒圖，通過觀察圖5(b)～(d)可以發(fā)現(xiàn)FCN，SegNet以及DeepLab三種網(wǎng)絡(luò)對煤塵顆粒圖像分割時，背景區(qū)域產(chǎn)生了許多噪點，分割結(jié)果較為粗糙;圖5(e)為SENet網(wǎng)絡(luò)的分割結(jié)果，圖中產(chǎn)生更多噪點，但煤塵顆粒中僅缺失少量的煤塵信息，產(chǎn)生的黑色區(qū)域較少，相較前3種網(wǎng)絡(luò)對煤塵區(qū)域的還原度更高、分割結(jié)果更好;圖5(f)為U-Net網(wǎng)絡(luò)分割結(jié)果，觀察發(fā)現(xiàn)網(wǎng)絡(luò)雖然能較好地還原煤塵顆粒的尺寸，但其成像較為“模糊”，尤其是輪廓部分成色較淡，可能是由于U-Net學(xué)習(xí)到部分不重要的特征，導(dǎo)致所學(xué)特征并未很好地表達(dá)煤塵信息;通過圖5(g)發(fā)現(xiàn)本文提出的Unet-SE能有效區(qū)分煤塵顆粒和背景信息，煤塵內(nèi)部未出現(xiàn)黑色區(qū)域，也未生成噪點，并且煤塵顆粒成像更為清晰，對顆粒輪廓預(yù)測較為準(zhǔn)確，得到較好的煤塵分割結(jié)果。煤塵采樣過程中，由于煤塵成分結(jié)構(gòu)不同而產(chǎn)生的像素與背景灰度差異較小的“白煤塵”顆粒。通過實驗分析，給出不同網(wǎng)絡(luò)模型對“白煤塵”顆粒的學(xué)習(xí)效果，如圖6所示。 由圖6(b)分析得出FCN網(wǎng)絡(luò)能繪制出該顆粒的部分輪廓，但仍無法較好區(qū)分顆粒與背景;圖6(c)的SegNet與圖6(d)的DeepLab兩種網(wǎng)絡(luò)對“白煤塵”顆粒識別能力較弱;圖6(e)的SENet網(wǎng)絡(luò)能夠繪制出“白煤塵”顆粒的大部分區(qū)域，但對其邊緣信息的識別結(jié)果較差，使顆粒邊界存在殘差，其識別效果相對前3種網(wǎng)絡(luò)有所改善;圖6(f)的U-Net網(wǎng)絡(luò)對“白煤塵”顆粒的大部分信息可以識別，但其成像較為“模糊”，且煤塵邊緣較為光滑，相比原圖存在輕微失真;圖6(e)中Unet-SE網(wǎng)絡(luò)可以較好地定位并清晰地分割“白煤塵”顆粒，對顆粒輪廓信息能得到較為完整的識別結(jié)果，且顆粒邊界比較接近原圖顆粒邊界形狀。綜上所述，改進(jìn)后的Unet-SE模型與其他模型相比，能有效增強灰度不均的“白煤塵”顆粒的細(xì)節(jié)信息，同時表現(xiàn)出良好的特征信息提取能力。

圖5 不同模型分割結(jié)果對比Fig.5 Segmentation comparison of different models

圖6 “白煤塵”顆粒學(xué)習(xí)效果對比Fig.6 Learning effects comparison of light coal dust particles

2.3.2不同損失函數(shù)的對比

為研究不同損失函數(shù)對網(wǎng)絡(luò)分割性能的影響，針對二值交叉熵?fù)p失函數(shù)(Binary Cross-Entropy Loss Function，BCE Loss)、合頁損失函數(shù)(Hinge Loss Function,Hinge Loss)和二值交叉熵及合頁協(xié)同損失函數(shù)(Binary Cross-Entropy-based Hinge Collaborative Loss，BCE-H Loss)進(jìn)行實驗對比。U-Net與Unet-SE在3種不同損失函數(shù)下的煤塵顆粒分割結(jié)果見表2。從表2結(jié)果可以看出， BCE-H Loss函數(shù)是對BCE Loss和Hinge Loss函數(shù)的融合，能夠促進(jìn)網(wǎng)絡(luò)在反向傳播過程中對學(xué)習(xí)難度大的樣本顆粒實現(xiàn)穩(wěn)定的優(yōu)化，解決梯度消失及類別不平衡的問題，有效提升網(wǎng)絡(luò)分割性能，對煤塵顆粒達(dá)到最優(yōu)提取效果。

