一种用于智能检测岩体裂隙的改进型MSEM-Deeplabv3+方法
张驰、
甘舒、
袁希平、
罗伟东、
马冲、
李毅
《Remote Sensing》:An Improved MSEM-Deeplabv3+ Method for Intelligent Detection of Rock Mass Fractures
Chi Zhang,
Shu Gan,
Xiping Yuan,
Weidong Luo,
Chong Ma and
Yi Li
【字体:
大
中
小
】
时间:2026年03月31日
来源:Remote Sensing 4.3
摘要
断裂作为岩体中重要的不连续结构面,直接影响其稳定性,也是岩石力学工程中的核心控制因素。现有的用于断裂提取的深度学习模型存在诸多难题,包括深层与浅层特征整合不平衡、背景噪声抑制不足、多尺度特征表示不够完善以及参数规模过大等问题,这使得在检测精度与部署效率之间难以找到平衡点。本研究以云南万山山采石场为对象,首先通过近距摄影测量和3D实景重建技术构建了高精度的数字模型。随后,提出了一种轻量级且高精度的智能检测方法——MSEM-Deeplabv3+,用于岩体断裂提取。该模型以轻量级的MobileNetV2作为核心网络,并引入了逆残差模块和深度可分离卷积,使得模型参数规模仅为6.02 MB,FLOPs值为30.170 G,大大降低了计算负担。此外,该方法还整合了MAGF(多尺度注意力门控融合)和SCSA(空间-通道协同注意力)模块,用以增强断裂细节的表征能力并保持语义一致性,同时有效抑制多源多尺度的背景干扰。实验结果表明,所提出的模型的mPA值达到89.69%,mIoU值为83.71%,F1分数为90.41%,Kappa系数为80.81%,分别比经典的Deeplabv3+模型高出5.81%、6.18%、4.53%和9.2%。其性能也显著优于U-Net和HRNet等基准模型。该方法能够准确捕捉细微且连续的断裂特征,保留长距离连续断裂的空间分布,在CFD跨场景数据集上仍能保持良好性能,展现出较强的适应性和泛化能力。这一方法有效降低了人工高空检测带来的风险,为高陡岩坡的断裂检测提供了一种轻量级、高精度、非接触式的智能解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号