基于CT数字岩心深度学习的煤裂隙分布识别研究.pdf

基于 CT 数字岩心深度学习的煤裂隙分布识别研究冯雪健1，沈永星2，周动1,2，王金鑫1，王梦露1（1.太原理工大学安全与应急管理工程学院,山西太原030024；2.太原理工大学原位改性采矿教育部重点实验室,山西太原030024）摘要：为了实现煤裂隙多尺度分布特征的高精度，高效率识别，开展基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别方法研究。利用工业 CT 扫描系统收集大量煤原始 CT 数字岩心信息阵列，将 CT 数字岩心信息阵列低损转换成二维灰度图像，再分割成不同尺度的正方形图像并将其图像亮度增强为不同级别作为训练样本，然后通过 Matlab 平台实现了用于含 CT 裂隙图像识别的 AlexNet,Res-Net-18,GoogLeNet,Inception-V3 四种模型的构建与模型参数的优化。研究在不同数量训练样本下不同模型训练的识别准确率与验证准确率；研究在相同训练样本下不同模型对于不同尺度和亮度图像的准确率、计算效率和训练时间，获得适用于计算含裂隙的二维 CT 图像的分形维数的最优模型，再按照盒计维数的统计方法，计算每张裂隙图像的分形分布特性，并与传统二值化方法和人眼识别方法相对比，验证了基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别方法的适用性，结果表明：ResNet-18 模型在图片样本为亮度 4，尺度为 3.521mm 时是适用于计算含裂隙的二维 CT 图像的分形维数的最优模型，该模型计算二维 CT 裂隙图像的分形维数精度高，且训练时间短。基于CT 数字岩心深度学习的煤裂隙多尺度识别方法与传统二值化方法相比，识别连通性裂隙的速度快、精度高、不易受煤中杂质的影响。关键词：煤裂隙；CT 数字岩心；图像识别；裂隙识别；CT 扫描中图分类号：TD315文献标志码：A文章编号：02532336（2023）08009708Multi-scale distribution of coal fractures based on CT digital core deep learningFENGXuejian1,SHENYongxing2,ZHOUDong1,2,WANGJinxin1,WANGMenglu1（1.School of Safety and Emergency Management Engineering,Taiyuan University of Technology,Taiyuan 030024,China;2.Key Laboratory of In-situ Modi-fied Mining,Ministry of Education,Taiyuan University of Technology,Taiyuan 030024,China）Abstract:Inordertorealizehigh-precisionandhigh-efficiencyidentificationofmulti-scaledistributioncharacteristicsofcoalfractures,carryoutthestudyofmulti-scaledistributioncharacteristicsidentificationmethodsbasedonCTdigitalcoredeeplearning.IndustrialCTscanningsystemisusedtocollectalargenumberofcoaloriginalCTdigitalcoreinformationarray,theCTdigitalcoreinformationarrayisconvertedintoatwo-dimensionalgray-scaleimageandthenitisdividedintosquareimagesofdifferentscalesandtheimagebrightnessisenhancedtodifferentlevelsastrainingsamples,Finally,theconstructionandoptimizationofmodelparametersofAlexNet,ResNet-18,GoogLeNetandInception-V3modelsfortheidentificationofCT-containingfracturesarerealizedbyMatlabplatform.Studytherecogni-tionaccuracyandverificationaccuracyofdifferentmodeltrainingunderdifferentnumberoftrainingsamples;Studytheaccuracy,calcula-tionefficiencyandtrainingtimeofdifferentmodelsforimageswithdifferentscalesandbrightnessunderthesametrainingsample,obtaintheoptimalmodelforcalculatingthefractaldimensionoftwo-dimensionalCTimageswithfractures,then,thefractaldistributioncharac-teristicsofeachfractureimagearecalculatedaccordingtothestatisticalmethodofbox-countingdimension,comparedwiththetraditionalbinarizationmethodandhumaneyerecognitionmethod,Theapplicabilityofthemulti-scaledistributioncharacteristicsidentification收稿日期：20220520责任编辑：常琛DOI：10.13199/ki.cst.2022-0530基金项目：国家自然科学基金资助项目（12102293）作者简介：冯雪健（1997），男，河北石家庄人，硕士研究生。E-mail:通讯作者：周动（1990），男，山西忻州人，副教授，研究生导师，博士。E-mail:zhoudong_第51卷第8期煤炭科学技术Vol.51No.82023年8月CoalScienceandTechnologyAug.2023冯雪健，沈永星，周动，等.基于 CT 数字岩心深度学习的煤裂隙分布识别研究J.煤炭科学技术，2023，51（8）：97104.FENGXuejian，SHENYongxing，ZHOUDong，et al.Multi-scaledistributionofcoalfracturesbasedonCTdigitalcoredeeplearningJ.CoalScienceandTechnology，2023，51（8）：97104.97methodofcoalfracturesbasedonCTdigitalcoredeeplearningisverified.Theresultshows:ResNet-18modelistheoptimalmodelforcalculatingthefractaldimensionoftwo-dimensionalCTimageswithcrackswhentheimagesampleisbrightness4andthescaleis3.5mmto21mm,themodelhashighaccuracyandshorttrainingtimeincalculatingthefractaldimensionoftwo-dimensionalCTfrac-tureimages.Comparedwiththetraditionalbinarizationmethod,themulti-scalerecognitionmethodofcoalfracturebasedonCTdigitalcoredeeplearninghastheadvantagesoffastspeed,highaccuracyandisnoteasilyaffectedbyimpuritiesincoal.Key words:coalfractures；CTdigitalcore；imagerecognition；crackidentification；CTscan0引言煤层的裂隙是在成煤的过程中各种不同应力的影响所造成的裂开现象，其不仅是煤层气的储存空间与渗滤通道，也是煤的力学特性的关键影响因素1。煤层裂隙的连通性、数量和尺度的分布十分复杂。其对于油气的开采、煤矿的安全生产和煤岩体工程特性方面也都具有重要意义。因此针对煤层裂隙分布开展研究。分形几何学是研究非线性现象的理论和方法2，目前被广泛应用于分析岩体裂隙分布特性分析3，如康天合等4利用分形几何来研究煤体裂隙尺度分布，冯增朝等5通过分析岩石裂隙数量与尺度之间的分形关系来研究岩体裂隙尺度对其变形与破坏的控制作用，赵阳升等6则是采用分形几何学研究岩层裂缝分形分布的相关规律，它能沟通微观量与宏观量之间的联系。这个结论可跨越尺度推广，具有十分重要的工程意义。目前，对于煤裂隙结构的获取方法有数字摄像机、扫描电镜、光学显微镜和 CT 扫描等方式7。其中摄像机、扫描电镜和光学显微镜等局限于煤的表面裂隙观测，无法获取煤内部裂隙的分布。而 CT 数字岩心技术因其可以无损获取岩体的内部裂隙结构而被大量学者采用，如：宋晓夏等8利用 CT 数字岩心技术对构造煤的渗流孔进行精细定量表征，王刚等9为了研究煤的孔裂隙结构特征，通过 CT 数字岩心技术对煤进行三维重建，实现煤的孔裂隙结构的定性定量表征和分析，冯子军等10采用 CT 数字岩心技术观测煤在热解破裂过程中孔裂隙演化细观特征。然而，上述 CT 数字岩心中裂隙识别主要采用人眼识别方法11和二值化方法12。传统的人眼识别是对其进行人眼观察与测量工具测量。这种方法不仅费时费力，且非常容易受到自然环境和人为因素的影响。