史健婷, 李 瑾

(黑龙江科技大学 计算机与信息工程学院， 哈尔滨 150022)

0 引 言

近年来，智慧矿山的一个重要环节就是煤炭智能开采，实现无人化开采是终极目标[1-3]。落实综采工作面的无人开采模式,能够增强煤矿开采工作的安全性[4]。在开采的过程中，采煤机作为开采的重要设备，其智能化程度直接影响开采的智能化水平[5]。采煤机截割岩石会损坏截齿，影响采煤的进程，增加成本。为提高开采的效率，实现无人化开采，深度学习技术开始应用到智能开采中[6]。利用深度学习分割综采工作面的煤岩图像，准确找出煤岩的分界线，使采煤机可以根据煤岩的分布情况自动调整截割位置和深度，提升开采效率[7]。在利用深度学习处理煤岩图像方面，华同兴等[8]将基于Faster R-CNN的目标检测算法用于煤岩识别与煤层定位。张斌等[9]将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法智能识别与定位井下采集煤岩图像。司垒等[10]将基于U-NET网络改进的CRSnet网络应用在煤岩图像处理上。笔者通过改进传统U-NET++算法，利用残差网络来提升识别精度，以实现煤岩图像语义分割。

1 U-NET神经网络

1.1 传统算法

U-NET神经网络[11-12]是一种对称的全卷积神经网络。U-NET++[13]是将不同尺寸的U-NET结构融入到了一个网络里，其优势是可以抓取不同层次的特征，将它们通过特征叠加的方式整合，使融合时的特征图尺度差异更小。U-NET++结构[13]如图1所示。

图1 U-NET++结构Fig. 1 U-NET++ structure

1.2 改进算法

U-NET++网络是综合了每层信息，且长连接和短连接并存的结构，导致计算量增加很多，因此，利用U-NET++的结构特点，采用“剪枝”操作对数据集进行预测，以此提升运算速度。……