随着煤矿逐渐进入深部开采，煤岩瓦斯复合动力灾害日益加剧，严重制约深部矿井的安全高效开采与矿区环境的协同发展。煤岩体中存在包括裂隙、孔隙等在内的多种缺陷结构，这些孔裂隙结构对煤层瓦斯赋存和运移具有决定性影响。同时，煤岩结构的失稳与破坏所引发的矿山动力灾害也与煤岩孔裂隙结构的变化与扩展息息相关。因此，开展煤岩裂隙识别的相关分析，对于研究煤层瓦斯运移规律及围岩稳定性具有重要的现实意义。

为了深入研究煤层气开发与瓦斯治理，采用工业CT进行相关研究优势显著。工业CT，即工业计算机断层扫描，是一种利用X射线穿透物体并对其内部进行无损检测的技术，避免了传统采样方法可能导致的样本破坏，近年来，该技术在岩石力学领域得到了广泛应用，如宫伟力等利用工业CT探测技术及三轴加载试验系统，在三轴条件下对初始煤岩及加载破坏后的煤岩进行CT扫描观测，分析了煤岩CT断面的密度分布图像以及荷载作用下煤岩的动态损伤过程；杜峰等利用CT扫描技术对原煤及砂岩进行了CT扫描实验，获得了煤体和岩体的内部裂隙结构形态，建立了煤岩组合体三维细观结构重构模型，研究了含瓦斯煤岩组合体的损伤破坏特性；王登科等利用工业CT扫描系统实现了煤样内部裂隙的三维可视化和定量表征，揭示了含瓦斯煤内部二维和三维裂隙演化规律；LI等采用无损低场核磁共振(NMR)和工业CT扫描对不同结构煤的物理性质进行了定量表征，揭示了煤结构与煤物性之间的相关性；HAO等利用工业CT扫描技术从微观角度分析了不同荷载作用下煤中主要裂隙的延伸方向、发育程度和连通性；WANG等对煤中的水力压裂进行了室内模拟，并应用工业CT扫描和数字体积相关(DVC)量化了裂隙的空间分布、结构变化和扩展；WU等利用工业CT研究了单轴和三轴加载条件下煤岩裂隙的细观损伤演化规律及压裂特征。上述研究通过工业CT技术深入分析了煤岩的内部结构、裂隙演化规律以及在外力作用下的动态响应，为煤层气开发和煤矿瓦斯治理提供了有力的实验支持和理论指导，并且有助于人们深入理解煤岩动力灾害的孕育机制。

随着数字图像处理技术的提高，基于阈值分割、边缘检测和小波变换的图像分割算法在煤岩图像处理中得到广泛应用，例如：王刚等利用维纳滤波对煤岩体裂隙CT图像进行去噪处理，利用DTM(Digital Terrain Model)阈值分割对CT图像进行了处理，对煤岩孔隙结构进行了三维重构，确定了合适的权重因子修正Otsu最佳阈值选择公式，提出了一种改进的Otsu阈值分割法；郝晨光等通过BiDoseResp校准函数构建了识别煤微细观孔裂隙Bi-PTI灰度阈值模型；王凯等考虑了CT图像易出现的射术硬化效应，提出了灰度束阈值分割方法，对原生煤岩组合体CT扫描结果进行阈值分割并重构；赵海燕等应用Cany算子图像分割与方向性边缘检测技术，提取了煤岩CT图像割理的总体特征、水平方向和垂直方向特征；曹树刚等提出了一种基于图像增强函数的改进无边缘活动轮廓模型，获得了较高质量的煤岩细观裂隙二值图像；LIU等利用最小二乘支持向量机(LS-SVM)对CT图像中每个像素邻域的灰度值进行了估计，提出了一种基于梯度和过零点结合结果的边缘检测方法；BAI等将岩石裂隙的图像处理技术引入裂隙的扩展分析中，利用小波变换算法检测CT图像的边缘，对裂隙进行了定量测量；LIU等则在裂隙分析中引入了数字图像处理技术，采用多尺度小波变换的方法检测图像边缘，对裂隙进行了定量测量。这些方法的应用表明数字图像处理技术在煤岩图像分割和分析中得到了广泛应用，但还存在一些不足，需要进一步开展侧重于算法的实时性、自适应性和对不同煤岩类型的通用性等方面的研究，推动数字图像处理技术在煤岩领域的应用。

