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，本文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。为验证本文所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，本文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浓度。

1 煤岩CT扫描实验
1.1 试样选择及实验设备
1.2 扫描结果
1.3 数据集制作
2 煤岩裂隙图像分割网络模型设计
2.1 MCSN网络模型多尺度融合架构
2.2 深度可分离空洞卷积模块
2.3 基于残差结构的多尺度加强特征提取网络
3 深度学习实验设置
3.1 实验环境与参数设置
3.2 评价指标
3.3 Dice损失函数
4 实验结果分析
4.1 模型训练过程分析
4.2 裂隙分割结果定性分析
4.3 裂隙分割结果定量分析
5工程应用
5.1 工程概况
5.2 围岩钻孔裂隙智能识别结果
5.3 封孔注浆范围确定及瓦斯抽采效果检验
6 结论