煤岩显微组分组的识别对分析煤炭化学性质起到关键作用。人工识别方法费时费力，且专业性要求较高。现有的计算机辅助识别有效方法多以深度学习语义分割模型为手段，但因煤岩显微图像组成复杂，且存在过渡组分，因此现有方法无法准确识别煤岩显微组分组。针对此问题，提出改进的DeeplabV3+语义分割模型，在改进模型中引入Swin Transformer骨干网络和SkNet网络。首先，针对煤岩显微图像各个组分组交错杂糅且存在过渡组分，特征提取困难，利用Swin Transformer骨干网络作为基础特征提取网络，用于提升模型对煤岩显微图像每种组分组的特征提取能力，并使得分割网络获得特征间信息交互的能力；其次，针对在模型中空洞空间卷积池化金字塔模块对特征利用率低的问题，将SkNet网络融入空洞空间卷积池化金字塔模块，强化空洞空间卷积池化金字塔模块对重要特征的提取能力，并抑制非必要特征对最终预测结果的干扰；最后，将改进的DeeplabV3+模型与现有先进算法通过实验进行性能比较，结果表明：改进的DeeplabV3+语义分割模型在煤岩显微图像测试集上的像素准确率为92.06%，与随机森林方法、U-Net语义分割模型和DeeplabV3+语义分割模型相比像素准确率分别提高了9.48%、6.9%和3.4%；改进的DeeplabV3+语义分割模型与人工点测方法测试结果相近。改进的DeeplabV3+语义分割模型较现有煤岩显微组分组自动识别模型性能更优，可作为一种强大的计算机辅助人工识别煤岩显微组分组的手段。

胡晋玮,奚峥皓,徐国忠,李忠峰,刘翔.基于DeeplabV3+改进的煤岩显微组分组自动化测试模型[J/OL].煤田地质与勘探:1-10[2023-06-03].http://kns.cnki.net/kcms/detail/61.1155.p.20230519.0932.002.html