基于场景差异量化和自生成模型架构的矿井粉尘浓度视觉估计方法

《Engineering Applications of Artificial Intelligence》：A vision-based estimation method for mine dust concentration based on scenario discrepancy quantification and a self-generating model architecture

　　

• •
  提出了IE和BC两个指标，用于量化光照条件和背景复杂度。
• •
  开发了由IE/BC驱动的特征重加权策略，以减少域偏移。
• •
  在三个数据集上验证了跨场景的精度和鲁棒性得到了提升。
• •
  提出了一种自生成框架，用于构建任务专用的模型架构。

引言

地下煤矿中浓度的粉尘被公认为对工人职业健康构成严重威胁，会大幅增加尘肺病的发生风险，同时也会加剧煤尘爆炸的危险性。因此，工作面上的粉尘暴露仍然是矿山生产中亟须解决的一项关键安全问题（Liu和Hou，2023；Paluchamy等，2021；Zeng和Jiang，2023；Prova，2024；Shekarian等，2023）。准确、连续且低成本的粉尘浓度监测是有效抑尘的前提，也是保障职业健康与现场安全的重要基础（Li等，2021；Santa和Sarver，2024；Nie等，2025；Paluchamy和Mishra，2024）。目前，矿用粉尘浓度通常采用称重采样和直读式点式传感器进行测量。称重法能够提供可靠的质浓测量结果，但不适合实时连续监测；点式传感器能够实现快速局部测量，但空间代表性有限，且易受粉尘沉积和工况变化的影响。因此，现有方法在测量精度、时间响应和空间覆盖方面存在一定权衡（Chen等，2023；Tripathi等，2024；Nie等，2026）。

随着计算技术的发展，基于机器学习的粉尘浓度测量技术也得到了研究。Hsieh等（2022）提出了一种基于图像处理和支持向量回归（SVR）的气动直径为2.5 μm或以下细颗粒物（PM2.5）浓度测量方法。该研究从相机图像中提取透射率和纹理信息，并将相对湿度作为辅助输入纳入SVR回归模型，从而在不依赖昂贵监测站设备的情况下估算PM2.5浓度。Fu等（Fu和Wang，2013）提出了一种基于VBAI的粉尘浓度计算测量方案，为工业粉尘检测提供了新的思路。尽管这些研究推动了基于图像的粉尘测量，但在复杂的矿井条件下同时实现高精度和广泛的空间适用性仍然充满挑战。

随着深度学习的快速发展，基于神经网络的粉尘浓度视觉识别与回归逐渐成为研究热点。Li等（2019）研究了一种基于粉尘浓度与RCT模型关系的高精度VBM系统，这是早期将计算机视觉应用于粉尘浓度检测的尝试。Chophuk等（2025）提出了一种基于图像纹理的XGBoost回归框架，通过提取强度峰度、像素偏度、边缘可见度以及时序数据等特征来预测粉尘水平。Yin等（2023）提出了一种融合图像处理与深度学习框架的方法，对粉尘图像中的灰度与分形特征进行了表征，揭示了灰度特征、分形维数与粉尘质量之间的线性及非线性相关性，并对采矿生产过程中产生的粉尘污染进行了分析。Wang等（2024）提出了一种基于灰度均值（GA）的粉尘浓度测量系统，通过引入深度学习并构建粉尘浓度分级机制，建立了一套自动化粉尘浓度检测系统。Yin等（2025）在粉尘浓度测量中同时引入纹理与颜色特征，进一步提高了检测精度，证明了图像特征与粉尘浓度之间存在强相关性，并已在工业监测场景中成功部署。Ye等（2024）提出了一种基于图像透射率特征的粉尘浓度测量方法，通过结合暗通道先验理论计算图像透射率，实现粉尘浓度高精度回归。近年来，相关研究正从传统的灰度统计、透射率或经验映射向多尺度特征学习演进。例如，Wang等（2025）提出了一种基于实例分割的协同网络结构并结合多种回归模型的方法，用于估算煤尘参数、表征煤尘泄漏状态并实现粉尘浓度的高精度检测。

