一种土样特性提取方法、系统及信息数据处理终端技术方案

本发明专利技术公开了一种土样特性提取方法、系统及信息数据处理终端，属于工程地质勘察技术领域，包括：S1、在目标区域内布设孔位，钻取土样，将土样分段为单位土样，并摆放拍照；S2、对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；S3、对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，按照埋深方向形成分界线，依据分界线对土层进行划分；S4、将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；S5、按照土样埋深方向、分界线形成的分层土样图像，识别分层土样特性；S6、对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核。得的结果进行比对校核。得的结果进行比对校核。

【技术实现步骤摘要】
一种土样特性提取方法、系统及信息数据处理终端


[0001]本专利技术属于工程地质勘察
，特别是涉及一种土样特性提取方法、系统及信息数据处理终端。

技术介绍

[0002]众所周知，自然界的图是由岩石经风化、搬运、堆积而形成的。因此，母岩成分、风化性质、搬运过程和堆积的环境是影响土组成的主要因素，而土的组成又是决定地基土工程性质的基础。土是由固体颗粒、水和气体三部分组成的，通常称为土的三相组成，随着三相物质的质量和体积比例不同，土的性质也就不同。
[0003]土样特性包括：土样的埋深范围（底板埋深、顶界(板)埋深）、地层厚度、岩土描述信息（地层饱和度、地层颜色、地层状态、地层层理、地层含有物）、以及基于这些和专业经验判别出的土样岩土名称。
[0004]目前，土样特性的提取方法为：外业采集土样，依次取得钻孔土样后，记录人员通过用眼分辨不同土层分界线，完成分层，量出不同土层厚度，识别分层土样的颜色，颗粒度，纹理特征，辅助用手搓测试土柔韧性等，依据上述信息根据经验得到土层名称，并将信息记录供后续技术人员处理。
[0005]现有技术存在如下缺陷：勘察现场外业采集人员技术水平有限，流动性强，土样特性判别水平参差不齐。不同人员特性判别记录可能不一样。

