基于CBAM-UNet的煤体CT图像断裂智能分割方法研究

《Results in Engineering》：Research on intelligent segmentation method of coal body CT image fracture based on CBAM-UNet

煤体CT图像断层分割中，传统方法受复杂形态、微小断层及灰度相似性干扰影响显著。本文提出CBAM-Unet模型，基于U-Net架构融合残差模块与卷积块注意力机制（CBAM），通过残差连接缓解梯度消失问题，增强局部细节捕捉；CBAM模块自适应学习通道与空间特征权重，有效抑制煤基质与矿物干扰。实验表明，CBAM-Unet在精度（92.13%）、召回率（93.67%）、F1分数（93.78%）及IoU（92.06%）上均优于U-Net、DeepLabv3+和Transformer模型，显著提升复杂地质场景下的断层分割鲁棒性，为煤岩力学特性分析、孔隙结构重建及断层演化研究提供可靠数据基础。

　　在当前的煤矿开采过程中，随着开采深度的不断增加，煤矿与岩石、瓦斯等复合体的动态灾害问题日益突出，严重制约了深部煤矿的安全高效开采。煤体内部的孔隙-裂隙结构是引发这类灾害的关键因素之一。因此，准确获取煤体裂隙信息对于理解煤岩力学特性、渗流行为以及孔隙-裂隙空间结构的重建具有重要意义。CT图像裂隙分割技术作为一项重要的非破坏性检测手段，其分割精度直接影响到裂隙结构的空间重构质量。然而，煤体CT图像裂隙分割仍面临诸多挑战，包括裂隙形态复杂、微裂隙识别困难、裂隙与煤基质之间的灰度值相似性等问题，这些都导致传统分割方法在效率和准确性方面表现不佳。为了解决这些问题，本文提出了一种基于U-Net架构的改进型网络模型——CBAM-Unet（Convolutional Block Attention Module-Unet），旨在提高煤体裂隙分割的准确性，增强模型对背景干扰的鲁棒性，并有效减少分割结果的边缘模糊问题。

CBAM-Unet模型的核心在于其对U-Net架构的优化。U-Net以其对称的编码-解码结构和跳跃连接而著称，能够有效捕捉图像中的多尺度特征并实现更精细的分割结果。然而，在处理煤体裂隙图像时，传统U-Net模型仍存在一定的局限性，尤其是在面对复杂裂隙结构和微小裂隙识别方面。因此，本文在U-Net的基础上引入了CBAM模块，以增强裂隙特征的提取能力。CBAM模块通过自适应地学习通道和空间维度上的权重，能够有效突出裂隙特征并抑制煤基质和矿物的干扰，从而提升分割的准确性和鲁棒性。此外，解码器部分采用了残差模块，替代了传统的卷积操作，进一步提升了细节和上下文信息的捕捉能力，使模型在处理复杂背景时能够更稳定地输出高质量的分割结果。

在数据采集和处理方面，本文采用了工业CT扫描技术，对煤样进行逐层扫描，获取了1300张CT切片图像。为了确保分割结果的准确性，所有图像经过统一的预处理，包括尺寸裁剪、灰度值归一化等操作，以消除不同尺寸和灰度分布对模型训练的影响。同时，为了应对煤体内部结构的非均匀性问题，本文构建了一个专门的分割数据集，并通过多维度的数据增强方法，如水平翻转、随机旋转、位移变换和弹性变形等，进一步提升了模型的泛化能力。数据集的构建和增强策略为后续的模型训练和验证提供了可靠的数据基础。

在模型训练和评估方面，本文对CBAM-Unet模型进行了系统化的训练，并与U-Net、DeepLabv3+和Transformer等主流模型进行了对比实验。实验结果表明，CBAM-Unet模型在多个关键指标上均优于其他模型。例如，其分割准确率达到了92.13%，精确度为95.12%，召回率为93.67%，F1分数为93.78%，IoU（交并比）为92.06%。这些指标的提升表明，CBAM-Unet模型在处理复杂裂隙结构、微裂隙识别以及抑制背景干扰方面具有显著优势。相比之下，U-Net模型虽然在简单背景下的分割表现良好，但在复杂裂隙结构和微裂隙识别方面存在不足，而DeepLabv3+和Transformer模型虽然在全局特征提取方面表现出色，但在局部细节处理和背景干扰抑制方面仍有待改进。

为了进一步验证CBAM模块和残差模块对模型性能的影响，本文还进行了消融实验。实验结果显示，CBAM模块在模型中起到了关键作用，能够显著提升裂隙分割的准确性。当CBAM模块被移除后，模型的各项性能指标均有所下降，但仍然优于原始的U-Net模型。这表明，CBAM模块在增强模型对裂隙特征的提取能力方面具有不可替代的作用。另一方面，残差模块虽然对模型性能的提升效果相对较小，但在一定程度上缓解了网络深度增加带来的梯度消失问题，提高了模型的训练效率和稳定性。通过结合CBAM模块和残差模块，CBAM-Unet模型能够在局部细节提取和全局特征融合之间取得良好的平衡，从而实现更高质量的裂隙分割。

在实际应用中，CBAM-Unet模型不仅提升了裂隙分割的精度，还为煤岩力学特性研究、渗流行为分析以及孔隙-裂隙空间结构的重构提供了更加可靠的数据支持。特别是在处理煤体内部复杂裂隙网络和微裂隙识别方面，CBAM-Unet模型表现出更强的适应性和鲁棒性。此外，该模型在应对煤基质与矿物的干扰问题时，能够更准确地区分裂隙和背景区域，从而减少误判率。实验结果表明，CBAM-Unet模型在多个典型场景下的分割效果优于其他模型，特别是在处理非均匀煤体结构和复杂裂隙网络时，其分割结果在连续性和边缘细节保留方面表现突出。

总体而言，CBAM-Unet模型通过引入CBAM模块和残差连接，显著提升了煤体CT图像裂隙分割的性能。该模型不仅能够有效捕捉裂隙的局部细节和全局结构，还能在复杂背景下保持较高的分割准确率和稳定性。实验结果表明，CBAM-Unet在多个关键指标上均优于传统模型，具有良好的应用前景。未来，随着深度学习技术的不断发展，CBAM-Unet模型有望在煤体裂隙分割领域发挥更大的作用，为煤矿安全和高效开采提供更加精确的技术支持。