在岩土工程和地质勘察项目中钻孔岩芯图像是最常见的数据形态之一。裂缝的分布、密度和宽度直接影响围岩分级、边坡稳定性和工程决策。很多团队仍然采用人工方式对岩芯图像进行逐图判读遇到一箱十几米岩芯、数千张图像时工作量会迅速膨胀而且不同人判读标准不一致。为了缓解这个问题越来越多方案开始关注“自动化岩芯分析”也就是把深度区间、地质编录报告、岩芯扫描图像放在同一套流程中用计算机视觉模型完成裂缝检测、分割和统计。这篇文章会围绕一套比较实用的技术路线展开利用已有地质编录报告生成粗粒度弱标签快速筛选出包含裂缝的图像区域再对筛选出来的区域做有监督裂缝分割得到像素级裂缝掩码。其中会覆盖背景概念、环境准备、弱标签构造、模型训练、常见问题和工程化建议。代码基于 PyTorch结构比较轻量适合直接参考改造。文章适合地质工程师、算法工程师、GIS/遥感方向的开发者也适合刚接触图像分割的 Python 用户。读完你会理解弱标签和像素级标签的关系知道如何从报告文本中提取可用标签掌握基于 U-Net 类模型的裂缝分割训练流程并且能自己排查数据、训练和推理过程中的常见问题。1. 背景与核心概念1.1 为什么需要自动化岩芯分析钻孔岩芯是地下岩体最直观的样本通过岩芯可以判断岩性、构造、风化程度、节理裂隙发育情况等。传统方式中地质人员需要在一张张岩芯照片或岩芯扫描图上手工描出裂缝再逐条量测宽度、走向最后汇总成编录表。这个过程有几个明显痛点效率低一个钻孔的岩芯可能有几百张图像人工判读需要数小时甚至数天。标准不一致不同人员对“裂缝”和“节理”的界限理解不同同一个区域可能给出不同结果。难以统计手工描线之后还要做长度、密度、方位统计工作量大且容易遗漏。数据利用不充分很多历史项目已经写了地质编录报告但报告中的文本描述没有和图像关联起来无法二次利用。自动化岩芯分析的目标是把“图像采集 文本报告 深度标定 裂缝分割 统计输出”串成流水线让机器先完成大量重复性的像素级标记工作再由地质人员审核关键结果。这并不代表完全替代人工而是把人力放到最重要的复核环节上。1.2 弱标签与有监督裂缝分割两个关键概念在开始写代码之前需要先区分两个容易混淆的概念弱标签weak labels和有监督学习supervised learning。有监督裂缝分割指的是模型训练时使用像素级标签也就是图像中每个像素都标记为“裂缝”或“背景”。这类标签质量最高但标注成本也很高需要在岩芯图像上逐像素画出裂缝轮廓对标注人员的要求非常高。弱标签是指信息不够精确、但能够反映样本类别或区域的标签。比如一段地质编录报告里写了“岩芯破碎裂隙发育”这个文本描述可以映射为“这段岩芯存在裂缝”但它并没有告诉模型裂缝在图像中的具体位置。我们把这种从报告中生成的图像级标签叫做报告派生弱标签report-derived weak labels。它的特点是容易获得、代价低但空间精度不足。整套方案的关键点在于先用报告派生弱标签筛选候选区域再用筛选后的图像训练有监督裂缝分割模型。这样既利用了历史报告又保住了分割任务对像素级标签的精度要求是一个比较务实的组合。1.3 技术边界与典型流程这套自动分析流程并不是“文本报告直接变成裂缝图”而是分成多个环节数据准备获取钻孔岩芯图像以及对应的地质编录报告统一深度坐标。报告解析从报告文本中提取深度区间和描述信息。弱标签生成根据规则或分类模型给每个深度区间生成“是否含裂缝”的粗标签。图像裁剪与对齐将深度区间对应到岩芯图像上的位置生成图像块。有监督分割使用少量精标掩码训练裂缝分割模型。后处理与统计对分割结果做连通域过滤、形态学处理统计裂缝密度和宽度。需要特别说明的是该方案不可能一开始就是零标注。报告弱标签可以减少“找哪里有裂缝”的搜索成本但最终的分割模型仍然需要一定数量的像素级标注。工程落地时通常的做法是先用弱标签做一个候选框筛选模型减少需要人工精标的图像数量再用更少的人力完成高质量分割训练集。2. 整体方案报告弱标签如何驱动分割模型2.1 算法流程设计可以把整个方案理解为一个“先分类后分割”的两阶段结构。第一阶段是候选区域定位。输入是一段岩芯图像和对应的报告描述输出是“该图像块是否包含裂缝”。这一阶段可以使用两类信息报告文本特征例如“裂隙发育”“破碎”“RQD 低”等关键词。图像本身特征裂缝区域通常表现为细长的暗色线条可以利用边缘、纹理或者一个轻量级分类网络。第二阶段是裂缝像素级分割。输入是包含裂缝的候选图块输出是与输入图同尺寸的二值掩码其中像素值为 1 表示裂缝。这一阶段需要真正的语义分割模型例如 U-Net、DeepLabV3 或 SegFormer。报告派生弱标签在第一阶段起主导作用。我们可以用报告文本生成候选图块的正负样本训练一个图像分类模型也可以用简单的规则直接筛选。规则筛选的好处是解释性强适合小数据集分类模型的好处是能够学习到图像特征适合样本量较大的场景。2.2 报告派生的弱标签从哪里来地质编录报告通常存储在 Excel、CSV、PDF 或专业地质软件中。常见的字段有起始深度start depth终止深度end depth岩性描述裂隙发育程度RQD 值岩芯采取率风化程度其他备注其中“裂隙发育程度”和“RQD 值”是最适合生成弱标签的字段。比如 RQD 很低说明岩体破碎那么这段岩芯图像大概率存在大量裂缝描述中含有“破碎”“裂隙密集”等词语也可以标记为正样本。相反如果描述为“完整”“无裂隙”则可以作为负样本。弱标签的粒度一般是“深度区间”或“图像块”而不是像素。所以在把报告映射到图像时必须严格处理深度坐标。否则标签和图像内容错位训练出来的模型会学到错误关联。2.3 弱标签与像素级标签的配合弱标签不能直接替代像素级标签但它可以大大降低像素级标注的成本。假设一个钻孔有 1000 张图像人工逐张判断“有没有裂缝”需要消耗不少时间。如果先用报告弱标签筛选出可能包含裂缝的 300 张图再在这 300 张图中人工标注裂缝掩码工作量就减少很多。更进一步可以先用传统图像处理方法生成初始掩码再由人工修正这样标注效率更高。所以完整训练数据的构建路径是报告文本 - 弱标签 - 候选图块 - 传统算法/人工精修 - 像素级裂缝掩码 - 有监督分割训练在代码实现中我们通常保存一个 CSV 文件记录每个图像块的名称、起始深度、终止深度、弱标签和掩码路径。训练时Dataset 根据掩码路径读取像素级标签报告弱标签则用于筛选哪个图像块进入训练或者评估模型召回。3. 环境准备与项目结构3.1 运行环境本文示例以 Python 3.9 或 3.10 为主深度学习框架使用 PyTorch。如果你使用 GPU需要提前安装好对应版本的 CUDA 和 cuDNN。版本不需要完全一致但要注意 PyTorch、CUDA 和显卡驱动之间的兼容关系。推荐环境操作系统Windows 10/11、Ubuntu 20.04 或更新版本Python3.9 或 3.10深度学习框架PyTorch 1.13 以上或 PyTorch 2.x视觉库OpenCV、Pillow、Albumentations数据处理NumPy、Pandas、PyYAML文本解析pdfplumber 或 OpenPyXL分割模型库segmentation-models-pytorch可选也可以自己写模型如果你的电脑没有 GPU小尺寸图像和少量训练轮次也可以使用 CPU 完成但速度会比较慢。建议先用 256×256 或 512×512 的小图块跑通流程。3.2 安装依赖为了便于复现建议使用 conda 创建独立环境conda create -n borehole python3.9 conda activate borehole pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118上面的命令会安装 CUDA 11.8 版本的 PyTorch。