基于深度學(xué)習(xí)的煤中異物機(jī)器視覺檢測(cè)

王衛(wèi)東，張康輝，呂子奇，谷詔闖，錢瀚文，張情意

中國礦業(yè)大學(xué)(北京)化學(xué)與環(huán)境工程學(xué)院，北京 100083

原煤開采過程中會(huì)混入各類鐵器、錨桿、錨索、網(wǎng)片、破損膠帶、電纜頭、木材等生產(chǎn)廢舊物資，井下作業(yè)產(chǎn)生的生活垃圾(如塑料瓶、塑料袋等)也會(huì)混入到原煤中[1-3]。煤中異物容易堵塞管道、溜槽、閥門、篩孔等部件，成為困擾選煤廠連續(xù)生產(chǎn)的主要因素之一。一旦發(fā)生事故，輕則運(yùn)輸系統(tǒng)堵塞、降低脫泥脫介系統(tǒng)效率、發(fā)生跑冒滴漏現(xiàn)象，重則會(huì)劃傷帶式輸送機(jī)，造成設(shè)備故障和產(chǎn)品質(zhì)量等事故[4]。攔雜網(wǎng)、除雜鉤等機(jī)械裝置是近年來常用的除雜方法，但除雜效率較低，且需要頻繁檢查和維護(hù)除雜裝置，應(yīng)用局限性較大[4]，無法滿足當(dāng)前生產(chǎn)的需求，因此作者提出一種基于機(jī)器視覺的異物分揀方法[5]，該方法的關(guān)鍵在于異物的智能檢測(cè)。

近年來，基于機(jī)器視覺的異物檢測(cè)研究逐漸深入。文獻(xiàn)[6]通過傳統(tǒng)的圖像處理進(jìn)行特征提取，并引入支持向量機(jī)(Support Vector Machine，SVM)進(jìn)行分類；文獻(xiàn)[7]基于概率圖模型提取紋理特征和基于緊湊顏色編碼結(jié)構(gòu)化的目標(biāo)跟蹤方法，對(duì)異物進(jìn)行定位和識(shí)別；基于傳統(tǒng)圖像處理技術(shù)的異物檢測(cè)方法在特定應(yīng)用場(chǎng)景中可以有效識(shí)別異物，然而其穩(wěn)定性與可擴(kuò)展性有待提高。常規(guī)的異物檢測(cè)方法受用戶設(shè)置的手工參數(shù)的影響很大，但是基于深度學(xué)習(xí)的方法可以通過學(xué)習(xí)訓(xùn)練數(shù)據(jù)的特征來提供更加準(zhǔn)確的結(jié)果，并且在食品、農(nóng)業(yè)、醫(yī)學(xué)領(lǐng)域已有應(yīng)用[8-10]。

深度學(xué)習(xí)在目標(biāo)檢測(cè)和語義分割等視覺任務(wù)中的成功應(yīng)用[11-20]，展示了神經(jīng)網(wǎng)絡(luò)強(qiáng)大的特征提取能力。利用深度學(xué)習(xí)目標(biāo)檢測(cè)框架Faster-RCNN對(duì)運(yùn)煤輸送帶上的異物進(jìn)行識(shí)別，雖然能精準(zhǔn)定位到異物位置信息但不能完整勾勒輪廓，不利于異物中心點(diǎn)的描述，從而影響后續(xù)分揀[21]。

針對(duì)煤中異物檢測(cè)，本文提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法，用于復(fù)雜環(huán)境下煤中異物的像素級(jí)預(yù)測(cè)，完成邊界的精確標(biāo)記。該方法利用神經(jīng)網(wǎng)絡(luò)卷積層自動(dòng)分層提取特征，提出一種損失函數(shù)用于解決樣本分布不平衡帶來的漏檢和誤檢問題，并使用條件隨機(jī)場(chǎng)作為后端優(yōu)化模塊，細(xì)化網(wǎng)絡(luò)輸出結(jié)果，實(shí)現(xiàn)煤中異物的準(zhǔn)確檢測(cè)與分割。

1 網(wǎng)絡(luò)結(jié)構(gòu)

