摘要：煤礦運(yùn)輸系統(tǒng)的異常險(xiǎn)情種類(lèi)繁多、場(chǎng)景多樣，煤礦現(xiàn)場(chǎng)異常事故的發(fā)生具有偶然性，異常樣本的獲取其數(shù)量遠(yuǎn)小于正常樣本，造成正負(fù)樣本不平衡。針對(duì)上述問(wèn)題，提出一種基于超球重構(gòu)數(shù)據(jù)描述（HRDD）的煤礦運(yùn)輸系統(tǒng)多元異常圖像檢測(cè)方法。在全卷積數(shù)據(jù)描述（FCDD）基礎(chǔ)上引入圖像重構(gòu)輔助任務(wù)，選用均方差損失函數(shù)作為圖像重構(gòu)輔助任務(wù)的目標(biāo)函數(shù)，將異常圖像檢測(cè)和定位量化為一個(gè)不等式約束優(yōu)化問(wèn)題。采用無(wú)縫融合技術(shù)將輔助數(shù)據(jù)集、異常樣本融合到正常樣本中，以縮小異常融合樣本與正常樣本的差異，擴(kuò)大異常樣本總量，平衡異常樣本、正常樣本的比例。通過(guò)多組噪聲模擬實(shí)驗(yàn)和現(xiàn)場(chǎng)實(shí)驗(yàn)證明，以一定概率在抵抗區(qū)添加高斯噪聲進(jìn)行增強(qiáng)訓(xùn)練，可提高HRDD 模型的抗噪效能、泛化能力、檢測(cè)準(zhǔn)確率等。消融實(shí)驗(yàn)結(jié)果表明：輔助數(shù)據(jù)集有效地改善了樣本不平衡問(wèn)題，準(zhǔn)確率提高了36.5%；引入圖像重構(gòu)輔助任務(wù)可保證深層特征能夠準(zhǔn)確映射到異常位置，交并比（IoU）提升了33.4%；輔助數(shù)據(jù)集與圖像重構(gòu)輔助任務(wù)之間存在強(qiáng)耦合作用，二者組合使用能進(jìn)一步激發(fā)HRDD 算法的性能潛力；添加無(wú)縫融合樣本、高斯噪聲增強(qiáng)等在一定程度上提高了HRDD 模型的泛化能力。對(duì)照實(shí)驗(yàn)結(jié)果表明，HRDD 算法準(zhǔn)確率及IoU 均優(yōu)于其他主流算法，相比FCDD 算法，HRDD 算法準(zhǔn)確率、IoU 分別提高了4.6%，7.0%，更適用于煤礦現(xiàn)場(chǎng)。

關(guān)鍵詞：煤礦運(yùn)輸系統(tǒng)；異常圖像檢測(cè)；全卷積數(shù)據(jù)描述；超球重構(gòu)數(shù)據(jù)描述；HRDD；圖像重構(gòu)；無(wú)縫融合技術(shù)；高斯噪聲增強(qiáng)

中圖分類(lèi)號(hào)：TD528 文獻(xiàn)標(biāo)志碼：A

0 引言

煤礦運(yùn)輸系統(tǒng)實(shí)現(xiàn)少人化、智能化安全運(yùn)行是目前發(fā)展趨勢(shì)。然而，輸送系統(tǒng)引發(fā)的人員傷亡、設(shè)備損壞及緊急停工仍占煤礦事故總數(shù)的20% 以上，實(shí)現(xiàn)煤礦運(yùn)輸系統(tǒng)的安全化、智能化生產(chǎn)迫在眉睫[1]。煤礦運(yùn)輸系統(tǒng)的異常圖像檢測(cè)技術(shù)通過(guò)對(duì)輸送帶進(jìn)行全局動(dòng)態(tài)監(jiān)控、人工智能分析，推理解析出高溫火點(diǎn)、顯著異物、人員入侵及堆煤過(guò)高等潛在危險(xiǎn)，提前預(yù)報(bào)顯著、突發(fā)、復(fù)雜的異常情況，實(shí)現(xiàn)煤礦運(yùn)輸系統(tǒng)的制動(dòng)急停、智能調(diào)速，聯(lián)動(dòng)消防系統(tǒng)消除生產(chǎn)隱患，是支撐智慧礦山數(shù)字生態(tài)建設(shè)、無(wú)人生產(chǎn)、綠色運(yùn)行的重要基石。