如果你使用 CPU可以改为pip install torch torchvision接下来安装其他依赖pip install numpy pandas opencv-python pillow matplotlib pyyaml albumentations tqdm pip install pdfplumber openpyxl segmentation-models-pytorch也可以把依赖写入requirements.txt文件方便在不同机器上复现numpy pandas opencv-python pillow matplotlib pyyaml albumentations tqdm pdfplumber openpyxl segmentation-models-pytorch这里没有锁死版本因为不同项目的 CUDA 和生产环境差异较大。实际部署时建议锁定版本号并生成 lock 文件。3.3 项目目录设计推荐使用下面这种目录结构把数据、配置、源码和输出分开borehole_core_analysis/ ├── data/ │ ├── core_images/ # 岩芯图像 │ ├── reports/ # 编录报告 │ ├── masks/ # 精标裂缝掩码 │ ├── weak_labels.csv # 报告派生弱标签 │ └── train_val.csv # 训练集和验证集划分 ├── configs/ │ └── config.yaml # 项目配置 ├── src/ │ ├── weak_label_generator.py │ ├── dataset.py │ ├── model.py │ ├── train.py │ └── predict.py └── requirements.txt这个结构简单清晰适合从实验走向工程化。随着项目复杂度提升可以继续增加src/evaluate.py、src/postprocess.py等模块。4. 构建报告派生弱标签4.1 报告解析与深度对齐弱标签的质量决定了后续流程的上限。如果报告里的深度区间和图像覆盖范围对不上那么生成的标签大概率是噪声。实际项目中一份编录报告可能是 Excel 表格也可能是 PDF 扫描件。Excel 表格解析比较容易PDF 扫描件需要先做 OCR再配合正则表达式抽取。本文以 Excel/CSV 格式为例因为这类数据比较常见且便于演示。假设报告文件是data/reports/core_log.csv内容结构如下start_depth,end_depth,lithology,description,rqd 10.0,10.5,泥岩,岩芯较完整 无裂隙,85 10.5,11.0,泥岩,岩芯破碎 裂隙发育 岩芯呈碎块状,20 11.0,11.5,砂岩,见一条闭合裂隙,60我们需要把description字段映射为弱标签。这里用规则映射即可含有“破碎”“裂隙发育”“裂缝密集”等词标记为正样本含有“完整”“无裂隙”等词标记为负样本无法判断的样本可以先剔除避免给模型带来噪声。4.2 弱标签生成规则与代码下面是一个可运行的弱标签生成脚本文件路径为src/weak_label_generator.py。# 文件路径src/weak_label_generator.py import re import pandas as pd POSITIVE_RULES [ 破碎, 裂隙发育, 裂隙密集, 裂缝发育, 多处裂隙, 岩芯呈碎块状, ] NEGATIVE_RULES [ 完整, 无裂隙, 未见裂缝, 较完整, ] def generate_weak_label(description: str): if not isinstance(description, str): return None text description.strip() for rule in NEGATIVE_RULES: if rule in text: return 0 for rule in POSITIVE_RULES: if rule in text: return 1 return None def load_report(report_path: str) - pd.DataFrame: df pd.read_csv(report_path) df df.sort_values(start_depth).reset_index(dropTrue) return df def main(): report_path data/reports/core_log.csv output_path data/weak_labels.csv df load_report(report_path) df[weak_label] df[description].apply(generate_weak_label) df df.dropna(subset[weak_label]) df df[[start_depth, end_depth, lithology, description, rqd, weak_label]] df.to_csv(output_path, indexFalse) print(df) print(f正样本数量{(df[weak_label] 1).sum()}) print(f负样本数量{(df[weak_label] 0).sum()}) if __name__ __main__: main()这个脚本会生成data/weak_labels.csv其中weak_label1表示该深度区间很可能包含裂缝weak_label0表示没有明显裂缝。需要注意的是规则只是一种最简方案。如果报告描述很复杂比如“局部裂隙发育”规则会直接判断为正样本但实际上在这个深度区间内可能只有一小部分是裂缝。换句话说弱标签会有一定噪声这是正常现象。后续可以通过图块级别的筛选和模型训练来缓解噪声。4.3 弱标签质量评估与清洗生成弱标签之后不能直接拿来训练分割模型需要先做质量评估。评估弱标签最简单的方法是抽样检查。从正样本中随机抽出 50 个深度区间找到对应的岩芯图像人工判断“是否确实存在裂缝”。如果正确率低于 80%说明规则需要调整。常见问题包括报告中的“裂隙”指的是岩芯表面的自然节理而不是机械裂缝。报告深度与图像深度对应关系不统一。同一段岩芯有多张照片但报告只按深度区间记录。描述词语在不同地区或不同地质人员之间的含义不同。清洗策略包括剔除无法匹配到图像的样本、剔除描述模糊的样本、合并连续深度区间、对标签做平滑处理。比如一个很短的区间被标记为正样本但前后都是负样本那么这个孤立正样本可能是噪声可以重点复核。5. 有监督裂缝分割模型训练5.1 模型选型裂缝在图像中通常表现为细长、低对比度的结构因此分割模型需要有较强的边缘感知能力。U-Net 是裂缝分割中最常用的基线模型它通过编码器提取多尺度特征再通过解码器恢复分辨率适合小样本场景。如果数据量较多也可以尝试 DeepLabV3 或 SegFormer。对岩芯图像这种背景相对固定、裂缝形态比较单一的任务U-Net 往往已经足够。本文使用segmentation_models_pytorch库加载 U-Net可以帮助我们快速搭建实验。# 文件路径src/model.py import segmentation_models_pytorch as smp import torch.nn as nn def create_model(encoder_nameresnet18, num_classes1): model smp.Unet( encoder_nameencoder_name, encoder_weightsimagenet, in_channels3, classesnum_classes, activationNone, ) return model这里activationNone表示输出层不接 Sigmoid后续在损失函数中统一处理数值上更稳定。