一种从钻孔岩芯照片中识别RQD的智能方法技术

本发明专利技术提供一种从钻孔岩芯照片中识别RQD的智能方法，涉及岩石工程技术领域。本发明专利技术利用矿山钻孔岩芯图像具有数据规整、体量大等特点，充分发挥深度学习的优势，通过Mask

【技术实现步骤摘要】
一种从钻孔岩芯照片中识别RQD的智能方法


[0001]本专利技术涉及岩石工程
，尤其涉及一种从钻孔岩芯照片中识别RQD的智能方法。

技术介绍

[0002]岩体质量评价是分析岩体工程地质条件和认识岩体工程特性的一种重要手段，是施工前的一项重要准备工作。经历了不同时期、不同程度的地质作用以及复杂的工程扰动，岩体质量在区域内往往呈现出强烈的异质性。人工获取的有限测点难以对工程岩体质量进行精细化表征，为此需要进行大范围自动化的工程地质调查与岩体质量评价。众多学者针对此问题开展了相关研究。对于岩体表面，基于三维点云的结构面自动化与半自动化识别已经得到了广泛的应用，同时从二维图像中自动提取结构面迹线也取得了有益的进展。对于岩体内部，钻孔电视、波速测试和探地雷达等手段可以快速的获取岩体内部的结构信息。此外高密度电阻、地震波成像等物探方法，倾斜摄影测量、红外温度场成像等测量方法均能增加对工程岩体质量的认识。
[0003]随着地质数据以指数形式增长、计算机性能尤其是GPU运算能力的提升，深度学习在岩石工程的数据解译分析中有着广泛的应用前景。其中利用钻进过程中钻机数据(轴压、转速、钻进速度以及声波信息等)来预测岩体物理力学性质(力学参数、岩体质量、可爆性、渗透性等)取得了较好的应用。此外，利用电镜照片来分析矿物成分，利用岩石照片来区分岩性、预测品位的深度学习也有报道。特别的是，利用施工过程中围岩响应来进行岩体动态分级评价的研究取得了较好的工程应用。当前限制深度学习在岩石工程中应用的主要难点在于1)纷繁复杂的工程地质数据在类型上难以统一，需进行大量的预处理工作，难以将工程问题简单归为某一类的深度学习问题；2)部分关键性数据获取难度较大、标注困难，对应的数据体量难以满足深度学习训练集的要求。
[0004]在矿山工程中，为了探明矿产资源储量，确保其可靠程度达到开采要求，非煤矿山的生产勘探线间距通常为50m-200m。对于一个大型矿山，通常布置数百个地质勘察钻孔，钻探累计长度达十数万米。此外，在矿山生产过程中，为了获取新的资源，往往会布置新的钻孔进行生产勘探设计。从钻孔中获取的岩芯除去少量用于化学测验(品位化验与选矿性实验)，绝大部分会放置在特制的岩芯盒中供后期查验。当前对钻孔岩芯质量指标RQD(Rock Quality Designation，是国际上通用的鉴别岩石工程性质好坏的方法)编录通常在现场进行手动编录，工作条件恶劣且耗费大量人力物力。

