采动沉陷区无人机影像地表裂缝提取的自适应多尺度分割网络EFASNet

《Results in Engineering》：EFASNet: An Adaptive Multi-Scale Segmentation Network for Surface Crack Extraction in Coal-Mining Subsidence Areas Using UAV Imagery

　　

针对地下煤炭开采持续推进过程中，上覆岩层移动与地表变形导致采空区上方频繁发育地表裂缝，威胁矿山安全与生态稳定的问题，本研究提出了一种改进的条件生成对抗网络（Conditional Generative Adversarial Network, CGAN），用于裂缝图像与掩膜的联合生成；并进一步提出EFASNet，一种面向采动沉陷区无人机（Unmanned Aerial Vehicle, UAV）影像地表裂缝提取的自适应多尺度分割网络。与均匀工程表面上常规路面或混凝土裂缝不同，采动诱发裂缝可延伸至裸土、草地、农田、碎石及道路等多种地表，常呈现细长、弯曲、分叉及多尺度形态，并受植被、阴影及异质纹理的强烈干扰。EFASNet通过引入基于熵-方差准则的自适应补丁映射层（Adaptive Patch Mapping Layer），整合空洞空间金字塔池化（Atrous Spatial Pyramid Pooling, ASPP）、高效多尺度注意力（Efficient Multi-scale Attention, EMA）与特征蒸馏模块（Feature Distillation Block, FDB），实现多尺度特征增强与复杂背景抑制。在数据增强方面，改进的CGAN采用双输出生成器与图像-标签联合判别器，通过共享特征主干保证生成图像与掩膜在几何结构与裂缝位置上的空间一致性，有效扩充训练数据集。实验结果表明，EFASNet在裂缝连续性与复杂背景鲁棒性方面均取得显著提升，实现了采动沉陷区地表裂缝的准确提取。

论文解读

一、研究背景与问题

随着地下煤炭开采的持续推进，采空区上方因上覆岩层移动与地表变形而频繁发育地表裂缝，直接威胁矿山生产安全与区域生态稳定。与常规路面或混凝土结构表面相对均匀的裂缝不同，采动诱发的地表裂缝可延伸至裸土、草地、农田、碎石及道路等多种地表介质，形态上常呈现细长、弯曲、分叉及多尺度特征，且受植被覆盖、阴影投射及异质纹理的强烈干扰，导致自动提取难度显著增大。

传统的裂缝提取方法主要包括基于灰度、纹理、梯度与边缘差异的传统图像处理方法，以及依赖人工设计特征的支持向量机（Support Vector Machine, SVM）与随机森林（Random Forest, RF）等机器学习方法。此类方法在简单场景下具有一定效果，但对光照变化、植被遮挡、阴影干扰及背景噪声较为敏感，泛化能力受限于人工特征设计。深度学习凭借端到端的特征学习能力已成为裂缝提取的主流方法，已有研究将深度网络应用于地面裂缝检测与几何量测、滑坡裂缝制图等场景，并针对采动裂隙提出了多尺度融合与注意力增强的改进网络。然而，仍存在以下关键问题：采动裂缝样本采集与标注困难且成本高昂；裂缝宽度、长度、走向与拓扑结构差异大；重复下采样过程中细部特征易被削弱；植被与农田可能产生类裂缝响应；传统数据增强主要依赖几何或辐射变换，裂缝图像与像素级掩膜的联合生成尚缺乏充分探索。

二、研究内容与总体框架

针对上述问题，研究人员构建了基于改进CGAN的样本增强模型，用于联合生成裂缝图像与对应掩膜以扩充训练数据集；在此基础上，提出了EFASNet自适应多尺度分割网络，集成自适应多尺度特征提取、上下文建模、特征精炼与基于注意力的背景抑制，以增强复杂采动区背景下裂缝的特征表征能力。整体框架包含数据生成、特征提取、背景抑制与结果生成四个阶段。在数据生成阶段，以随机噪声与无人机影像为输入，通过生成器同时输出裂缝图像与对应掩膜，并由判别器对图像-掩膜对进行联合真实性判定。在特征提取阶段，以U-Net为骨干网络，引入自适应多尺度补丁映射层，在编码器中嵌入ASPP模块以通过空洞卷积捕获多尺度特征，并在跳跃连接与解码器中引入FDB模块以增强编解码器间的特征蒸馏与融合，同时在解码器中集成EMA机制对空间与通道特征进行重加权。在背景抑制阶段，利用局部窗口统计计算灰度方差与结构响应，生成权重图作用于解码特征，以抑制道路纹理、阴影及农田垄线等复杂背景干扰。最后通过1×1卷积层生成像素级概率图，实现裂缝的准确提取。

