采煤作业完成后留下的煤矿采空区,经过一段时间后会形成塌陷,导致地表上方的土地产生裂缝,严重破坏当地环境和建筑并威胁生命安全。为了保护环境和人员安全,周期性地对煤矿采空区的地裂缝进行检测至关重要。然而,由于采空区通常位于偏远地区,具有复杂的沟壑交错地貌,传统的人工检测方法费时、具有较大主观因素,并存在一定的危险性。因此,本文提出使用无人机搭载高清摄像头代替人工采集采空区的航拍图像,并利用图像处理和深度学习技术进行地裂缝的智能检测与识别。同时,构建地裂缝检测系统,并给出相应的裂缝危险评估方法,为后续治理、损失核算等提供一定的依据。研究工作如下:(1)提出基于混合域注意力变形卷积网络的地裂缝航拍图像检测方法针对地裂缝在航拍视角下呈狭长特性,本文构建了混合域注意力变形卷积网络对地裂缝区域进行检测。网络采用ResNet作为骨干网络,并结合特征金字塔结构来增强每一阶段的特征信息。考虑到标准卷积无法精确获得地裂缝的感受野信息,使用变形卷积替代标准卷积进行特征提取。同时构建混合域注意力机制强化特征图的通道与空间信息,其中通道域注意力模块为特征图中每个通道赋予不同的权值,强化特定通道的贡献程度;空间域注意力模块为特征图中每个位置赋予不同权值,强化特定空间的贡献程度。基于此,本文给出注意力机制引导的地裂缝检测一般框架,应用无人机搭载高清摄像头来采集图像进行地裂缝检测。实验结果表明,所提方法相比于其他检测模型,有着更好的训练稳定性和更好的检测精度。(2)提出基于多尺度输入全卷积网络的地裂缝识别方法与检测方法预测边界框不同,语义分割方法能达到像素级的识别精度。地裂缝在航拍图像中只占据非常少的部分,导致了非平衡问题。大量复杂干扰因素,比如阴影,悬崖、梯田的边缘都与裂缝有着相似的特征。为了解决这些问题,本文提出了基于多尺度输入全卷积网络的地裂缝识别方法。首先,使用基于统计的数据预处理方法,将数据集中的无效样本进行移除,保证训练的高效性。然后,构建多尺度输入全卷积网络语义分割模型。其中,多尺度输入用于丰富每个阶段的特征图语义信息和裂缝细节信息。此外,构建多尺度连接模块,用于提取多尺度特征,并选择最重要的上下文信息。最后,利用多个层级的特征恢复高分辨率特征图,输出预测结果。实验结果表明,对比其它裂缝识别方法,所提方法有着更好的性能表现。在敏感性分析实验中,通过实验证明了所提的各个模块的有效性。(3)构建采空区地裂缝检测系统,并提出地裂缝危险评估方法为了适应矿山数字化、信息化发展的需求,本文设计了采空区地裂缝检测系统,该系统包括数据采集系统和数据管理系统两部分。其中数据采集系统使用无人机、地面站和高清云台对各个采空区的航拍图像进行采集;数据管理系统则通过B/S架构,搭建了三个部分:数据录入、地裂缝检测和历史记录查询与统计。此外,还给出了地裂缝的危险评估方法。使用图像处理的方法提取地裂缝的骨架信息,并结合裂缝轮廓信息计算地裂缝的长度、宽度、面积等几何特征,通过裂缝的面积大小给出相应的危险程度评估。本文实现了地裂缝的检测与识别,并构建了地裂缝检测系统,给出了相应的危险评估方法,对煤矿采空区的地裂缝监测和后续措施有一定的指导意义。论文有图46幅,表15个,参考文献101篇。