基于深度卷積神經(jīng)網(wǎng)絡(luò)的煤中異物檢測(cè)模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，前端主要包括編碼器模塊、解碼器模塊和跳層連接模塊，后端使用條件隨機(jī)場(chǎng)優(yōu)化編碼器模塊。模型層級(jí)嵌套具有殘差連接的卷積層，可以有效捕捉異物圖像的局部特征；池化層將特征圖尺寸縮小，使其成為更低維的表征；轉(zhuǎn)置卷積執(zhí)行上采樣恢復(fù)空間維度，跳層連接融合多尺度的特征，建立端到端的異物檢測(cè)，對(duì)每一個(gè)像素點(diǎn)進(jìn)行分類，從而完成前景(煤中異物)和背景的分割。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Network structure diagram

1.1 前端網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

為保證網(wǎng)絡(luò)結(jié)構(gòu)能夠提取有效信息，又可提高模型的訓(xùn)練速度，卷積層使用殘差卷積塊，由2個(gè)33卷積和一個(gè)11卷積組成，并采用殘差連接，能夠增加網(wǎng)絡(luò)深度，使得特征映射對(duì)輸出的變化更加敏感，模型擁有更強(qiáng)的表達(dá)能力，提高網(wǎng)絡(luò)分割精度，還可以使模型更容易訓(xùn)練，既能防止模型退化，又能緩解梯度消失[22]。卷積層步長為1，全0填充，池化層采用最大值池化，池化窗口為22，步長為2，圖像經(jīng)過編碼器端4次池化下采樣后，大小為原圖大小的1/16。為得到與原圖同樣大小的輸出結(jié)果，解碼器的上采樣層采用轉(zhuǎn)置卷積，滑動(dòng)窗口大小為22，步長為2，每次轉(zhuǎn)置卷積后都要進(jìn)行批量歸一化(Batch Normalization，BN)，允許模型使用較大的學(xué)習(xí)率，減弱對(duì)初始化的強(qiáng)依賴性，保持隱藏層中數(shù)值的均值、方差不變，讓數(shù)值更穩(wěn)定，為后面網(wǎng)絡(luò)提供堅(jiān)實(shí)的基礎(chǔ)，同時(shí)還有正則化作用。將不同尺度的特征圖譜進(jìn)行上采樣恢復(fù)圖像信息，在解碼器端進(jìn)行多尺度特征融合，最終經(jīng)過Softmax激勵(lì)函數(shù)輸出概率值，進(jìn)行逐像素的預(yù)測(cè)，從而完成邊界的精確標(biāo)記。Softmax激勵(lì)函數(shù)概率值計(jì)算公式如下：

(1)

式中，xi表示特征圖譜中的第i個(gè)輸出向量。

1.2 后端優(yōu)化模塊設(shè)計(jì)

前端網(wǎng)絡(luò)不斷的卷積和池化操作，使后續(xù)像素點(diǎn)的感受野不斷增大，導(dǎo)致輸出結(jié)果對(duì)邊緣約束力不足，最后的分割結(jié)果較粗，因此使用條件隨機(jī)場(chǎng)考慮全局信息(顏色和空間位置)，對(duì)模型分割結(jié)果進(jìn)行細(xì)化。

條件隨機(jī)場(chǎng)(Conditional Random Field， CRF)是給定一組隨機(jī)變量的條件下另一組輸出隨機(jī)變量的條件概率分布模型[23-25]。對(duì)于每個(gè)像素i具有類別標(biāo)簽xi對(duì)應(yīng)的觀測(cè)值yi，每個(gè)像素點(diǎn)作為節(jié)點(diǎn)，像素與像素間的關(guān)系作為邊，即構(gòu)成了一個(gè)條件隨機(jī)場(chǎng)。通過觀測(cè)變量yi來推測(cè)像素i對(duì)應(yīng)的類別標(biāo)簽xi，條件隨機(jī)場(chǎng)如圖2所示。

圖2 條件隨機(jī)場(chǎng)示意圖Fig.2 Schematic diagram of conditional random field

CRF基于底層圖像像素強(qiáng)度對(duì)前端網(wǎng)絡(luò)輸出結(jié)果進(jìn)行“平滑”，將像素強(qiáng)度相似的點(diǎn)標(biāo)記為同一類別。后端優(yōu)化模塊的能量函數(shù)如下：

E(x)=∑θi(xi)+∑θij(xi，xj)

(2)

式中，xi，xj分別表示像素點(diǎn)i，j對(duì)應(yīng)的標(biāo)簽；θi(xi)為一元?jiǎng)莺瘮?shù)來自異物檢測(cè)模型的輸出；θij(xi，xj)為二元?jiǎng)莺瘮?shù)描述像素點(diǎn)間的關(guān)系。

