LightECA-UNet: kömür kırıklarının BT görüntülerinin segmentasyonu için hafif bir model

Kömürün İçindeki Çatlakların Önemi

Yeraltının derinliklerinde kömür, kayanın nasıl kırılacağını ve gaz ile suyun nasıl hareket edeceğini belirleyen ince çatlaklarla doludur. Bu gizli kırık ağlarını anlamak, maden kazalarını önlemek, gaz drenajını iyileştirmek ve hatta karbon depolamayı planlamak için hayati öneme sahiptir. Modern BT tarayıcıları kömürün ayrıntılı X‑ray dilimlerini alabiliyor, ancak bu gri tonlamalı görüntüleri net kırık haritalarına dönüştürmek zor; özellikle de sahada, sınırlı hesaplama gücünün bulunduğu ortamlarda. Bu çalışma, kömür BT taramalarını doğru okurken aynı zamanda küçük ve hızlı olacak şekilde, mütevazı saha donanımında çalışabilecek yeni, yalın bir yapay zeka modeli olan LightECA‑UNet’i tanıtıyor.

Gri Taşta Çatlakları Görmenin Zorluğu

Kömür kırıkları BT görüntülerinde seçilmesi zor yapıdadır. Gri değerleri genellikle çevredeki kömürle neredeyse aynı olur, kenarlar bulanıktır ve en ince çatlaklar sadece birkaç piksel genişliğinde olabilir. Geleneksel görüntü işleme yöntemleri bununla zorlanır; hatta popüler derin öğrenme modelleri de genellikle büyük, enerji tüketen ve jeolojik veriler yerine günlük fotoğraflar üzerinde eğitilmiş olur. Yaygın kullanılan bir mimari olan UNet görüntüleri iyi segmentlere ayırabilir, ancak temel haliyle ağır hesaplama gerektirir, parametreleri gereksiz özelliklere harcayabilir ve kömür BT dilimleri gibi küçük, özel veri kümelerine aşırı uyum sağlayabilir. Bu dezavantajlar, yeraltı madenlerinde izin verilen kompakt, intrinsically safe cihazlarda doğrudan konuşlandırılmasını zorlaştırır.

Kömür BT Taramalarına Uygun Daha Sade Bir Ağ

Yazarlar UNet’i kömüre özgü, kaynak verimli bir modele yeniden yapılandırır. Önce, sıradan konvolüsyon katmanlarını “derinlik ayırmalı” (depthwise separable) konvolüsyonlarla değiştirirler. Model, tüm görüntü kanallarını aynı anda karıştırmak yerine önce her kanalı uzayda ayrı işler, sonra basit 1×1 işlemlerle birleştirir. Bu değişiklik, erken katmanların aritmetik maliyetini orijinal tasarımın yaklaşık dokuzda birine düşürür ve sınırlı donanımı aşırı yüklemeden yüksek çözünürlüklü BT görüntülerinin işlenmesine olanak tanır. İkinci olarak, ağın her aşamasındaki kanal sayısını azaltırlar. Kanal sayısını çok yüksek değerlere kadar iki katına çıkarmak yerine, LightECA‑UNet kömürün nispeten dar doku çeşitliliği için yeterli olan mütevazı seviyelerde sınırlandırır. Bu hedefli budama, parametre sayısını yaklaşık 31 milyondan yalnızca 0,55 milyona düşürür.

Modeli İnce Çatlaklara Odaklanmaya Öğretmek

Ağı küçültmek genellikle doğruluk kaybı riski taşır, bu yüzden yazarlar Efficient Channel Attention (ECA) adlı hafif bir “dikkat” mekanizması ekler. Basitçe söylemek gerekirse, ECA modelin hangi iç özellik kanallarının en bilgilendirici olduğunu tartmasına izin verir. Her kanalı özetler, komşu kanalların birbirleriyle nasıl ilişkili olduğuna bakar ve ince kenarlar veya hafif gri seviye kaymaları gibi çatlak benzeri imzaları taşıma eğiliminde olan kanalları öğrenir. Bu kanallar vurgulanır, arka plan gürültüsüyle baskın olanlar ise zayıflatılır. Kritik olarak, ECA bunu ağır ek katmanlar olmadan yapar; dolayısıyla modelin kompakt yapısını korurken standart yöntemlerin sıkça kaçırdığı düşük kontrastlı, zayıf çatlaklara karşı duyarlılığını artırır. Derinlik ayırmalı konvolüsyonlarla birleştiğinde, bu ikisi hem verimli hem de çatlak odaklı bir “simbiyotik blok” oluşturur.

Yeni Modeli Teste Sokmak

LightECA‑UNet’i değerlendirmek için ekip, silindirik kömür örneklerinden alınmış 600 yüksek çözünürlüklü BT diliminden oluşan özel bir veri seti oluşturdu. Otomatik eşikleme ile titiz manuel düzeltmenin bir karışımını kullanarak hassas kırık etiketleri oluşturup, sonra birden çok model çeşidini aynı koşullar altında eğitip karşılaştırdılar. Ablasyon deneyleri, her bileşenin—hafif konvolüsyonlar, kanal budama ve ECA dikkatinin—katkıda bulunduğunu, ancak tam kombinasyonun hız ve doğruluk açısından en iyi dengeyi sağladığını gösterdi. Beş tur çapraz doğrulama boyunca LightECA‑UNet, tahmin edilen ile gerçek çatlak bölgeleri arasında tutarlı olarak yaklaşık %97 örtüşme sağladı ve hesaplamayı çok düşük tuttu. Hem ağır hem de “hafif” tasarımları içeren altı önde gelen segmentasyon ağıyla karşılaştırıldığında, yeni model en küçük boyuta ve en hızlı çıkarım süresine sahip olurken en yüksek çatlak tespit skorlarını ve en temiz görsel segmentasyonları sundu.

Daha Güvenli, Daha Akıllı Madencilik İçin Anlamı

Günlük terimlerle LightECA‑UNet, süper bilgisayara ihtiyaç duymadan bulanık X‑ray görüntülerinde saç teli çatlakları güvenilir şekilde izleyebilen son derece eğitimli bir göze benzer. Çok kompakt ve hızlı olduğu için taşınabilir BT sistemlerine veya maden iş yüzeyine yakın konuşlandırılabilecek uç cihazlara entegre edilebilir. Bu, kömür stabilitesinin gerçek zamanlı değerlendirilmesine, bir damar içinde gaz ve sıvıların ne kadar kolay hareket edebileceğine dair daha iyi tahminlere ve sondaj, destekleme ve tehlike azaltma konusunda daha bilgili kararlara kapı açar. Bu çalışma tek bir kömür türüne odaklansa da, bir ağı bir alanın özel dokularına, kontrastlarına ve donanım sınırlamalarına göre uyarlama ilkeleri diğer kaya türlerine ve tünel çatlak haritalama veya şistte gözenek analizi gibi ilgili görevlere genişletilebilir; böylece daha hassas, düşük maliyetli görüntüleme araçları geniş jeobilim topluluğuna sunulabilir.

Atıf: 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

Anahtar kelimeler: kömür BT görüntüleme, kırık segmentasyonu, hafif derin öğrenme, UNet mimarisi, maden güvenliği