《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》:Structure-constrained semi-supervised segmentation of complex geomaterial CT images
编辑推荐:
孔隙-裂隙系统CT图像半监督分割与结构约束研究,提出基于SAM伪标签生成和多任务损失优化的nnU-Net架构,有效解决地质材料标注稀缺问题,实验在冰川 till和盐岩失效样本上达到mIoU91.65%和F1-score92%,结构指标误差均低于行业标准。
唐一帆|刘建峰|魏金兵|袁宏浩|李丹丽|冯文涛
中国四川大学水资源与水电学院水利与山地河流工程国家重点实验室,成都,610044
摘要
由于标注数据的稀缺性和异质地质材料的形态复杂性,准确分割岩石CT图像中的孔隙-裂缝系统仍然是一个基本挑战。本研究提出了一个半监督分割框架,该框架整合了有限的手动标注、由Segment Anything Model(SAM)生成的伪标签,以及由物理结构约束指导的多任务学习策略。在评估的各种架构中,一种类似2D nnU-Net的编码器-解码器主干网络被证明是最有效的。该网络通过一个确定性地加权的多任务损失函数得到了进一步增强,该损失函数结合了主要的分割损失和结构感知的正则化项,以强制保持孔隙率、分形维数和空洞数量的一致性。实验数据集包括冰川沉积物和破裂盐岩的高分辨率CT切片。训练使用了300个手动标注的小切片、200个增强后的小切片以及100个基于SAM的伪标记的大切片,而评估则使用20个未用于训练数据提取的完全标注的大CT切片进行。所提出的模型平均mIoU达到了91.65%,平均F1分数达到了92%,显著优于标准基线。结构指标表明了强大的保真度,平均孔隙率误差为0.43%,平均空洞数量误差为42.5。消融研究验证了弱监督和结构感知约束在提高鲁棒性方面的有效性,特别是在地质复杂区域。进一步的参数敏感性分析表明,结构感知损失权重对结构描述符有显著影响,而模型对传统超参数的变化相对具有鲁棒性。总体而言,该框架证明了在稀疏监督下实现高精度分割的可行性,并为岩土工程成像和数据驱动的岩石表征提供了一个可转移的解决方案。
引言
理解孔隙和裂缝的空间分布和形态对于评估地质材料的机械完整性和流体传输特性至关重要。
1,2 随着高分辨率CT成像的日益普及,非破坏性地表征内部孔隙和裂缝结构已成为可能。3, 4, 5 将原始CT数据转换为有意义的结构描述符在很大程度上依赖于精确的图像分割算法。有效的分割策略能够准确识别孔隙和裂缝区域,从而便于提取岩石的定量结构和物理属性。然而,由于地质微结构的固有复杂性和异质性,传统的分割算法(例如阈值分割、基于边缘的分割、基于区域的分割、聚类方法和模型匹配算法)通常需要领域专家的大量手动干预和参数调整。因此,提取的孔隙-裂缝结构可能存在显著的不准确性,从而影响后续分析。
近年来,基于深度学习的分割算法在包括医学成像和遥感在内的各种图像领域展示了出色的性能。
11,12 这一成功也促使人们将深度学习技术应用于岩石CT图像的孔隙和裂缝分割,最近的研究报告了有希望的结果。
13,14 与传统方法相比,深度学习模型在准确性、自动化和鲁棒性方面具有显著优势。
15 特别是卷积神经网络(CNN)在解决分割任务中的关键挑战方面表现出色,包括(a)手动或启发式分割中的固有偏差,(b)对物理建模假设的高敏感性,以及(c)在噪声存在时的性能不佳。
16 Varfolomeev等人
17证明,基于CNN的模型,特别是2D和3D U-Net,可以有效地实现微CT岩石图像的自动和准确分割,准确率可达90-98%。同样,Kazak等人
18应用基于DeepU-Net的CNN模型对高分辨率FIB-SEM图像的致密气体储层岩石进行了高效分割,准确率达到86.66%,并且分割速度比手动方法提高了10倍以上。然而,CNN模型在微孔岩石结构中仍可能出现分割不准确的情况,尤其是孔隙形态和连通性的物理保真度尚未得到定量验证。
16
因此,许多近期研究致力于改进基于CNN的分割技术,重点在于更好地捕捉异质岩石介质中微孔和裂缝的结构复杂性。
19, 20, 21, 22 一般来说,优化方法侧重于以下方面:(a)数据集。高质量的标签以及具有强烈结构多样性和清晰边界的样本有助于训练出具有更好泛化能力的模型。然而,孔隙和裂缝的形态越复杂,生成准确数据集就越困难。目前,许多研究依赖于裂缝数量和形态多样性有限的数据集,或者使用高斯模糊、对比度增强、旋转和翻转等图像增强技术来扩展数据集。
