(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210827143.4 (22)申请日 2022.07.13 (71)申请人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 申请人 中国地质大 学 （北京） (72)发明人 贾丽娟　何锐曦　张金川　 (74)专利代理 机构 四川省方圆智云知识产权代 理事务所(普通 合伙) 51368 专利代理师 王悦 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/82(2022.01) G06V 20/70(2022.01) G06V 10/774(2022.01)G06V 10/26(2022.01) G06T 7/13(2017.01) (54)发明名称 基于深度学习分割网络的页岩电镜扫描图 裂缝提取方法 (57)摘要 本发明公开了基于深度学习分割网络的页 岩电镜扫描图裂缝提取方法， 包括以下步骤： S1： 提取主体内容部分； S2： 对主体内容部分进行边 缘提取； S3： 将主体内容和边缘响应进行特征融 合； S4： 对特征融合后的函数， 在模型训练阶段进 行损失函数监督； 本发明实现了从电镜扫描图像 中过滤复杂背景的干扰， 精准识别、 分割和提取 裂缝、 增加通道注意力机制提升对裂缝主体的提 取效果。 权利要求书2页 说明书6页 附图6页 CN 115240041 A 2022.10.25 CN 115240041 A 1.基于深度学习分割网络的页岩电镜扫描图裂缝提取方法， 其特征在于， 包括以下步 骤： S1： 提取主体内容部分； S2： 对主体内容部分进行边 缘提取； S3： 将主体内容和边 缘提取进行 特征融合； S4： 对特征融合后的函数， 在模型训练阶段进行损失函数监 督。 2.根据权利要求1所述的基于深度学习分割网络的页岩电镜扫描图裂缝提取方法， 其 特征在于， 所述S1包括以下子步骤： S11： 将主体内部模块进行调整； S12： 增加注意力机制结构。 3.根据权利要求1所述的基于深度学习分割网络的页岩电镜扫描图裂缝提取方法， 其 特征在于， 所述S11的主体部分包括： 具有四阶编码器和解码器的深度学习卷积模块， 其中 每个模块的内部结构均相同。 4.根据权利要求1所述的基于深度学习分割网络的页岩电镜扫描图裂缝提取方法， 其 特征在于， 所述S2具体为在主体内容提取后进一步补充边缘方面效果， 增加一支路， 对原始 输入图像进 行边缘提取， 得到裂缝扫描图像的全局高频边缘响应图， 所选用方法为Canny边 缘提取算法。 5.根据权利要求1所述的基于深度学习分割网络的页岩电镜扫描图裂缝提取方法， 其 特征在于， 所述S3包括以下子步骤： S31： 将两者 拼接后进行第一次卷积处 理； S32： 随后对卷积处理后的通道拼接图进行通道筛选、 权重计算与赋予， 实现较好的融 合效果。 6.根据权利要求1所述的基于深度学习分割网络的页岩电镜扫描图裂缝提取方法， 其 特征在于， 所述S4模型在训练时采用的损失函数为经过搭配的混合损失函数， 配以权重后 从三方面共同监 督训练效果， 损失函数公式如下： LHybrid＝LCE+β1·LDice+β2·LSSIM 其中， yi是代表正确分布的Ground ‑truth图像中某像素点， 是模型对于像素点yi的预 测； 其中， β 1和β 2分别取0.2以及0.1， 代表后两者在监督时占的比重； Lce为交叉熵损失函 数； Ldice为能缓解正负样本在数量山的不平衡损失函数的损失函数； LSSIM为从全图角度监权　利　要　求　书 1/2 页 2 CN 115240041 A 2督输出结果， 令裂缝目标 的结构更靠近期望结果， 使分割 结果中的裂缝具备更高的结构完 整度的损失函数， C1＝0.01,C2＝0.001， μ是代表单幅Ground ‑truth图像整体的像素均值， σ 是对图像计算出的标准差， 下标Yi和 分别代表正确的Ground ‑truth图像和模型的预测输 出图像。权　利　要　求　书 2/2 页 3 CN 115240041 A 3