目前，國(guó)內(nèi)外學(xué)者針對(duì)異物檢測(cè)、人員入侵及火焰檢測(cè)等任務(wù)，提出了大量具有參考意義的方法。① 在煤礦異物檢測(cè)方面，Dai Lili 等[2]使用改進(jìn)模板匹配方法粗定位異常，通過(guò)幀差法和面積法精確篩選出煤礦中的大塊異物，但改進(jìn)模板匹配方法不具有泛化能力，不適用于復(fù)雜多變的煤礦場(chǎng)景。MaoQinghua 等[3]運(yùn)用注意力機(jī)制改進(jìn)YOLOv5 模型并應(yīng)用于煤礦異物檢測(cè)。郝帥等[4]通過(guò)引入深度可分離卷積、優(yōu)化損失函數(shù)等，提升網(wǎng)絡(luò)模型檢測(cè)復(fù)雜環(huán)境中顯著異物的能力。上述2 種方法都屬于基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)督學(xué)習(xí)方法，具有準(zhǔn)確率高、魯棒性強(qiáng)、可復(fù)現(xiàn)性的特點(diǎn)，可用于各種工業(yè)現(xiàn)場(chǎng)，但也存在依賴(lài)數(shù)據(jù)集和超參數(shù)的缺陷，需要廣泛采樣、反復(fù)調(diào)參、準(zhǔn)確標(biāo)記等。② 針對(duì)人員入侵識(shí)別任務(wù)， HaoBonan 等[5]利用基于鬼影的Vibe 目標(biāo)提取方法，結(jié)合各幀圖像信息進(jìn)行人員入侵特征統(tǒng)計(jì)，憑借像素區(qū)域相似度的閾值判斷，準(zhǔn)確消除背景建模中的ghost 區(qū)域，達(dá)到目標(biāo)前景與煤礦背景精細(xì)分離的目的，實(shí)現(xiàn)煤礦危險(xiǎn)區(qū)域入侵人員的精確定位。劉浩等[6]采用姿態(tài)識(shí)別算法識(shí)別人體關(guān)鍵點(diǎn)， 通過(guò)YOLOv3 神經(jīng)網(wǎng)絡(luò)前向推理出井下人員異常行為、非法入侵等，實(shí)現(xiàn)煤礦人員行為智能監(jiān)控與異常報(bào)警。③ 在火焰檢測(cè)方面，B. Kim 等[7]使用Faster RCNN檢測(cè)火焰區(qū)域，提出了一種基于深度卷積網(wǎng)絡(luò)和視頻圖像序列的火焰檢測(cè)方法。梁煜等[8]根據(jù)火災(zāi)特征提出了一種基于A(yíng)nchor-free 結(jié)構(gòu)的火災(zāi)檢測(cè)方法，通過(guò)嵌入火焰特征設(shè)計(jì)自注意力模塊，添加亞像素融合和自適應(yīng)標(biāo)簽分配，改善網(wǎng)絡(luò)對(duì)火焰特征的學(xué)習(xí)效果。

上述方法基本圍繞煤礦特定場(chǎng)景展開(kāi)，而煤礦運(yùn)輸系統(tǒng)的異常險(xiǎn)情種類(lèi)繁多、場(chǎng)景多樣。面向每種異常情況訓(xùn)練對(duì)應(yīng)的監(jiān)督學(xué)習(xí)模型不現(xiàn)實(shí)，因此，現(xiàn)有方法已不能滿(mǎn)足煤礦運(yùn)輸系統(tǒng)的安全需求。此外，煤礦現(xiàn)場(chǎng)異常事故的發(fā)生具有偶然性，異常樣本的獲取受限，其數(shù)量遠(yuǎn)小于正常樣本，造成正負(fù)樣本不平衡問(wèn)題。針對(duì)煤礦運(yùn)輸系統(tǒng)真實(shí)異常多元化、正負(fù)樣本不平衡問(wèn)題，亟需研究一種適用性強(qiáng)、可均衡樣本比例的高精度檢測(cè)技術(shù)。本文提出一種基于超球重構(gòu)數(shù)據(jù)描述（Hypersphere Reconstructed Data"Description， HRDD）的煤礦運(yùn)輸系統(tǒng)多元異常圖像檢測(cè)方法。具體地， 在全卷積數(shù)據(jù)描述（FullConvolutional Data Description，F(xiàn)CDD） [9]基礎(chǔ)上引入圖像重構(gòu)輔助任務(wù)，通過(guò)嵌入圖像注意力模塊，結(jié)合無(wú)縫融合、高斯噪聲和輔助樣本庫(kù)擴(kuò)大異常樣本總量，提升網(wǎng)絡(luò)的抗噪效能、泛化能力、檢測(cè)分辨率、多尺度定位能力等。該方法屬于弱監(jiān)督學(xué)習(xí)的單分類(lèi)方法，具有不依賴(lài)異常樣本集、無(wú)法容忍顯著異常的特性，具備辨識(shí)和定位多種高度抽象異常的能力，適用于異物檢測(cè)、人員入侵及火焰檢測(cè)等任務(wù)。