利用迁移学习的卷积神经网络进行冒顶危险检测
计算机视觉与模式识别
2020-12-08 v1 人工智能
摘要
由地质条件引起的冒顶是采矿与隧道工程中的重大安全隐患，会导致工时损失、人员受伤与死亡。美国东部与中西部若干大型露天石灰石矿山存在由高地应力引发的冒顶问题。此类冒顶危险的典型管理高度依赖目视检查与专家知识。本研究提出一种基于人工智能（AI）的系统，用于检测由高地应力引起的冒顶危险。我们使用描绘危险与安全顶板状况的图像来开发卷积神经网络，以实现危险顶板状况的自主检测。为弥补输入数据有限，我们采用迁移学习方法。在迁移学习中，一个已训练好的网络被用作相似领域分类的起点。结果证实该方法在将顶板状况分类为危险或安全方面表现良好，统计准确率达 86%。然而，仅靠准确率不足以确保可靠的危险管理系统。当网络所使用的特征被理解时，系统约束与可靠性得以提升。因此，我们使用一种称为积分梯度的深度学习解释技术来识别每幅图像中用于预测的重要地质特征。对积分梯度的分析表明，该系统在冒顶危险检测上模仿了专家判断。本文开发的系统展示了深度学习在地质危险管理中补充人类专家的潜力，并可能在危险识别高度依赖专家知识的自主隧道作业情形中成为不可或缺的一部分。
引用
@article{arxiv.2012.03681,
title = {Roof fall hazard detection with convolutional neural networks using transfer learning},
author = {Ergin Isleyen and Sebnem Duzgun and McKell R. Carter},
journal= {arXiv preprint arXiv:2012.03681},
year = {2020}
}