表2 不同損失函數(shù)下網(wǎng)絡(luò)的分割結(jié)果Table 2 Results of networks on different loss

此外，試驗記錄了FCN，SegNet，DeepLab，SENet，U-Net和Unet-SE 六個網(wǎng)絡(luò)訓(xùn)練過程中的協(xié)同損失函數(shù)數(shù)值(每5次訓(xùn)練記錄1次數(shù)值)，仿真結(jié)果如圖7所示。從圖中曲線分析可知，SegNet與SENet的損失曲線變化趨勢較為接近，兩者收斂速度相對較慢，在20次訓(xùn)練之后SegNet的損失值開始在1.5～2.0波動，最后停留在1.7附近，而SENet損失值相對SegNet較低，在40次訓(xùn)練后逐漸逼近1.3;FCN網(wǎng)絡(luò)損失值在20次訓(xùn)練之前較快收斂于1.0，之后迅速回彈至2.3左右，30次訓(xùn)練后緩慢下降，并逐漸趨于穩(wěn)定值1.2;DeepLab網(wǎng)絡(luò)訓(xùn)練至20次，其損失值快速降至0.8附近，訓(xùn)練40次時損失值上升至1.4，最后緩慢減少至0.8左右;U-Net損失曲線變化趨勢與DeepLab大致相同，損失值相對較低，最終減少至0.7附近;而Unet-SE網(wǎng)絡(luò)的損失值起點較低，在第15次訓(xùn)練之前迅速收斂至0.3左右，之后損失值緩慢下降，在50次訓(xùn)練之后逐漸逼近于0。這主要是因為BN層對特征的歸一化作用與SE模塊對煤塵特征的壓縮激活作用改善U-Net網(wǎng)絡(luò)性能，得到更小的損失值和更高的精確度。

圖7 二值交叉熵及合頁協(xié)同損失曲線對比Fig.7 Binary cross-entropy-based hinge collaborative loss curves comparison

2.3.3不同場所煤塵污染程度分析

實驗過程中，為觀察分析煤塵顆粒對各個產(chǎn)塵現(xiàn)場的污染程度，運用八鄰域算法檢測各產(chǎn)塵現(xiàn)場分割結(jié)果圖中的煤塵顆粒面積。算法的具體步驟如下:首先用“1” 表示煤塵分割結(jié)果圖中的煤塵顆粒信息，“0”表示背景信息，則整個煤塵圖像可視為由“0”和“1”組成的點陣圖像如圖8所示。同時通過表3所示算法評估煤塵顆粒參數(shù)，其中p(i,j)為圖片每一個像素點值，num為記錄煤塵顆粒的數(shù)目，數(shù)組Area(num)為第num個煤塵顆粒面積。表3算法的判別過程如下:從左到右、由上至下遍歷每一個像素點，判斷其像素值是否為0。若該點為0，掃描下一個點;若該點為1，則判斷該點左方順時針至右上方相鄰4個點是否為0。若都為0，則顆粒數(shù)num與該顆粒面積Area(num)加1，即該點為一個獨立的煤塵顆粒;若該點像素值為1，且4個相鄰點中n個點為1，則num加1，且該顆粒面積Area(num)加n，即該點與n個像素值為1的點屬于同一顆粒。最后根據(jù)面積比公式推導(dǎo)出煤塵顆粒占比值c:

表3 八鄰域算法顆粒參數(shù)評估Table 3 Eight-neighbor particle parameter evaluation

圖8 煤塵顆粒點陣Fig.8 Lattice diagram of coal dust particles

(15)

該占比值可反映煤塵樣本圖中煤塵顆粒所占百分比情況，可用于分析產(chǎn)塵場所煤塵質(zhì)量濃度情況。

在各個產(chǎn)塵場所中，由于粒徑小于35 μm的煤塵顆粒，質(zhì)量較輕，易懸浮于空氣之中[24]，對人體的傷害最大;粒徑在35～200 μm的煤塵顆粒質(zhì)量較大，在重力作用下會附著在設(shè)備表面或其他工作表面[25-26]，但在振動作用下會產(chǎn)生二次揚塵，該粒徑范圍的顆粒易造成煤塵爆炸事故;粒徑大于200 μm的煤塵顆粒質(zhì)量相對較大，可在重力作用下降塵，在空氣中懸浮時間較短。因此試驗中將煤塵按照粒徑不同分為R≤35 μm,35200 μm 三個組別，先對每個產(chǎn)塵場所采集的煤塵樣本的顆粒面積進(jìn)行記錄，仿真結(jié)果如圖9所示，再對每個場所的煤塵顆粒占比值進(jìn)行統(tǒng)計，見表4。