三、关键技术方法

研究人员主要采用了以下关键技术方法。其一，改进的条件生成对抗网络：采用双输出生成器架构，共享特征主干后分叉为两个输出分支，同时生成合成无人机影像与对应裂缝掩膜，确保几何结构与空间对应关系的一致性；采用图像-标签联合判别器，同时评估样本真实性及图像与掩膜间的空间对应关系。其二，自适应多尺度补丁映射层：基于熵-方差准则对特征图进行自适应补丁划分与映射，增强多尺度特征表达能力。其三，空洞空间金字塔池化模块：嵌入编码器，通过不同扩张率的空洞卷积捕获多尺度上下文信息。其四，特征蒸馏模块：集成于跳跃连接与解码器，促进编解码器间特征的有效蒸馏与融合。其五，高效多尺度注意力机制：集成于解码器，对空间与通道特征进行重加权，增强弱响应裂缝区域的表征能力。其六，基于局部窗口统计的背景抑制策略：计算灰度方差与结构响应生成权重图，抑制复杂背景干扰。数据集来源为采动沉陷区无人机影像及对应的二值裂缝掩膜。

四、研究结果

裂缝形态特征分析结果。 通过对采动沉陷区地表裂缝的形态特征分析，研究人员将裂缝划分为细长型与宽大型两类：细长型裂缝宽度窄、长度大，在无人机影像中占据像素较少，下采样与背景干扰易导致边缘信息削弱、裂缝破碎与漏检；宽大型裂缝宽度较大、边界清晰，但裂缝区域内部常存在阴影、碎石与植被等复杂纹理，内部纹理变化可能导致提取不完整或边界定位不准确。根据延伸方向与空间分布，裂缝进一步划分为横向、纵向、倾斜及网状四类，不同类型在延伸方向、连通性与空间形态上差异显著。

改进CGAN数据增强结果。 通过双输出生成器与图像-标签联合判别器的对抗训练，生成器逐步学习真实样本的分布与结构特征，生成的图像-掩膜对在几何结构、裂缝位置与边界细节上保持空间一致性，有效扩充了分割训练数据集。

EFASNet分割性能结果。 基于增强数据集训练的EFASNet，通过自适应多尺度特征学习、上下文建模、特征精炼与注意力背景抑制的协同作用，在复杂采动区背景下实现了裂缝连续性的显著改善与提取鲁棒性的有效提升，在裂缝提取精度与完整性方面优于对比方法。

五、讨论与结论

讨论部分指出，采动沉陷区地表裂缝的形态多样性与背景复杂性是影响自动提取的主要因素，所提出的自适应多尺度特征学习与背景抑制策略有效缓解了细长裂缝易断裂、宽大裂缝内部纹理干扰及背景类裂缝响应等问题。同时，改进CGAN的数据增强方法为缓解采动裂缝样本稀缺提供了可行途径。研究亦存在一定局限性，包括生成样本与真实样本之间可能存在分布差异、模型在极端复杂场景下的泛化能力有待进一步验证等，未来研究方向包括引入更精细的语义类别建模、探索更高效的注意力机制以及扩展至更多样化的采动区场景。

研究结论为：本研究提出的EFASNet自适应多尺度分割网络，结合改进CGAN数据增强方法，实现了采动沉陷区无人机影像地表裂缝的准确提取。通过自适应多尺度特征学习、上下文建模、特征精炼与注意力背景抑制，有效解决了细长裂缝易断裂、多尺度裂缝表征不足及复杂背景干扰等关键问题，为采动沉陷区地表裂缝的自动化监测与矿山安全评估提供了有效的技术支撑。