一种基于深度学习的钻孔图像裂隙参数自动提取方法

摘要

本发明属于图像识别和地质建模的技术领域，具体涉及一种基于深度学习的钻孔图像裂隙参数自动提取方法，包括建立裂隙图像数据集，搭建裂隙图像识别模型，使用标注好的裂隙图像数据集作为监督条件，采用卷积神经网络训练裂隙图像识别模型，使用训练好的裂隙图像识别模型对待检测的裂隙图像进行检测，将提取的裂隙的相关像素信息转换为倾向、倾角、位置、开度、粗糙度参数。本发明将深度学习技术引入钻孔图像数据解析过程，通过卷积神经网络对裂隙的高层语义特征进行机器学习，从而实现了裂隙信息的自动提取。

说明书

技术领域

本发明属于图像识别和地质建模的技术领域，具体涉及一种基于深度学习的钻孔图像裂隙参数自动提取方法。

背景技术

现有的钻孔图像结构面识别研究多采用传统图像处理方法。例如：采用灰度共生矩阵参数来定义结构面特征，同时，可以在钻孔图像中采用从上到下滑动扫描框的策略来搜索结构面区域。并且，在一些处理方法中，还可以采用灰度梯度纵向投影的极值特征作为结构面的特征信号，并通过对合成信号进行阈值分割和二值化处理实现结构面区域划分。

然而，由于实际钻孔图像中岩体的形态与结构复杂多变，部分结构面附近的岩石背景图像中可能存在较大的噪声，从而对基于灰度的底层图像特征造成干扰，这样不仅限制了此类特征的泛化能力，还降低了结构面区域划分的效果。同时，实际裂隙岩体中不同倾角的结构面会在钻孔图像中表现出不同的正弦曲线振幅，从而对应不同的结构面矩形区域高度，而采用固定扫描框高度的策略，需要针对不同的钻孔图像人工干预扫描框的高度值，从而不可避免地降低了算法的通用性与自动化程度。为此，亟需提出一种新型的钻孔图像裂隙参数提取方法以解决上述问题。

发明内容

本发明的目的在于：针对现有技术的不足，提供一种基于深度学习的钻孔图像裂隙参数自动提取方法，其运行速度快，识别精度高，将深度学习技术引入钻孔图像数据解析过程，通过卷积神经网络对裂隙的高层语义特征进行机器学习，实现了裂隙信息的自动提取。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的钻孔图像裂隙参数自动提取方法，包括以下步骤：

S1、对钻孔全景图像中的裂隙进行标注，建立裂隙图像数据集，以得到裂隙的空间位置信息；

S2、搭建裂隙图像识别模型，使用标注好的所述裂隙图像数据集作为监督条件，采用卷积神经网络训练所述裂隙图像识别模型，并对训练的参数的数据特征进行优化；

S3、使用训练好的所述裂隙图像识别模型对待检测的裂隙图像进行检测，并使用P-R曲线或ROC曲线的曲线检测技术对检测的结果进行处理，提取出所述待检测的裂隙图像中裂隙的相关像素信息；

S4、将提取的所述裂隙的相关像素信息转换为倾向、倾角、位置、开度、粗糙度参数，获得裂隙基本信息和提取结果。

进一步地，所述S1中建立所述裂隙图像数据集的过程包括：在所述钻孔全景图像的基础上，采用人工标注的方式对钻孔图像内的裂隙迹线分布图像区域进行矩形框标注，作为正例数据集。

进一步地，所述S1中建立所述裂隙图像数据集的过程包括：在所述钻孔全景图像的基础上，采用人工标注的方式对钻孔图像内的无裂隙迹线分布的图像区域进行矩形框标注，作为负例数据集。

进一步地，所述S2中采用卷积神经网络训练所述裂隙图像识别模型的过程包括：基于所述钻孔图像中的所述裂隙迹线存在正弦特征，将标注后的所述正例数据集和所述负例数据集形成所述裂隙图像识别模型的训练数据集；采用卷积神经网络进行裂隙识别与信息提取，对所述裂隙图像识别模型进行训练，对所述钻孔图像中分布的正弦特征曲线进行识别检测。

进一步地，所述S2中对训练的参数的数据特征进行优化的过程包括：通过将所述卷积神经网络的卷积层与所述卷积神经网络的池化层交替堆叠构成的骨干网络，从所述钻孔图像的所述裂隙迹线获得高层语义特征。

进一步地，所述S2中对训练的参数的数据特征进行优化的过程包括：通过所述卷积神经网络的全连接层将卷积得到的裂隙迹线的高层语义特征进行聚合、展平，将所述裂隙迹线的分布信息映射到实际的钻孔图像上。

进一步地，所述S3中的所述裂隙的相关像素信息为以像素坐标进行表示的正弦特征参数，所述正弦特征参数包括振幅、初相、角速度、偏距。

进一步地，所述S4中包括：通过以像素坐标表示的所述正弦特征参数计算所述待检测的裂隙图像的裂隙迹线在真实钻孔内的倾角、倾向、位置，裂隙开度和粗糙度。

本发明的有益效果在于：1)本发明的基于深度学习的图像识别方法具有更高的精度和速度，将卷积神经网络的钻孔图像裂隙识别技术引入到裂隙参数提取过程中，可显著提升三维地质建模的精确度和自动化水平；2)本发明克服了现有技术中采用手动或半自动的方法来识别钻孔图像中的裂隙所消耗的大量的时间与人力，且克服了识别的效果存在较大的主观误差的不足，使得该提取方法更加适用于实际的工程应用。

