标签稀缺条件下基于跨域迁移学习的无人机岩体裂隙网络自动分割方法

《Scientific Reports》：An informatics workflow for label-scarce cross-domain segmentation of geological outcrop fractures from UAV photogrammetric imagery

　　

摘要

从无人机摄影测量影像中准确提取地质露头裂隙网络，有助于岩体表征、不连续面测绘和岩土工程解译。然而，自动分割仍然具有挑战性，因为裂隙通常很细、对比度低、不连续，且在视觉上容易与复杂纹理、风化痕迹和阴影混淆。此外，像素级标注也非常耗时耗力，导致新勘察区域的标注数据有限。本研究开发了一种标签稀缺的跨域分割工作流，以GeoCrack作为源域，以RockCrack（一个小型的、特定场地的无人机数据集）作为目标域。该工作流中使用的分割模型GRNet，在瓶颈处结合了可变形大核注意力机制（Deformable Large-Kernel Attention），并在编码器中采用了空间-通道挤压与激励机制（Spatial-Channel Squeeze-and-Excitation）。特征空间分析发现两个域之间存在可测量的差异。在GeoCrack数据集上，GRNet的交并比（IoU）达到66.84%，F1分数为80.12%。在RockCrack数据集上从头训练时，其五次交叉验证的平均裂隙类别交并比为56.69 ± 4.34%，F1分数为72.28 ± 3.61%。经过GeoCrack预训练和目标域微调后，最佳配置的交集比为58.96 ± 3.64%，F1分数为74.13 ± 2.93%。微调显著优于仅使用源域的直接部署方式，尽管领先策略之间的差异较小且具有折依赖性。该工作流提供了像素级裂隙图，可支持后续的骨架化、迹线矢量化和裂隙网络表征；然而，在使用输出结果进行定量岩体分析或工程决策之前，还需要进一步的空间校准、不确定性评估和地质验证。