煤田地质与勘探

作者：胡咤咤, 张寻, 金毅, 巩林贤, 黄文辉, 任建吉, Norbert Klitzsch,

关键词：Trans-UNet, µCT图像, 煤裂隙, 图像分割, 深度学习,

目的煤储层裂隙的精细描述对于煤层气资源的勘探开发具有重要意义，裂隙的尺寸、走向、分布密度等直接影响煤层的渗透性，准确识别和提取煤层中的裂隙信息是揭示体积压裂过程中裂缝网络形成与扩展机理的关键。传统的裂隙提取方法往往依赖人工标注和基于一定图像处理技术的特征提取，这些方法在精度和效率上存在明显不足。方法提出一种基于Trans-UNet网络和µCT图像的煤裂隙提取方法，Trans-UNet结合了Transformer模块和卷积神经网络(CNN)的优点，不仅具备全局特征提取能力，还能够捕捉图像中的局部细节特征，大幅提高了分割精度和网络的鲁棒性。首先对煤样µCT图像进行预处理，包括使用差值法提高图像质量、使用数据增强技术扩大样本数量等。随后，利用Trans-UNet网络对处理后的图像进行分割，提取裂隙特征，并比较不同神经网络模型的分割结果。结果和结论结果表明，提出的方法在数据集上表现出优越性能，Trans-UNet模型在煤裂隙提取上的准确性(accuracy)、精确度(precision)、F1分数(F1-score)和交并比(IoU)分别达到91.3%、89.5%、89.8%和84.0%，相较于U-Net、U-Net++等其他多种智能模型有显著提升。结合µCT图像的细粒度特征，将Trans-UNet网络应用于煤裂隙提取任务，是一种高效且准确的解决方案，为煤层气勘探开发领域的相关图像处理任务提供了新的思路。

来源：2025年第2期

《煤田地质与勘探》期刊编辑部

查看煤田地质与勘探杂志2025年第2期