技术实现思路

[0006]技术目的本专利技术提供一种土样特性提取方法、系统及设备及信息数据处理终端；基于图像处理技术，能够高效，准确地提取土样特性。
[0007]技术方案本专利技术的第一目的是提供一种土样特性提取方法，包括如下步骤：S1、在目标区域内布设孔位，依次钻取每个钻孔点位的土样，将上述土样分段为单位土样，并按照埋深顺序摆放拍照；S2、对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；S3、对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，对土样不同特性，按照埋深方向形成分界线，依据分界线对土层进行划分；S4、对单一钻孔中每段单位土样依次进行土样分界线位置确定，将相邻土样的末首端进行分界线比对，计算每一段单位土样的颜色、纹理特征信息；依据RGB和纹理特征相似度判断是否为同一土层，如是同一土层，则进行土层合并，如不是同一土层，则保留获得单一钻孔整合后的分界线位置和分层土样；基于孔径和单位土样规格处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；
S5、按照土样埋深方向、分界线形成的分层土样图像，分别基于特征匹配判别、基于深度学习综合判断，依次识别分层土样特性；S6、对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核，当比对结果相同时，则推荐为土样特性结果；当比对结果不同时，则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中。
[0008]优选地，所述S1具体为：S101、配置钻孔如下参数：回次进尺规格、孔径和单位土样规格；S102、按埋深顺序取得土样，将土样摆放在纯色布上或者土样盒内；S103、土样摆放与编号：土样按照孔号和顺序号，从上向下依次排列摆放，相邻两个土样之间的间隔大于10cm；S104、对取得的土样进行定位和拍照，记录相片获取的位置和时间；其中拍照要求竖向拍照；具体为：选择埋深0
‑
1m的第一个土样，对第一个土样进行拍照；摆放第二个土样，对第一个土样和第二个土样组合进行拍照；摆放第P个土样，对第P个土样和第P
‑
1个土样组合进行拍照；P为大于2的自然数。
[0009]优选地，所述S2具体为：S201、阈值分割，区分岩土土样与背景区域获得初步提取岩土土样区域，其中：ω0=N0/ M
×
N；ω1=N1/ M
×
N；N0+N1=M
×
N；ω0+ω1=1；g=ω0ω1(μ0‑
μ1)2；其中：ω0为属于前景的像素点数占整幅图像的比例；N0为图像中像素的灰度值大于阈值T的像素个数；图像的大小为M
×
N；ω1为背景像素点数占整幅图像的比例；N1为像素灰度小于阈值T的像素个数；g为使类间方差；μ0为前景平均灰度；μ1为背景平均灰度；采用遍历的方式获取使类间方差g的最大值，该最大值即为阈值T；S202、初步提取岩土区域，对初始提取结果中含有噪声、孔洞，采取形态学后处理方法进行完善，得到连续、纯净的岩土土样边界。
[0010]优选地，所述S3具体为：首先将土样整体图像进行分块，在埋深方向上按照每Q个像素分成若干条带图像块；例如，Q为24；然后针对每条带图像块进行处理，处理过程依次包括：图像缩放；图像灰度化；计算像素的灰度平均值；比较像素的灰度，将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；计算哈希值，将比较结果，组合在一起，构成图像块的指纹；对比相邻不同的图像块，通过对比结果，判断两张图像块的图层特性是否相同。
[0011]优选地，在S5中：基于特征匹配判别具体为：依据区域标准地层特征数据和目标区域周边的已有土层特征数据，叠加该分层土样埋深范围，筛选出符合条件的Z种土层类别；Z为大于0的自然数；将分层土样图像依次与上述Z种土样类别对应的标准土样照片进行相似度分析，找出相似度最大的图像，得到该标准图像的土样特性；基于深度学习综合判断具体为：对分层土样识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用数据集训练调节网络权重；对分层土样识别网络模型逐层调节：采用预训练模型和训练集中不同分层土样颜色图像对网络逐层调节训练，具体为：先锁定模型的卷积层，训练全连接层，从上到下逐层放开卷积层进行训练，获得分层土样识别网络模型并设定为当前土样深度网络模型：土样识别网络输出每一土样样本的类别：；其中，为深度网络函数，表示样本x属于类别i的概率；c为总的类别个数；训练网络的目标函数，实现最小化分类误差：；其中，n表示训练样本个数，为第t个样本属于类别i的真实概率，为损失函数，P
t,i
为第t个样本属于类别i的预测概率。
[0012]根据下式随机梯度下降法更新网络参数：；其中，w表示待训练网络参数，lr表示学习率，表示损失函数对参数w的偏导。
[0013]将分层土样的图片输入至训练完成的土样深度网络模型，利用土样深度网络模型输出该分层土样的颜色、纹理特征、土样岩土名称。
[0014]优选地，在S1之前，还包括如下步骤：步骤A、整合历史资源，建立如下数据库：基础地质图件库、工程勘察报告库、工程勘察钻孔库、标准地层数据库、三维地层库和标准地层土样信息库；步骤B、提取目标周边的土层特征数据。