附图说明

图1为本发明提取方法的步骤流程图。

图2为本发明提取方法的操作流程框图。

具体实施方式

如在说明书及权利要求当中使用了某些词汇来指称特定组件，本领域技术人员应可理解，制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决技术问题，基本达到技术效果。

在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

以下结合附图1～2和具体实施例对本发明作进一步详细说明，但不作为对本发明的限定。

一种基于深度学习的钻孔图像裂隙参数自动提取方法，如图1～2所示，包括以下步骤：

S1、对钻孔全景图像中的裂隙进行标注，即在钻孔全景图像中，采用人工标注的方式对钻孔图像内的裂隙迹线分布图像区域进行矩形框标注，作为正例数据集，并对钻孔图像内的无裂隙迹线分布的图像区域进行矩形框标注，作为负例数据集，从而建立了裂隙图像数据集，以得到裂隙的空间位置信息；

S2、搭建裂隙图像识别模型，使用标注好的裂隙图像数据集作为监督条件，采用卷积神经网络训练裂隙图像识别模型，并对训练的参数的数据特征进行优化；

其中，S2步骤中采用卷积神经网络训练裂隙图像识别模型的过程包括：基于钻孔图像中的裂隙迹线存在正弦特征，将标注后的正例数据集和负例数据集形成裂隙图像识别模型的训练数据集，为钻孔图像裂隙识别模型的训练提供数据基础；采用卷积神经网络进行裂隙识别与信息提取，对裂隙图像识别模型进行训练，对钻孔图像中分布的正弦特征曲线进行识别检测。

并且，S2步骤中对训练的参数的数据特征进行优化的过程包括：通过将卷积神经网络的卷积层与卷积神经网络的池化层交替堆叠构成的骨干网络，从钻孔图像的裂隙迹线获得高层语义特征。

同时，S2步骤中对训练的参数的数据特征进行优化的过程包括：通过卷积神经网络的全连接层将卷积得到的裂隙迹线的高层语义特征进行聚合、展平，将裂隙迹线的分布信息映射到实际的钻孔图像上。

也就是说，在S2步骤中，卷积神经网络的结构可分为两个部分：一部分是通过将卷积层与池化层交替堆叠构成的骨干网络，另一部分是全连接层。

在S2步骤中，以正弦特征作为裂隙特征进行识别，提取的裂隙信息为正弦特征参数，在通过卷积神经网络进行钻孔图像裂隙识别之后，钻孔图像中的正弦曲线的像素会被自动分离，正弦特征参数如振幅、初相、角速度、偏距以像素坐标形式进行表示，此外，这些正弦特征参数代表的实际含义为裂隙迹线在真实钻孔内的倾角、倾向、位置，裂隙开度和粗糙度，通过被分离的像素可对钻孔内的倾角、倾向、位置，裂隙开度和粗糙度进行计算。

S3、使用训练好的裂隙图像识别模型对待检测的裂隙图像进行检测，并使用P-R曲线或ROC曲线的曲线检测技术对检测的结果进行处理，提取出待检测的裂隙图像中裂隙的相关像素信息，其中，裂隙的相关像素信息为以像素坐标进行表示的正弦特征参数，正弦特征参数包括振幅、初相、角速度、偏距，而P-R曲线或ROC曲线的曲线检测技术能够提高检测结果的精准度。

S4、通过以像素坐标表示的正弦特征参数计算待检测的裂隙图像的裂隙迹线在真实钻孔内的倾角、倾向、位置，裂隙开度和粗糙度，将提取的裂隙的相关像素信息转换为倾向、倾角、位置、开度、粗糙度参数，获得裂隙基本信息和提取结果。

在上述的提取步骤中，由于钻孔图像数据揭示了岩体内部信息，对钻孔图像中的裂隙信息进行提取，并应用于建立三维裂隙网络模型，将有利于更好地了解工程地质条件。

若上述的提取步骤中需要解决钻孔图像中结构面识别与几何参数提取的问题，还可以定义能够在钻孔图像中有效区分结构面与非结构面的图像特征，从而在长幅的钻孔图像中定位出结构面所在的区域，同时需要对区域内的结构面迹线采用正弦曲线进行拟合，从得到裂隙的产状、开度等参数。

显然，本发明克服了现有技术中采用手动或半自动的方法来识别钻孔图像中的裂隙所消耗的大量的时间与人力，且克服了识别的效果存在较大的主观误差的不足，使得该提取方法更加适用于实际的工程应用。

根据上述说明书的揭示和教导，本发明所属领域的技术人员还能够对上述实施方式进行变更和修改。因此，本发明并不局限于上述的具体实施方式，凡是本领域技术人员在本发明的基础上所作出的任何显而易见的改进、替换或变型均属于本发明的保护范围。此外，尽管本说明书中使用了一些特定的术语，但这些术语只是为了方便说明，并不对本发明构成任何限制。