如果你不想引入第三方库也可以使用 PyTorch 官方风格实现一个简化版 U-Net核心结构都是编码器、瓶颈、解码器和跳跃连接。5.2 数据加载与增强分割模型需要输入图像和对应的掩码。图像可以从岩芯扫描图中裁剪出来掩码是单通道二值图像白色表示裂缝黑色表示背景。我们把训练和验证所需的样本对写入train_val.csv它的结构可以是image_path,mask_path,weak_label data/core_images/core_001.png,data/masks/core_001_mask.png,1 data/core_images/core_002.png,data/masks/core_002_mask.png,1下面是一个基于 PyTorch Dataset 的加载示例文件路径为src/dataset.py。# 文件路径src/dataset.py import cv2 import pandas as pd import torch from torch.utils.data import Dataset import albumentations as A from albumentations.pytorch import ToTensorV2 class CrackDataset(Dataset): def __init__(self, csv_path, transformNone): self.df pd.read_csv(csv_path) self.transform transform def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] image cv2.imread(row[image_path]) image cv2.cvtColor(image, cv2.COLOR_BGR2RGB) mask cv2.imread(row[mask_path], cv2.IMREAD_GRAYSCALE) mask (mask 127).astype(float32) mask torch.from_numpy(mask).unsqueeze(0) if self.transform is not None: augmented self.transform(imageimage, maskmask[0].numpy().astype(uint8)) image augmented[image] mask augmented[mask] mask mask.unsqueeze(0).float() return image, mask def get_train_transform(): return A.Compose([ A.RandomCrop(512, 512), A.HorizontalFlip(p0.5), A.VerticalFlip(p0.5), A.RandomBrightnessContrast(p0.3), A.Normalize(mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)), ToTensorV2(), ]) def get_val_transform(): return A.Compose([ A.Resize(512, 512), A.Normalize(mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)), ToTensorV2(), ])这段代码需要注意Albumentations 的mask参数要求是二维数组所以上面代码把 mask 压缩成一维再传入。如果你只需要跑通流程也可以去掉数据增强直接使用torchvision.transforms。5.3 损失函数与评估指标裂缝分割是一个典型的类别不平衡问题裂缝像素通常只占整张图像的 1% 到 5%。如果直接用普通交叉熵损失模型很容易把所有像素都预测为背景因为背景占比太高。常用的损失函数组合是BCEWithLogitsLoss数值稳定适合二分类分割。DiceLoss直接优化 IoU对不平衡样本更友好。Focal Loss降低易分类样本的权重让模型更关注难样本。实际工程中我比较推荐BCE Dice组合损失公式大致是loss 0.5 * BCE 0.5 * Dice评估指标可以使用Dice 系数预测掩码与真实掩码的重合度。IoU交并比分割任务最常用的指标。Precision 和 Recall判断裂缝像素是否被过度预测或遗漏。在裂缝检测中Recall 往往比 Precision 更重要。因为漏掉一条真实的裂缝可能影响工程判断而多预测一些噪声还可以通过后处理过滤。5.4 训练脚本核心代码下面是一个训练脚本的核心片段文件路径为src/train.py。这里省略了参数解析和完整日志记录重点展示训练主循环。# 文件路径src/train.py import torch import torch.nn as nn from torch.utils.data import DataLoader from tqdm import tqdm class CombinedLoss(nn.Module): def __init__(self): super().__init__() self.bce nn.BCEWithLogitsLoss() self.sigmoid nn.Sigmoid() def forward(self, logits, masks): bce_loss self.bce(logits, masks) preds self.sigmoid(logits) preds preds.view(preds.size(0), -1) masks masks.view(masks.size(0), -1) intersection (preds * masks).sum(dim1) union preds.sum(dim1) masks.sum(dim1) 1e-7 dice 1 - ((2 * intersection 1e-7) / union).mean() return 0.5 * bce_loss 0.5 * dice def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss 0.0 for images, masks in tqdm(loader): images images.to(device) masks masks.to(device) logits model(images) loss criterion(logits, masks) optimizer.zero_grad() loss.backward() optimizer.step() total_loss loss.item() return total_loss / len(loader) def validate(model, loader, criterion, device): model.eval() total_loss 0.0 with torch.no_grad(): for images, masks in tqdm(loader): images images.to(device) masks masks.to(device) logits model(images) loss criterion(logits, masks) total_loss loss.item() return total_loss / len(loader)在真正训练之前还需要定义优化器、学习率和训练轮数model create_model() model model.to(device) optimizer torch.optim.Adam(model.parameters(), lr1e-4) criterion CombinedLoss() num_epochs 50 for epoch in range(num_epochs): train_loss train_one_epoch(model, train_loader, optimizer, criterion, device) val_loss validate(model, val_loader, criterion, device) print(fEpoch {epoch 1}/{num_epochs}train_loss{train_loss:.4f}val_loss{val_loss:.4f})这里需要特别注意如果segmentation_models_pytorch的模型输出是一个张量那么可以直接计算损失如果使用某些分类头模型输出可能是一个 dict例如{out: tensor}需要自行取出张量再计算损失。6. 从弱标签到精细化掩码的工程路径6.1 先分类后分割的两阶段策略自然语言报告只能告诉我们“这段岩芯大概率有裂缝”但落在图像上具体是哪一块还需要借助图像分析。两阶段策略中第一阶段是一个图像分类模型输入是某个深度区间的岩芯图块输出是“包含裂缝”或“不包含裂缝”。训练这个分类模型时可以使用报告派生弱标签直接作为监督信号不需要像素级掩码。第二阶段是裂缝分割模型输入是分类器判断为“包含裂缝”的图块输出是像素级掩码。由于已经筛掉了大量背景区域分割模型的训练数据可以更集中。这样做的好处是我们可以先用大量历史数据训练分类器快速筛选候选区域然后只对候选区域进行精标降低人工标注成本。6.2 主动学习与人工精修当候选区域数量减少后可以通过主动学习提高标注效率。训练第一版分割模型后把所有候选样本输入模型计算预测不确定度。对于裂缝分割来说不确定度可以定义为预测概率接近 0.5 的像素比例或者多次随机增强后预测不一致的比例。高不确定度的样本就是模型最容易出错的地方优先让地质人员标注这些样本迭代效率更高。这里给一个简单的主动学习流程用报告弱标签筛选候选图块。随机挑选一部分图块人工标出裂缝掩码。训练第一版分割模型。用模型预测全部候选图块输出不确定度排序。优先人工精修 Top 200 个高不确定度样本。将新标注加入训练集重新训练。通过这种方法一个几千张图像的项目可能只需要几百张到一千张精标图像就能获得可接受的分割效果。6.3 后处理与裂缝统计分割模型输出的是二值掩码但工程上不能直接把掩码交给地质人员查看。还需要做后处理包括形态学闭运算填补裂缝内部的细小孔洞。连通域过滤删除面积过小的噪声区域。裂缝骨架化提取裂缝中线计算裂缝长度。宽度估计基于骨架距离变换或局部厚度计算裂缝宽度。深度统计把像素级统计结果映射回深度区间生成编录表。示例后处理代码如下import cv2 import numpy as np def postprocess_mask(mask, min_area50): kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations2) num_labels, labels cv2.connectedComponents(mask, connectivity8) cleaned np.zeros_like(mask) for label_id in range(1, num_labels): area (labels label_id).sum() if area min_area: cleaned[labels label_id] 255 return cleaned裂缝宽度统计比较复杂需要先做骨架提取再基于距离变换计算每个骨架点上的裂缝宽度。如果只是快速评估也可以统计裂缝面积占比来代替虽然不如单条宽度准确但实现成本低很多。7. 常见问题与排查思路问题现象常见原因解决思路弱标签正负样本严重不均衡报告中描述完好的样本远多于破碎样本降低正样本阈值或对负样本随机下采样模型把钻痕误识别为裂缝训练集中缺少“非裂缝线性结构”难例增加背景难例或在增强中加入旋转、误标注修正预测掩码存在大量散点噪声模型对细小纹理过于敏感加大min_area阈值使用形态学开闭运算过滤训练时损失不下降学习率过大或标签有大量噪声调小学习率检查掩码是否对齐尝试加载预训练权重报告深度和图像深度对不上数据采集时深度记录不一致或者图像拼接错位统一深度坐标系对上标尺重新生成弱标签图像光照不均匀影响分割效果岩芯摄影时打光不均匀先做直方图均衡化或训练时加入随机亮度对比增强GPU 显存不足图像尺寸过大、batch size 过大降低输入尺寸使用梯度累积或减少 batch size如果遇到裂缝和节理分不清的问题仅靠视觉模型很难完全解决。建议在标注规范中定义清晰标准比如“仅统计宽度大于 1 mm、延伸长度超过图像宽度十分之一的裂缝”模型会更容易学到稳定模式。8. 工程化落地建议8.1 深度坐标统一自动化岩芯分析最容易被忽视的问题就是深度坐标。图像文件名、报告深度区间、扫描仪物理刻度必须映射到一个统一坐标体系。建议在数据处理一开始就生成一个“深度索引表”字段包括图像文件名、起始深度、终止深度、物理尺寸、像素大小。后续所有弱标签和统计结果都从这个表派生避免多处维护坐标导致错位。8.2 标签数据管理弱标签、精标掩码、模型预测结果都属于数据资产。推荐用版本化目录管理data/v1/ ├── images/ ├── masks/ ├── weak_labels.csv └── train_val.csv每次新增标注或修改报告解析规则时可以创建v2目录而不是直接覆盖旧数据。模型训练脚本记录data_version、model_name、train_epoch方便复现实验。8.3 安全与合规钻孔岩芯数据经常涉及矿区、水文和工程勘察信息有些属于企业内部敏感数据甚至可能涉及国家安全。处理这些数据时必须遵守所在单位和地区的法律法规在授权范围内使用。不要随意把原始岩芯图像上传到公共云盘或第三方标注平台。如果必须使用在线标注工具需要先获得数据合规审批并对图像做脱敏处理。8.4 模型迭代与验证裂缝分割不是一次性任务不同工地、不同岩性、不同拍摄条件下的模型效果可能差异很大。上线前必须做本地验证保存每个测试图像的预测结果并组织地质人员抽样复核。建议每次模型迭代都输出一份“分割结果样例对比图”包含原始图像、真实掩码、预测掩码和误差标记这样可以快速发现系统性错误。9. 总结与下一步学习路线本文围绕“报告派生弱标签 有监督裂缝分割”的思路介绍了自动化岩芯分析的完整流程。核心要点有三个第一弱标签不等于像素级标签它主要用于降低候选区域筛选成本第二报告解析和深度对齐是数据质量的关键第三裂缝分割不是只训练一个模型还需要后处理、评估和人工复核。接下来如果你想继续深入可以优先关注三个方向模型层面尝试裂缝专用网络结构或者在 U-Net 基础上加入注意力机制提升细条裂缝分割效果。数据层面整理一套自己的岩芯裂缝标注规范收集更多不同光照、不同岩性的样本。工程层面把分割结果输出为专业的地质编录表并和 RQD、岩芯采取率等指标联动分析。这套方案并不复杂难点在于把数据、规则、模型和工程问题串起来。建议你先用一个小的钻孔数据跑通整个流程再逐步扩展到批量历史数据。遇到问题不要急着换模型优先检查标签是否准确、深度是否对齐、后处理是否合理这些问题往往比模型结构更影响最终效果。
弱标签驱动岩芯裂缝分割：基于U-Net的自动化岩芯分析方案