鼓勵(lì)相似像素分配相同的標(biāo)簽，而相差較大的像素分配不同標(biāo)簽。像素點(diǎn)之間綜合考慮顏色空間和歐式距離進(jìn)行相似性度量，因此基于CRF后端優(yōu)化模塊能夠細(xì)化異物圖像在邊界處的分割。

θi(xi)=-logp(xi)

(3)

式中，p(xi) 為深度卷積神經(jīng)網(wǎng)絡(luò)計(jì)算的像素點(diǎn)i處的標(biāo)記分布概率。

θij(xi，xj)=μ(xi，xj)∑ωmkm(fi，fj)

(4)

式中，μ(xi，xj)為約束力方向，只有相同的標(biāo)簽?zāi)芰坎趴梢曰ハ鄠鲗?dǎo)；ωm為權(quán)重參數(shù)；km為高斯卷積核，取決于像素i、j提取的特征(表示為f)，并由參數(shù)ωm進(jìn)行加權(quán)。

(5)

式(5)的km(fi，fj)求和項(xiàng)中，第一項(xiàng)表示兩像素點(diǎn)空間位置距離越近，顏色越接近，特征就越強(qiáng)；第二項(xiàng)是平滑處理，考慮兩像素點(diǎn)空間上的接近程度。

1.3 模型評(píng)估指標(biāo)

煤中異物檢測(cè)模型的評(píng)價(jià)標(biāo)準(zhǔn)采用交并比(Intersection Over Union，IOU)，即標(biāo)簽與預(yù)測(cè)結(jié)果的重疊區(qū)域大小與它們占總區(qū)域大小的比值，表示為

(6)

式中，TP(True Positive)為分類正確的正樣本；TN(True Negtive)為分類錯(cuò)誤的正樣本；FN(False Negtive)為分類錯(cuò)誤的負(fù)樣本。

圖像中每個(gè)需要分割類別的 IOU 均值MIOU表示為

(7)

式中，N為類別總數(shù)。

2 實(shí)驗(yàn)設(shè)置

2.1 異物圖像數(shù)據(jù)采集

在安徽省淮北礦業(yè)股份有限公司渦北選煤廠手選輸送帶上采集的異物圖片共9 653張，其中異物主要為木棍、竹竿、繩子、塑料袋、鐵器等。圖像數(shù)據(jù)采集裝置如圖3所示。圖像數(shù)據(jù)采集主要設(shè)備分為兩部分：一部分為高清相機(jī)和高壓風(fēng)噴吹的鏡頭除塵裝置；另一部分為數(shù)據(jù)處理單元，主要為高性能的中央處理器CPU和圖像處理器GPU。具體型號(hào)和參數(shù)見表1。

圖3 圖像數(shù)據(jù)采集裝置Fig.3 Image data acquisition device

表1 主要設(shè)備清單Tab.1 List of major equipment

2.2 異物圖像預(yù)處理

為了提高數(shù)據(jù)特征的多樣性，將采集到的異物圖像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間進(jìn)行統(tǒng)一預(yù)處理，隨機(jī)0.9～1.1倍調(diào)整曝光和飽和度，然后再將其從HSV色彩空間轉(zhuǎn)換到RGB色彩空間。為了增強(qiáng)模型的魯棒性和泛化能力，對(duì)數(shù)據(jù)集剪切、縮放、旋轉(zhuǎn)、平移變換，進(jìn)行數(shù)據(jù)增強(qiáng)，由原始的9 351張異物圖像增至18 715張，最后將所有圖像統(tǒng)一處理為256×512像素的RGB彩色圖像，作為網(wǎng)絡(luò)的輸入。對(duì)訓(xùn)練樣本集按照8∶2的比例隨機(jī)劃分訓(xùn)練集和測(cè)試集，得到訓(xùn)練異物圖像樣本14 972張，測(cè)試樣本集3 743張。

2.3 模型的損失函數(shù)

為了緩解前景(異物)、背景(輸送帶、煤、矸石)比例嚴(yán)重失衡對(duì)模型訓(xùn)練的影響，提出一種損失函數(shù)能夠降低易分類樣本的權(quán)重，使其更加關(guān)注難分類的樣本，避免在訓(xùn)練過程中大量的簡(jiǎn)單負(fù)樣本淹沒檢測(cè)器，從而解決類別不均衡問題。損失函數(shù)計(jì)算公式如下：