二值化方法则是根据阈值的不同来对图像中的裂隙和背景进行分割，再进行识别，其容易受煤岩体中杂质和图像噪音的影响，识别准确率难以保证。这为 CT 数字岩心中裂隙多尺度分布规律研究带来了巨大的阻碍。近年来，随着深度学习运算方法的飞速发展，众多学者将其引入了 RGB 数字图像获取的裂隙识别研究中。冯春成13搭建了一种基于深度卷积网络的水电站溢流坝表观裂缝检测方法；李生元14通过卷积神经网络和穷举搜索技术提出了对混凝土结构表面裂隙检测的方法；魏世银15利用深度学习方法来对桥梁裂缝进行健康诊断和营养决策；陈涵深16采用深度学习的方法对路面裂隙破损进行检测；黄宏伟等17基于深度学习对盾构隧道的渗漏水进行病害图像识别。这为基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别带来了良好的启发。因此，通过将卷积神经网络与 CT 数字岩心技术相结合，研究在相同训练样本下不同卷积神经网络模型对于不同尺度和亮度图像的准确率，分析该模型对于煤裂隙图像多尺度特征识别的适用性，从而形成基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别方法18。该识别方法速度快、精度高、不易受外界环境的影响，且可以观测识别煤内部裂隙和不会破坏煤本身的内部构造。这对于煤体渗流和力学性能的科学研究具有重要意义。1裂隙的分形统计理论与方法1.1煤岩体连通裂隙面分布的二维分形描述二维 CT 图像的裂隙迹线的盒维数分形统计方法概述如下19：N(L0n)=N0(L0/n)D（1）式中，N(L0/n)为边长为 L0/n 的第 n 级分割尺度下正方形网格中含有长度大于或等于 L0/n 裂隙的数量(图 1)；N0为含有连通性裂隙的网格初值，D 为连通(a)裂隙长度大于L0/n(b)裂隙长度小于L0/n图1含连通性裂隙图像和不含连通性裂隙图像Fig.1Imageswithconnectedfracturesandimageswithoutcon-nectedfractures2023年第8期煤炭科学技术第51卷98裂缝面分布的分形维数。本研究的分割尺度 n 选取 1、2、3、4、5、6，针对 CT 扫描得到二维剖面图，采用上述方法对煤岩石试件内的裂隙面进行统计，分析煤岩体内裂隙面的规律。2基于卷积神经网络的煤多尺度裂隙识别模型2.1CT 裂隙图像的预处理与数据集的建立煤样取自阳煤集团寺家庄煤矿，煤种为无烟煤。CT 扫描实验利用太原理工大学 CT225kVFCB 型高精度显微 CT 试验系统20，煤样经 CT 扫描完成后得到煤样的三维数字岩心，利用 Matlab 对其进行切片，转化为待识别的灰度图像。数据集的建立步骤如下：从待识别灰度图像挑选 50张含裂隙图像(含径向图像，X 轴向图像，Y轴向图像)，将其剪裁成 4400张边长为 50256 像素(煤样尺度：3.521mm)的正方形图像；将裁减后图像分为含连通裂隙的图像与含不连通裂隙或不含裂隙的背景图像 2 类(图 2)，各 2200 张；每一类中 2000 张为训练集，200 张为测试集，通过平移、旋转等方式增大训练数据，防止过拟合。CT扫描图像256256像素随即剪切成不同尺度的像素未含有连通裂隙的图片2 200张剩下的2 000张图片用作训练集随机选择200张作为测试集剩下的2 000张图片用作训练集随机选择200张作为测试集5050像素6060像素含有连通裂隙的图片2 200张50张裂隙原始图像图2数据收集与图像处理流程Fig.2Flowchartofdatacollectionandimageprocessing2.2卷积神经网络的构建卷积神经网络(CNN)是广泛的用于图像识别，自然语言处理等领域的深度学习代表算法之一，由卷积层、池化层、全连接层堆砌而成，模型结构如图 3 所示。研究选择 4 种经典模型对其进行了模型构建和参数优化，让其适用于识别二维 CT裂隙图像。分别是 AlexNet21,ResNet-1822,Goog-LeNet23,Inception-V324，每种模型的层数分别为 8、18、22、46层，并将超参数(学习率、批量大小和迭代次数)优化为最适合识别二维 CT 裂隙图像的数值。输入输出全连接池化卷积卷积池化图3模型结构Fig.3Modelstructure3煤的多尺度裂隙识别模型的识别3.1不同模型的最优训练样本容量分析以上面 4 种模型为卷积神经网络的框架做训练，分别以各 500，1000，1500，2000 数量的 2 类子图像参与卷积训练，另有 2 类各 200张子图像用于测试模型，训练中训练集和验证集随机分为 82，为了减少误差，每种数量做 6 次训练，再取 6 次训练精度的平均值，下表为训练数据。训练精度是训练的准确率，验证精度是用于测试模型数据的 400张图片的精度。由图 4 可知 AlexNet 随着训练样本从 500 到1500，准确率得到了提高。但到了 2000，准确率却轻微下降，另外 3 种模型在 1000 时的准确率最低，发生了过拟合，验证集的损失率大幅增加。但随着训练样本的继续增多，过拟合消失，在 1500 时准确率最高，到 2000 也轻微下降。