煤储层裂隙的精细描述对于煤层气资源的勘探开发具有重要意义，裂隙的尺寸、走向、分布密度等直接影响煤层的渗透性，准确识别和提取煤层中的裂隙信息是揭示体积压裂过程中裂缝网络形成与扩展机理的关键。传统的裂隙提取方法往往依赖人工标注和基于一定图像处理技术的特征提取，这些方法在精度和效率上存在明显不足。提出一种基于Trans-UNet网络和μCT图像的煤裂隙提取方法，Trans-UNet结合了Transformer模块和卷积神经网络(CNN)的优点，不仅具备全局特征提取能力，还能够捕捉图像中的局部细节特征，大幅提高了分割精度和网络的鲁棒性。首先对煤样μCT图像进行预处理，包括使用差值法提高图像质量、使用数据增强技术扩大样本数量等。随后，利用Trans-UNet网络对处理后的图像进行分割，提取裂隙特征，并比较不同神经网络模型的分割结果。结果表明，提出的方法在数据集上表现出优越性能，Trans-UNet模型在煤裂隙提取上的准确性(Accuracy)、精确度(Precision)、F1分数(F1-Score)和交并比(IoU)分别达到91.3%、89.5%、89.8%和84.0%，相较于U-Net、U-Net++等其他多种智能模型有显著提升。结合μCT图像的细粒度特征，将Trans-UNet网络应用于煤裂隙提取任务，是一种高效且准确的解决方案，为煤层气勘探开发领域的相关图像处理任务提供了新的思路。

1 μCT图像数据集
1.1 样品的数据采集
1.2 图像预处理
1.3 数据增强
1.4 图像重采样
2 煤裂隙分割提取模型
2.1 Trans-UNet网络架构
2.2 多头自注意力机制
2.3 网络训练与优化
3 实验与结果分析
3.1 实验设置
3.2 评价指标
3.3 Trans-UNet训练过程分析
3.4 Trans-UNet模型与多种无监督机器学习算法对比
3.5 Trans-UNet模型与其他多种智能模型对比
3.6 消融实验
4 结 论
符号注释：
利益冲突声明/Conflict of Interests

胡咤咤,张寻,金毅,等.基于μCT和深度学习的煤裂隙智能提取方法[J/OL].煤田地质与勘探,1-13[2025-02-15].http://kns.cnki.net/kcms/detail/61.1155.P.20250214.1430.003.html.