Identificação automática e análise de características de trincas superficiais induzidas pela mineração usando um DRA‑UNet aprimorado

Por que pequenas fissuras no solo importam

Em muitas bacias carboníferas do mundo, a mineração subterrânea pode abrir a superfície de forma silenciosa. O que começa como fissuras capilares em solos secos pode evoluir para longas trincas superficiais que conduzem água da chuva, comprometem estradas e até desencadeiam deslizamentos ou danos a edificações. Inspecionar essas trincas a pé é lento, perigoso e sujeita a omissões. Este estudo mostra como drones e inteligência artificial podem identificar e medir automaticamente trincas induzidas pela mineração com grande detalhe, oferecendo uma nova ferramenta poderosa para tornar as áreas mineradas mais seguras e sustentáveis.

Vendo mais do ar

Os pesquisadores focaram na Mina de Carvão Huojitu, na borda do Deserto de Mu Us, na China, onde a extração subterrânea gerou uma complexa rede de fraturas superficiais. Eles operaram um drone industrial quadricóptero equipado com uma câmera de alta resolução sobre a frente de lavra, capturando imagens nítidas o suficiente para resolver detalhes de pouco menos de três centímetros. Após correções geométricas e de brilho, as imagens foram costuradas em mapas aéreos detalhados. Intérpretes humanos então traçaram cuidadosamente as trincas visíveis, criando milhares de exemplos rotulados que ensinaram ao computador o que procurar em cenas semelhantes.

Ensinando uma rede neural a seguir fissuras capilares

No cerne do trabalho está um sistema de análise de imagem aprimorado chamado DRA‑UNet, um tipo de rede neural profunda originalmente projetada para segmentação de imagens médicas. O modelo examina cada bloco de imagem do drone e decide, pixel a pixel, se ele pertence a uma trinca ou ao solo intacto. A equipe atualizou a arquitetura clássica com três ideias-chave: conexões residuais que facilitam o treinamento de redes profundas, um módulo de atenção dupla que ajuda o sistema a focar nos padrões mais informativos tanto no espaço quanto nos canais de cor, e um módulo multiescala que busca trincas de distintas larguras simultaneamente. Uma função de perda especialmente desenhada ainda incentiva a rede a evitar perder trincas finas e a traçar suas bordas de forma limpa.

De mapas de trincas a formas mensuráveis

Depois que o modelo produz um mapa binário de trincas, o estudo avança um passo adiante. Um algoritmo de afinamento remove pixels de borda até que apenas o “esqueleto” central de cada trinca permaneça, como a linha média de um leito de rio seco. Com esse esqueleto, os pesquisadores calculam o comprimento de cada trinca, largura média, área, direção e quão retangular ou irregular é seu contorno. Essas medidas são convertidas de pixels para unidades do mundo real usando a resolução espacial conhecida das imagens. Ao atribuir a cada trinca um ID único e um retângulo delimitador, a equipe pode comparar formas, acompanhar o crescimento das trincas e relacioná‑las ao layout da mina e à direção de avanço.

O que os padrões de trincas revelam sobre a mina

Os testes mostraram que o DRA‑UNet aprimorado superou vários modelos conhecidos de segmentação de imagem no conjunto de dados da área minerada e também generalizou bem para um benchmark separado de trincas em vias e pavimentos. Foi especialmente eficaz em preservar fraturas finas e tênues em fundos complexos de cascalho, vegetação e sombras. As medidas resultantes revelam tendências claras: a maioria das trincas é curta, estreita e possui pequena área, com algumas longas formando a estrutura principal que orienta a deformação do solo. Próximo às bordas da frente de lavra, a densidade e a complexidade das trincas aumentam, correspondendo a zonas de maior tensão. Trincas curtas tendem a ser mais tortuosas e ramificadas, enquanto as mais longas se alinham e se esticam na direção dominante de deformação, mostrando como perturbações locais cedem lugar a campos de tensão mais amplos à medida que a mineração avança.

Como isso ajuda a tornar as áreas de mineração mais seguras

Para não especialistas, a mensagem principal é que pequenas trincas superficiais são sinais de alerta precoces de mudanças mais profundas no solo sobre as minas. Este estudo demonstra um modo automatizado de localizar e medir essas trincas a partir do ar com alta precisão, sem enviar inspetores a zonas perigosas ou depender de mapeamento manual lento. Ao combinar imagens de drone, redes neurais inteligentes e análise de formas, a estrutura pode destacar onde o dano está concentrado e como ele evolui no tempo. Na prática, isso permite que operadores de mina e autoridades locais monitorem áreas maiores com mais frequência, antecipem melhor falhas no solo e planejem medidas de mitigação para proteger infraestrutura, ecossistemas e comunidades sobre camadas de carvão ativas.

Citação: Zhou, W., Zou, Y. & Chai, H. Automatic identification and feature analysis of Min-ing-Induced surface cracks using an improved DRA-UNet. Sci Rep 16, 6591 (2026). https://doi.org/10.1038/s41598-026-37548-1

Palavras-chave: trincas superficiais induzidas pela mineração, mapeamento de trincas por UAV, segmentação por aprendizado profundo, monitoramento de deformação do solo, avaliação de riscos geotécnicos