在岩土工程和地质勘察项目中钻孔岩芯图像是最常见的数据形态之一。裂缝的分布、密度和宽度直接影响围岩分级、边坡稳定性和工程决策。很多团队仍然采用人工方式对岩芯图像进行逐图判读遇到一箱十几米岩芯、数千张图像时工作量会迅速膨胀而且不同人判读标准不一致。为了缓解这个问题越来越多方案开始关注“自动化岩芯分析”也就是把深度区间、地质编录报告、岩芯扫描图像放在同一套流程中用计算机视觉模型完成裂缝检测、分割和统计。这篇文章会围绕一套比较实用的技术路线展开利用已有地质编录报告生成粗粒度弱标签快速筛选出包含裂缝的图像区域再对筛选出来的区域做有监督裂缝分割得到像素级裂缝掩码。其中会覆盖背景概念、环境准备、弱标签构造、模型训练、常见问题和工程化建议。代码基于 PyTorch结构比较轻量适合直接参考改造。文章适合地质工程师、算法工程师、GIS/遥感方向的开发者也适合刚接触图像分割的 Python 用户。读完你会理解弱标签和像素级标签的关系知道如何从报告文本中提取可用标签掌握基于 U-Net 类模型的裂缝分割训练流程并且能自己排查数据、训练和推理过程中的常见问题。1. 背景与核心概念1.1 为什么需要自动化岩芯分析钻孔岩芯是地下岩体最直观的样本通过岩芯可以判断岩性、构造、风化程度、节理裂隙发育情况等。传统方式中地质人员需要在一张张岩芯照片或岩芯扫描图上手工描出裂缝再逐条量测宽度、走向最后汇总成编录表。这个过程有几个明显痛点效率低一个钻孔的岩芯可能有几百张图像人工判读需要数小时甚至数天。标准不一致不同人员对“裂缝”和“节理”的界限理解不同同一个区域可能给出不同结果。难以统计手工描线之后还要做长度、密度、方位统计工作量大且容易遗漏。数据利用不充分很多历史项目已经写了地质编录报告但报告中的文本描述没有和图像关联起来无法二次利用。自动化岩芯分析的目标是把“图像采集 文本报告 深度标定 裂缝分割 统计输出”串成流水线让机器先完成大量重复性的像素级标记工作再由地质人员审核关键结果。这并不代表完全替代人工而是把人力放到最重要的复核环节上。1.2 弱标签与有监督裂缝分割两个关键概念在开始写代码之前需要先区分两个容易混淆的概念弱标签weak labels和有监督学习supervised learning。有监督裂缝分割指的是模型训练时使用像素级标签也就是图像中每个像素都标记为“裂缝”或“背景”。这类标签质量最高但标注成本也很高需要在岩芯图像上逐像素画出裂缝轮廓对标注人员的要求非常高。弱标签是指信息不够精确、但能够反映样本类别或区域的标签。比如一段地质编录报告里写了“岩芯破碎裂隙发育”这个文本描述可以映射为“这段岩芯存在裂缝”但它并没有告诉模型裂缝在图像中的具体位置。我们把这种从报告中生成的图像级标签叫做报告派生弱标签report-derived weak labels。它的特点是容易获得、代价低但空间精度不足。整套方案的关键点在于先用报告派生弱标签筛选候选区域再用筛选后的图像训练有监督裂缝分割模型。这样既利用了历史报告又保住了分割任务对像素级标签的精度要求是一个比较务实的组合。1.3 技术边界与典型流程这套自动分析流程并不是“文本报告直接变成裂缝图”而是分成多个环节数据准备获取钻孔岩芯图像以及对应的地质编录报告统一深度坐标。报告解析从报告文本中提取深度区间和描述信息。弱标签生成根据规则或分类模型给每个深度区间生成“是否含裂缝”的粗标签。图像裁剪与对齐将深度区间对应到岩芯图像上的位置生成图像块。有监督分割使用少量精标掩码训练裂缝分割模型。后处理与统计对分割结果做连通域过滤、形态学处理统计裂缝密度和宽度。需要特别说明的是该方案不可能一开始就是零标注。报告弱标签可以减少“找哪里有裂缝”的搜索成本但最终的分割模型仍然需要一定数量的像素级标注。工程落地时通常的做法是先用弱标签做一个候选框筛选模型减少需要人工精标的图像数量再用更少的人力完成高质量分割训练集。2. 整体方案报告弱标签如何驱动分割模型2.1 算法流程设计可以把整个方案理解为一个“先分类后分割”的两阶段结构。第一阶段是候选区域定位。输入是一段岩芯图像和对应的报告描述输出是“该图像块是否包含裂缝”。这一阶段可以使用两类信息报告文本特征例如“裂隙发育”“破碎”“RQD 低”等关键词。图像本身特征裂缝区域通常表现为细长的暗色线条可以利用边缘、纹理或者一个轻量级分类网络。第二阶段是裂缝像素级分割。输入是包含裂缝的候选图块输出是与输入图同尺寸的二值掩码其中像素值为 1 表示裂缝。这一阶段需要真正的语义分割模型例如 U-Net、DeepLabV3 或 SegFormer。报告派生弱标签在第一阶段起主导作用。我们可以用报告文本生成候选图块的正负样本训练一个图像分类模型也可以用简单的规则直接筛选。规则筛选的好处是解释性强适合小数据集分类模型的好处是能够学习到图像特征适合样本量较大的场景。2.2 报告派生的弱标签从哪里来地质编录报告通常存储在 Excel、CSV、PDF 或专业地质软件中。常见的字段有起始深度start depth终止深度end depth岩性描述裂隙发育程度RQD 值岩芯采取率风化程度其他备注其中“裂隙发育程度”和“RQD 值”是最适合生成弱标签的字段。比如 RQD 很低说明岩体破碎那么这段岩芯图像大概率存在大量裂缝描述中含有“破碎”“裂隙密集”等词语也可以标记为正样本。相反如果描述为“完整”“无裂隙”则可以作为负样本。弱标签的粒度一般是“深度区间”或“图像块”而不是像素。所以在把报告映射到图像时必须严格处理深度坐标。否则标签和图像内容错位训练出来的模型会学到错误关联。2.3 弱标签与像素级标签的配合弱标签不能直接替代像素级标签但它可以大大降低像素级标注的成本。假设一个钻孔有 1000 张图像人工逐张判断“有没有裂缝”需要消耗不少时间。如果先用报告弱标签筛选出可能包含裂缝的 300 张图再在这 300 张图中人工标注裂缝掩码工作量就减少很多。更进一步可以先用传统图像处理方法生成初始掩码再由人工修正这样标注效率更高。所以完整训练数据的构建路径是报告文本 - 弱标签 - 候选图块 - 传统算法/人工精修 - 像素级裂缝掩码 - 有监督分割训练在代码实现中我们通常保存一个 CSV 文件记录每个图像块的名称、起始深度、终止深度、弱标签和掩码路径。训练时Dataset 根据掩码路径读取像素级标签报告弱标签则用于筛选哪个图像块进入训练或者评估模型召回。3. 环境准备与项目结构3.1 运行环境本文示例以 Python 3.9 或 3.10 为主深度学习框架使用 PyTorch。如果你使用 GPU需要提前安装好对应版本的 CUDA 和 cuDNN。版本不需要完全一致但要注意 PyTorch、CUDA 和显卡驱动之间的兼容关系。推荐环境操作系统Windows 10/11、Ubuntu 20.04 或更新版本Python3.9 或 3.10深度学习框架PyTorch 1.13 以上或 PyTorch 2.x视觉库OpenCV、Pillow、Albumentations数据处理NumPy、Pandas、PyYAML文本解析pdfplumber 或 OpenPyXL分割模型库segmentation-models-pytorch可选也可以自己写模型如果你的电脑没有 GPU小尺寸图像和少量训练轮次也可以使用 CPU 完成但速度会比较慢。建议先用 256×256 或 512×512 的小图块跑通流程。3.2 安装依赖为了便于复现建议使用 conda 创建独立环境conda create -n borehole python3.9 conda activate borehole pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118上面的命令会安装 CUDA 11.8 版本的 PyTorch。