在 500 时的损失率最大。0.651.005001 0001 5002 000精度均值/%AlexNet训练精度AlexNet验证精度ResnNet-18训练精度ResnNet-18验证精度GoogLeNet训练精度GoogLeNet验证精度Inception-V3训练精度Inception-V3验证精度样本数图4不同模型的训练精度和验证精度均值Fig.4Meanvalueoftrainingaccuracyandverificationaccur-acyofdifferentmodels继续分析测试集的验证准确率，可以清晰的看到 4 种模型的正确率都随着训练样本的增多稳步上升，但从 1500 到 2000AlexNet,ResNet-18,GoogLe-Net,Inception-v3 四种模型的验证准确率只分别提高了 0.017917,0.0315,0.025667,0.034583，提升已经很小，且由图 5 可知 4 种模型的验证准确率随着模冯雪健等：基于 CT 数字岩心深度学习的煤裂隙分布识别研究2023年第8期99型样本的增多呈对数增长，在 2000 时 4 种模型的增长趋势都趋于平缓，所以从最优训练样本数来分析我们应选择 2000 作为训练集。由表 1 还可以得知4 种模型的训练结果和测试结果都相差较小，所以先确定选择 2000 作为数据集，模型的选择再通过下文的实际测试来决定。0.71.005001 0001 5002 0002 500验证准确率/%AlexNet验证准确率ResnNet-18验证准确率GoogLeNet验证准确率Inception-V3验证准确率样本数图5不同模型的验证准确率随训练样本数量增多的变化趋势Fig.5Verificationaccuracyofdifferentmodelschangeswiththeincreaseofthenumberoftrainingsamp表 1 不同模型计算结果分析Table 1 Analysis of calculation results of different models训练序号计算结果平均值AlexNetResNet-18GoogLeNet Inception-V3样本数500训练精度0.7758330.84250.7833330.83验证精度0.72880.8433330.8166670.812917样本数1000训练精度0.768750.6983330.69750.70125验证精度0.8479170.89750.8970830.908333样本数1500训练精度0.92750.9619170.9547330.9575验证精度0.918750.9155830.9150.911667样本数2000训练精度0.9084170.92090.9138670.92735验证精度0.9366670.9470830.9416670.946253.2不同模型验证准确率分析为了对所优化的 4 种模型进行更全面的分析和评价，引入了混淆矩阵对 4 种模型进行实验验证。通过对比模型的验证结果来判断 4 种模型在实际应用中的准确性。验证集为提前随机留取的 400张图片(有连通 200张，无连通 200张)，用 4 种模型对验证集进行验证。结果如图 6 所示。可知 4 种模型的识别结果相差不大，验证准确率的准确值均值可以由表 1 得到，由图 6 中更可以清楚的看出，其中 ResNet-18 对 200 张有连通图片识别出 191张，AlexNet,Inception-V3,GoogLeNet 分别为 190张、190张、187张，Inception-V3,AlexNet,ResNet-18,GoogLeNet 对 200 张无连通图片识别出194张，188张、186张、188张。通过对结果进行对比可以发现 ResNet-18 模型对连通性图片的识别更精准，Inception-V3 模型则是在对无连通性图片的识别中更胜一筹。3.3不同模型训练效率分析工作环境是中央处理器为 Intel(R)Core(TM)i710875HCPU，内存为 16GB。采用单 GPU 训练。不同模型下 2000 样本的训练时间如图 7 所示，其中AlexNet,GoogLeNet,ResNet-18 训练时间1522min，训练效率较高；Inception-V3 模型训练时间长达 131min，训练效率偏低。020406080100120140AlexNetResnet-18 GoogLeNet Inception-V3训练时间/min图像识别模型图7不同模型的训练时间Fig.7Trainingtimeofdifferentmodels3.4不同训练样本亮度的模型识别对比训练样本图像亮度是用图像灰度表征的，其取值范围是 065535；值越大图像越亮，图像亮度改变会影响特征的提取从而影响裂隙连通性的识别的准确率，为了寻求最优识别亮度，通过将这些灰度点统一乘以 2、3、4、5 来进行图像增强，将这些图片记为亮度 2、亮度 3、亮度 4、亮度 5(图 8)再进行卷积训练。