基于MDE-UNet的矿区地表裂缝智能识别与量化方法

摘要: 本发明涉及无人机遥感与矿山地质灾害监测,具体涉及一种基于mde-unet的矿区地表裂缝智能识别与量化方法。背景技术:1、地下煤炭资源的大规模、高强度开采会破坏覆...
基于MDE-UNet的矿区地表裂缝智能识别与量化方法

本发明涉及无人机遥感与矿山地质灾害监测,具体涉及一种基于mde-unet的矿区地表裂缝智能识别与量化方法。

背景技术:

1、地下煤炭资源的大规模、高强度开采会破坏覆岩原有应力平衡状态,引发覆岩移动、地表沉降及裂缝发育等一系列地质灾害问题。地表裂缝作为采动损伤最直观的表现形式,不仅会破坏土地完整性和地表生态环境,而且可能导致道路、建筑物、输电线路及排水设施等基础设施发生变形甚至损毁,对矿区安全生产和生态环境保护构成严重威胁。因此,开展矿区地表裂缝的快速识别、精确提取及定量分析,对于矿山灾害预警、土地复垦规划及生态环境修复具有重要意义。

2、传统地表裂缝调查主要依赖人工野外测量、全站仪测量及gps定位等方式完成。虽然上述方法具有较高的测量精度,但存在作业效率低、劳动强度大、监测范围有限以及安全风险高等问题,难以满足大面积矿区地表裂缝快速监测与动态评估需求。随着无人机遥感技术的发展,高分辨率航空影像能够快速获取大范围地表信息,为矿区裂缝自动识别提供了新的数据来源。

3、近年来,深度学习技术在道路裂缝检测、混凝土裂缝识别及地质灾害解译等领域取得了广泛应用。其中,以fcn、u-net、deeplab系列以及transformer结构为代表的语义分割模型能够实现裂缝目标的自动提取。然而,由于矿区地表环境复杂,受植被覆盖、阴影遮挡、裸岩纹理及土壤背景干扰等因素影响,地表裂缝通常表现出细长、弯曲、不连续以及尺度差异显著等特征。现有分割模型在矿区复杂场景下仍存在裂缝边缘模糊、细小裂缝漏检、多尺度裂缝识别能力不足以及背景误检率较高等问题,难以实现对裂缝几何形态的精确刻画。另一方面,现有研究大多关注裂缝区域的像素级分割结果,对于裂缝长度、宽度、面积等几何参数的自动获取研究相对较少。传统裂缝几何参数获取方法通常依赖人工测量或人工后处理,且在宽度计算中多采用统一的欧氏距离变换半宽度乘以经验系数,未考虑裂缝分叉处和端点处的宽度测量误差;在尺度换算中多采用全图统一地面采样距离,未考虑无人机影像因地形起伏和航偏导致的局部空间分辨率差异。此外,现有方法中分割网络的尺度感受野在推理阶段是固定的,无法根据待检测影像中裂缝的实际尺度分布进行自适应调整。如何在实现高精度裂缝分割的基础上,进一步自动获取裂缝几何参数,并使分割网络能够根据裂缝几何状态自适应调整多尺度特征融合策略,已成为矿区地表裂缝智能监测领域需要解决的技术问题。

4、因此,亟需提出一种能够适应矿区复杂背景环境、兼顾裂缝精细结构提取与几何参数自动量化分析的新型矿区地表裂缝智能识别方法,以提高裂缝检测精度和自动化程度,为矿山地质灾害监测预警及生态环境治理提供可靠的数据支撑。

技术实现思路

1、发明目的:针对现有矿区地表裂缝监测过程中存在人工巡检效率低、复杂背景下裂缝提取精度不足、裂缝几何参数难以自动获取以及分割网络尺度感受野固定的问题,本发明提出一种基于mde-unet的矿区地表裂缝智能识别与量化方法。

2、技术方案:为实现上述目的,本发明采用的技术方案为:一种基于mde-unet的矿区地表裂缝智能识别与量化方法,包括以下步骤:

3、s1、获取矿区无人机遥感影像,构建crack-uav裂缝数据集,并训练mde-unet网络模型;所述mde-unet网络模型包括注意力卷积块acb、多尺度注意力交互模块maim和注意力引导密集跳跃连接模块adsc;

