基于特征融合的多光源图像双模态分割方法在地质岩相识别中的创新应用

针对地质领域中偏振光图像(PPL/XPL)跨模态特征差异大、现有分割网络精度不足的问题，研究人员提出双通道特征融合分割网络(DcFFSNet)。通过优势特征融合模块(AFFM)实现通道-空间注意力加权，结合MobileNetV3编码器和DeepLabV3+解码器，在薄片岩石数据集上取得73.43% MIoU，较单模态提升2.24%，同时降低25%模型体积和12.5%计算成本，为地质演化规律研究提供新工具。

　　

在地质科学研究中，岩石薄片分析是揭示矿物组成和地质演化规律的关键手段。传统基于平面偏振光(PPL)和正交偏振光(XPL)的双模态图像分析面临严峻挑战——两种成像模式下同一矿物会呈现截然不同的光学特性：PPL图像侧重矿物成分和晶体形态，XPL图像则突出干涉色和消光现象。这种模态间特征差异导致现有语义分割网络在跨模态预测时出现显著偏差，严重制约了自动化岩相识别的精度。更棘手的是，岩石薄片中不规则孔隙的随机分布进一步增加了分割难度，而地质领域针对多模态图像融合技术的系统性研究仍属空白。

针对这一技术瓶颈，国内某研究机构的研究人员创新性地提出了双通道特征融合分割网络(DcFFSNet)。该网络通过引入原创的优势特征融合模块(AFFM)，成功整合了PPL和XPL图像的互补信息，在保持较低计算成本的同时，将薄片岩石分割的MIoU提升至73.43%，较最优单模态网络提高2.24个百分点。这项发表于《Pattern Recognition》的研究成果，为地质勘查领域的智能分析提供了新范式。

研究团队采用三大关键技术路线：首先构建包含四川盆地和鄂尔多斯盆地砂岩样本的双模态数据集，每个样本包含PPL/XPL三通道RGB图像及8位彩色标注；其次设计AFFM模块，通过通道分离、双分支空间注意力和加权特征融合三重机制提取模态特异性特征；最后以MobileNetV3为编码主干，结合空洞空间金字塔池化(ASPP)和五级AFFM构建轻量化网络，采用DeepLabV3+解码器实现端到端预测。

【Dual Channel Feature Fusion SegmentationNetwork】
研究显示，AFFM模块通过通道注意力向量提取和空间显著性区域加权，有效解决了模态间特征分布差异问题。在石英矿物分割任务中，双模态融合使细小孔隙的识别准确率提升19.6%。

【Dual-modal rock-cast thin section dataset】
基于中国两大盆地的砂岩样本建立首个地质多模态标准数据集，包含217组配准的PPL/XPL图像对，涵盖石英、长石等主要矿物的多光谱特征，数据采集严格遵循电子显微镜操作规范。

【Conclusion】
该研究突破性地将计算机视觉领域的多模态融合技术引入地质分析，DcFFSNet在保持模型轻量化（仅需7.5MB存储空间）的同时，显著提升了复杂矿物结构的识别鲁棒性。值得注意的是，当前AFFM对非偏振模态的适应性仍有优化空间，未来可通过引入动态权重机制进一步拓展应用场景。这项成果不仅为地质矿产勘查提供了高效分析工具，其跨模态特征融合框架更为医学影像、遥感监测等领域的多源数据整合提供了重要参考。