如果你使用 CPU可以改为pip install torch torchvision接下来安装其他依赖pip install numpy pandas opencv-python pillow matplotlib pyyaml albumentations tqdm pip install pdfplumber openpyxl segmentation-models-pytorch也可以把依赖写入requirements.txt文件方便在不同机器上复现numpy pandas opencv-python pillow matplotlib pyyaml albumentations tqdm pdfplumber openpyxl segmentation-models-pytorch这里没有锁死版本因为不同项目的 CUDA 和生产环境差异较大。实际部署时建议锁定版本号并生成 lock 文件。3.3 项目目录设计推荐使用下面这种目录结构把数据、配置、源码和输出分开borehole_core_analysis/ ├── data/ │ ├── core_images/ # 岩芯图像 │ ├── reports/ # 编录报告 │ ├── masks/ # 精标裂缝掩码 │ ├── weak_labels.csv # 报告派生弱标签 │ └── train_val.csv # 训练集和验证集划分 ├── configs/ │ └── config.yaml # 项目配置 ├── src/ │ ├── weak_label_generator.py │ ├── dataset.py │ ├── model.py │ ├── train.py │ └── predict.py └── requirements.txt这个结构简单清晰适合从实验走向工程化。随着项目复杂度提升可以继续增加src/evaluate.py、src/postprocess.py等模块。4. 构建报告派生弱标签4.1 报告解析与深度对齐弱标签的质量决定了后续流程的上限。如果报告里的深度区间和图像覆盖范围对不上那么生成的标签大概率是噪声。实际项目中一份编录报告可能是 Excel 表格也可能是 PDF 扫描件。Excel 表格解析比较容易PDF 扫描件需要先做 OCR再配合正则表达式抽取。本文以 Excel/CSV 格式为例因为这类数据比较常见且便于演示。假设报告文件是data/reports/core_log.csv内容结构如下start_depth,end_depth,lithology,description,rqd 10.0,10.5,泥岩,岩芯较完整 无裂隙,85 10.5,11.0,泥岩,岩芯破碎 裂隙发育 岩芯呈碎块状,20 11.0,11.5,砂岩,见一条闭合裂隙,60我们需要把description字段映射为弱标签。这里用规则映射即可含有“破碎”“裂隙发育”“裂缝密集”等词标记为正样本含有“完整”“无裂隙”等词标记为负样本无法判断的样本可以先剔除避免给模型带来噪声。4.2 弱标签生成规则与代码下面是一个可运行的弱标签生成脚本文件路径为src/weak_label_generator.py。# 文件路径src/weak_label_generator.py import re import pandas as pd POSITIVE_RULES [ 破碎, 裂隙发育, 裂隙密集, 裂缝发育, 多处裂隙, 岩芯呈碎块状, ] NEGATIVE_RULES [ 完整, 无裂隙, 未见裂缝, 较完整, ] def generate_weak_label(description: str): if not isinstance(description, str): return None text description.strip() for rule in NEGATIVE_RULES: if rule in text: return 0 for rule in POSITIVE_RULES: if rule in text: return 1 return None def load_report(report_path: str) - pd.DataFrame: df pd.read_csv(report_path) df df.sort_values(start_depth).reset_index(dropTrue) return df def main(): report_path data/reports/core_log.csv output_path data/weak_labels.csv df load_report(report_path) df[weak_label] df[description].apply(generate_weak_label) df df.dropna(subset[weak_label]) df df[[start_depth, end_depth, lithology, description, rqd, weak_label]] df.to_csv(output_path, indexFalse) print(df) print(f正样本数量{(df[weak_label] 1).sum()}) print(f负样本数量{(df[weak_label] 0).sum()}) if __name__ __main__: main()这个脚本会生成data/weak_labels.csv其中weak_label1表示该深度区间很可能包含裂缝weak_label0表示没有明显裂缝。需要注意的是规则只是一种最简方案。如果报告描述很复杂比如“局部裂隙发育”规则会直接判断为正样本但实际上在这个深度区间内可能只有一小部分是裂缝。换句话说弱标签会有一定噪声这是正常现象。后续可以通过图块级别的筛选和模型训练来缓解噪声。4.3 弱标签质量评估与清洗生成弱标签之后不能直接拿来训练分割模型需要先做质量评估。评估弱标签最简单的方法是抽样检查。从正样本中随机抽出 50 个深度区间找到对应的岩芯图像人工判断“是否确实存在裂缝”。如果正确率低于 80%说明规则需要调整。常见问题包括报告中的“裂隙”指的是岩芯表面的自然节理而不是机械裂缝。报告深度与图像深度对应关系不统一。同一段岩芯有多张照片但报告只按深度区间记录。描述词语在不同地区或不同地质人员之间的含义不同。清洗策略包括剔除无法匹配到图像的样本、剔除描述模糊的样本、合并连续深度区间、对标签做平滑处理。比如一个很短的区间被标记为正样本但前后都是负样本那么这个孤立正样本可能是噪声可以重点复核。5. 有监督裂缝分割模型训练5.1 模型选型裂缝在图像中通常表现为细长、低对比度的结构因此分割模型需要有较强的边缘感知能力。U-Net 是裂缝分割中最常用的基线模型它通过编码器提取多尺度特征再通过解码器恢复分辨率适合小样本场景。如果数据量较多也可以尝试 DeepLabV3 或 SegFormer。对岩芯图像这种背景相对固定、裂缝形态比较单一的任务U-Net 往往已经足够。本文使用segmentation_models_pytorch库加载 U-Net可以帮助我们快速搭建实验。# 文件路径src/model.py import segmentation_models_pytorch as smp import torch.nn as nn def create_model(encoder_nameresnet18, num_classes1): model smp.Unet( encoder_nameencoder_name, encoder_weightsimagenet, in_channels3, classesnum_classes, activationNone, ) return model这里activationNone表示输出层不接 Sigmoid后续在损失函数中统一处理数值上更稳定。