基于域适应的煤矿环境监控图像语义分割

杨 潇，陈 伟,3，任 鹏，杨文嘉，毕方明

(1.中国矿业大学 计算机科学与技术学院，江苏 徐州 221116；2.中国矿业大学 矿山数字化教育部工程研究中心，江苏 徐州 221116；3.中国科学院上海微系统与信息技术研究所 无线传感网与通信重点实验室，上海 200050)

煤炭是我国的重要资源，保障国民经济稳步发展[1-2]。随着智能化技术的发展，由人力资源主导的传统煤矿行业存在安全水平低、开采效能低等问题，感知型、智能型、智慧型矿山成为煤矿行业发展的必然趋势[3]。近年来，深度学习算法逐渐在煤矿特殊环境中得到应用。曹玉超等[4]训练残差网络检测矿井水位标尺刻度。马宏伟等[5]提出基于深度视觉的导航方法，解决煤矿移动机器人的自主导航问题。司垒等[6]改进U-net网络模型，较好地提高综采工作面煤层的识别精度。李晓宇等[7]提出基于超像素粒化及同质图像粒聚类的方法，对煤矿人员进行分割。然而，煤矿环境中存在光线昏暗，对比度低等问题[8]，导致监控图像质量差，深度学习模型应用于煤矿特殊环境中存在一定的困难。语义分割技术是深度学习方法应用于煤矿智能监控系统的一项关键技术，对煤矿复杂场景解析具有重要意义。

随着深度学习的发展，尤其是全卷积神经网络(Fully Convolutional Networks，FCN)[9]的提出，语义分割获得巨大的发展。DeepLab v1[10]将深度卷积神经网络与概率图模型相结合，使用空洞卷积解决卷积网络中下采样导致的细节丢失问题。DeepLab v2[11]提出空洞空间金字塔池化(Atrous Spatial Pyramid Pooling，ASPP)模型，用来融合不同语义级别的信息。……