在地质工程、石油勘探、碳封存等领域，岩石裂缝网络的精准识别与分析是核心任务之一。传统人工裂缝标注效率低、主观性强，而深度学习技术虽为自动化分割提供了可能，却受限于高质量标注数据集的匮乏。2024 年 12 月，由国际科研团队联合发布的GeoCrack 数据集，彻底打破了这一瓶颈 —— 它不仅是全球首个针对地质露头裂缝边缘分割的大规模开源数据集，更以其高分辨率、多场景、严质控的特性，为深度学习在地质裂缝分析领域的应用奠定了坚实基础。本文将从数据集背景、核心特性、构建流程、验证结果及应用价值等方面，全面解读 GeoCrack 的创新之处与科研意义。

一、为什么需要 GeoCrack？—— 数据集诞生的行业痛点

在地质工程领域，裂缝网络的形态（如长度、密度、连通性）直接决定了岩石的渗透性、强度等关键属性，进而影响油气藏开发效率、CO₂封存安全性、核废料处置选址甚至隧道边坡稳定性。长期以来，科研人员主要依赖两种方式获取裂缝数据：

井下观测（如井眼微电阻率成像）：数据维度单一（准 1D），难以反映裂缝网络的三维分布；
地表露头观测：通过无人机或地面摄影获取高分辨率图像，再人工标注裂缝 —— 这种方式不仅耗时耗力（单张图像标注需数小时），还易受标注者经验、光照条件、植被遮挡等因素影响，导致数据一致性差。

随着深度学习（如 U-Net、Vision Transformer）在图像分割领域的突破，自动化裂缝提取成为可能。但高质量标注数据集的缺失，一直是制约技术落地的核心瓶颈：现有地质裂缝数据集要么规模小（仅数百张图像），要么场景单一（局限于某一岩性或区域），且未考虑真实环境中的干扰因素（如阴影、植被、岩石风化），与实际工程需求脱节。

GeoCrack 的出现，正是为了填补这一空白 —— 它以 “覆盖多地质场景、还原真实干扰因素、保证标注精度” 为核心目标，构建了首个符合深度学习训练需求的大规模裂缝边缘数据集。

二、GeoCrack 核心特性：数据规模与场景多样性的双重突破

GeoCrack 的核心优势可概括为 “大、全、精” 三个字，具体体现在以下四个方面：

1. 覆盖 11 个地质站点，横跨欧亚两大洲

数据集图像来源于欧洲（希腊、马耳他、意大利）和中东（阿曼、阿联酋）的 11 个典型地质露头区，涵盖了三大类岩性和多种构造背景：

沉积岩：碳酸盐岩、碎屑岩（如石灰岩、砂岩）；
火成岩：超基性结晶岩（如橄榄岩）；
构造背景：包括褶皱带、伸展盆地、断层带等，裂缝类型涵盖节理、断层、剪切裂缝、缝合线等。

这种跨区域、多岩性的设计，确保了数据集的泛化能力—— 基于 GeoCrack 训练的模型，可适应不同地质环境下的裂缝分割任务，而非局限于单一场景。

2. 12,158 对高质量图像 - 标签补丁，满足深度学习训练需求

原始数据来自 49 张高分辨率露头图像（分辨率 4032×3024 像素，300 DPI），经过预处理后，被切割为 224×224 像素的 “图像 - 标签” 补丁对（Patch），最终保留 12,158 对有效数据。这一尺寸选择并非随意：224×224 是 ResNet、VGG 等主流卷积神经网络的标准输入尺寸，既能保留足够的裂缝上下文信息，又能平衡计算效率（单张 GPU 可同时处理数十个 Patch）。

数据集按 50:25:25 的比例划分为：

训练集：6,079 对；
验证集：3,039 对；
测试集：3,040 对；并提供 CSV 格式的元数据文件，直接支持 PyTorch、TensorFlow 等框架的加载。

3. 还原真实干扰因素，拒绝 “理想态” 数据

与传统数据集刻意规避干扰不同，GeoCrack 主动纳入了地质露头观测中常见的8 类真实挑战，确保模型训练更贴近工程实际：

干扰类型	具体表现	对分割的影响
光照变化	阴影、强光反射	裂缝与岩石对比度降低，易漏检
植被遮挡	灌木、树根覆盖裂缝	裂缝边缘被截断，易误判为非裂缝
岩石风化	表面剥落、纹理杂乱	掩盖裂缝特征，增加背景噪声
地下水污染	裂缝内染色（如铁氧化物）	裂缝与背景颜色混淆，边界模糊
人工干扰	爆破孔、测量工具（如卷尺）	易被误判为裂缝，导致假阳性
裂缝形态复杂	分支裂缝、断续裂缝	裂缝连续性差，难以完整分割
岩性差异	深色岩石 vs 浅色岩石	裂缝对比度差异大，模型需自适应
图像 artifacts	运动模糊、镜头畸变	裂缝边缘失真，影响分割精度

