Automatisk identifiering och funktionsanalys av gruvinducerade ytsprickor med en förbättrad DRA-UNet

Varför små marksprickor spelar roll

På kolfält världen över kan underjordisk gruvdrift långsamt riva upp marken ovanför. Det som först syns som tunna hårsprickor i torr jord kan växa till långa ytsprickor som leder regnvatten, underminerar vägar och till och med utlöser jordskred eller byggnadsskador. Att inspektera dessa sprickor till fots är långsamt, farligt och lätt att missa. Denna studie visar hur drönare och artificiell intelligens automatiskt kan upptäcka och mäta gruvinducerade sprickor i hög detalj, och erbjuder ett kraftfullt verktyg för att göra gruvområden säkrare och mer hållbara.

Se mer från luften

Forskarna koncentrerade sig på Huojitu-kolgruvan vid kanten av Kinas Mu Us-öken, där underjordisk kolutvinning skapat ett komplext nätverk av ytsprickor. De flög en industriell fyrrotorsdrönare utrustad med en höguppslösande kamera över gruvans ansikte och fångade bilder tillräckligt skarpa för att urskilja detaljer strax under tre centimeter. Efter geometrisk och ljushetskorrigering sydde de ihop bilderna till detaljerade överblickskartor. Mänskliga tolkare spårade sedan noggrant synliga sprickor och skapade tusentals märka exempel som undervisade datorn vad den skulle leta efter i liknande scener.

Att lära ett neuralt nät att följa hårfina sprickor

I arbetets centrum finns ett förbättrat bildanalysystem kallat DRA-UNet, en typ av djupt neuralt nät ursprungligen utvecklat för segmentering av medicinska bilder. Modellen granskar varje bildruta från drönaren och avgör pixel för pixel om den hör till en spricka eller till intakt mark. Teamet uppgraderade den klassiska arkitekturen med tre nyckelidéer: residuala kopplingar som underlättar träningen av ett djupt nätverk, en dubbel-uppmärksamhetsmodul som hjälper systemet att fokusera på de mest informativa mönstren både i rummet och i färgkanalerna, samt en flerskalemodul som söker efter sprickor i många olika bredder samtidigt. En särskilt utformad förlustfunktion pressar dessutom nätverket att undvika att missa tunna sprickor och att rita deras kanter tydligt.

Från sprickkartor till mätbara former

När modellen genererar en svartvit sprickkarta går studien ett steg vidare. En avsmalningsalgoritm tar bort randpixlar tills endast varje sprickas centrala "skelett" återstår, som mitten av ett uttorkat flodbädd. Med hjälp av detta skelett beräknar forskarna varje sprickas längd, genomsnittliga bredd, area, riktning och hur rektangulär eller oregelbunden dess kontur är. Dessa mått konverteras från pixlar till verkliga enheter med hjälp av bildernas kända markupplösning. Genom att tilldela varje spricka ett unikt ID och en begränsningsrektangel kan teamet jämföra former, följa hur sprickor växer och relatera dem till gruvans layout och framryckningsriktning.

Vad sprickmönstren avslöjar om gruvan

Tester visade att den förbättrade DRA-UNet presterade bättre än flera välkända bildsegmenteringsmodeller på datasetet från gruvområdet och också generaliserade väl till ett separat benchmark med vägoch trottoarsprickor. Den var särskilt bra på att bevara tunna, svaga sprickor under störiga bakgrunder av grus, vegetation och skuggor. De resulterande mätningarna visar tydliga trender: majoriteten av sprickorna är korta, smala och små i area, med ett fåtal långa sprickor som bildar huvudramverket som styr markdeformationen. Nära arbetsansiktets gränser ökar spricktätheten och komplexiteten, vilket stämmer överens med zoner med högre spänning. Korta sprickor tenderar att vara mer vridna och förgrenade, medan längre sprickor rätas ut längs den dominerande dragriktningen, vilket visar hur lokala störningar övergår i bredare spänningsfält när gruvdriften fortskrider.

Hur detta hjälper till att göra gruvområden säkrare

För icke-specialister är huvudbudskapet att små ytsprickor är tidiga varningssignaler på djupare förändringar i marken ovanför gruvor. Denna studie demonstrerar ett automatiserat sätt att hitta och mäta dessa sprickor från luften med hög precision, utan att skicka inspektörer in i farliga zoner eller förlita sig på långsam manuell kartering. Genom att kombinera drönarbilder, smarta neurala nätverk och formanalys kan ramverket peka ut var skador koncentreras och hur de utvecklas över tid. I praktiska termer betyder det att gruvoperatörer och lokala myndigheter kan övervaka stora områden oftare, bättre förutse markfel och planera åtgärder för att skydda infrastruktur, ekosystem och samhällen som bor ovanpå aktiva kolskikt.

Citering: 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

Nyckelord: gruvinducerade ytsprickor, UAV-sprickkartering, djupinlärningssegmentering, övervakning av markdeformation, geoteknisk riskbedömning