(8)

不同γ對(duì)于損失函數(shù)的調(diào)整如圖4所示。當(dāng)γ>0時(shí)可減少易分類樣本的損失，更加關(guān)注于難分、錯(cuò)分的樣本。

圖4 不同情況下?lián)p失函數(shù)曲線Fig.4 Loss function graph under different γ cases

此外，加入平衡因子α，用來平衡正負(fù)樣本本身的比例不均。最終損失函數(shù)計(jì)算公式如下：

(9)

2.4 網(wǎng)絡(luò)訓(xùn)練與參數(shù)尋優(yōu)

為了減少模型訓(xùn)練時(shí)間，在ImageNet預(yù)先訓(xùn)練權(quán)重的基礎(chǔ)上進(jìn)行微調(diào)，采用Adam優(yōu)化器，學(xué)習(xí)率為10-5，學(xué)習(xí)衰減率為5×10-4，迭代30次。對(duì)于損失函數(shù)中的2個(gè)超參數(shù)進(jìn)行網(wǎng)格尋優(yōu)，通過前期探索實(shí)驗(yàn)初步確認(rèn)參數(shù)搜索范圍。首先，選取α=0.25，對(duì)比γ分別為0、1、2、3這4組參數(shù)，確定最優(yōu)γ值；然后，取α分別為0.15、0.25、0.35這3組參數(shù)進(jìn)行對(duì)比，確定損失函數(shù)中參數(shù)的最優(yōu)組合；訓(xùn)練過程中采用相似度系數(shù)作為精度評(píng)價(jià)指標(biāo)，當(dāng)驗(yàn)證集的相似度系數(shù)不繼續(xù)上升時(shí)即終止模型訓(xùn)練，以防止模型發(fā)生過擬合。

3 結(jié)果與分析

為驗(yàn)證本文提出模型對(duì)煤中異物的檢測(cè)效果，選取經(jīng)典語義分割網(wǎng)絡(luò)FCN-32、Unet、Segnet作為對(duì)比，使用3 743張異物圖像數(shù)據(jù)集測(cè)試模型性能，測(cè)試結(jié)果見表2。由表2可知，文中提出的模型在測(cè)試集上的表現(xiàn)最優(yōu)，正樣本MIOU達(dá)到55.82%，總樣本MIOU為77.83%。使用最優(yōu)模型對(duì)測(cè)試集中4類異物(硬質(zhì)棍狀異物、硬質(zhì)板狀異物、軟質(zhì)繩狀異物和軟質(zhì)布狀異物)在兩種不同生產(chǎn)狀況下(正常生產(chǎn)和物料堆疊)進(jìn)行測(cè)試，異物檢測(cè)準(zhǔn)確率達(dá)到98.58%，測(cè)試結(jié)果如圖5所示。

圖5 煤中異物測(cè)試示例Fig.5 Example of foreign objects detection in coal images

表2 模型表現(xiàn)對(duì)比Tab.2 Comparison with other models %

3.1 損失函數(shù)對(duì)模型效果的影響

損失函數(shù)是決定網(wǎng)絡(luò)學(xué)習(xí)質(zhì)量的關(guān)鍵，用來表現(xiàn)預(yù)測(cè)與實(shí)際數(shù)據(jù)的差距程度。文中提出的損失函數(shù)包含2個(gè)超參數(shù)：γ因子用來調(diào)節(jié)樣本權(quán)重降低的速率，使得模型減少易分類樣本的損失，以便更加關(guān)注于難分、錯(cuò)分的樣本；平衡因子α用來平衡正負(fù)樣本的比例。通過超參數(shù)的調(diào)節(jié)可使模型減少誤檢情況，不同超參數(shù)組合訓(xùn)練結(jié)果對(duì)比如圖6所示。以交叉熵?fù)p失函數(shù)作為模型基準(zhǔn)，確定損失函數(shù)最佳參數(shù)組合為γ=1，α=0.25，使得模型正樣本MIOU提高了7.85%，總樣本MIOU提高了3.74%。使用不同損失函數(shù)訓(xùn)練模型，預(yù)測(cè)結(jié)果對(duì)比如圖7所示。其中，圖7(b)為真實(shí)標(biāo)注，圖7(c)預(yù)測(cè)結(jié)果1對(duì)應(yīng)的模型由交叉熵?fù)p失函數(shù)訓(xùn)練得到，圖7(d)預(yù)測(cè)結(jié)果2對(duì)應(yīng)的模型由最佳參數(shù)組合的損失函數(shù)訓(xùn)練得到。對(duì)比圖7(c)(d)可以看出，損失函數(shù)的調(diào)節(jié)能夠有效緩解前景、背景比例嚴(yán)重失衡引起的模型誤檢問題，同時(shí)還能抑制部分圖像噪聲，使得模型在復(fù)雜情況下對(duì)煤中異物的檢測(cè)具有更強(qiáng)的魯棒性和泛化能力。