[0015]优选地，在S6之后，还包括如下步骤：S7、项目范围后续钻孔土样特性提取及校核处理。
[0016]本专利技术的第二目的是提供一种地基土分层的系统，包括：数据库建立模块：整合历史资源，建立如下数据库：基础地质图件库：对反映区域地质特征的图件进行数字化建库，具体包括：第
Ⅴ
陆相层某本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土样特性提取方法，其特征在于，包括如下步骤：S1、在目标区域内布设孔位，依次钻取每个钻孔点位的土样，将上述土样分段为单位土样，并按照埋深顺序摆放拍照；S2、对单位土样照片依次进行边缘线识别、形状标准化纠正和土样参数关联；S3、对单位土样边界内的土样颜色、纹理特征进行计算，获取土样的RGB、纹理特征变化值，对土样不同特性，按照埋深方向形成分界线，依据分界线对土层进行划分；S4、对单一钻孔中每段单位土样依次进行土样分界线位置确定，将相邻土样的末首端进行分界线比对，计算每一段单位土样的颜色、纹理特征信息；依据RGB和纹理特征相似度判断是否为同一土层，如是同一土层，则进行土层合并，如不是同一土层，则保留获得单一钻孔整合后的分界线位置和分层土样；基于孔径和单位土样规格处理后土样标准图像依次得到各土层起止埋深；依次将同一钻孔标准化分层土样照片，按照自上向下顺序拼接，形成原始的钻孔土样照片；S5、按照土样埋深方向、分界线形成的分层土样图像，依次识别分层土样特性；S6、对基于特征匹配判别和基于深度学习综合判断获得的结果进行比对校核，当比对结果相同时，则推荐为土样特性结果；当比对结果不同时，则通过人机交互形式进行判别，将结果存储到标准地层土样信息库的数据集中。2.根据权利要求1所述的土样特性提取方法，其特征在于，所述S1包括：S101、配置钻孔参数，上述钻孔参数包括：回次进尺规格、孔径和单位土样规格；S102、按埋深顺序取得土样，将土样摆放在纯色布上或者土样盒内；S103、土样摆放与编号：土样按照孔号和顺序号，从上向下依次排列摆放，相邻两个土样之间的间隔大于10cm；S104、对取得的土样进行定位和拍照，记录相片获取的位置和时间；其中拍照方式为竖向拍照；具体为：选择埋深0
‑
1m的第一个土样，对第一个土样进行拍照；摆放第二个土样，对第一个土样和第二个土样组合进行拍照；摆放第N个土样，对第P个土样和第P
‑
1个土样组合进行拍照；P为大于2的自然数。3.根据权利要求1所述的土样特性提取方法，其特征在于，所述S2具体为：S201、阈值分割，区分岩土土样与背景区域获得初步提取岩土土样区域，其中：ω0=N0/ M
×
N；ω1=N1/ M
×
N；N0+N1=M
×
N；ω0+ω1=1；g=ω0ω1(μ0‑
μ1)2；其中：ω0为属于前景的像素点数占整幅图像的比例；N0为图像中像素的灰度值大于阈值T的像素个数；图像的大小为M
×
N；ω1为背景像素点数占整幅图像的比例；N1为像素灰度小于阈值T的像素个数；g为使类间方差；μ0为前景平均灰度；μ1为背景平均灰度；采用遍历法获取最大的使类间方差g，将g赋值给阈值T；S202、初步提取岩土区域，对初始提取结果中含有噪声和孔洞，采取形态学后处理方法进行完善，得到连续的岩土土样边界。
4.根据权利要求1所述的土样特性提取方法，其特征在于，所述S3具体为：首先将土样整体图像进行分块，形成D条带图像块，D为大于1的自然数，每条带图像块在埋深方向上的长度为Q个像素；然后对每条带图像块进行处理，处理过程依次包括：图像缩放；使得带图像块的拼接面归一化；图像灰度化；计算像素的灰度平均值；比较像素的灰度：将每个像素的灰度，与平均值进行比较，大于或等于平均值记为1，小于平均值记为0；计算哈希值，将比较结果，组合在一起，构成图像块的指纹；对比相邻不同的图像块，通过对比结果，判断两张图像块的图层特性是否相同。5.根据权利要求1所述的土样特性提取方法，其特征在于，在S5中：基于特征匹配判别，依次识别分层土样特性；上述基于特征匹配判别具体为：依据区域标准地层特征数据和目标区域周边的已有土层特征数据，叠加该分层土样埋深范围，筛选出符合条件的Z种土层类别；Z为大于0的自然数；将分层土样图像依次与上述Z种土样类别对应的标准土样照片进行相似度分析，找出相似度最大的图像，得到该标准图像的土样特性。6.根据权利要求1所述的土样特性提取方法，其特征在于，在S5中：基于深度学习综合判断，依次识别分层土样特性；上述基于深度学习综合判断具体为：对分层土样识别网络模型进行预训练：采用自然场景数据进行网络模型权重初始化，在初始化基础上使用数据集训练调节网络权重；对分层土样识别网络模型逐层调节：采用预训练模型和训练集中不同分层土样颜色图像对网络逐层调节训练，具体为：先锁定模型的卷积层，训练全连接层，从上到下逐层放开卷积层进行训练，获得分层土样识别网络模型并设定为当前土样深度网络模型；土样识别网络输出每一土样样本的类别：；其中，为深度网络函数，表示样本x属于类别i...

【专利技术属性】
技术研发人员：周泽兵，汪勇，李伟，李平虎，于娜，王珍，刘艳飞，张涛，沈迎志，熊鑫，马乐民，邓向辉，翟璐，李宝仁，
申请(专利权)人：星际空间天津科技发展有限公司，
类型：发明
国别省市：