声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2402/TD
国际刊号：0253-2336
发布日期:
作者：赵猛, 李泽枫, 魏玉忠, 戴秀杰, 李正, 张俊明,
关键词：采煤工作面尘雾图像, 半监督学习, 双分支网络, 中心差分卷积, 细节修补,
煤矿井下采煤工作面作业时产生煤尘、水雾等非均匀悬浮颗粒，视频图像出现模糊、细节丢失等降质现象。现有井下图像清晰化算法效果不佳，存在图像易失真、算法泛化性差等问题，提出了一种基于半监督学习的双分支网络去雾算法。该算法采用端到端的深度学习网络，将降质图像映射为清晰图像，并通过半监督学习方式进行训练。算法网络由去雾分支和细节修补分支构成：去雾分支为编码器解码器结构，编码器采用了中心差分卷积作为特征提取器，增强了高频信息的学习表征能力，解码器引入去噪模块，增强了网络去雾能力；细节修补分支由DCResBlock模块构成，利用扩张卷积增大感受野，引入少量参数解决去雾过程中的细节丢失问题。由于采煤工作面配对数据集难以收集，针对煤矿环境特点，改进了现有数据合成方法，将清晰图像合成为非均匀尘雾图像，并与真实尘雾图像一同作为训练样本对网络进行半监督训练。针对算法泛化性差的问题，引入了对比学习损失作为无监督损失，引导模型优化方向，提升对真实尘雾图像的去雾效果。为验证算法有效性，选取基于大气散射模型、YOLY、AECR-Net、CasDyF-Net、SSID 5种去雾算法对采煤工作面尘雾图像数据集进行实验，并采用相关指标与提出算法性能对比。结果表明，提出算法能更有效地降低尘雾密度，恢复细节信息，提高了煤矿井下采煤工作场景图像的视觉效果和图像质量，增强了其在工程应用中的实用性。
来源：2026年第4期
《煤炭科学技术》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。