在矿山采掘过程中,受各种自然因素或人为因素影响,开采沉陷时有发生,严重时甚至会威胁人民生命财产安全,因此开展矿山开采沉陷的预警意义很大。传统上对矿山开采沉陷观测的方式,大多使用了全站仪测量、精密水准尺和GPS等大地测量技术,但这些方式易受气候原因的影响且具有成本昂贵、操作施工难度大等问题。近年来,深度学习技术在图像处理领域成效明显,将卷积神经网络及图像处理应用到矿山开采沉陷灾害预警中,可为煤炭动力开采灾害预警提供有力支持,为此,本文提出一种基于卷积神经网络的矿山开采沉陷灾害预警方法研究。本文首先对矿山开采试验场采掘图像进行了预处理。通过在矿山开采试验场采集了 3000张开采沉陷图像,采用HSV颜色特征提取,结合形态学滤波、边缘检测等方法对采集的特征图像进行去噪与抗干扰,从而实现开采图像的预处理;然后根据不同时刻下,采掘面出现沉陷裂缝的大小,将图像划分为五个不同沉陷灾害预警等级;为了扩大开采沉陷灾害预警实验数据集,利用数据增强方法,进一步扩大开采沉陷灾害预警实验数据集,扩增后共有13920张图片。引入深度学习卷积神经网络的方法,即利用MobileNetV1、MobileNetV2、MobileNetV3网络进行开采沉陷灾害预警实验,随后,对MobileNetV3模型进行改进,提出一种MobileNetV3SAM网络模型,将MobileNetV1--V3的网络模型和MobileNetV3SAM网络模型对开采沉陷图像进行了预警分析对比,结果表明:各网络模型对沉陷灾害预警预测的准确率都达到85%以上,改进后的MobileNetV3SAM网络对沉陷灾害预测精度最高,达到93%。另一方面,为解决深度学习中训练网络模型时间开销大的问题,提出一种迁移式学习和Cosine Warmup相结合的训练策略,即Transfer learningCW。选用深度学习实验中的数据集和ImageNet数据集上训练好的VGG网络模型、MobileNet网模型和EfficientNet模型,利用Transfer learningCW对已训练好的网络重新训练,并进行开采沉陷灾害预警实验对比,结果表明:相对于传统训练方法,采用迁移式学习方法,可将训练速度提高5-14倍,模型精确的提高1-1.2倍,而采用Transfer learningCW方法,可将训练速度进一步提升约20%-30%,模型精确进一步提升约1%-3%。同时,在此训练模式下的各模型预测准确率均达到91%以上,其中EfficientNet模型预测的准确率高达到98%。最后,为了更加直观的观察到开采工作面的沉陷状态,将开采工作面中的沉陷监测点的位置信息进行实时图形反馈。图[64]表[17]参[36]