技术实现思路

[0005]为解决上述技术问题，本专利技术提出一种从钻孔岩芯照片中识别RQD的智能方法，包括以下步骤：
[0006]步骤1：对岩芯图像进行采集，并把采集到的岩芯图像制作数据集，通过Mask-RCNN深度学习网络对单排岩芯图像进行识别；
[0007]步骤1.1：采集原始岩芯照片，对岩芯照片进行图像处理，并记录每幅图像对应的钻孔编号、埋深起始值、埋深终止值以及岩芯摆放顺序；
[0008]步骤1.2：制作岩芯图像数据集；使用标注工具在岩芯图像中标注单排岩芯得到数据标签作为Mask-RCNN深度学习网络的学习样本，并将学习样本按照3:1的比例随机划分为训练集和测试集；
[0009]所述标注单排岩芯为以连续的点进行连线，形成闭合多边形，将目标岩芯的边缘轮廓标注出来，并转化成设定格式的标注文件；
[0010]步骤1.3：使用迁移学习的方法将学习样本输入Mask-RCNN深度学习网络进行训练，得到预训练模型，对预训练模型进行初始参数设置，并调低学习率，将训练集输入至Mask R-CNN网络中，经过正向传播得到对单排岩芯位置的预测结果，并与数据标签进行比照得到验证损失值；进行反向传播，利用小批梯度下降法对Mask-RCNN深度学习网络进行梯度更新，直至损失值达到预设阈值或迭代步数达到预设值，完成对单排岩芯进行识别的core_band_identification深度学习模型的训练；
[0011]步骤1.4：将测试集输入至训练好的core_band_identification模型中，利用区域提议网络在岩芯图像中生成N个预测边界框，计算预测边界框属于目标类别的概率值，将概率值从大到小进行排列，取出最大概率值的预测边界框作为基准，计算剩余的预测边界框与其的交并比，如果大于给设定阈值，则将这个预测边界框移除，重复计算在图像中识别出所有目标，且每个目标对应一个预测边界框，即得到锚框，core_band_identification模型从每个锚框中识别目标的边界，并用色块进行填充，进行目标的准确定位，即得到掩膜；
[0012]步骤2：对长度大于等于S的岩芯段进行识别；长度大于等于S，使用标注工具在步骤1.4单排岩芯图像中标注其中长度大于等于S的岩芯，重复步骤1.3-步骤1.5，得到core_segment_identification模型，用于从单排岩芯图像中识别满足长度大于等于S的岩芯段；
[0013]步骤3：对岩芯进行RQD计算，将计算得到的RQD与钻孔编号、埋深起始值、埋深终止值对应，实现所有岩芯图像中RQD的编录；在每个进尺获取的岩芯中，计算每个长度大于等于S的岩芯段中心线上的像素点个数n
i
，同时获取进尺中心线上的像素点个数N，则RQD由下式计算得到：
[0014][0015]其中，m为进尺上长度大于等于S的岩芯段个数，i为岩芯段序号，i属于1-m，l
i
为对应岩芯段的长度，L为进尺长度，对于每一次进尺均进行上式计算过程；
[0016]若岩芯上没有对进尺进行标记或没有台账，使用式(2)对每一单排岩芯或每幅岩芯图像进行RQD计算编录：
[0017][0018]其中，L
c
与N
c
为单排岩芯的长度与对应的中心线像素点个数，为固定值；η为岩芯采取率。
[0019]本专利技术所产生的有益效果在于：
[0020]本技术方案提供了一种从钻孔岩芯照片中识别RQD的智能方法，利用矿山钻孔岩
芯图像具有数据规整、体量大等特点，充分发挥深度学习的优势，实现RQD的自动快速编录，同时消除人为因素造成的误差。基于深度学习的方法可以充分利用地勘阶段获取的钻孔岩芯图像数据，实现对工程岩体质量的精细化表征，可以得到不良地质体的空间分布与揭露情况，为工程岩体稳定性分析乃至治理防护提供依据。
附图说明
[0021]图1为本专利技术识别方法的流程图；
[0022]图2为本专利技术实施例提供的单排岩芯的识别图；
[0023]其中图(a)-训练集图像；图(b)-测试集图像
[0024]图3为本专利技术实施例提供的单排岩芯识别的训练过程曲线图；
[0025]其中图(a)-验证损失值曲线图；图(b)-预测准确率曲线图；
[0026]图4为本专利技术实施例提供的长度大于等于10cm岩芯的识别图；
[0027]其中图(a)-训练集图像；图(b)-测试集图像；
[0028]图5为本专利技术实施例提供的长度大于10cm岩芯段识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种从钻孔岩芯照片中识别RQD的智能方法，其特征在于：包括以下步骤：步骤1：对岩芯图像进行采集，并把采集到的岩芯图像制作数据集，通过Mask-RCNN深度学习网络对单排岩芯图像进行识别；步骤1.1：采集原始岩芯照片，对岩芯照片进行图像处理，并记录每幅图像对应的钻孔编号、埋深起始值、埋深终止值以及岩芯摆放顺序；步骤1.2：制作岩芯图像数据集；使用标注工具在岩芯图像中标注单排岩芯得到数据标签作为Mask-RCNN深度学习网络的学习样本，并将学习样本按照3:1的比例随机划分为训练集和测试集；步骤1.3：使用迁移学习的方法将学习样本输入Mask-RCNN深度学习网络进行训练，得到预训练模型，对预训练模型进行初始参数设置，并调低学习率，将训练集输入至Mask R-CNN网络中，经过正向传播得到对单排岩芯位置的预测结果，并与数据标签进行比照得到验证损失值；进行反向传播，利用小批梯度下降法对Mask-RCNN深度学习网络进行梯度更新，直至损失值达到预设阈值或迭代步数达到预设值，完成对单排岩芯进行识别的core_band_identification深度学习模型的训练；步骤1.4：将测试集输入至训练好的core_band_identification模型中，利用区域提议网络在岩芯图像中生成N个预测边界框，计算预测边界框属于目标类别的概率值，将概率值从大到小进行排列，取出最大概率值的预测边界框作为基准，计算剩余的预测边界框与其的交并比，如果大于给设定阈值，则将这个预测边界框移除，重复计算在图像中识别出所有目标，且每个目标对应一个预测边界...

【专利技术属性】
技术研发人员：刘飞跃，杨天鸿，邓文学，
申请(专利权)人：东北大学，
类型：发明
国别省市：