本发明涉及深度学习图像分割领域，具体涉及一种基于门控可微分处理的阴影场景采动地裂缝识别方法。
背景技术：
1、煤矿开采过程中，破坏岩层结构，导致地表开裂，形成采动地裂缝。及时、准确的识别矿区采动地裂缝，可为裂缝修复提供技术保障，有效防止遗煤自然和涌水等灾害，是保障矿区安全生产和环境保护的关键环节。然而，在实际的煤矿开采区，由于复杂的地理环境和多变的天气条件，阴影场景下的采动地裂缝识别变得尤为困难。阴影的存在会显著影响图像的对比度和亮度，导致传统的图像处理和识别算法难以准确提取裂缝特征。
2、当前，采动地裂缝识别主要依赖于人工目视检查和传统图像处理技术。然而，人工检查耗时且主观性强，传统图像处理方法在复杂环境下的适应性较差，特别是在阴影场景中，容易受到光照变化的干扰，导致识别结果的准确性和稳定性较低。随着深度学习和计算机视觉技术的快速发展，利用先进的图像增强技术来提高阴影场景下采动地裂缝的识别精度成为一个重要的研究方向。
3、近年来，深度学习技术在图像处理领域取得了显著进展，特别是在目标检测和图像分割方面表现出强大的性能。通过构建深度神经网络，可以自动学习并提取复杂环境下的特征，有效提高目标识别精度。此外，图像增强技术如伽马校正、对比度调整和去雾处理等，可以显著改善阴影场景下的图像质量，为后续的裂缝识别提供更清晰和可靠的输入数据。
4、当前，在退化场景中使用基于深度学习的增强检测或分割方法主要适用于人、车等常规物体。这些方法依赖于大型数据集和强大的特征提取能力，可以有效地检测和分割这些目标。然而，对于采动地裂缝的检测，这些方法需要特别关注裂缝的独特形态特征。采动地裂缝通常具有细长、不规则的形状，并且其颜色和纹理可能与背景相似。为了提高采动地裂缝识别的准确性，需对裂缝特征进行增强，以区分裂缝与退化背景之间的差异。在裂缝检测中，常规的深度学习方法无法适用于复杂的退化背景，需对图像质量进行增强，包括图像增强、直方图均衡化、伽马校正等技术。此外，特定的裂缝检测算法，如多尺度特征提取、边缘检测和基于形态学的处理，可以显著提高裂缝与背景的区分度。
技术实现思路
1、(一)解决的技术问题
2、本发明所要解决的技术问题是：针对矿区阴影场景下采动地裂缝识别困难的问题，提出了一种基于门控可微分处理的阴影场景下采动地裂缝识别方法，该模块通过增强裂缝形态特征和上下文语义特征，改善采动地裂缝与阴影背景的可区分程度，采用门控可微分处理方法，自适应地调节和选择各种增强方法的权重，从而提高在阴影场景下采动地裂缝识别的准确性和鲁棒性。
3、(二)技术方案
4、为实现上述目的，本发明提出了一种基于门控可微分处理的阴影场景下采动地裂缝识别方法。主要内容如下：
5、1)构建无人机高分辨率影像采动地裂缝标注数据集，进行数据预处理，按照比例将所述数据集划分为训练集、验证集和测试集；
6、2)构建基于门控可微分的裂缝多尺度特征增强模块(fs_mgdip)用于阴影场景下采动地裂缝识别，包括构建基于动态蛇形卷积的视觉编码器作为模块主干结构，构建基于门控可微分的裂缝增强模块(fs_gdip)；
7、3)构建基于yolov8的采动地裂缝实例分割网络，将经过fs_mgdip模块增强后的裂缝特征传递给yolov8进行裂缝分割；
8、4)利用分类损失、回归损失和分割损失函数分别对增强后的裂缝特征进行解耦和计算损失值，输出采动地裂缝的检测框位置、类别和框中的像素分割结果。
9、(三)有益效果
10、1、本发明公开了一种基于门控可微分处理的阴影场景下采动地裂缝识别方法，在进行裂缝实例分割任务之前，使用fs_mgdip模块对阴影场景下的采动地裂缝样本进行特征增强，以提升裂缝与背景的对比度，使裂缝在阴影背景下清晰可见。
11、2、本发明改进了用于各种退化环境中进行目标检测增强的多层次门控可微分图像处理(mgdip)模块，针对阴影场景下的目标检测退化问题，结合采动地裂缝的形态特征，对mgdip模块中的各个增强处理模块进行了相应的优化，可有效减少因阴影和噪声导致的误检和漏检现象。
12、3、本发明引入了自适应门控机制，可根据不同样本的特征动态调整增强权重，并可通过学习阴影场景中的光照变化和裂缝的形态特征，自适应地优化增强策略，从而进一步提高裂缝识别的鲁棒性和准确性。
1.一种基于门控可微分处理的阴影场景采动地裂缝识别方法，其特征在于针对阴影场景采动地裂缝识别困难的问题，设计了一种基于门控可微分处理的多尺度图像增强模块，以增强采动地裂缝与阴影类背景的差异性特征，从而提高阴影场景下采动地裂缝识别的准确性与鲁棒性，包括以下步骤：
2.根据权利要求1所述的构建无人机高分辨率影像采动地裂缝标注数据集，其特征在于，包含以下步骤：
3.根据权利要求1所述的构建基于门控可微分的采动地裂缝多尺度特征增强模块(fs_mgdip)，其特征在于，包含以下步骤：
4.如权利要求1所述的构建基于yolov8的采动地裂缝实例分割网络，其特征在于，包含以下步骤：
5.如权利要求1所述的利用分类损失、回归损失和分割损失函数分别对增强后的裂缝特征进行解耦和计算损失值，输出地裂缝的检测框位置、类别和框中的像素分割结果，其特征在于，以下步骤：
