基于TLE-UNet的高温水冷岩石裂纹分割与特征提取方法OA

【目的和方法】针对高温岩体经水冷作用诱发的表面宏观裂纹图像中尺度细薄、长度差异显著且类别严重不平衡等问题,提出一种用于岩石裂纹分割任务的TLE-UNet语义分割网络。首先开展花岗岩热处理及单轴压缩试验,采集不同温度条件下的裂纹图像,其次通过自研Lite Edge Fusion模块,在尺度上将浅层高分辨率特征与深层上采样特征进行精细对齐,并结合边缘检测和通道注意力机制,以增强裂纹边界感知能力。此外,设计辅助解码头EWS Head自研模块,通过边缘提示和轻量纹理增强实现浅层与中层编码特征的多尺度融合。同时,在训练中引入Tversky损失作为辅助监督,用于提升对细小裂纹的判别能力,并缓解背景类别不平衡的负面影响。整个架构在保持多尺度语义表达的同时,有效提升了细小裂纹的分割精度和边界连续性。【结果与结论】与原始U-Net相比,TLE-UNet模型的裂纹类别IoU从38.32%提升至46.32%;像素精度从45.34%提升至65.70%。与其他主流分割模型对比,TLE-UNet在裂纹IoU指标上优于UNet++、Attention UNet、DeepLabv3+等模型,表现出更强的细小裂纹识别能力。消融实验验证了各模块的有效性,热力图可视化分析进一步表明TLE-UNet能更准确地关注裂纹边缘区域。最后基于分割结果及裂纹信息计算方法,得到裂纹长度、最大宽度、平均宽度等特征信息。通过对多幅图像的裂纹信息分析,发现基于TLE-UNet的裂纹信息提取结果与实际情况高度一致,验证了TLE-UNet模型在裂纹信息提取方面的有效性。