一种基于YOLOv8与三次样条插值的煤岩界面自动检测方法

《Processes》：An Automatic Detection Method for Coal–Rock Interface Based on YOLOv8 and Cubic Spline Interpolation

　　

为实现采煤机自动调高，准确提取连续的煤岩界面至关重要。本研究提出了一种将YOLOv8检测与三次样条插值相结合的自动提取方法，以解决现有深度学习方法输出离散、难以直接生成煤岩界面的问题。首先，利用YOLOv8高效感知煤岩图像并输出边界框中心点的离散序列；随后，通过三次样条插值将其拟合为光滑、连续且符合岩层形态的煤岩界面。实验表明，该方法可实现端到端处理，在典型复杂井下场景中表现良好。三次样条插值策略提升了边界线的垂直定位精度，相较于线性插值垂直定位精度提高14.9%，显著改善了输出曲线的工程可用性与控制精度，为煤矿智能化开采提供了可靠的技术方案。

本研究聚焦于煤矿智能化开采中的核心技术瓶颈——煤岩边界自动检测问题，提出了一种基于YOLOv8（You Only Look Look Once version 8，一种单阶段目标检测算法）与改进三次样条插值的深度协同检测方法，为采煤机自动调高系统提供可直接跟踪的连续光滑边界线。该论文发表于《Processes》期刊。

## 研究背景与问题分析

煤炭作为中国主要能源，其安全高效开采对国家能源安全至关重要。近年来，"智慧矿山"建设已成为行业共识，旨在通过自动化与智能化技术提升安全性与效率。然而，智能化开采的愿景与核心井下生产环节——"采煤机自动调高"的现实状态形成鲜明对比。数据显示，超过90%的中国矿井仍依赖人工操作控制采煤机，低自动化渗透率已成为制约高效开采的关键瓶颈。在综采工作面自动化系统中，准确识别煤岩界面是实现采煤机自动调高的关键，直接影响开采效率与资源回收率。若采煤机作业中遇到岩层，岩石硬度显著高于煤，会导致截齿快速磨损、缩短使用寿命；而过于保守的切割边界则造成严重的资源浪费，降低煤炭回采率。这两种挑战共同阻碍了自动化控制技术在煤矿的有效实施。

传统煤岩边界检测主要依赖经验性人工判断，存在效率低、主观性强、危险性高等固有缺陷。在复杂地质条件下，人工检测难以保证准确性与一致性，严重制约了煤矿自动化开采的推进。现有技术路线主要分为传统图像处理与深度学习两类。传统方法如Canny算子边缘检测、Otsu阈值分割结合数学形态学、灰度共生矩阵（Gray-level Co-occurrence Matrix, GLCM）纹理特征提取等，这些方法严重依赖人工设计特征，在不均匀光照、粉尘干扰、煤岩表面特征相似等复杂条件下鲁棒性与泛化能力有限。

深度学习方法通过数据驱动自动学习煤岩深度判别特征，展现出巨大潜力。早期研究集中于图像分类模型，如基于卷积神经网络（Convolutional Neural Network, CNN）处理煤岩CT图像、构建煤岩信息识别边缘计算系统等。全卷积网络（Fully Convolutional Networks, FCN）和U-Net等语义分割模型实现了像素级定位。近年来，YOLO系列等单阶段目标检测算法因检测精度与推理速度的平衡优势成为工业视觉检测热门研究方向。然而，现有深度学习方法大多直接采用通用框架，输出为一组离散边界框，无法生成采煤机自动调高系统可直接跟踪的连续光滑边界线。虽有研究尝试使用线性插值或简单曲线拟合连接离散点，但此类"检测+插值"方法存在两个根本性局限：其一，YOLO检测器输出的边界框几何中心在不规则切割面上常偏离煤岩实际物理边界，导致后续拟合所用参考点存在系统性偏差；其二，标准三次样条插值对异常点或漏检点高度敏感，单个错误检测点即可导致整条曲线剧烈振荡，而现有方法未能有效防范这一问题。

## 技术方法概述

研究人员采用的核心技术方法包括五个模块：图像预处理模块、YOLOv8目标检测模块、中心点提取模块、边界线拟合模块及质量评估模块，实现从原始图像到连续控制参考线的端到端处理。检测阶段选用YOLOv8s模型作为基础架构，输入图像统一缩放至640×640像素，置信度阈值设为0.3，采用非极大值抑制（Non-Maximum Suppression, NMS）算法处理重叠检测框，交并比（Intersection over Union, IoU）阈值设为0.5，利用COCO数据集预训练权重初始化并在煤岩数据集上微调。在边界线拟合阶段，研究人员提出基于检测置信度加权的改进三次样条插值方法：以YOLOv8输出的检测置信度作为各插值点的权重，引入加权拟合项与曲率正则化约束构造优化目标函数，正则化系数λ设为0.01，通过托马斯算法（Thomas algorithm）高效求解三对角线性方程组确定分段多项式系数。同时建立了包含镜像虚拟点生成机制的边缘处理策略，以及检测点充足时采用标准三次样条、仅两点时退化为线性插值、仅一点时生成有限范围水平线段、无检测点时输出空曲线并触发质量警告的鲁棒边界处理机制。实验基于多个机采工作面实时监控系统的真实煤岩图像数据集，经质量筛选与专业标注后获得4016个有效样本，涵盖正常光照、低光照、粉尘/雾气、局部过曝等多种条件，按约80%、19.9%、5.5%的比例划分为训练集（3216张）、验证集（800张）和测试集（220张）。