如果你不想引入第三方库也可以使用 PyTorch 官方风格实现一个简化版 U-Net核心结构都是编码器、瓶颈、解码器和跳跃连接。5.2 数据加载与增强分割模型需要输入图像和对应的掩码。图像可以从岩芯扫描图中裁剪出来掩码是单通道二值图像白色表示裂缝黑色表示背景。我们把训练和验证所需的样本对写入train_val.csv它的结构可以是image_path,mask_path,weak_label data/core_images/core_001.png,data/masks/core_001_mask.png,1 data/core_images/core_002.png,data/masks/core_002_mask.png,1下面是一个基于 PyTorch Dataset 的加载示例文件路径为src/dataset.py。# 文件路径src/dataset.py import cv2 import pandas as pd import torch from torch.utils.data import Dataset import albumentations as A from albumentations.pytorch import ToTensorV2 class CrackDataset(Dataset): def __init__(self, csv_path, transformNone): self.df pd.read_csv(csv_path) self.transform transform def __len__(self): return len(self.df) def __getitem__(self, idx): row self.df.iloc[idx] image cv2.imread(row[image_path]) image cv2.cvtColor(image, cv2.COLOR_BGR2RGB) mask cv2.imread(row[mask_path], cv2.IMREAD_GRAYSCALE) mask (mask 127).astype(float32) mask torch.from_numpy(mask).unsqueeze(0) if self.transform is not None: augmented self.transform(imageimage, maskmask[0].numpy().astype(uint8)) image augmented[image] mask augmented[mask] mask mask.unsqueeze(0).float() return image, mask def get_train_transform(): return A.Compose([ A.RandomCrop(512, 512), A.HorizontalFlip(p0.5), A.VerticalFlip(p0.5), A.RandomBrightnessContrast(p0.3), A.Normalize(mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)), ToTensorV2(), ]) def get_val_transform(): return A.Compose([ A.Resize(512, 512), A.Normalize(mean(0.485, 0.456, 0.406), std(0.229, 0.224, 0.225)), ToTensorV2(), ])这段代码需要注意Albumentations 的mask参数要求是二维数组所以上面代码把 mask 压缩成一维再传入。如果你只需要跑通流程也可以去掉数据增强直接使用torchvision.transforms。5.3 损失函数与评估指标裂缝分割是一个典型的类别不平衡问题裂缝像素通常只占整张图像的 1% 到 5%。如果直接用普通交叉熵损失模型很容易把所有像素都预测为背景因为背景占比太高。常用的损失函数组合是BCEWithLogitsLoss数值稳定适合二分类分割。DiceLoss直接优化 IoU对不平衡样本更友好。Focal Loss降低易分类样本的权重让模型更关注难样本。实际工程中我比较推荐BCE Dice组合损失公式大致是loss 0.5 * BCE 0.5 * Dice评估指标可以使用Dice 系数预测掩码与真实掩码的重合度。IoU交并比分割任务最常用的指标。Precision 和 Recall判断裂缝像素是否被过度预测或遗漏。在裂缝检测中Recall 往往比 Precision 更重要。因为漏掉一条真实的裂缝可能影响工程判断而多预测一些噪声还可以通过后处理过滤。5.4 训练脚本核心代码下面是一个训练脚本的核心片段文件路径为src/train.py。这里省略了参数解析和完整日志记录重点展示训练主循环。# 文件路径src/train.py import torch import torch.nn as nn from torch.utils.data import DataLoader from tqdm import tqdm class CombinedLoss(nn.Module): def __init__(self): super().__init__() self.bce nn.BCEWithLogitsLoss() self.sigmoid nn.Sigmoid() def forward(self, logits, masks): bce_loss self.bce(logits, masks) preds self.sigmoid(logits) preds preds.view(preds.size(0), -1) masks masks.view(masks.size(0), -1) intersection (preds * masks).sum(dim1) union preds.sum(dim1) masks.sum(dim1) 1e-7 dice 1 - ((2 * intersection 1e-7) / union).mean() return 0.5 * bce_loss 0.5 * dice def train_one_epoch(model, loader, optimizer, criterion, device): model.train() total_loss 0.0 for images, masks in tqdm(loader): images images.to(device) masks masks.to(device) logits model(images) loss criterion(logits, masks) optimizer.zero_grad() loss.backward() optimizer.step() total_loss loss.item() return total_loss / len(loader) def validate(model, loader, criterion, device): model.eval() total_loss 0.0 with torch.no_grad(): for images, masks in tqdm(loader): images images.to(device) masks masks.to(device) logits model(images) loss criterion(logits, masks) total_loss loss.item() return total_loss / len(loader)在真正训练之前还需要定义优化器、学习率和训练轮数model create_model() model model.to(device) optimizer torch.optim.Adam(model.parameters(), lr1e-4) criterion CombinedLoss() num_epochs 50 for epoch in range(num_epochs): train_loss train_one_epoch(model, train_loader, optimizer, criterion, device) val_loss validate(model, val_loader, criterion, device) print(fEpoch {epoch 1}/{num_epochs}train_loss{train_loss:.4f}val_loss{val_loss:.4f})这里需要特别注意如果segmentation_models_pytorch的模型输出是一个张量那么可以直接计算损失如果使用某些分类头模型输出可能是一个 dict例如{out: tensor}需要自行取出张量再计算损失。6. 从弱标签到精细化掩码的工程路径6.1 先分类后分割的两阶段策略自然语言报告只能告诉我们“这段岩芯大概率有裂缝”但落在图像上具体是哪一块还需要借助图像分析。两阶段策略中第一阶段是一个图像分类模型输入是某个深度区间的岩芯图块输出是“包含裂缝”或“不包含裂缝”。训练这个分类模型时可以使用报告派生弱标签直接作为监督信号不需要像素级掩码。第二阶段是裂缝分割模型输入是分类器判断为“包含裂缝”的图块输出是像素级掩码。由于已经筛掉了大量背景区域分割模型的训练数据可以更集中。这样做的好处是我们可以先用大量历史数据训练分类器快速筛选候选区域然后只对候选区域进行精标降低人工标注成本。6.2 主动学习与人工精修当候选区域数量减少后可以通过主动学习提高标注效率。训练第一版分割模型后把所有候选样本输入模型计算预测不确定度。对于裂缝分割来说不确定度可以定义为预测概率接近 0.5 的像素比例或者多次随机增强后预测不一致的比例。高不确定度的样本就是模型最容易出错的地方优先让地质人员标注这些样本迭代效率更高。这里给一个简单的主动学习流程用报告弱标签筛选候选图块。随机挑选一部分图块人工标出裂缝掩码。训练第一版分割模型。用模型预测全部候选图块输出不确定度排序。优先人工精修 Top 200 个高不确定度样本。将新标注加入训练集重新训练。通过这种方法一个几千张图像的项目可能只需要几百张到一千张精标图像就能获得可接受的分割效果。6.3 后处理与裂缝统计分割模型输出的是二值掩码但工程上不能直接把掩码交给地质人员查看。还需要做后处理包括形态学闭运算填补裂缝内部的细小孔洞。连通域过滤删除面积过小的噪声区域。裂缝骨架化提取裂缝中线计算裂缝长度。宽度估计基于骨架距离变换或局部厚度计算裂缝宽度。深度统计把像素级统计结果映射回深度区间生成编录表。示例后处理代码如下import cv2 import numpy as np def postprocess_mask(mask, min_area50): kernel cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) mask cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations2) num_labels, labels cv2.connectedComponents(mask, connectivity8) cleaned np.zeros_like(mask) for label_id in range(1, num_labels): area (labels label_id).sum() if area min_area: cleaned[labels label_id] 255 return cleaned裂缝宽度统计比较复杂需要先做骨架提取再基于距离变换计算每个骨架点上的裂缝宽度。如果只是快速评估也可以统计裂缝面积占比来代替虽然不如单条宽度准确但实现成本低很多。7. 常见问题与排查思路问题现象常见原因解决思路弱标签正负样本严重不均衡报告中描述完好的样本远多于破碎样本降低正样本阈值或对负样本随机下采样模型把钻痕误识别为裂缝训练集中缺少“非裂缝线性结构”难例增加背景难例或在增强中加入旋转、误标注修正预测掩码存在大量散点噪声模型对细小纹理过于敏感加大min_area阈值使用形态学开闭运算过滤训练时损失不下降学习率过大或标签有大量噪声调小学习率检查掩码是否对齐尝试加载预训练权重报告深度和图像深度对不上数据采集时深度记录不一致或者图像拼接错位统一深度坐标系对上标尺重新生成弱标签图像光照不均匀影响分割效果岩芯摄影时打光不均匀先做直方图均衡化或训练时加入随机亮度对比增强GPU 显存不足图像尺寸过大、batch size 过大降低输入尺寸使用梯度累积或减少 batch size如果遇到裂缝和节理分不清的问题仅靠视觉模型很难完全解决。建议在标注规范中定义清晰标准比如“仅统计宽度大于 1 mm、延伸长度超过图像宽度十分之一的裂缝”模型会更容易学到稳定模式。8. 工程化落地建议8.1 深度坐标统一自动化岩芯分析最容易被忽视的问题就是深度坐标。图像文件名、报告深度区间、扫描仪物理刻度必须映射到一个统一坐标体系。建议在数据处理一开始就生成一个“深度索引表”字段包括图像文件名、起始深度、终止深度、物理尺寸、像素大小。后续所有弱标签和统计结果都从这个表派生避免多处维护坐标导致错位。8.2 标签数据管理弱标签、精标掩码、模型预测结果都属于数据资产。推荐用版本化目录管理data/v1/ ├── images/ ├── masks/ ├── weak_labels.csv └── train_val.csv每次新增标注或修改报告解析规则时可以创建v2目录而不是直接覆盖旧数据。模型训练脚本记录data_version、model_name、train_epoch方便复现实验。8.3 安全与合规钻孔岩芯数据经常涉及矿区、水文和工程勘察信息有些属于企业内部敏感数据甚至可能涉及国家安全。处理这些数据时必须遵守所在单位和地区的法律法规在授权范围内使用。不要随意把原始岩芯图像上传到公共云盘或第三方标注平台。如果必须使用在线标注工具需要先获得数据合规审批并对图像做脱敏处理。8.4 模型迭代与验证裂缝分割不是一次性任务不同工地、不同岩性、不同拍摄条件下的模型效果可能差异很大。上线前必须做本地验证保存每个测试图像的预测结果并组织地质人员抽样复核。建议每次模型迭代都输出一份“分割结果样例对比图”包含原始图像、真实掩码、预测掩码和误差标记这样可以快速发现系统性错误。9. 总结与下一步学习路线本文围绕“报告派生弱标签 有监督裂缝分割”的思路介绍了自动化岩芯分析的完整流程。核心要点有三个第一弱标签不等于像素级标签它主要用于降低候选区域筛选成本第二报告解析和深度对齐是数据质量的关键第三裂缝分割不是只训练一个模型还需要后处理、评估和人工复核。接下来如果你想继续深入可以优先关注三个方向模型层面尝试裂缝专用网络结构或者在 U-Net 基础上加入注意力机制提升细条裂缝分割效果。数据层面整理一套自己的岩芯裂缝标注规范收集更多不同光照、不同岩性的样本。工程层面把分割结果输出为专业的地质编录表并和 RQD、岩芯采取率等指标联动分析。这套方案并不复杂难点在于把数据、规则、模型和工程问题串起来。建议你先用一个小的钻孔数据跑通整个流程再逐步扩展到批量历史数据。遇到问题不要急着换模型优先检查标签是否准确、深度是否对齐、后处理是否合理这些问题往往比模型结构更影响最终效果。