利用改进的DRA-UNet对采矿引起的地表裂缝进行自动识别与特征分析

为什么微小的地表裂缝很重要

在全球的煤田中，地下开采常常悄然撕裂地表。最初在干燥土壤中出现的发丝状裂缝，可能发展为能引导雨水、破坏公路，甚至诱发滑坡或损坏建筑物的长条状地表裂缝。徒步检查这些裂缝既缓慢又危险，而且容易遗漏。本研究展示了如何利用无人机与人工智能自动检测并精确测量采矿诱发的裂缝，为提高矿区安全性和可持续性提供了一种强有力的新工具。

从高空获得更多信息

研究人员将目标锁定在中国穆乌斯沙地边缘的火吉图煤矿，地下采煤在该处形成了复杂的地表裂缝网络。他们驾驶一台装配高分辨率相机的工业四旋翼无人机飞越采区，拍摄到足以分辨不到三厘米细节的图像。对图像进行几何和亮度校正后，将它们拼接成精细的航拍地图。随后人工判读者细致描绘可见裂缝，生成数千个带标签的样本，用于教会计算机在类似场景中识别裂缝。

教神经网络追踪发丝状裂缝

这项工作的核心是一种改进的图像分析系统，称为DRA-UNet，这是一类最初用于医学图像分割的深度神经网络。该模型对每个无人机图像切片逐像素判断其属于裂缝还是完整地面。团队在经典架构上做了三项关键改进：残差连接便于训练更深的网络；双重注意力模块帮助系统在空间和通道（色彩）维度上聚焦最有信息量的模式；多尺度模块则同时查找不同宽度的裂缝。专门设计的损失函数进一步促使网络避免漏检细裂缝并干净地描出其边缘。

从裂缝图到可测量的形态

一旦模型生成黑白裂缝图，研究还向前迈出一步。细化算法剥离边界像素，直至每条裂缝仅剩下中心“骨架”，类似干涸河床的中线。基于该骨架，研究人员计算每条裂缝的长度、平均宽度、面积、方向以及轮廓的矩形度或不规则度。通过已知的图像地面分辨率将这些测量值从像素转换为实际世界单位。为每条裂缝分配唯一ID和包围矩形后，团队可以比较形状、追踪裂缝的演化，并将其与矿区布局和掘进方向相关联。

裂缝模式告诉我们关于矿区的哪些信息

测试表明，改进后的DRA-UNet在矿区数据集上优于若干知名的图像分割模型，并能很好地推广到道路与人行道裂缝的独立基准测试上。它在保持被碎石、植被和阴影等杂乱背景下的细弱裂缝方面表现尤为出色。由此得到的测量结果揭示了明确的趋势：大多数裂缝短、窄、面积小，少数较长的裂缝构成引导地面形变的主框架。在工作面边界附近，裂缝密度和复杂性增加，吻合应力较高的区域。短裂缝往往更扭曲和分支，而较长裂缝沿主拉伸方向变得更笔直，这表明随着采矿推进，局部扰动逐渐服从更广泛的应力场。

这如何有助于提高矿区安全

对非专业读者而言，关键的信息是：微小的地表裂缝是地表下更深变化的早期预警信号。本研究演示了一种从空中高精度发现并测量这些裂缝的自动化方法，无需派遣检查人员进入危险区域或依赖缓慢的人工测绘。通过结合无人机影像、智能神经网络与形态分析，该框架能够突出显示损害集中区域及其随时间的演变。在实际应用中，这意味着矿方和地方管理部门可以更频繁地监测大面积区域，更好地预见地面失稳，并规划缓解措施以保护基础设施、生态系统和生活在活动煤层上方的社区。

引用: 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

关键词: 采矿诱发地表裂缝, 无人机裂缝绘制, 深度学习分割, 地面形变监测, 岩土灾害评估