基于图像与XRF矿物反演的岩性识别方法及系统技术方案

本发明专利技术属于隧道围岩岩性智能识别领域，提供了基于图像与XRF矿物反演的岩性识别方法及系统，它解决了传统的隧道围岩岩性识别依靠人工，耗费时间长且主观性大，容易造成误判的问题，具有岩性识别的自动化，耗费时间短，工作效率高的效果。其中，识别方法包括接收待测区域围岩的元素信息；将接收的待测区域围岩的元素信息反演成为矿物信息；获取围岩图像且使这些围岩图像可形成一个闭合的环；将同一被测区域的围岩图像转化为一维向量格式的图像信息，再与本身为一维格式的矿物信息拼接，基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。

【技术实现步骤摘要】
基于图像与XRF矿物反演的岩性识别方法及系统
本专利技术属于隧道围岩岩性智能识别领域，尤其涉及一种基于图像与XRF矿物反演的岩性识别方法及系统。
技术介绍
本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。近些年，随着中国基础设施建设的快速发展，越来越多的隧道施工难题出现在工程人面前。由于隧道施工在岩土体中进行，工作环境存在很强的复杂性和不确定性，灾害也存在着突发性，如何保障施工的安全，始终是困扰工程人的难题。在长期的工程实践探索中，判别围岩岩性对于隧道施工的重要性逐渐凸显出来。大量工程实例证明，在隧道工程施工时，围岩及断面岩石的岩性对于围岩强度分级、施工方法的选择、灾害的超前预报都起着十分重要的作用。在一定程度上，围岩的岩性甚至决定了隧道施工的成本和后期运行的安全。因此，为了保证隧道的安全及质量，在隧道施工时必须要对围岩及断面进行岩性识别。专利技术人发现，现有的围岩识别方法大多依靠人工进行，由于工作人员经验和水平的差异及个人主观性的存在，岩性识别的结果往往相差较大，准确性无法得到保障，不能很好满足工程实际的需求。而且由于隧道环境比较艰苦、恶劣，由工作人员人工进行岩性识别工作强度很大，耗费的时间较长，效率难以保证。
技术实现思路
为了解决上述问题，本专利技术的第一个方面提供一种基于图像与XRF矿物反演的岩性识别方法，其基于岩石图像信息和元素反演的矿物信息，利用预设神经网络对围岩岩性进行智能识别，不仅避免了主观误判，还实现了岩性识别的自动化、智能化，极大地缩短了所耗费的时间，提高了工作效率。为了实现上述目的，本专利技术采用如下技术方案：一种基于图像与XRF矿物反演的岩性识别方法，包括：接收待测区域围岩的元素信息；将接收的待测区域围岩的元素信息反演成为矿物信息；获取围岩图像且使这些围岩图像可形成一个闭合的环；将同一被测区域的围岩图像转化为一维向量格式的图像信息，再与本身为一维格式的矿物信息拼接，基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。作为一种实施方式，将同一被测区域的围岩图像转化为一维向量格式的图像信息之前，还包括对围岩图像进行剪裁和遮挡预处理。作为一种实施方式，基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息。作为一种实施方式，基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。为了解决上述问题，本专利技术的第二个方面提供一种基于图像与XRF矿物反演的岩性识别系统的识别系统，其基于岩石图像信息和元素反演的矿物信息，利用预设神经网络对围岩岩性进行智能识别，不仅避免了主观误判，还实现了岩性识别的自动化、智能化，极大地缩短了所耗费的时间，提高了工作效率。为了实现上述目的，本专利技术采用如下技术方案：一种基于图像与XRF矿物反演的岩性识别系统，包括：元素信息接收模块，其用于接收待测区域围岩的元素信息；元素信息反演模块，其用于将接收的待测区域围岩的元素信息反演成为矿物信息；围岩图像获取模块，其用于获取围岩图像且使这些围岩图像可形成一个闭合的环；岩石岩性识别模块，其用于将同一被测区域的围岩图像转化为一维向量格式的图像信息，再与本身为一维格式的矿物信息拼接，基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。作为一种实施方式，所述岩石岩性识别模块用于基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息。作为一种实施方式，在所述元素信息反演模块中，基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。作为一种实施方式，所述元素信息接收模块、元素信息反演模块、围岩图像获取模块和岩石岩性识别模块均设置于车载处理器内，所述车载处理器设置在自动驾驶车辆上。作为一种实施方式，所述车载处理器还包括图像预处理模块，其用于对围岩图像进行剪裁和遮挡预处理。作为一种实施方式，所述自动驾驶车辆上还设置有探头和图像采集装置；所述探头搭载在机械臂末端，机械臂安装在自动驾驶车辆上；所述探头为X射线荧光光谱仪，用于检测待测区域围岩的元素信息；所述图像采集装置环绕自动驾驶车辆一周设置，用于采集围岩图像且使这些围岩图像可形成一个闭合的环。作为一种实施方式，所述机械臂与控制系统相连，控制系统与用于控制机械臂带动探头绕自动驾驶车辆运动并抵至围岩表面。作为一种实施方式，所述探头内部设置有压力传感器和倾角传感器，所述压力传感器用于测量探头预围岩表面之间的压力信息并反馈至控制系统，所述倾角传感器用于检测探头倾角并反馈至控制系统。为了解决上述问题，本专利技术的第三个方面提供一种计算机可读存储介质。一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于图像与XRF矿物反演的岩性识别方法中的步骤。本专利技术的有益效果是：(1)本专利技术自动驾驶车辆移动至预设位置，且基于岩石图像信息和元素反演的矿物信息，利用预设神经网络对围岩岩性进行智能识别，不仅避免了主观误判，还实现了岩性识别的自动化、智能化，极大地缩短了所耗费的时间，提高了工作效率。(2)本专利技术取代了传统人工辨别岩性的方法，最大限度避免了由于人员不熟练和主观因素对于结果的不良影响，提升了岩性识别的准确率。(3)本专利技术全程由自动化设备完成，不需要工作人员深入隧道，极大提高了岩石辨别工作的安全性。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1是本专利技术实施例的基于图像与XRF矿物反演的岩性识别方法流程图；图2是本专利技术实施例的基于图像与XRF矿物反演的岩性识别系统结构示意图；图3是本专利技术实施例的机械臂及探头原理图；图4是本专利技术实施例的探头结构示意图。其中，1、自动驾驶车辆；2、图像采集装置；3、机械臂；4、探头；5、车载处理器；6、压力传感器；7、倾角传感器。具体实施方式下面结合附图与实施例对本专利技术作进一步说明。应该指出，以下详细说明都是例示性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在本专利技术中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的本文档来自技高网...

