半监督学习模型下的露天矿高陡岩质边坡裂隙识别研究

摘要：针对传统露天矿边坡人工检测效率低、主观性强的问题。提出一种基于半监督学习的裂隙智能识别方法，旨在实现高效、精准的自动化检测。构建双模型协同训练框架：通过无人机采集露天矿高陡岩质边坡裂隙图像数据，利用少量人工标注样本与大量未标注数据，设计主模型与评判模型协同迭代优化的半监督学习策略，分析模型在复杂背景下的特征学习能力，并验证半监督机制对性能的提升作用。结果表明：双模型协同训练框架在裂隙识别的精确率、召回率、交并比和平均像素精度分别达到91.9%、91.5%、88.7%和90.2%，均显著优于单一监督模型与传统图像分割算法。研究通过半监督学习策略融合标注数据与未标注数据的特征信息，为露天矿边坡裂隙检测提供了高效、鲁棒的技术路径，可降低对人工标注的依赖，提升复杂场景下的裂隙识别精度。

关键词：

安全工程;裂隙识别;图像分割;半监督学习;掩膜区域卷积神经网络;U形卷积神经网络;

基金资助：

国家自然科学基金项目（52374136）； 中国博士后科学基金项目（326944）； 新疆煤炭资源绿色开采教育部重点实验室开放课题项目（KLXGY–KB2411）； 陕西省重点研发计划项目（2024GX–YBXM–495）；

DOI：

10.13637/j.issn.1009-6094.2024.2246

专辑：

工程科技Ⅰ辑;信息科技

专题：

矿业工程;计算机软件及计算机应用;自动化技术

分类号：

TD854;TP18;TP391.41