(a)AlexNet的混淆矩阵分类混淆矩阵分类混淆矩阵无贯通有贯通预测类无贯通有贯通真实类无贯通无贯通有贯通有贯通预测类真实类1881911901861091214(b)ResNet-18的混淆矩阵(c)GoogLeNet的混淆矩阵分类混淆矩阵分类混淆矩阵无贯通无贯通无贯通无贯通有贯通有贯通有贯通有贯通预测类预测类真实类真实类1871941881901261013(d)Inception-V3的混淆矩阵图6不同模型识别结果Fig.6Recognitionresultsofdifferentmodels2023年第8期煤炭科学技术第51卷100(a)原始亮度(b)亮度2(c)亮度3(d)亮度4(e)亮度5图8裂隙的 5 种亮度图像Fig.8Fivebrightnessimagesofcracks用 3.1 节的方法将 5 种亮度的训练样本放入 4种模型中进行训练，其验证准确率结果如图 9 所示。由图可得 AlexNet,ResNet-18,GoogLeNet,Inception-V3 模型分别在原始亮度、亮度 4、亮度 3、亮度 2 时验证准确率最高，其准确率分别为 0.936、0.9535、0.9515、0.9525。可以看出在各自最优亮度下，AlexNet模型的验证准确率较低，其他 3 个模型则十分接近。0.890.900.910.920.930.940.950.96原始图像亮度2亮度3亮度4亮度5AlexNetResNet-18GoogLeNetInception-V3验证精度图片亮度等级图9不同模型在 5 种亮度样本条件下的验证精度Fig.9Verificationaccuracyofdifferentmodelsunderfivebrightnesssamples4煤裂隙多尺度分布识别方法的对比4.14 种模型对各个尺度准确率的分析由于人眼识别在传统裂隙识别中准确率得到了肯定，所以本节对于模型对各个尺度裂隙识别的准确率判别通过与人眼识别15结果对比来实现。分析步骤为：从数据中任意选择 8 张不同的裂缝图片(图 10)。再将每张图像分为如图 8 所示中的 5 种亮度，每张图像再分为 6 个尺度，图像尺度从尺度 1到尺度 6 为 213.5mm，然后计算 8 张裂缝图像在5 种亮度条件下的每个尺度有连通性的图片总数。与人眼识别出的图片数做差，每个尺度下的 8 个差值相加即为误差，在每个尺度下每种模型选出其误差最小所处的亮度，再进行对比，最后选择出每种尺度下所得误差最小的模型和亮度，结果如图 11 所示(图中不显示每种模型所处的亮度条件)。6 种尺度下的误差相加即为总误差(表 2)。矿物质CT裂隙图像1CT裂隙图像2CT裂隙图像3CT裂隙图像4CT裂隙图像5CT裂隙图像6CT裂隙图像7CT裂隙图像8图10CT 裂隙图像Fig.10CTfractureimages050234尺度56不同模型各尺度误差AlexNetResNet-18GoogLeNetInception-V3图11不同模型在 5 种亮度下识别的各尺度含裂隙图像数与人眼识别数的误差Fig.11Errorbetweenthenumberoffracturedimagesandthenumberofhumaneyesrecognizedbydifferentmodelsunderfivebrightness表 2 不同模型在 5 种亮度条件下的总误差Table 2 Total errors of different models under five brightness conditionsAlexNet亮度总误差ResNet-18亮度总误差GoogLeNet亮度总误差Inception-V3亮度总误差原始图像83原始图像68原始图像85原始图像103亮度288亮度286亮度2103亮度243亮度3111亮度3125亮度365亮度3130亮度497亮度454亮度479亮度4131亮度596亮度566亮度577亮度5116如图 11 所示在尺度 1 时各模型的误差为 0，所以没显示，在尺度 2 和尺度 5 时 ResNet-18 在亮度 4时的误差最小，在尺度 3 时 Inception-V3 在亮度 2 时误差最小，在尺度 4 时 Inception-V3 在亮度 3 时误差最小，在尺度 6 时 GoogLeNet 在亮度 3 时误差最小，由图中可以看出随着识别的图片尺度的减小(尺度冯雪健等：基于 CT 数字岩心深度学习的煤裂隙分布识别研究2023年第8期1011 图片最大，尺度 6 图片最小)，各个模型对图片识别的误差也在不断增加，因此得出模型对小尺度图片的识别准确率比大尺度图片的低。主要是因为将大尺度图片分割成小尺度图片后，裂隙特征的提取难度增大，因此降低了识别准确率。由表 2 可以得出 AlexNet,ResNet-18,GoogLeN-et,Inception-V3 分别在原始亮度、亮度 4、亮度 3、亮度 2 时总误差最小，为最优亮度，分别为 83,54,65,43。4.2煤多尺度裂隙分形维数计算对比为了验证基于 CT 数字岩心深度学习的煤裂隙多尺度分布特性识别方法的适用性，对卷积神经网络识别方法与二值化方法的准确性进行对比。