【技术保护点】
1.一种基于图像与XRF矿物反演的岩性识别方法，其特征在于，包括：/n接收待测区域围岩的元素信息；/n将接收的待测区域围岩的元素信息反演成为矿物信息；/n获取围岩图像且使这些围岩图像可形成一个闭合的环；/n将同一被测区域的围岩图像转化为一维向量格式的图像信息，再与本身为一维格式的矿物信息拼接，基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。/n

【技术特征摘要】
20200417 CN 20201030583341.一种基于图像与XRF矿物反演的岩性识别方法，其特征在于，包括：
接收待测区域围岩的元素信息；
将接收的待测区域围岩的元素信息反演成为矿物信息；
获取围岩图像且使这些围岩图像可形成一个闭合的环；
将同一被测区域的围岩图像转化为一维向量格式的图像信息，再与本身为一维格式的矿物信息拼接，基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。


2.如权利要求1所述的基于图像与XRF矿物反演的岩性识别方法，其特征在于，将同一被测区域的围岩图像转化为一维向量格式的图像信息之前，还包括对围岩图像进行剪裁和遮挡预处理。


3.如权利要求1所述的基于图像与XRF矿物反演的岩性识别方法，其特征在于，基于B-P神经网络将同一被测区域的围岩图像经过卷积、池化和flatten处理转化为一维向量的图像信息；
或
基于巴尔特-尼格里标准矿物计算法将接收的待测区域围岩的元素信息反演成为矿物信息。


4.一种基于图像与XRF矿物反演的岩性识别系统，其特征在于，包括：
元素信息接收模块，其用于接收待测区域围岩的元素信息；
元素信息反演模块，其用于将接收的待测区域围岩的元素信息反演成为矿物信息；
围岩图像获取模块，其用于获取围岩图像且使这些围岩图像可形成一个闭合的环；
岩石岩性识别模块，其用于将同一被测区域的围岩图像转化为一维向量格式的图像信息，再与本身为一维格式的矿物信息拼接，基于预设神经网络对拼接后的信息进行判别以识别岩石岩性。


5.如权利要求4所述的基于图像与XRF矿物反演的岩性识别系统，其特征在于，所述岩石岩性识别...

【专利技术属性】
技术研发人员：许振浩，许广璐，林鹏，石恒，余腾飞，王朝阳，华一磊，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东;37