基于MDE-UNet的矿区地面裂缝高精度分割与几何参数自动量化方法

《Scientific Reports》：Automated monitoring and geometric quantification of mining-induced ground fissures via UAV imagery based on MDE-UNet

　　

摘要

由于高强度的地下采煤作业而形成的地面裂缝对生态环境和矿山安全构成了严重威胁。然而，矿区地表条件的复杂性使裂缝检测工作既费力又低效。本研究创新性地提出了MDE-UNet，一种针对矿区地面裂缝的高精度分割与精准量化模型。该模型通过注意力卷积块将可变形卷积与双注意力机制相结合，增强了对于不规则边界和复杂拓扑结构的自适应感知能力。深度多尺度注意力交互模块通过动态尺度选择来捕捉跨分辨率的上下文语义信息，而注意力引导的密集跳跃连接则用于过滤冗余的浅层细节并促进高效的深浅层特征融合。此外，本研究还采用了骨骼化和欧几里得距离变换方法来自动提取裂缝的几何参数，包括长度、宽度和面积。实验结果表明，在无人机矿区数据集上，所提方法优于具有代表性的分割模型，取得了86.15%的F1分数和76.11%的IoU。量化后的裂缝几何参数与人工实地测量数据具有高度一致性。在包括Crack500、DeepCrack和CrackForest在内的其他数据集上进一步验证了其可靠性和泛化能力。本研究为矿区采煤诱发地面裂缝的自动化高精度监测提供了一种新方法，并为地质灾害预警和生态修复提供了支持。