基于深度学习的煤岩显微组分图像智能识别与定量表征

20251030

采矿业

本研究成果在技术成熟度和工艺性能方面已具备较好的转化基础。首先，在数据集建设方面，项目团队基于系统的实验设计与规范化流程，完成了煤岩显微图像的采集、预处理、像素级标注及数据增强，构建了高质量的煤岩显微组分注释数据集。该数据集覆盖主要煤岩类型与典型显微特征，为深度学习模型的训练与性能验证提供了可靠支撑，显著提升了模型的泛化能力和适应性。 在算法研究方面，针对煤岩图像中组分界限模糊、纹理复杂、特征分布不均等问题，提出了SCAR-UNet、ELC U-Mamba等改进模型。相关模型在PA、IoU、Dice等关键指标上均优于主流方法，验证了其在显微图像语义分割任务中的有效性与稳定性，显示出较高的识别精度和应用潜力。 在系统开发方面，已完成煤岩显微图像智能识别与定量分析系统的原型构建。该系统集成图像预处理、特征提取、智能识别、结果可视化与AI辅助分析等功能模块，具备较好的功能集成性与交互性能。目前系统已获批软件著作权（名称，登记号），能够在实验环境中稳定运行，初步实现了研究成果的系统化与工程化。 本成果已完成从核心算法研发到系统原型实现的关键阶段，具备较高的技术成熟度和可转化性。下一步将重点围绕数据集扩展与标准化、模型性能优化与轻量化、系统功能完善及现场应用测试等方向持续推进，以加快成果在煤岩识别与分析领域的推广和应用落地。

本成果的转化实施需要在资金投入、场地条件、设备配备和人员协作等方面与合作单位开展紧密合作。 资金将主要用于构建符合国内煤岩特征的本土化显微图像数据集。目前模型训练主要依托公开的开源图像数据，后续计划通过现场采样与显微成像采集，建立覆盖我国主要煤种及典型产区的自主数据集，以提升模型在本土煤岩识别任务中的适应性与可靠性。此外，用于优化模型结构与算法性能、完善系统功能模块，并开展联合技术攻关与示范应用。同时，搭建实验与测试平台、部署高性能计算与存储服务器、完善软件系统功能以及支持技术推广与市场化运营，为成果的工程化落地提供保障。 成果转化需要配置高性能GPU计算服务器及数据存储设备，以支撑数据采集、模型训练、算法验证及系统稳定运行。部分设备可依托合作高校或科研院所的现有实验平台，也可通过企业共建方式实现资源共享。 在人员协作方面，成果转化需组建由科研人员、数据标注工程师、算法开发工程师、系统架构师和市场推广专员组成的多学科联合团队。其中，科研人员负责核心算法优化与技术迭代，工程师负责系统集成与平台部署，市场人员负责应用推广与产业对接。通过产学研一体化的合作模式，可有效促进技术成熟与应用落地。 通过与企业、高校及科研机构在资金、设备与人才等方面的深度协同，将形成可持续的技术创新与应用体系，加速本成果从实验室研发向产业化推广的转变，推动其在煤炭行业及相关领域的广泛应用。

可国（境）内外转让

本成果的转化应用预计将产生经济效益、社会效益和产业推动效益。在煤炭产业方面，该成果可显著提升煤岩显微组分识别与分析的自动化水平和分析精度，有效降低人工识别的时间成本与主观误差，为煤质分析、智能选煤、清洁利用及碳减排提供可靠的技术支撑。其推广应用将有助于优化煤炭资源配置、提高能源利用效率、减少环境污染，推动煤炭行业向高效、绿色、智能方向转型升级，从而产生可观的经济与生态效益。 本成果的推广应用将促进煤炭行业与人工智能、大数据、计算机视觉等新兴技术的深度融合，推动煤炭产业的数字化与智能化升级。同时，也将带动相关上下游产业的发展，如数据标注服务、软件系统开发、智能设备制造等，为区域经济增长注入新的动力，创造更多就业岗位和产业附加值。 在跨领域应用方面，本研究形成的深度学习语义分割算法和数据智能处理方法具有较强的通用性与可迁移性，可拓展应用于地质勘探、岩矿图像识别、医学影像分割、材料表征等相关领域。 综上所述，本成果的转化预期将实现技术创新与产业应用的良性互动，在服务国家能源安全与绿色低碳转型的同时，具备显著的经济回报和社会贡献价值。

北京市自然科学基金本科生“启研”计划

北京市科学技术委员会;中关村科技园区管理委员会

项目针对煤岩显微图像特性，结合深度学习技术的最近进展，提出了创新性模型： SCAR-UNet融合通道与空间注意力机制，并设计BDL损失函数，有效解决类别不均衡问题，提高小样本类识别精度。该算法目前已在CCF-C会议上发表，作者为本项目组核心成员。（Fanqian Meng, Ouli Luo, Hui Ding, Guoping Huo. SCAR-UNet: An Improved Res-UNet with Channel and Spatial Attention for Coal Maceral Image Segmentation. Advances in Computer Graphics. CGI 2024. Lecture Notes in Computer Science, vol 15338.） 结合最新的深度学习Mamba框架，提出ELC U-Mamba模型，该模型创新性地结合U-Mamba架构与ELC-MLA高效线性分块注意力机制，实现长程依赖与局部细节的高效融合，突破了卷积网络在长序列建模上的瓶颈。在煤岩显微组分分割任务上，ELC U-Mamba在Vitrinite/Inertinite/Liptinite三类的PA、IoU、Dice等指标分别达到了0.910/0.920/0.919、0.803/0.799/0.720、0.854/0.847/0.828，整体优于U-Net、DeepLab-V3+、Vision Mamba等主流算法，进一步完善了煤岩图像分割方法体系，为复杂显微图像分割提供了可复用架构，并为煤质评价与显微分析的自动化转型提供了有力支撑。该论文目前已经投稿SCI期刊Geoenergy Science and Engineering，并基于本论文进一步开源所构建数据集。 在本项目的支持下，课题组进一步开展了医学影像分割研究，聚焦 MRI 脑肿瘤序列分割。针对传统 2D 和 3D 卷积神经网络在处理厚切片扫描导致的切片间不连续问题的不足，基于Mamba算法框架，提出了序列分割算法M-Net模型。该模型在基础模块中嵌入多维卷积，灵活融合切片内和切片间特征表示，兼顾 2D 和 3D 信息的优势，在多个公开 MRI 数据集上验证了其性能优于现有方法。相关成果已被2025 International Conference on Intelligent Computing，ICCV2025录用（ICCV为计算机视觉三大顶会之一，属于CCF-A类会议）。 此外，在医学影像分割方向和煤矿井下环境增强方向，基于本项目还发表了1篇SCI期刊论文和5篇CCF-C主流会议论文。