8,23 然而,这些策略往往无法捕捉自然裂缝系统的全部变异性,可能会引入伪影或冗余特征,最终限制模型对真实地质结构的泛化能力。(b)网络架构。Shan等人
19研究了基于CNN的U-Net变体用于岩石图像分割,发现Swin-Unet和AttUNet在提高复杂地质纹理下的准确性和适应性方面具有结构优势。Tang等人
24通过结合两阶段数据增强策略和SegFormer架构,改进了基于CNN的分割,在SEM裂缝图像分析中取得了优于U-Net和DeepLabv3+的性能。尽管应用了各种CNN架构,但大多数研究缺乏基线训练或标准化评估,导致可比性和可解释性有限。(c)损失函数和评估指标。损失函数通过在训练过程中惩罚预测误差来指导模型的学习,而评估指标则量化模型在验证或测试数据上的分割质量。传统的区域重叠损失函数(例如Dice损失和交叉熵损失)和评估指标(例如精确度、召回率、F1分数)主要评估预测与真实值之间的像素级重叠。大多数现有的
8,23,25,26关于岩石孔隙和裂缝分割的研究都遵循了这些方法。然而,这些指标未能表征孔隙-裂缝网络的几何或结构完整性——这是本后续章节特别强调和解决的问题。此外,优化和训练策略、
27后处理技术、
,28以及超参数调整
29等因素也已知会影响CNN的性能。
总之,在复杂的岩土介质中分割孔隙-裂缝网络仍然是一个持续的挑战。本研究提出了一个适用于高分辨率CT图像的结构感知少样本分割框架。首先评估了几种广泛使用的分割模型(U-Net、DeepLabv3+、PSPNet、Fast-SCNN、一种平均教师半监督模型以及类似nnUNet的编码器-解码器)在少样本设置下的基线性能。在最佳性能主干网络的基础上,我们进一步开发了一种半监督学习策略,该策略整合了Segment Anything Model(SAM)用于伪标签生成,并引入了由物理描述符(如孔隙率、分形维数和空洞数量)指导的结构约束损失项。这种方法使用有限的标注实现了复杂孔隙-裂缝系统的准确分割,同时保留了关键的结构特征。所提出的框架为推进异质地质材料的结构理解和机械建模提供了一个实用且可扩展的解决方案。
部分摘录
基线主干网络评估
基于深度学习的分割模型从复杂的岩土材料CT图像中提取有意义特征的性能在很大程度上取决于主干网络架构。
23 对基线主干网络进行系统评估对于后续模型开发和改进提供了可靠的参考。使用两种不同岩性的高分辨率CT扫描数据构建了实验数据集。
通过Segment Anything Model(SAM)获取结构先验
Segment Anything Model(SAM)采用了一种模块化架构,包括Vision Transformer(ViT)图像编码器、提示编码器和掩码解码器,能够在零样本或少样本条件下实现基于提示的分割,并具有强大的泛化能力。
38 SAM已被证明能够在多种视觉领域生成高质量的掩码,使其成为在手动标注有限时提取粗略结构先验的实用工具。 39 然而,由于其相当大的计算
实验与结果
我们框架的详细训练和推理流程总结在算法1中。在实现过程中,我们对200 × 200的强标记块使用了5折交叉验证协议,其中验证分割仅来自强标记,以避免将伪标签噪声引入模型选择。对于每一折,使用Adam优化了类似nnU-Net的主干网络,初始学习率为1e-3,权重衰减为1e-5,并使用ReduceLROnPlateau调度器
讨论
最近关于孔隙和裂缝分割的研究主要集中在单任务场景或相对简单的裂缝形态上,通常使用深度学习方法处理丰富的数据集。
23,26,45,46 相比之下,本研究解决的分割任务针对的是异质岩土材料中的复杂、多尺度孔隙-裂缝系统,其中手动标注非常耗时,大规模标注往往不可行。实现结构一致的分割
结论
本研究提出了一个结构感知的半监督分割框架,旨在解决在稀疏标注条件下对岩土CT图像中复杂孔隙-裂缝系统进行分割的挑战。通过整合少量高质量的真实标签、SAM生成的伪标签、深度监督和结构感知正则化(孔隙率、分形维数和空洞数量),所提出的模型实现了准确且具有物理意义的分割
CRediT作者贡献声明
唐一帆:撰写——原始草稿、验证、形式分析、概念化。
刘建峰:监督、项目管理、资金获取。
魏金兵:监督、项目管理、资金获取。
袁宏浩:调查、数据管理。
李丹丽:调查、数据管理。
冯文涛:撰写——审阅与编辑、监督、方法论。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本研究得到了深地探测和矿产资源勘探-国家科学重大项目(项目编号:2024ZD1004501)、国家自然科学基金(项目编号:U24A20616, U24B2038)的财政支持。