煤炭科学技术

作者：孙传猛, 焦斌, 付羿焱, 吴玉祥, 王宇, 王文博, 李勇,

关键词：智能煤矿, 煤岩识别, 图像识别, 代理注意力, 语义分割,

针对煤矿井下复杂工况导致的煤岩图像低照度、高噪声与运动模糊等分割难题，提出一种融合代理注意力（Agent Attention）机制的改进型Swin-UNet（滑动窗口Transformer U-Net）煤岩图像语义分割模型——Agent Swin-UNet。模型以Swin Transformer为主干网络，利用其层级式窗口自注意力（W-MSA/SW-MSA）机制建立长程光照依赖关系，有效缓解暗区细节丢失与局部特征退化问题。在编解码器跳跃连接中嵌入代理注意力模块，该模块融合三重协同机制，通过引入代理令牌实现“聚合−广播”式特征交互，将计算复杂度由O(N2)降至O(Nn)，在保留全局语义建模能力的同时显著提升计算效率；结合空间感知偏置增强模型对噪声分布的自适应能力，有效抑制非结构化干扰；进一步耦合深度可分离卷积（DWC）以强化局部纹理重建，提升边界识别精度与细节恢复能力。针对煤岩图像中前景与背景像素比例严重失衡的问题，构建了融合交叉熵损失、Dice损失与多尺度结构相似性损失（MS-SSIM）的复合监督函数，从分类一致性、区域重叠度与结构相似性多维度优化模型训练过程，增强其在类别不平衡场景下的语义连贯性与边缘完整性。在“陕−晋−冀构造煤数据集”上的系统试验表明：Agent Swin-UNet在标准测试集上达到了91.26% mIoU与88.81% mPA的分割精度，优于Segmenter、DeepLabv3及基准Swin-UNet模型；在噪声强度为0.05的干扰环境下，其mIoU指标仍保持在84.14%，显示出优越的噪声鲁棒性；消融试验进一步验证，代理注意力模块是高性能提升的关键来源，尤其在高噪声场景（>0.05）中贡献了核心性能增益。为复杂地下环境中的煤岩快速分割和智能掘进提供了一种稳健的技术解决方案。

来源：2025年第11期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2025年第11期