圖6 不同參數(shù)組合對(duì)比結(jié)果Fig.6 Comparison of different parameter combinations

圖7 損失函數(shù)對(duì)模型預(yù)測(cè)結(jié)果的影響Fig.7 Influence of loss function on model prediction results

3.2 迭代次數(shù)對(duì)模型效果的影響

為了分析迭代次數(shù)對(duì)模型的影響，采用Adam優(yōu)化器，學(xué)習(xí)率為10-5，學(xué)習(xí)衰減率為5×10-4，迭代50次模型的相似度與損失值如圖8所示。當(dāng)?shù)螖?shù)較少時(shí)，網(wǎng)絡(luò)學(xué)習(xí)效果并不理想，隨著迭代次數(shù)的增加、網(wǎng)絡(luò)參數(shù)的不斷優(yōu)化，經(jīng)過30次迭代之后模型的相似度系數(shù)的提升和損失函數(shù)的下降已趨于穩(wěn)定，模型迭代20次已經(jīng)基本收斂，損失值穩(wěn)定在0.15左右，相似度基本穩(wěn)定在98%左右。通過模型在測(cè)試集上的表現(xiàn)，不同訓(xùn)練輪次下模型效果如圖9所示。模型訓(xùn)練迭代次數(shù)為25時(shí)，模型效果最優(yōu)，正樣本MIOU達(dá)到55.82%，總樣本MIOU為77.83%，如果繼續(xù)訓(xùn)練模型將會(huì)產(chǎn)生過擬合現(xiàn)象。

圖8 模型訓(xùn)練過程Fig.8 The process of model training

圖9 不同訓(xùn)練輪次下模型預(yù)測(cè)結(jié)果Fig.9 Model predict results under different training rounds

3.3 后端優(yōu)化對(duì)模型效果的提升

通過損失函數(shù)的約束，模型在一定程度上緩解了誤檢問題，但是由于前端網(wǎng)絡(luò)不斷的卷積和池化操作，使后續(xù)像素點(diǎn)的感受野不斷增大，導(dǎo)致輸出結(jié)果對(duì)邊緣約束力不足，最后的分割結(jié)果較粗。因此，后端優(yōu)化模塊考慮全局信息(顏色和空間位置)，對(duì)模型分割結(jié)果進(jìn)行細(xì)化，通過能量函數(shù)優(yōu)化求解，對(duì)預(yù)測(cè)結(jié)果和原始圖像中明顯不符合事實(shí)的進(jìn)行識(shí)別、判斷、剔除，替換成合理的解釋，對(duì)圖像語義預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化，生成最終的語義分割結(jié)果。使用CRF前后模型MIOU指標(biāo)對(duì)比見表3。

表3 使用CRF前后數(shù)據(jù)對(duì)比Tab.3 Data Comparison with CRF %

由表3可知，使用交叉熵?fù)p失函數(shù)通過CRF優(yōu)化迭代5次時(shí)，正樣本MIOU為55.52%,總樣本MIOU為77.63%；使用改進(jìn)的損失函數(shù)通過CRF優(yōu)化迭代1次時(shí)，正樣本MIOU為55.92%，總樣本的MIOU為77.83%。改進(jìn)損失函數(shù)后CRF迭代次數(shù)更少，速度更快，模型效果更優(yōu)。使用后端優(yōu)化模塊前后模型預(yù)測(cè)結(jié)果對(duì)比如圖10所示，可以看出由于圖像采集過程中背景的干擾和噪聲的存在導(dǎo)致模型存在誤檢情況。圖10(c)是經(jīng)過CRF對(duì)模型調(diào)優(yōu)后的結(jié)果。在空間位置上，距離很近的像素應(yīng)該分為同一類，在RGB顏色空間上會(huì)給予一定的懲罰值和一些能量項(xiàng)，使得對(duì)于模型預(yù)測(cè)的概率進(jìn)行修正，減少對(duì)一些離散像素的誤檢測(cè)和對(duì)邊緣進(jìn)行細(xì)化，能夠抑制一定的噪聲，減少過分割和誤檢測(cè)。通過對(duì)比可以看出，使用后端優(yōu)化模塊調(diào)優(yōu)網(wǎng)絡(luò)結(jié)構(gòu)的輸出并強(qiáng)化其捕捉細(xì)粒度信息，促成了底層圖像信息(如像素間的相互關(guān)系)與產(chǎn)生像素級(jí)別的類別標(biāo)簽推理輸出的結(jié)合。這樣可有效地細(xì)化分割結(jié)果，減少過分割和誤檢測(cè)，提升模型的魯棒性和泛化能力，能夠完成復(fù)雜環(huán)境下的煤中異物檢測(cè)。