其中二值化方法采用全局阈值，阈值选择方法分别采用迭代法与最大类间误差法(OTSU)。卷积神经网络识别方法选用 AlexNet,ResNet-18,GoogLeNet,In-ception-v3 四种模型在最优样本亮度条件下，依据式(1)对含复杂裂隙网络的 8 张图片中裂隙的分形维数进行计算。由于人眼识别在传统裂隙识别中准确率得到了肯定，所以对煤多尺度裂隙分形维数计算判别，通过与人眼识别统计获得分形维数结果对比来实现。哪种方法算出的分形维数越接近人眼识别出的分形维数，哪种方法结果越准确，具体计算结果见表 3。表 3 裂缝分形维数计算部分结果Table 3 Some results of fracture fractal dimension calculation编号最优图像亮度CT裂缝图像1CT裂缝图像2CT裂缝图像3CT裂缝图像4CT裂缝图像5CT裂缝图像6CT裂缝图像7CT裂缝图像8分形维数总误差人眼识别分形维数1.3471.3721.3841.2371.0791.5611.2991.302AlexNet分形维数原始图像1.5071.3931.3531.5591.1561.4511.411.3320.657ResNet-18分形维数亮度41.4321.4521.3861.2711.0551.5891.2631.4270.31GoogLeNet分形维数亮度31.381.3861.2711.2080.9931.2661.1431.2930.743Inception-V3分形维数亮度21.2291.3871.3551.1211.0111.511.1241.0270.847迭代法二值化分形维数0.9480.9050.890.8940.4740.601无法计算0.9093.867OTSU二值化分形维数11.1260.9050.6760.6630.7851.0931.0043.329见表 3，最后一列为每种模型计算 8 张裂隙图像分形维数与人眼识别分形维数做差后的和，记为分形维数总误差,AlexNet,ResNet-18,GoogLeNet,In-ception-v3 四种模型在其各自最优亮度下的分形维数总误差分别为 0.657,0.31,0.743,0.847。再统计这 4 种模型计算的八张裂隙图像的分形维数各自最接近人眼识别分形维数的张数，AlexNet在原始亮度下、ResNet-18 在亮度 4,GoogLeNet 在亮度 3,Inception-V3 在亮度 2 时分别为 0 张、5 张、2 张、1 张，ResNet-18 识别分形维数最接近人眼识别分形维数的张数最多，且 ResNet-18 在亮度 4 所计算的 8张裂隙图像的分形维数与人眼识别的误差范围为0.0020.085，AlexNet 在原始亮度下、GoogLeNet 在亮度 3，Inception-V3 在亮度 2 时为 0.0210.16,0.0090.295,0.0150.275，因此不论是从计算最接近人眼识别分形维数的张数还是计算的分形维数的误差范围(误差浮动)都可以判断 ResNet-18 在亮度 4 时计算裂隙的分形维数最准确，为最佳模型。又因为识别图 10 中的 CT 裂隙图像时，按照式(1)的方法将图像分为尺度 1(21mm)到尺度 6(3.5mm)，所以得出ResNet-18 模型在图片为亮度 4，尺度为 3.521mm 时为适用于 CT 图像裂隙识别的最优模型。计算结果最差的是两种二值化方法，迭代法和OTSU 分形维数总误差分别为 3.867,3.329。OTSU二值化方法比迭代法好一些，因为迭代法容易受煤岩体中矿物质的影响，如表 3 中裂隙 7 因为矿物质过多，导致二值化后图像都为黑，无法计算分形维数。由图 7 可知 ResNet-18 的训练时间只用约 20min，比 Inception-V3 短的多，但是 ResNet-18 在亮度 4 时算出的分形维数反而更接近人眼识别计算出的分形维数，而且 Inception-V3 的层数为 46，ResNet-18 的层数只有 18，说明模型的层数对于识别裂缝来计算分形维数的准确率并不成正比关系。相较于传统的用人眼对裂隙进行识别和测量，2023年第8期煤炭科学技术第51卷102和现在的通过结合数字摄像机和卷积神经网络进行识别都有一定的缺陷。所以通过结合 CT 数字岩心技术和卷积神经网络对裂隙进行识别具有非常大的优势：减少人的主观性引起的误差，精度高；自动识别的适用性更强，对于不同宽度的，角度的裂隙识别的适用性更强；快速无损检测，不会对煤样造成破坏从而减少误差。5结论1)通过选用不同数量级的 CT 裂隙图片来训练深度卷积神经网络模型，发现训练集选用 2000 数量级为最优训练样本容量。2)通过将 4 种模型计算出的分形维数与人眼识别计算的分形维数做对比，研究发现 ResNet-18 模型在图片为亮度 4，尺度为 3.521mm 为适用于 CT图像裂隙识别的最优模型。3)在二维 CT 裂隙图像类别下，与现有的人眼识别方法、迭代法、OTSU 三种传统图像识别方法做对比分析，发现研究方法识别速度快、精度高，特别是不像二值化方法易受外界环境的影响。