4、s2、将待检测影像输入mde-unet网络模型进行第一次前向传播,maim以初始权重融合多尺度特征,经分块概率融合得到裂缝粗分割概率图;

5、s3、读取tfw文件,建立像素坐标至投影坐标的仿射变换关系,并对所述裂缝粗分割概率图二值化后进行连通域分析;

6、s4、以所述裂缝粗分割概率图为置信度引导进行骨架化,按分支平均置信度剪除低置信度短分支,得到剪枝后裂缝骨架,并将骨架像素分类为端点、普通点和分叉点;

7、s5、对普通点沿骨架法线方向搜索置信度边界计算法向宽度,对分叉点取邻域普通点宽度中值,对端点取欧氏距离变换值的两倍,并基于所述仿射变换关系逐点转换为物理宽度;

8、s6、根据裂缝物理宽度分布生成maim的尺度调制系数,加载至mde-unet网络模型进行第二次前向传播,maim以所述尺度调制系数替代初始权重进行多尺度融合,得到裂缝二值分割掩码;

9、s7、基于所述裂缝二值分割掩码重新执行s4至s5,在投影坐标系中计算每条裂缝连通域的实际长度、宽度和面积,输出裂缝几何参数量化结果。

10、作为优选,步骤s1中所述mde-unet网络模型采用编码器—解码器结构,编码器用于提取不同层次裂缝特征,解码器用于恢复裂缝空间分辨率;在编码器中嵌入注意力卷积块acb,在网络深层嵌入多尺度注意力交互模块maim,并在编码器与解码器之间设置注意力引导密集跳跃连接模块adsc。

11、作为优选,步骤s1中所述注意力卷积块acb包括可变形卷积模块、通道注意力模块以及空间注意力模块;其中可变形卷积模块通过动态学习卷积采样偏移量,实现对裂缝不规则边界及复杂拓扑结构的自适应感知。

12、作为优选,步骤s1中所述多尺度注意力交互模块maim构建原始尺度、二分之一尺度及四分之一尺度特征分支,通过双线性插值实现不同尺度特征图空间对齐,并利用注意力机制对多尺度特征进行动态融合,实现不同尺度裂缝特征的互补表达。

13、作为优选,步骤s1中所述注意力引导密集跳跃连接模块adsc利用解码器特征引导编码器特征生成注意力权重图,对编码器输出特征进行筛选,仅保留与裂缝识别相关的有效信息后与解码器特征进行融合,以降低背景噪声干扰。

14、作为优选,s4中从骨架端点追踪至另一端点或分叉点形成独立分支,分叉点作为公共节点不参与剪枝;当分支长度小于分支长度阈值且分支平均置信度小于置信度阈值时整支剪除,迭代至无可剪除分支。

15、作为优选,s5中对普通点以骨架邻居方向向量之和确定切线并旋转90度得到法线,沿法线两侧单位步长搜索至置信度低于边界置信度阈值,以两侧步长之和为法向宽度,法向宽度超过欧氏距离变换值两倍的预设倍数时以欧氏距离变换值两倍替代;对分叉点取其邻域内普通点法向宽度的中值,邻域内无普通点时取欧氏距离变换值两倍。

16、作为优选,s6中计算s5所得裂缝平均宽度

meanw,以

w0

=k·gsd为基准宽度,计算归一化宽度偏差

t=(meanw

-w0

)/w0并限幅,经softmax函数生成三个尺度分支的调制系数;t小于零时增大原始尺度权重,t大于零时增大四分之一尺度权重。

17、作为优选,s7中将骨架相邻像素经仿射变换至投影坐标后逐段计算欧氏距离并求和得到实际长度;统计连通域像素数乘以x方向与y方向像素尺寸几何平均的平方得到实际面积。

18、有益效果:

19、一、核心技术创新效益

20、1.提高复杂矿区背景下地表裂缝精细识别能力:本发明提出一种基于mde-unet的矿区地表裂缝智能识别与量化方法,通过构建注意力卷积块(acb)、多尺度注意力交互模块(maim)以及注意力引导密集跳跃连接模块(adsc),有效解决了矿区复杂场景中裂缝边界模糊、细小裂缝漏检、多尺度裂缝难以同时识别以及背景噪声干扰严重等问题,实现了复杂环境下地表裂缝的高精度自动提取。

