在煤岩组合体裂隙三维重构中，针对传统阈值分割方法无法准确确定煤岩之间的阈值大小从而导致裂隙分割效果不佳的问题，基于深度学习理论提出了一种新型VRA-UNet煤岩组合体裂隙精确识别模型，为煤岩组合体裂隙精确识别提供了一种优化解决方案。首先，为了提升模型的泛化能力和防止初始化模型参数过于随机，使用VGG16模块作为骨干特征提取网络。其次，针对煤岩组合体裂隙拓扑结构复杂，非均匀性强等问题，在上采样部分引入使用残差连接且具有空间维度和通道维度的注意力模块（ResCBAM）增强模型特征提取能力，缓解模型梯度消失的问题。最后，在下采样的末端加入了利用不同尺度卷积核的非对称空洞金字塔模块（AC-ASPP），通过多尺度的特征提取，提高模型对不同大小裂隙的识别能力。同时，利用煤岩组合体CT扫描图像数据集验证了模型的有效性。研究结果表明：VRA-UNet模型在裂隙提取和识别方面性能良好，平均交并比、像素平均值及识别精度分别为85.22%、90.80%和91.95%；与主流的分割网络UNet、PSPNet、DeeplabV3+、FCN和SegNet相比，VRA-UNet模型的平均交并比分别提高了6.05%、16.7%、10.77%、6.87%和6.4%，像素平均值分别提高了7.13%、13.29%、12.84%、7.4%和7.53%，识别精度分别提高了3.82%、14.45%、7.4%、5.58%和4.31%；VRA-UNet识别出的裂隙结构分形维数与原始CT扫描裂隙结构分形维数保持了良好的一致性，真实还原了煤岩组合体内部裂隙结构的分布特征。

0 引言
1 VRA-UNet模型构建
1.1 UNet网络模型
1.2 VGG16网络结构
1.3 ResCBAM注意力机制
1.4 AC-ASPP非对称空洞金字塔
1.5 VRA-UNet煤岩组合体裂隙分割模型
2 VRA-UNet裂隙分割试验分析
2.1 数据集采集与制作
2.2 试验数据与参数配置
2.3 评价指标
2.4 改进模型模块对比
2.4.1 不同主干网络的对比试验
2.4.2 不同注意力机制的对比试验
2.4.3 不同空洞金字塔机制的对比试验
2.5 消融试验
2.6 不同分割模型的对比试验
2.7 训练结果与分析
3 煤岩组合体的三维重构与分析
3.1 VRA-UNet模型有效性验证
3.2 基于2D切片的三维重构方法分析
4 结论
创新点：

王登科,王龙航,秦亚光,等.基于VRA-UNet网络的煤岩组合体裂隙识别与三维重构[J/OL].煤炭科学技术,1-13[2024-12-09].http://kns.cnki.net/kcms/detail/11.2402.td.20241206.1140.004.html.