表4 產(chǎn)塵場所顆粒占比值對比Table 4 Contrast of particle proportion in dust producing fields

圖9 各產(chǎn)塵場所不同粒徑范圍內(nèi)煤塵的顆粒評估Fig.9 Evaluation of particle with different particle size in different dust producing fields

在6個產(chǎn)塵場所環(huán)境下，通過對獲取的煤塵圖像樣本分析，粒徑小于35 μm的煤塵顆粒數(shù)均值分別為283，238，188，196，173和206個，對應(yīng)占比分別為17.35%，19.01%，22.41%，27.68%，30.08%和28.30%，說明該粒徑范圍的煤塵顆粒在整個生產(chǎn)環(huán)節(jié)中濃度逐漸增加，對人體的危害程度也在逐漸增大;隨著粒徑的增大，顆粒面積隨之增加，粒徑35200 μm的煤塵顆粒占比和分別為44.45%,33.78%,28.76%,22.33%,17.87%和20.34%，表明隨著生產(chǎn)環(huán)節(jié)后移，這2個粒徑范圍內(nèi)的煤塵顆粒質(zhì)量濃度逐漸降低，生產(chǎn)設(shè)備故障以及煤塵爆炸事故易發(fā)生在靠前的生產(chǎn)車間即原煤煤倉與原煤破碎站。其中原煤煤倉車間煤塵顆粒數(shù)目為447個，煤塵總占比達(dá)90%，粒徑R>200 μm的煤塵顆粒占比達(dá)44.45%;原煤破碎站煤塵顆粒數(shù)目為367個，煤塵總占比達(dá)84.74%，粒徑R>200 μm的煤塵顆粒占比達(dá)33.78%，明顯高于其他4個場所，對于這2個場所應(yīng)提高煤塵質(zhì)量濃度監(jiān)控工作的效率以及頻率，以預(yù)防煤塵爆炸等惡性事件的發(fā)生。此外，對于煤塵粒徑小于35 μm的場所如產(chǎn)品煤倉，應(yīng)提高通風(fēng)降塵的頻率，以減少煤塵對人體健康的傷害。

3 結(jié) 論

(1)本文所提協(xié)同損失函數(shù)相對二值交叉熵及合頁損失函數(shù)能同時有效解決樣本類別不平衡和網(wǎng)絡(luò)方向傳播中梯度消失的問題，并使得網(wǎng)絡(luò)得到信度值較高的預(yù)測結(jié)果，提升網(wǎng)絡(luò)在煤塵圖像數(shù)據(jù)集上的運行效率和分割性能。

(2)Unet-SE對煤塵特征提取在準(zhǔn)確率、召回率以及F1分?jǐn)?shù)3個指標(biāo)分別達(dá)到0.873 2，0.843 4和0.858 0，優(yōu)于FCN，SegNet，DeepLab，SENet網(wǎng)絡(luò)，U-Net網(wǎng)絡(luò)，并在原U-Net網(wǎng)絡(luò)的基礎(chǔ)上性能有較大提升，有效訓(xùn)練時間相對縮短，對煤塵顆粒圖像分割過程中產(chǎn)生的 “溢出”和“模糊”痕跡顯著減少，針對不同形狀及粒徑的顆粒類別學(xué)習(xí)效果表現(xiàn)較優(yōu)。

(3)Unet-SE提取樣本顆粒的有效特征，可降低圖像噪音干擾、平衡顆?；叶纫约疤嵘吘壡逦?，對形成的 “白煤塵”顆粒特征也具有較優(yōu)的提取效果。優(yōu)化的特征壓縮激活U-Net網(wǎng)絡(luò)有效提升煤塵圖像的語義分割性能，協(xié)同損失函數(shù)對Unet-SE網(wǎng)絡(luò)的運行效率具有積極效應(yīng)。