21、2.本发明在第一次前向传播得到裂缝粗分割概率图后,先对裂缝宽度进行估计,再根据宽度估计结果调整maim的多尺度融合权重进行第二次前向传播。这样网络在推理时能够根据当前影像中裂缝的实际宽窄情况自动调整对不同尺度特征的侧重,而不是像现有方法那样在推理阶段使用固定的尺度权重。

22、3.建立裂缝识别与工程参数量化一体化技术体系:区别于现有研究仅关注裂缝区域分割结果,本发明在高精度裂缝分割基础上,进一步融合骨架化算法与欧氏距离变换算法,实现裂缝长度、宽度及面积等几何参数的自动获取,建立了从裂缝图像识别到工程参数计算的一体化技术流程,实现了裂缝监测结果向工程评价指标的直接转换。

23、二、高精度识别与自动量化效益

24、1.提高矿区地表裂缝识别精度:在自主构建的crack-uav裂缝数据集上,本发明所提出的mde-unet模型在精确率、召回率、f1分数及交并比等指标上均表现优异,其中f1分数达到86.15%,交并比达到76.11%,优于多种主流裂缝分割模型。特别是在植被遮挡、阴影干扰、裸露岩土及复杂纹理背景条件下,仍能够保持裂缝结构的连续性与完整性,有效降低漏检和误检现象。

25、2.提升多尺度裂缝识别能力与鲁棒性:通过动态尺度选择机制与跨尺度特征交互策略,本发明能够同时兼顾细微裂缝与宽大裂缝的特征表达,实现对不同尺度裂缝目标的稳定识别。在复杂拓扑结构、交叉裂缝及多分支裂缝场景下,能够准确保持裂缝网络的连续性和空间结构完整性,提升了模型在复杂矿区环境中的适应能力。

26、3.实现裂缝几何参数自动化测量:本发明利用骨架化算法提取裂缝中心线,并结合欧氏距离变换计算裂缝局部宽度,实现裂缝长度、平均宽度、最大宽度及面积参数的自动计算。与传统人工测量方式相比,能够大幅提高裂缝参数获取效率,减少人为误差,实现非接触、无损、高效率测量。

27、三、工程应用效益

28、1.提升矿山地质灾害监测与预警能力:本发明能够快速获取矿区地表裂缝空间分布及几何参数变化情况,为采动裂缝发育规律分析、边坡稳定性评价、地表沉陷监测及矿山地质灾害预警提供高精度数据支撑,有助于及时发现潜在风险区域,提高矿区安全生产水平。

29、2.降低人工巡检成本与安全风险:传统矿区裂缝调查通常依赖人工野外巡查和现场测量,不仅工作效率低,而且存在较高安全风险。本发明利用无人机遥感与智能识别技术,实现大范围矿区裂缝自动监测,可降低人员投入和现场作业风险,提高监测效率和自动化水平。

30、3.服务土地复垦与生态环境修复:本发明获取的裂缝空间分布及发育特征信息能够为矿区土地复垦规划、植被恢复设计以及生态环境治理提供科学依据,有助于提升矿区生态修复工作的针对性和实施效果。

31、四、行业推广应用效益

32、1.构建矿区裂缝智能监测新模式:本发明从无人机影像输入到裂缝长度、宽度、面积输出无需人工干预,可直接用于矿区裂缝定期巡查和对比分析,实现了矿区地表裂缝监测由传统人工调查向智能化、自动化监测模式转变,为矿山地质灾害监测提供新的技术路线。

33、2.具有良好的跨场景推广能力:本发明不仅适用于煤矿开采区地表裂缝监测,还可推广应用于道路裂缝检测、边坡裂缝监测、建筑结构裂缝检测及其他线性缺陷识别场景。在crack500、deepcrack及crackforest等公开数据集上的验证结果表明,本发明具有良好的泛化能力和工程应用前景。

34、3.推动矿山智能化与数字化建设:本发明将深度学习、无人机遥感与矿山灾害监测相结合,实现矿区裂缝信息的自动获取与智能分析,可为智慧矿山建设、数字矿山管理及矿山安全监管提供关键技术支撑,具有较高的推广价值和应用前景。