与此同时，深度学习技术的发展为煤岩裂隙的智能识别提取提供了新思路，例如：薛东杰等利用深度学习模型FCN(全卷积神经网络)用作煤岩体裂隙CT图像的分割方法，调整了FCN中卷积的通道数和卷积核的大小以获取最精确的分割结果；张庆贺等基于YOLOv5深度学习网络模型，结合数字图像相关方法，提出了一种智能识别动态裂隙的算法；冯雪健等开展基于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；郑江韬等利用深度学习模型U-Net实现了煤岩体裂隙CT图像的智能化分割，并利用分割结果完成了三维重构；LU等基于全卷积神经网络U-Net，提出了一种融合并行多尺度特征的卷积神经网络，缓解了弱边界裂隙丢失问题，提升了煤岩体裂隙的分割精度；YU等基于DeepLabV3+实现了煤岩体裂隙图像的识别；XIE等在卷积神经网络后利用全连接层对像素进行逐个分类，实现了霍普金森压杆冲击荷载过程中煤的表面裂隙分割。上述研究展示了深度学习方法在煤岩裂隙智能识别领域的多样化应用，为煤矿工程、地质勘探等领域的研究和应用提供了新思路和技术支持。然而在模型的鲁棒性、通用性和小样本的适应性等方面还存在不少挑战，还需开展进一步相关研究。

目前传统方法识别煤岩裂隙的研究都取得了较好的成果，在一些简单的场景中可以有效地检测裂隙，特别是当裂隙的边缘清晰、背景与裂隙的对比度较高时，这些传统算法通常可以取得良好的效果。然而，当遇到复杂背景、裂隙形态复杂时，受到各自算法自身的局限性，难以满足实际工作中对于效率和精度的需求。因此开展针对煤岩裂隙相关的深度学习算法研究，可以实现对裂隙的自动化检测，避免传统方法中需要人工干预的繁琐过程，从而可以更好地适应复杂多变的煤岩裂隙结构。在工程应用方面，准确高效识别煤岩裂隙对于煤矿安全、地下工程稳定性、矿井灾害防治等皆具有重要意义。笔者采用多尺度融合策略，通过深度可分离空洞卷积模块(DCAC)和残差模块的改进，设计了MCSN网络模型相较于现有技术具有更高的准确性、鲁棒性和实用性，特别适用于处理复杂多尺度的煤岩裂隙图形。

为解决煤岩CT裂隙图像识别中矸石影响以及不同尺度裂隙识别的问题，设计并实现了一种基于深度学习的煤岩裂隙提取网络模型(MCSN)，该模型基于U-Net网络，利用其编码器－解码器结构和跳跃连接，可实现从复杂煤岩体中分割出完整的裂隙结构图像。首先，通过煤岩工业CT扫描系统获取煤岩体内部扫描图片后，人工标注出CT图像中的裂隙结构，并利用数据增强扩充标注的原始数据制作出煤岩CT裂隙数据集；然后，将训练好的VGG16模型权重通过迁移学习技术移至U-Net编码器部分，使得整个主干特征提取网络具有更强的裂隙结构特征提取能力；同时采用深度可分离空洞卷积模块(DCAC)和残差模块对U-Net模型中解码器部分进行改进，有效提升了CT图像中裂隙结构的识别能力，展现出了优越的分割精度和鲁棒性。为验证提出的煤岩裂隙提取网络模型的有效性，将MCSN的提取结果与经典的卷积神经网络及阈值分割方法的结果进行了对比，实验对比结果显示，提出的模型在定性分析和定量分析方面优势明显。这种多尺度融合的策略可以有效提取出复杂煤岩体图像中的裂隙，提高了裂隙识别效率和精度。将该模型应用到巷道围岩钻孔裂隙识别中，通过对钻孔成像仪采集到的窥孔视频和平面展开图进行裂隙提取，并结合二者提取结果进行交叉验证，得到了精准的巷道围岩裂隙分布范围，给出了穿层抽采钻孔的注浆封孔范围，提高了煤层瓦斯抽采体积分数。