基于深度学习的煤岩Micro-CT裂隙智能提取与应用
王登科1
房禹2
魏建平1
张宏图1
赵立桢2
王龙航2
夏缘帝2
李璐2
王少璞3
张强3
任海慧3
1.河南理工大学河南省瓦斯地质与瓦斯治理重点实验室-省部共建国家重点实验室培育基地,河南焦作 454000;河南理工大学安全科学与工程学院,河南焦作 454000;煤炭安全生产与清洁高效利用省部共建协同创新中心,河南焦作 4540002.河南理工大学河南省瓦斯地质与瓦斯治理重点实验室-省部共建国家重点实验室培育基地,河南焦作 454000;河南理工大学安全科学与工程学院,河南焦作 4540003.山西晋煤集团技术研究院有限责任公司,山西晋城 048006
摘要：为解决煤岩CT裂隙图像识别中矸石影响以及不同尺度裂隙识别的问题,设计并实现了一种基于深度学习的煤岩裂隙提取网络模型(MCSN),该模型基于U-Net网络,利用其编码器-解码器结构和跳跃连接,可实现从复杂煤岩体中分割出完整的裂隙结构图像.首先,通过煤岩工业CT扫描系统获取煤岩体内部扫描图片后,人工标注出CT图像中的裂隙结构,并利用数据增强扩充标注的原始数据制作出煤岩CT裂隙数据集;然后,将训练好的VGG16模型权重通过迁移学习技术移至U-Net编码器部分,使得整个主干特征提取网络具有更强的裂隙结构特征提取能力;同时采用深度可分离空洞卷积模块(DCAC)和残差模块对U-Net模型中解码器部分进行改进,有效提升了 CT图像中裂隙结构的识别能力,展现出了优越的分割精度和鲁棒性.为验证提出的煤岩裂隙提取网络模型的有效性,将MCSN的提取结果与经典的卷积神经网络及阈值分割方法的结果进行了对比,实验对比结果显示,提出的模型在定性分析和定量分析方面优势明显.这种多尺度融合的策略可以有效提取出复杂煤岩体图像中的裂隙,提高了裂隙识别效率和精度.将该模型应用到巷道围岩钻孔裂隙识别中,通过对钻孔成像仪采集到的窥孔视频和平面展开图进行裂隙提取,并结合二者提取结果进行交叉验证,得到了精准的巷道围岩裂隙分布范围,给出了穿层抽采钻孔的注浆封孔范围,提高了煤层瓦斯抽采体积分数.
关键词：裂隙识别与提取CT扫描深度学习卷积神经网络空洞卷积
分类号：TD712(矿山安全与劳动保护)
资助基金：国家自然科学基金(52174174)河南省高等学校重点科研项目(21zx004)河南理工大学创新团队计划资助项目(T2022-1)
论文发表日期：2024-08-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：14( 3439-3452 )
英文信息