融合先验特征与多核残差注意力网络的矿尘浓度图像识别模型

摘要

矿尘浓度实时可靠检测是保障煤矿安全生产的关键问题.针对现有基于图像的矿尘浓度检测方法存在可解释性差、准确性不高等问题，本文提出一种融合先验特征与可解释多核残差注意力网络的矿尘浓度图像识别模型.首先，构建涵盖颜色、纹理、几何等多维特征的图像特征库，结合皮尔逊相关系数与互信息系数，筛选出与矿尘浓度显著相关的线性和非线性可解释特征子集；进而，设计多核学习框架，采用径向基核函数分别映射线性与非线性特征，通过加权融合策略兼顾特征表达能力与可解释性；引入残差连接促进梯度传播，结合通道注意力机制实现关键图像特征的动态强化，提升模型对复杂井下环境的适应性.结果表明：模型在数据集上性能表现优异，均方误差(E_MSE)、平均绝对误差(E_MAE)和平均相对误差(E_MRE)分别达到0.90 mg²/m⁶,0.74 mg/m³和1.76%，拟合优度R²为0.916 0，显著优于支持向量机回归、随机森林等对比模型.消融试验验证了多核融合、残差结构与注意力机制对模型性能的提升贡献.本研究实现了模型可解释性与识别准确性的统一，为矿井粉尘浓度的智能检测提供了一种可靠、透明的高精度解决方案，对提升煤矿安全监测水平具有重要意义.

关键词

矿尘浓度 / 图像识别 / 先验特征 / 深度学习 / 多核学习 / 注意力机制