这种 “不回避问题” 的设计，让 GeoCrack 成为检验模型鲁棒性的 “试金石”—— 能在 GeoCrack 上取得优异成绩的模型，在实际工程中更具应用价值。

4. 人工标注 + 多层验证，确保像素级精度

为保证标签质量，GeoCrack 采用了 “人工标注 - 同伴审核 - 专家验证” 的三级质控流程：

人工标注：由经过培训的地质专业助手，使用 Adobe Photoshop 在清洁后的图像上手动追踪裂缝边缘，统一采用 3px 硬度 100% 的画笔，确保标注一致性；
同伴审核：两名标注者交叉检查，一人负责 “完整性”（是否遗漏小裂缝、边界裂缝），另一人负责 “精度”（是否多标、错标）；
专家验证：由资深构造地质学家对标注结果进行最终审核，解决标注者的分歧（如模糊裂缝的判定），并修正误判（如将缝合线、层理面排除在裂缝之外）。

最终，数据集标注的裂缝边缘总数达 127,659 条，经过验证后，标签准确率超过 95%，远高于行业平均水平（约 80%）。

三、GeoCrack 构建流程：从图像采集到数据集发布的全链路标准化

GeoCrack 的构建并非简单的 “拍照 + 标注”，而是一套涵盖 “数据采集 - 预处理 - 标注 - 补丁生成 - 验证” 的标准化流程，确保每一步都可复现、可追溯。

1. 图像采集：严格遵循摄影测量规范

为获取高质量原始图像，团队采用无人机（UAV）和地面相机结合的方式，严格控制拍摄条件：

设备选择：使用定焦镜头（避免畸变），型号包括大疆 Phantom 4 RTK、佳能 EOS R5 等，确保图像分辨率一致；
拍摄时机：优先选择阴天或太阳位于相机后方时拍摄，避免强光阴影和镜头眩光；
飞行参数：无人机飞行高度根据露头规模调整（5-50 米），确保地面采样距离（GSD）均匀（相邻像素地面距离误差 < 2%）；
后期校正：使用 Agisoft Metashape 软件进行摄影测量后处理，自动消除镜头畸变，生成 ortho 影像（正射投影，无透视变形）。

2. 图像预处理：提升数据一致性

原始图像需经过 5 步处理，才能用于标注：

噪声去除：采用非局部均值滤波（NLM）+ 高斯滤波，去除传感器噪声和压缩伪影，同时保留裂缝边缘；
颜色平衡：使用 “灰度世界算法” 校正不同光照下的颜色偏差，确保同一岩性的颜色一致性；
对比度增强：通过直方图均衡化，提升裂缝与岩石的对比度（尤其针对风化严重的岩石）；
边缘强化：使用基于 Hessian 矩阵的边缘检测算法，突出细微裂缝（如发丝状裂缝）；
裁剪筛选：去除图像中的非地质区域（如天空、人工建筑），仅保留露头部分，并通过离散小波变换（DWT）量化运动模糊（模糊偏差 > 0.5% 的图像被剔除）。

3. 智能补丁生成：拒绝 “无效数据”

原始图像（4032×3024 像素）直接用于训练会导致计算量过大，因此需要切割为 224×224 的补丁。但并非所有补丁都有价值 —— 若某一补丁仅包含天空、植被或无裂缝的岩石，会降低训练效率。

GeoCrack 采用了智能补丁保留算法：

首要条件：补丁必须为完整的 224×224 像素（排除边缘不完整补丁）；
次要条件：补丁中裂缝边缘面积占比≥25%（通过统计验证，25% 是 “保证数据有效性” 与 “保留足够样本” 的最优阈值）。

这一算法最终从 49 张原始图像中筛选出 12,158 个有效补丁，确保每一个样本都能为模型训练提供有效信息。

四、技术验证：U-Net 模型验证数据集有效性

为证明 GeoCrack 的实用性，团队使用经典的 U-Net 分割模型进行了验证实验：

训练数据：随机选取 1,245 个补丁（约 10% 的训练集）；
评价指标：采用分割任务的核心指标 —— 交并比（IoU）、像素准确率（Pixel Accuracy）、召回率（Recall）、精确率（Precision）；
实验结果：
- IoU：85%（裂缝分割的行业优秀水平为 80%-85%）；
- 像素准确率：92%；
- 召回率：88%（漏检率仅 12%）；
- 精确率：90%（误检率仅 10%）。