尽管已有研究在实验室条件下实现了较高的测量精度，但矿井工作面的光照条件会因设备布置、作业阶段及巷道反射特性等因素发生动态波动（Tian等，2024；Dai等，2023）。同时，背景结构也常受到通风管道、管线、支护构件以及人员与设备运动的影响（Yang等，2024a）。因此，对于相同的粉尘浓度，不同场景下的图像表征可能存在显著差异。现有的基于视觉的粉尘浓度估算研究大多依赖固定的特征集合和静态的模型/参数（Nabiwa等，2024；Brahimah等，2024；Chang等，2023；Xiong和Tang，2021），导致跨场景泛化能力不足。部分研究尝试通过采用深度网络或经验预处理来改善鲁棒性（Xiao等，2024；Yang等，2024b），但场景变化对测量精度的影响仍未得到充分考虑。

鉴于上述问题，本研究定义了两个指标——光照极端性（IE）与背景复杂度（BC），用以刻画真实矿井中由光照和背景变化所引起的环境差异，并将其作为数值变量纳入建模流程。在特征层面，将IE和BC作为外部协变量，通过加权函数动态调整回归过程中各特征的权重，从而使特征权重能够随真实场景的变化自动更新。为进一步增强场景适应性，本研究还提出了一种自生成的模型结构框架。该模型架构被转化为向量表示；在搜索之前，网络类型、算子类型及层级超参数均被预先指定并纳入统一的搜索空间。随后，利用优化算法进行架构搜索，使得模型结构不再依赖于人工设计，而是根据部署场景自动生成，从而最终实现在不同场景下对粉尘浓度的高精度识别。

各章节片段

总体框架

为了解决在复杂作业条件下粉尘浓度测量精度不足以及模型迁移能力较弱的问题，本研究建立了一套实验室—现场一体化数据系统，如图1所示。提出了一种场景差异量化方法，构建了一种场景驱动的特征权重调整策略，并在此基础上搭建了一个自生成的模型架构框架。由此形成了一套方法体系，

密闭舱实验与数据集

井下采矿过程中通常伴随严重的粉尘污染，尤其在采煤作业以及矿石/煤炭破碎过程中尤为突出。为模拟巷道掘进和采煤过程中的产尘场景，并在可控条件下分析图像特征与粉尘浓度之间的关系，首先搭建了一个密闭舱实验平台，用于在相对简单背景下采集多种浓度等级下的图像数据，

IE/BC阈值的敏感性分析

为避免阈值选取不合理，本节讨论了IE/BC阈值设置的敏感性。在保持数据划分、特征提取流程及模型训练配置不变的前提下，采用控制变量方案以考察场景指标阈值的鲁棒性。具体而言，将背景复杂度阈值系数$\kappa$固定为1，而仅将光照极端性阈值系数λ

结论

• (1)
  为巷道掘进工作面的视觉粉尘监测开发了一种场景表征范式。构建了两个定量指标，即光照极端性（IE）与背景复杂度（BC）。系统揭示了在光照与背景变化条件下，灰度、暗/亮通道、纹理及统计等特征的演变规律，从而为后续的特征权重自适应分配提供了场景表征基础。
• (2)
  在

CRediT作者贡献声明

张效军（Xiaojun Zhang）：撰写——审阅与编辑，撰写——初稿，方法论，调查研究，经费获取，形式化分析，数据管理，概念构想。付天宇（Tianyu Fu）：监督指导，调查研究，数据管理。杨晓斌（Xiaobin Yang）：监督指导。吕富（Fu Lv）：软件，资源。梁涛（Tao Liang）：可视化，验证。孙秋笛（Qiudi Sun）：形式化分析，数据管理。胡芒宇（Mangu Hu）：软件，资源，数据管理。

利益冲突声明

作者声明，不存在可能影响本文所报告工作的、已知的竞争性经济利益或个人关系。

致谢

本研究得到了国家自然科学基金委员会资助（项目编号：51904144和52274206）。

张效军|付天宇|杨晓斌|吕富|梁涛|孙秋笛|胡芒宇