摘要：放煤量的智能监测技术是智能化综放开采发展的方向之一。针对厚煤层综放开采混合介质下落过程煤矸智能识别现有方法存在适用范围窄、误判率高等问题，提出一种基于实时区域卷积神经网络(Faster R-CNN)改进的CBAM Faster R-CNN煤矸混合放出状态分析识别方法。该方法以综放开采工作面煤矸石下落状态为背景，将注意力机制算法(CBAM)融入ResNet50特征提取网络，研究了注意力机制融合于ResNet50主干特征提取网络的融合优化方法，确定了以煤矸石下落状态检测为目标的最佳融合位置，增加了提取煤与矸石权重信息的能力，使得特征提取过程重点关注煤矸运动状态参量。构建了粉尘环境下综放开采煤矸混合放出状态试验平台，对高速摄像机所采集的煤矸原始运动图像进行暗通道去雾与模糊集增强预处理操作，分析识别不同工况下静态图像，定量研究了模型权重优化以及粉尘环境预处理对煤矸混合放出状态识别的影响。研究结果表明：基于CBAM Faster R-CNN模型的预处理图像识别精确率较原始图像提升了8.84%，召回率提升了6.68%；模型优化效果方面，CBAM Faster R-CNN模型平均查准率和召回率分别为82.63%，86.53%，高于经典模型的74.69%，79.93%；F1-score值较经典模型提升了7%。因此，基于“预处理+CBAM Faster R-CNN”的图像识别方法为实现粉尘环境下综放开采放煤量的精准辨识提供了可靠的理论支撑。
作者简介：
单鹏飞，男，1987年8月生，安徽淮北人，博士，现任西安科技大学榆林煤炭绿色安全高效开采与清洁利用研究院副院长，副教授，硕导，陕西省青年科技新星。主持国家及省部级项目6项，作为学术骨干参与973国家重点基础研究计划课题、973前期专项、国家自然科学基金重点项目各1项。近五年，发表论文17篇，SCI/EI检索15篇。担任IJRMMS、RMRS、IJMST、Engineering geology等国际期刊审稿人、《中国矿业大学学报》青年编委、陕西省岩土力学与工程学会青年委员会委员等。相关研究成果获省部级科技进步奖一等奖3项，二等奖3项。
