Автоматическое обнаружение и анализ признаков поверхностных трещин, вызванных добычей, с использованием улучшенного DRA-UNet

Почему важны маленькие трещины в грунте

По всей поверхности угольных месторождений подземная добыча может незаметно разрывать землю над пластом. То, что сначала выглядит как тонкие волосовидные трещины в сухом грунте, со временем может превратиться в длинные поверхностные расщелины, по которым стекает дождевое покрытие, разрушаются дороги и даже вызываются оползни или повреждения зданий. Осмотр такими участками пешком медленный, опасный и легко пропустит важные дефекты. В этом исследовании показано, как дроны и искусственный интеллект могут автоматически обнаруживать и измерять трещины, вызванные разработкой месторождений, с высокой детализацией — это мощный инструмент для повышения безопасности и устойчивости горных районов.

Большая видимость с воздуха

Исследователи сосредоточились на угольной шахте Хуоцзиту у границы пустыни Му-Ус в Китае, где подземная добыча породила сложную сеть поверхностных разломов. Они использовали промышленный квадрокоптер с высокоразрешающей камерой, пролетая над карьером и фиксируя изображения с разрешением, позволяющим различить объекты меньше трёх сантиметров. После коррекции геометрии и яркости снимки были склеены в детальные ортофотопланы. Человеческие интерпретаторы затем аккуратно обвели видимые трещины, создав тысячи размеченных примеров, которые научили компьютер распознавать похожие сцены.

Обучение нейросети следовать за тонкими трещинами

В основе работы лежит улучшенная система анализа изображений DRA-UNet — тип глубокой нейронной сети, первоначально разработанный для сегментации медицинских изображений. Модель анализирует каждую плитку изображения с дрона и решает по пикселям, относится ли она к трещине или к неповреждённому грунту. Команда модернизировала классическую архитектуру тремя ключевыми идеями: остаточными соединениями, облегчающими обучение глубокой сети; модулем двойного внимания, помогающим концентрироваться на наиболее информативных паттернах в пространстве и цветовых каналах; и мультимасштабным модулем, одновременно ищущим трещины различных ширин. Специально разработанная функция потерь дополнительно стимулирует сеть не пропускать тонкие трещины и аккуратно прослеживать их кромки.

От карт трещин к измеримым формам

После того как модель выдаёт чёрно‑белую карту трещин, исследование идёт дальше. Алгоритм утончения удаляет пограничные пиксели до тех пор, пока не остаётся центральный «скелет» каждой трещины, как осевая линия высохшего русла. По этому скелету вычисляются длина трещины, средняя ширина, площадь, направление и степень прямоугольности или нерегулярности контура. Эти измерения переводятся из пикселей в реальные единицы с учётом известного наземного разрешения снимков. Присваивая каждой трещине уникальный идентификатор и рамку ограничений, команда может сравнивать формы, отслеживать рост трещин и соотносить их с конфигурацией шахты и направлением выработки.

Что схемы трещин говорят о шахте

Тесты показали, что улучшенный DRA-UNet превзошёл несколько известных моделей сегментации изображений на наборе данных из района добычи и при этом хорошо обобщился на отдельный эталонный набор дорожных и тротуарных трещин. Модель особенно успешно сохраняла тонкие, бледные разломы на фоне засорённых пейзажей из гравия, растительности и теней. Полученные измерения выявляют чёткие закономерности: большинство трещин короткие, узкие и имеют небольшую площадь, тогда как несколько длинных служат основной сетью, задающей направление деформации грунта. Близко к границам рабочего лица плотность и сложность трещин увеличиваются, что соответствует зонам повышенного напряжения. Короткие трещины склонны быть более изломанными и ветвистыми, тогда как длинные выпрямляются вдоль доминирующего направления растяжения, показывая, как локальные нарушения переходят в более широкие поля напряжений по мере развития добычи.

Как это помогает делать зоны добычи более безопасными

Для неспециалистов главный вывод таков: маленькие поверхностные трещины — ранние признаки более глубоких изменений в грунте над шахтами. Исследование демонстрирует автоматизированный способ обнаружения и точного измерения этих трещин с воздуха, без отправки инспекторов в опасные зоны и без опоры на медленное ручное картирование. Сочетая снимки с дронов, интеллектуальные нейросети и анализ форм, предложенная методика позволяет выявлять участки с концентрацией повреждений и отслеживать их развитие во времени. Практически это означает, что операторы шахт и местные власти могут чаще контролировать большие территории, лучше предвидеть обрушения грунта и планировать меры по смягчению последствий для инфраструктуры, экосистем и сообществ, живущих над активными угольными пластами.

Цитирование: 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

Ключевые слова: поверхностные трещины, вызванные добычей, картирование трещин БПЛА, сегментация с глубоким обучением, мониторинг деформации грунта, оценка геотехнических рисков