煤炭科学技术

作者：王登科, 王龙航, 秦亚光, 位乐, 曹塘根, 李文睿, 李璐, 陈旭, 夏玉玲,

关键词：煤岩组合体, 裂隙识别, 裂隙重构, 卷积神经网络, 分形维数,

在煤岩组合体裂隙三维重构中，针对传统阈值分割方法无法准确确定煤岩之间的阈值大小从而导致裂隙分割效果不佳的问题，基于深度学习理论提出了一种新型VRA-UNet煤岩组合体裂隙精确识别模型，为煤岩组合体裂隙精确识别提供了一种优化解决方案。为了提升模型的泛化能力和防止初始化模型参数过于随机，使用VGG16模块作为骨干特征提取网络。针对煤岩组合体裂隙拓扑结构复杂，非均匀性强等问题，在上采样部分引入使用残差连接且具有空间维度和通道维度的注意力模块（ResCBAM）增强模型特征提取能力，缓解模型梯度消失的问题。在下采样的末端加入了利用不同尺度卷积核的非对称空洞金字塔模块（AC-ASPP），通过多尺度的特征提取，提高模型对不同大小裂隙的识别能力。同时，利用煤岩组合体CT扫描图像数据集验证了模型的有效性。研究结果表明：VRA-UNet模型在裂隙提取和识别方面性能良好，平均交并比、像素平均值及识别精度分别为85.22%、90.80%和91.95%；与主流的分割网络UNet、PSPNet、DeeplabV3+、FCN和SegNet相比，VRA-UNet模型的平均交并比分别提高了6.05%、16.7%、10.77%、6.87%和6.4%，像素平均值分别提高了7.13%、13.29%、12.84%、7.4%和7.53%，识别精度分别提高了3.82%、14.45%、7.4%、5.58%和4.31%；VRA-UNet识别出的裂隙结构分形维数与原始CT扫描裂隙结构分形维数保持了良好的一致性，真实还原了煤岩组合体内部裂隙结构的分布特征。

来源：2025年第2期

《煤炭科学技术》期刊编辑部

查看煤炭科学技术杂志2025年第2期