LightECA-UNet: лёгкая модель для сегментации КТ‑изображений трещин в угле

Почему трещины в угле имеют значение

Глубоко под землёй уголь пронизан крошечными трещинами, которые определяют, как порода ломается и как по ней перемещаются газ и вода. Понимание этих скрытых сетей трещин жизненно важно для предотвращения шахтных аварий, улучшения отвода газа и даже планирования хранения углерода. Современные КТ‑сканеры делают детальные рентгеновские срезы угля, но превращать эти градации серого в чёткие карты трещин сложно, особенно прямо в шахте, где вычислительные ресурсы ограничены. В этой работе представлена новая, экономная модель искусственного интеллекта LightECA‑UNet, созданная для точного распознавания трещин на КТ‑снимках угля при компактных размерах и высокой скорости работы на скромном аппаратном обеспечении.

Задача: заметить трещины на серой породе

Трещины в угле трудно различимы на КТ‑изображениях. Их значения серого часто почти совпадают с окружающим углём, границы размыты, а самые тонкие трещины могут занимать всего несколько пикселов. Традиционные методы обработки изображений с этим слабо справляются, а даже популярные модели глубокого обучения обычно большие, энергоёмкие и обучены на бытовых фотографиях, а не на геологических данных. Широко используемая архитектура UNet умеет хорошо сегментировать изображения, но в базовом виде требует больших вычислений, расходует параметры на избыточные признаки и может переобучаться на небольших специализированных наборах данных, таких как КТ угля. Эти ограничения затрудняют её прямое развёртывание на компактных устройствах с искробезопасностью, разрешённых в подземных условиях.

Узконаправленная, экономная сеть для КТ угля

Авторы переработали UNet в ресурсно‑эффективную модель, адаптированную под КТ‑снимки угля. Во‑первых, они заменили обычные сверточные слои на «глубинно разделимые» свёртки. Вместо одновременного смешивания информации из всех каналов изображения, модель сначала отдельно обрабатывает каждый канал в пространстве, а затем объединяет их с помощью простых 1×1 операций. Это изменение сокращает вычислительную нагрузку в ранних слоях примерно в девять раз от исходного решения, что позволяет обрабатывать КТ‑изображения высокого разрешения, не перегружая скромное оборудование. Во‑вторых, они уменьшили число каналов на каждом этапе сети. Вместо удвоения каналов до очень больших значений, LightECA‑UNet ограничивает их на умерённом уровне, достаточном для относительно узкого диапазона текстур угля. Такое прицельное сокращение параметров снижает их число примерно с 31 миллиона до всего 0,55 миллиона.

Обучение модели фокусироваться на едва видимых трещинах

Уменьшение сети обычно грозит потерей точности, поэтому авторы добавили лёгкий механизм «внимания» — Efficient Channel Attention (ECA). Проще говоря, ECA позволяет модели взвешивать, какие внутренние каналы признаков наиболее информативны. Он суммирует каждый канал, оценивает взаимосвязь соседних каналов и учится выделять те, которые несут сигнатуры, похожие на трещины — например тонкие края или едва заметные сдвиги уровня серого. Эти каналы затем усиливаются, а каналы, доминируемые фоновым шумом, ослабляются. Важно, что ECA делает это без тяжёлых дополнительных слоёв, сохраняя компактность модели и одновременно повышая её чувствительность к слабо контрастным трещинам, которые стандартные методы часто пропускают. В сочетании с глубинно разделимыми свёртками это формирует «симбиотический блок», который одновременно эффективен и ориентирован на трещины.

Тестирование новой модели

Для оценки LightECA‑UNet команда собрала специализированный набор из 600 КТ‑срезов высокого разрешения от цилиндрических образцов угля. Они получили точные разметки трещин с помощью сочетания автоматического порогового выделения и тщательной ручной коррекции, затем обучили и сравнили несколько вариантов модели в одинаковых условиях. Абляционные эксперименты показали, что каждая составляющая — лёгкие свёртки, сокращение каналов и внимание ECA — вносит вклад, но полное сочетание даёт наилучший баланс скорости и точности. По результатам пятикратной скользящей проверки LightECA‑UNet устойчиво достигал примерно 97% совпадения между предсказанными и истинными областями трещин, при этом сохраняя очень низкие вычислительные затраты. В сравнении с шестеркой ведущих сетей сегментации, включая тяжёлые и «лёгкие» архитектуры, новая модель имела наименьший размер и самое быстрое время вывода, при этом демонстрируя лучшие показатели обнаружения трещин и наиболее чистые визуальные сегментации.

Что это значит для более безопасной и разумной разработки шахт

Проще говоря, LightECA‑UNet действует как высококвалифицированный глаз, который может надёжно прослеживать прецизионные трещины на мутных рентгеновских снимках без необходимости в суперкомпьютере. Благодаря компактности и быстродействию её можно встроить в портативные КТ‑системы или edge‑устройства, размещаемые рядом с рабочей зоной шахты. Это открывает возможности для оценок устойчивости угля в реальном времени, более точных оценок проницаемости пласта для газа и жидкостей и обоснованных решений по бурению, креплению и снижению рисков. Хотя исследование сосредоточено на одном типе угля, принципы проектирования — адаптация сети под специфические текстуры, контрасты и аппаратные ограничения домена — могут быть расширены на другие породы и смежные задачи, такие как картирование трещин в тоннелях или анализ пористости сланцев, предоставляя более точные и недорогие инструменты визуализации для широкой геонаучной аудитории.

Цитирование: Xing, X., Li, Y., Zhang, Y. et al. LightECA-UNet: a lightweight model for segmentation of coal fracture CT images. Sci Rep 16, 6040 (2026). https://doi.org/10.1038/s41598-026-37291-7

Ключевые слова: КТ‑сканирование угля, сегментация трещин, лёгкое глубокое обучение, архитектура UNet, безопасность шахт