1.基于深度學習和后處理的煤巖裂隙圖像識別方法，其特征在于，包括：
2.如權(quán)利要求1所述的基于深度學習和后處理的煤巖裂隙圖像識別方法，其特征在于，所述煤巖裂隙圖像的預處理流程具體為：
3.如權(quán)利要求1所述的基于深度學習和后處理的煤巖裂隙圖像識別方法，其特征在于，所述改進的yolov5目標檢測網(wǎng)絡(luò)在其特征提取網(wǎng)絡(luò)中引入可變形卷積網(wǎng)絡(luò)，在其特征融合網(wǎng)絡(luò)中采用加權(quán)雙向特征金字塔網(wǎng)絡(luò)替代特征金字塔網(wǎng)絡(luò)。
4.如權(quán)利要求3所述的基于深度學習和后處理的煤巖裂隙圖像識別方法，其特征在于，所述可變形卷積網(wǎng)絡(luò)的可變卷積算子中，通過將卷積核中的每一個元素增加一個可學習的偏移量參數(shù)，使得將原來固定不變卷積核具有自適應物體形狀的能力，公式表示如下：
5.如權(quán)利要求1所述的基于深度學習和后處理的煤巖裂隙圖像識別方法，其特征在于，對所述預處理后的不同角度的煤巖裂隙圖像中裂隙和非裂隙進行視差深度計算，具體為：在不同角度的煤巖裂隙圖像中尋找匹配的特征點，對匹配的特征點計算圖像平面上的視差，利用視差、相機的內(nèi)部參數(shù)和外部參數(shù)計算特征點的視差深度，公式表示如下：
6.如權(quán)利要求1所述的基于深度學習和后處理的煤巖裂隙圖像識別方法，其特征在于，所述分形維度采用盒計數(shù)法計算，具體為：選擇不同大小的盒子覆蓋在二值化圖像的裂隙網(wǎng)絡(luò)上，在雙對數(shù)坐標系中繪制盒子的數(shù)量和對應的盒子邊長，對繪制的點進行線性擬合，得到裂隙的分形維度。
7.如權(quán)利要求1所述的基于深度學習和后處理的煤巖裂隙圖像識別方法，其特征在于，基于所述分形維度初步判斷裂隙是否能夠表征具體為：
8.基于深度學習和后處理的煤巖裂隙圖像識別系統(tǒng)，其特征在于，包括：
9.一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-7中任一項所述的基于深度學習和后處理的煤巖裂隙圖像識別方法中的步驟。
10.一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述程序時實現(xiàn)如權(quán)利要求1-7中任一項所述的基于深度學習和后處理的煤巖裂隙圖像識別方法中的步驟。