## 研究结果

**YOLOv8检测器性能表现**：YOLOv8s检测器在挑战性煤岩条件下提供了可接受的检测结果，为后续边界拟合提供了充分的候选点。核心贡献在于置信度加权样条拟合实现了高垂直定位精度（P_{acc_Y}=0.725）。

**三次样条插值对垂直定位精度提升的消融实验分析**：通过严格消融实验定量评估核心三次样条插值算法对检测系统的贡献。实验结果表明，仅使用YOLOv8检测离散点时输出为断裂点，无法形成连续轨迹；线性插值虽能实现连续输出，但因一阶导数不连续呈现锯齿状，不符合岩层实际状态，且垂直定位精度无改善（P_{acc_Y}仍为0.631）；而本研究采用的三次样条插值方法在所有定量指标上实现最优性能：水平投影精度（P_{acc_X}）达到0.806，较线性插值提高5.1%；垂直定位精度（P_{acc_Y}）达到0.725，显著提升14.9%。该方法将含噪离散检测点转换为光滑连续边界，曲线更接近实际地质形态，其连续可微性使采煤机控制系统可直接解析跟踪边界。

**典型场景视觉分析**：附录A提供了多种典型井下场景中检测拟合结果与真值的可视化对比。理想条件下清晰煤岩界面场景中，系统生成的边界线与真值高度吻合；在边界模糊、粉尘干扰、局部反射等挑战性条件下，系统仍能稳定产生合理光滑的边界线。这种鲁棒性能源于YOLOv8模型在复杂背景中的强大特征提取能力，以及三次样条插值算法抑制异常检测点并强制执行全局光滑约束的能力。

**鲁棒性分析与异常点影响测试**：设计两组鲁棒性测试验证方法抑制异常点和漏检的能力。在原始YOLOv8检测点上人工引入两类干扰：20%随机偏移干扰（随机选取20%检测点使其纵坐标偏移约30像素）和15%稀疏漏检干扰（随机删除15%检测点模拟检测失效）。采用最大垂直偏移误差（拟合曲线与真值标签在垂直方向的最大绝对差值）和曲线曲率异常指数（拟合曲线二阶导数的均方根，反映曲线振荡程度）量化失真程度。结果显示，20%随机偏移干扰下，本研究方法垂直定位误差基本维持在112.53像素，标准样条则增至123.45像素；15%随机漏检干扰下，本研究方法误差较标准样条低23.2%，曲率异常指数始终低于0.014，满足工程光滑度要求。

**数据增强策略的定量分析**：以仅含基本几何变换（随机翻转和缩放）的YOLOv8基线模型为参考，每次仅添加一种增强技术进行消融实验。结果表明，直方图均衡化提升最显著，mAP@0.5较基线提高7.2%；模拟粉尘/雾气次之（6.5%）；亮度/对比度调整（4.7%）、色彩抖动（3.5%）、随机水平翻转（2.8%）、小角度旋转（1.9%）、局部遮挡（1.6%）依次递减；高斯噪声和盐椒噪声提升均不足1.0%。完整增强策略最终mAP@0.5达到0.806。

## 讨论与结论

在检测性能优化策略方面，研究人员深入分析优化了检测模块关键参数。置信度阈值对检测结果平衡影响显著，经P-R曲线扫描分析后确定为0.3，实现了精度与召回率的最优平衡。针对初始检测点空间分布不均问题，通过改进非极大值抑制策略并引入最小水平间距约束，确保检测点沿煤岩界面均匀分布。为缓解图像边缘信息损失导致的拟合不稳定，检测系统引入镜像虚拟点生成机制，显著提升了边界线在边缘区域的形态稳定性。

在检测系统实用性分析方面，该系统在指定实验环境下平均端到端处理速度达45帧每秒（Frames Per Second, FPS），约22毫秒每帧，充分满足井下工业视频流实时处理需求。面对粉尘、水雾、光照不均等挑战性条件，测试子集上X方向投影精度仍超过80%，这主要归因于三次样条插值算法的全局光滑性与局部支撑性，有效抑制了局部检测误差的传播。

关于局限性，当前算法完全依赖二维视觉信息，当煤岩表面纹理色彩特征相似或存在严重遮挡时模型判别能力下降；现有算法主要针对单一清晰煤岩边界优化，面对多重平行或相交边界、严重破碎顶板等复杂地质结构时适应能力有限；模型泛化能力与训练数据分布紧密相关，应用于地质条件迥异的新矿井时性能可能下降。

研究结论指出，本研究针对智能采煤中的煤岩边界检测需求，提出了一种融合YOLOv8目标检测与三次样条插值的创新方法，建立了"精确检测-光滑拟合"的协同框架，有效解决了传统离散检测结果难以直接应用于工程的问题。该方法成功将YOLOv8算法应用于复杂井下环境中的边界检测，并利用三次样条插值将检测结果重构为光滑连续的线条，显著增强了输出的工程可用性。此外，开发了完整的自动化处理流程与质量评估模块，为系统可靠部署提供支持。生成的边界线可直接作为采煤机自动调高系统的控制指令，显著降低了系统集成复杂度，为推进煤矿智能化开采提供了实用的技术路径。