圖10 后端優(yōu)化前后預(yù)測(cè)結(jié)果對(duì)比Fig.10 Comparison of prediction results with CRF

3.4 模型誤檢原因分析

為了進(jìn)一步了解神經(jīng)網(wǎng)絡(luò)的分類決策策略，方便對(duì)神經(jīng)網(wǎng)絡(luò)決策過程調(diào)試，使用類激活圖進(jìn)行可視化對(duì)模型誤檢原因進(jìn)行分析。可視化結(jié)果如圖11所示?？梢钥闯?，誤檢主要出現(xiàn)在煤矸表面有明顯的棱角及其邊緣、視覺容易混淆的區(qū)域，并且圖像噪聲會(huì)對(duì)煤中異物的識(shí)別帶來一定的干擾。因此，對(duì)于背景和噪聲干擾帶來的誤檢問題提出一種損失函數(shù)用于網(wǎng)絡(luò)訓(xùn)練，并使用條件隨機(jī)場(chǎng)對(duì)模型預(yù)測(cè)結(jié)果進(jìn)行細(xì)化，效果提升明顯。從圖11(b)中可以看出，針對(duì)易分類和難分類樣本分布兩種極端情況，通過損失函數(shù)對(duì)模型進(jìn)行調(diào)整，降低易分類樣本的權(quán)重，使模型更加關(guān)注于難分類的樣本，從而在一定程度上緩解誤檢情況。針對(duì)可能誤分類樣本采用后端優(yōu)化模塊從顏色和空間位置上對(duì)網(wǎng)絡(luò)輸出結(jié)果進(jìn)行調(diào)整，使得模型能有效地細(xì)化分割結(jié)果，減少誤檢情況，提升模型的魯棒性和泛化能力，能夠完成復(fù)雜環(huán)境下的煤中異物檢測(cè)。

圖11 類激活圖Fig.11 Class activation map

4 結(jié) 論

(1) 針對(duì)煤矸分選系統(tǒng)中的異物圖像進(jìn)行數(shù)據(jù)增強(qiáng)，增加模型泛化能力和魯棒性，簡(jiǎn)單有效；提出一種損失函數(shù)，在一定程度上解決了復(fù)雜易混淆背景和煤中異物所占圖像像素比例小所帶來的誤檢問題；模型使用多尺度信息融合，取長補(bǔ)短，提升結(jié)果測(cè)試能力。通過對(duì)3 743張測(cè)試數(shù)據(jù)集進(jìn)行測(cè)試，檢測(cè)準(zhǔn)確率達(dá)到98.58%，正樣本MIOU達(dá)到55.82%，總樣本MIOU為77.83%。

(2) 提出使用條件隨機(jī)場(chǎng)作為其后端優(yōu)化模塊，調(diào)優(yōu)分割架構(gòu)的輸出并強(qiáng)化其捕捉細(xì)粒度信息，促成了底層圖像信息(如像素間的相互關(guān)系)與產(chǎn)生像素級(jí)別的類別標(biāo)簽推理輸出的結(jié)合。能有效地細(xì)化分割結(jié)果，減少過分割和誤檢測(cè)，提升模型準(zhǔn)確率。針對(duì)本文提出的損失函數(shù)，使用CRF優(yōu)化使得正樣本MIOU提升了4.39%，總樣本MIOU提高了2.17%。

(3) 基于類激活圖的可視化方法分析了模型誤檢原因。對(duì)損失函數(shù)的改進(jìn)和條件隨機(jī)場(chǎng)的優(yōu)化，可有效緩解模型對(duì)煤矸石表面和背景的誤檢情況。