煤炭学报

作者：孙文斌, 丁铭康, 梁丽娟, 杨辉, 张晓波, 褚怡心,

关键词：电法监测, 两阶段, 深度学习, 机器视觉, 突水实时预警, YOLO11s, OpenCV-HSV颜色过滤算法,

深部采掘工作面处于高地应力、高水压等复杂地质环境，使得突水灾害问题变得愈发严峻。随着人工智能技术的快速发展以及智慧矿山建设的不断推进，深度学习和计算机视觉在矿山安全监测领域逐渐被推广应用，为降低突水灾害风险提供了新路径。针对深部矿井的突水实时预警需求，创新性地将深度学习、机器视觉与电法监测相结合，提出了一种基于机器视觉的两阶段电法监测突水实时预警技术。监测过程分为2个先后阶段，即视觉识别阶段与分析决策阶段。在视觉识别阶段中，使用训练好的轻量化深度学习模型YOLO11s快速精准识别图像中的低阻区域并获取其位置坐标。随后将位置坐标传入分析决策阶段，在分析决策阶段中，使用OpenCV-HSV颜色过滤算法从个数、面积占比、颜色深度3个维度分析已识别的低阻区域的灾变特征，综合判断低阻区域是否为风险区域，并采用自动决策机制触发多级预警。结果表明：YOLO11s模型能够准确评估水源是否会导致突水问题，实现了自动决策触发多级预警，克服了其他监测手段在实时监测、灾变分析、早期预警等方面存在的局限；YOLO11s模型在识别低阻区任务中mAP达到90.2%，模型平均推理速度每帧34.6 ms，模型平均处理速率为 28 FPS。相较于YOLOv8、YOLOv5、Fast R-CNN具有更强的性能，能够实现对低阻区的精准、快速识别；系统使用的OpenCV-HSV颜色过滤算法对单帧图片的平均分析决策时间为7 ms，实现了对突水的实时预警。

来源：2025年第12期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2025年第12期