值得注意的是，这一结果是基于 “未调参的基础 U-Net 模型” 实现的 —— 若采用更先进的模型（如 U-Net++、SegFormer）或进行超参数优化，性能还可进一步提升。这充分说明：GeoCrack 提供的标签质量和数据多样性，完全满足深度学习模型的训练需求，且能有效支撑高精度裂缝分割任务。

五、数据获取与使用指南：开源共享，开箱即用

GeoCrack 秉持 “开源共建” 的理念，所有数据和代码均免费开放，方便科研人员快速上手：

1. 数据存储与结构

数据集托管于哈佛大学数据仓库（Dataverse），地址：https://doi.org/10.7910/DVN/E4OXHQ，分为三大文件夹：

Raw Data：原始数据，包括未处理图像（Raw Images）、清洁后图像（Cleaned Images）、完整标签掩码（Edge Mask），以及包含 UTM 坐标、海拔、相机参数（型号、焦距、曝光时间）的元数据文件（metadata.txt）；
Patched Data：224×224 像素的 “图像 - 标签” 补丁对，按 “图像名_补丁编号_类型.png” 命名（如 “Oman_01_patch_001_mask.png”）；
Code：配套 Python 脚本，包括：
- make_patches.py：生成补丁对的工具（支持自定义补丁尺寸和筛选阈值）；
- make_dataset.py：自动划分训练 / 验证 / 测试集，并生成 CSV 文件；
- unet.py：基础 U-Net 模型实现，可直接用于测试数据集性能。

2. 推荐工具链

图像预处理：OpenCV（去噪、颜色校正）、ImageJ（手动标注辅助）；
深度学习框架：PyTorch、TensorFlow（加载补丁数据）；
标注工具：Adobe Photoshop（高精度标注）、LabelImg（快速标注）。

3. 数据使用注意事项

数据集采用CC BY-NC-ND 4.0 协议（非商业使用、不得修改、需注明出处）；
若需扩展数据集（如新增岩性或区域），建议参考论文中的图像采集和标注规范，确保数据一致性；
针对小裂缝（<3px）的分割，需注意标注画笔尺寸（3px）可能带来的误差，可结合原始高分辨率图像进一步优化。

六、GeoCrack 的未来价值：不止于裂缝分割

GeoCrack 的意义远不止是 “一个数据集”—— 它为地质工程与人工智能的交叉研究提供了新的起点：

推动多类分割研究：当前 GeoCrack 仅标注了裂缝边缘（二分类），未来可扩展为 “裂缝 - 植被 - 阴影 - 人工干扰” 的多类分割，进一步提升模型的工程实用性；
支撑 3D 裂缝网络重建：结合摄影测量的点云数据，GeoCrack 的 2D 裂缝标注可用于训练 3D 裂缝分割模型，实现从 “平面标注” 到 “立体建模” 的跨越；
建立行业基准：GeoCrack 的发布将推动地质裂缝分割领域的 “标准化评测”—— 不同团队可基于同一数据集对比模型性能，避免 “自数据集自评估” 导致的结果偏差；
赋能工程落地：基于 GeoCrack 训练的模型，可集成到无人机巡检系统中，实现 “实时拍摄 - 自动分割 - 裂缝统计” 的全流程自动化，将传统需要数天的露头调查缩短至数小时，大幅提升工程效率。

七、下载地址

GeoCrack: A High-Resolution Dataset For Segmentation of Fracture Edges in Geological Outcrops

为方便国内同学下载，已转一份到百度网盘：

结语：从数据驱动到技术突破

GeoCrack 的发布，标志着地质裂缝分析正式进入 “数据驱动” 的新时代。它不仅解决了深度学习训练的数据瓶颈，更以 “还原真实场景、保证标注精度” 的设计理念，为科研人员提供了一个贴近工程需求的 “试验场”。未来，随着更多科研团队基于 GeoCrack 开展创新（如轻量化模型设计、小样本学习、跨模态融合），我们有理由相信，自动化、高精度的裂缝提取技术将更快落地，为油气开发、地质灾害防治、碳中和等国家战略需求提供更有力的技术支撑。

若你正在从事地质工程、计算机视觉或相关交叉领域的研究，不妨从 GeoCrack 开始 —— 或许，下一个突破就源于这份数据集。

引用格式：Yaqoob, M., Ishaq, M., Ansari, M.Y. et al. GeoCrack: A High-Resolution Dataset For Segmentation of Fracture Edges in Geological Outcrops. Sci Data 11, 1318 (2024). https://doi.org/10.1038/s41597-024-04107-0

Nature岩石裂缝标注数据集