数字岩石物理（DRP）是连接岩石微观结构与等效物理性质的重要桥梁，能够有效构建岩石物理模板。其中，数字岩石图像处理是数字岩石分析的核心步骤，特别是对数字岩石图像的分割。图像分割旨在将CT图像中的像素分类为孔隙空间、基质或更细致的子相，这是DRP流程中的关键环节，直接影响后续参数计算与数值模拟的精度。传统深度学习方法通常依赖大量标注数据进行训练，而岩石样本获取成本高、标注困难，限制了数据集的扩展。此外，典型单一路径分割模型主要关注语义特征提取，对细小孔隙和边缘结构的识别能力有限。
tyc7111cc太阳成集团曹丹平教授团队硕士生王子强提出了一种双路径深度学习数字岩石图像分割模型，以边缘特征作为引导和约束，旨在获得更精确的分割结果。本研究的创新之处在于：1）提出了一个双路径深度学习分割模型，通过引入一条独立的边缘感知路径，有效弥补了传统单一路径模型在边缘细节和细小孔隙分割上的不足；2）边缘特征图在模型中扮演双重角色：不仅作为先验信息与原始图像共同输入，以引导更有效的特征提取；还作为边界约束嵌入解码模块，为图像信息恢复过程提供支持；
图1.双路径模型架构图: (a) Dual-SegNet; (b) Dual-UNet
基于从开放数字岩石门户获取的砂岩与四川工区采集的碳酸盐岩样本，经非局部均值滤波去噪后构建了包含3000张训练图像与250张测试图像的数据集。在该数据集上的实验结果表明，改进后的SegNet在Dice、IoU、Precision和Recall等指标上分别提升了9.58%、16.44%、10.98%和7.57%，弹性参数（体积模量、剪切模量、P波和S波速度）的相对误差分别降低了7.06%、12.13%、4.22%和6.71%。此外，该双路径模型在小数据集上表现优异，有效降低了计算成本并减少了对大规模数据集的依赖。
图2.分割结果指标对比：孔隙分割效果可视化、图像形态学对比和数值模拟得到的弹性模量参数值对比
研究成果近期发表在计算机和地学领域重要期刊Computers & Geosciences。论文第一作者为tyc7111cc太阳成集团硕士生王子强，通讯作者为tyc7111cc太阳成集团曹丹平教授，合作者包括洛桑大学地球科学研究所侯治宇博士，该研究得到国家自然科学基金和国家重大专项资助。
论文信息：Wang, Z., Hou, Z., Cao, D., 2025. Edge-guided segmentation of digital rock images: integrating a pretrained edge aware path with the main segmentation path. Computers & Geosciences. 197, 105884. https://doi.org/10.1016/j.cageo.2025.105884.
