煤岩显微组分的定量分析对客观评价煤的性质、质量进而实现煤炭的高效利用至关重要。然而，由于操作的不规范或刀具的破损，易造成煤光片中划痕的出现，影响进一步的自动化分析，而重新制作煤光片会造成人力和成本的增加。鉴于此，为修复煤岩显微图像中的划痕区域，提出了基于深度学习的显微图像划痕检测与修复策略。首先，设计了一种融合空间注意力与通道注意力的双注意力模型，充分挖掘煤岩显微图像的语义信息，并将其与U-Net语义分割网络融合用于划痕检测，提高了准确性。另外，针对基于补丁匹配的图像修复算法使得煤岩划痕祛除区域与周围区域存在纹理差异，设计了一种结合上下文注意力和生成对抗学习的煤岩显微图像修复网络。通过自适应地为煤岩划痕区域填充合理内容，改善了图像修复质量。划痕检测的平均像素准确度和平均交并比分别达到90.93%和83.95%，修复后的图像的峰值信噪比和结构性相似度分别达到43.29 dB和99.32%，相较于传统基于补丁匹配的算法，分别提高了8.76dB和1.65%，进一步验证了所提方法的有效性。

0引言
1方法
1.1 煤岩划痕检测方法
1.2 煤岩显微图像修复方法
1.3 评价指标
2.实验
2.1实验数据与实验环境
2.2实验结果
2.2.1 煤岩划痕检测
2.2.2 煤岩划痕修复
3. 结论

邹亮,陈志锋,谭智毅,袁懿林,雷萌,何坤.基于深度神经网络的煤岩显微图像划痕检测与修复[J/OL].煤炭科学技术:1-10[2023-06-15].DOI:10.13199/j.cnki.cst.2023-0058.