全球文化探索Global Cultural Exploration

面向低照度矿井环境的视觉缺陷识别方法实验研究
肖宇辰 王俊翔 龙锦权 冯之轩 崔玉环

华北理工大学，河北唐山，063210；

摘要：随着煤矿智能化建设推进，基于视觉的矿井安全监测愈发重要，但井下低照度、强噪声的环境特点，导致采集图像缺陷特征表达受限，严重影响视觉识别算法可靠性。本文针对低照度矿井环境下结构表面缺陷识别性能下降的问题，采用图像增强与深度学习分类相结合的技术路线展开研究。以公开结构表面裂缝图像数据集为对象，构建ResNet18缺陷二分类基线模型并完成正常光照下的训练测试；通过Gamma变换与噪声注入模拟不同程度低照度场景，分析照度退化对识别性能的影响；引入传统Gamma校正与Zero-DCE低照度增强方法处理重度低照度图像，进行分类对比实验。实验结果显示，低照度会显著削弱细微缺陷判别特征，导致分类准确率下降；传统Gamma增强难以改善识别性能，还可能放大噪声；Zero-DCE通过像素级自适应亮度调整有效恢复图像细节，大幅提升缺陷识别准确率，接近正常光照水平。该研究验证了深度学习低照度增强方法的有效性，可为矿井智能监测系统视觉感知模块设计优化提供参考。

关键词：低照度环境；矿井视觉监测；缺陷识别；图像增强；深度学习

参考文献

[1]寇旗旗,张恒,吴泉霖,等.矿井低照度环境下图像增强方法研究综述与展望[J].煤炭科学技术,2025,53(11):82-100.

[2]李宇哲,郝清华,高志发,等.低信噪比与暗弱场景图像增强研究综述[J/OL].计算机科学与探索,1-14[2026-01-26].

[3]Tian Z, Yang Q, Liu J. A Survey of Deep Learning-Based Low-Light Image Enhancement[J]. Sensors, 2023, 23(18): 7763.

[4]Guo C, Li C, Guo J, et al. Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement[C]

[5]张亚茹,刘健涛,许国庆,等.基于自适应掩码的自监督矿井图像去噪[J].中国图象图形学报,2025,30(12):3884-3899.

[6]赵猛,魏玉忠,李泽枫,等.基于傅里叶-小波协同Transformer的井下低照度图像增强算法[J/OL].煤炭科学技术,1-10[2026-01-26].

[7]王文韫,朱龙涛,黄靖龙,等.基于U-Net和多阶段判别器的CycleGAN煤矿井下低照度图像增强方法[J/OL].煤炭学报,1-15[2026-01-26].

[8]孙传猛,焦斌,李宣,等.融合对抗增强与Proxy注意力的井下低照度煤岩图像识别方法[J/OL].煤炭学报,1-14[2026-01-26].