参考文献(References)：孟巧荣，赵阳升，胡耀青，等.焦煤孔隙结构形态的实验研究J.煤炭学报，2011，36（3）：487490.MENGQiaorong，ZHAOYangsheng，HUYaoqing，et al.Experi-mental study on pore structure morphology of coking coalJ.JournalofChinaCoalSociety，2011，36（3）：487490.1MANDELBROTBB.StochasticmodelsfortheEarthsrelief,theshapeandthefractaldimensionofthecoastlines,andthenumber-arearuleforislandsJ.ProceedingsoftheNationalAcademyofSc-iencesoftheUnitedStatesofAmerica，1975，72（10）：38253828.2龚爽，赵毅鑫，王震，等.层理对煤岩动态裂纹扩展分形特征的影响J.煤炭学报，2021，46（8）：25742582.GONGShuang，ZHAOYixin，WANGZhen，et al.Effectofbed-ding on frac tal characteristics of dynamic crack propagation incoalandrockJ.JournalofChinaCoalSociety，2021，46（8）：25742582.3康天合，赵阳升，靳钟铭.煤体裂隙尺度分布的分形研究J.煤炭学报，1995（4）：393398.KANGTianhe，ZHAOYangsheng，JINZhongming.FractalstudyonthescaledistributionofcoalfracturesJ.JournalofChinaCoalSociety，1995（4）：393398.4冯增朝,赵阳升.岩体裂隙尺度对其变形与破坏的控制作用J.岩石力学与工程学报,2008(1):7883.FENG Zengchao,ZHAO Yangsheng.Chinese Journal of RockMechanicsandEngineering,2008(1):7883.5赵阳升,马宇,段康廉.岩层裂缝分形分布相关规律研究J.岩石力学与工程学报,2002(2):219222.ZHAOYangsheng,MAYu,DUANKanglian.ChineseJournalof 6RockMechanicsandEngineering,2002(2):219222.袁媛，潘鹏志，赵善坤，等.基于数字图像相关法的含填充裂隙大理岩单轴压缩破坏过程研究J.岩石力学与工程学报，2018，37（2）：339351.YUANyuan，PANPengzhi，ZHAOShankun，et al.Studyonuni-axialcompressionfailureprocessofmarblewithfilledfracturesbased on digital image correlation methodJ.Journal of RockMechanicsandEngineering，2018，37（2）：339351.7宋晓夏，唐跃刚，李伟，等.基于显微CT的构造煤渗流孔精细表征J.煤炭学报，2013，38（3）：435440.SONGXiaoxia，TANGYuegang，LIWei，et al.Finecharacteriza-tionofseepageholesinstructuralcoalbasedonMicroCTJ.JournalofChinaCoalSociety，2013，38（3）：435440.8王刚，沈俊男，褚翔宇，等.基于CT三维重建的高阶煤孔裂隙结构综合表征和分析J.煤炭学报，2017，42（8）：20742080.WANGGang，SHENJunnan，CHUXiangyu，et al.Comprehens-ivecharacterizationandanalysisofhigh-ordercoalporefracturestructurebasedonCTthree-dimensionalreconstructionJ.Journ-alofChinaCoalSociety，2017，42（8）：20742080.9冯子军，赵阳升.煤的热解破裂过程孔裂隙演化的显微CT细观特征J.煤炭学报，2015，40（1）：103108.FENGZijun，ZHAOYangsheng.Pyrolysisandfractureprocessofcoal-MicroCTmicroscopiccharacteristicsofporeandfis-sureevolutionJ.JournalofChinaCoalSociety，2015，40（1）：103108.10冯增朝，赵阳升.岩体裂隙分维数与岩体强度的相关性研究J.