基于维度转换的岩体裂隙智能识别与三维重构方法及系统技术方案

本发明专利技术公开了一种基于维度转换的岩体裂隙智能识别与三维重构方法及系统，包括：获取不同角度拍摄的待识别岩体图像，基于神经网络模型进行岩体裂隙识别；对裂隙识别图像提取裂隙特征点，并对不同图片同一位置的裂隙特征进行匹配；选择最优视图，进行岩体裂隙的稀疏重构；使用改进的非结构图像的密集重建算法进一步重构，得到3D岩体裂隙模型；从岩体裂隙模型中获取3D坐标，提取裂隙特征点，绘制形成散点图；对散点进行拟合，得到裂隙拟合结果。本发明专利技术根据二维裂隙信息重建三维模型，裂隙图像获取便捷，对硬件依赖程度小，获取岩体裂隙图像分辨率提高，重建结果效果和精度也有所提高。重建结果效果和精度也有所提高。重建结果效果和精度也有所提高。

【技术实现步骤摘要】
基于维度转换的岩体裂隙智能识别与三维重构方法及系统


[0001]本专利技术涉及岩体裂隙识别与三维重构
，尤其涉及一种基于维度转换的岩体裂隙智能识别与三维重构方法及系统。

技术介绍

[0002]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。
[0003]当前地下空间工程发展迅速，地下工程受岩体结构力学性能影响较大，尤其是岩体裂隙的影响。当隧道等工程开挖到裂隙较为发育的地带时，容易发生塌方、卡机等事故，因此有必要进行岩体裂隙识别与重构，了解岩体内裂隙发育情况，获取岩体裂隙参数，指导地下工程建筑施工设计。
[0004]当前岩体裂隙识别主要借助计算机算法，过程复杂繁琐，且识别精度难以保证，影响后续三维重构精度。当前裂隙三维重构，主要通过CT扫描和3D激光扫描后，进行三维重构，实现三维岩体裂隙的转换与重构；但根据剖切面获得的二维表面裂缝和CT断面扫面图复原三维空间裂缝，并不准确，而且，3D扫描无法处理未贯通中断的裂缝，将复杂裂缝逐个进行扫描、拼接，该工作量十分浩大，浪费时间。另外，声发射定位和回流盐浓度监测等方法，误差也较大，并且实现三维重构时，常常存在预处理不当，重构方法不合适，导致裂隙图像重构中存在较多的噪点，过滤后噪点仍然存在，而且三维重构的阀值分割中丢失了很多信息，导致三维重构不准确。上述问题的三维重构后续处理存在困难，计算难度较大。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种基于维度转换的岩体裂隙智能识别与三维重构方法及系统，利用神经模型实现裂隙识别，根据二维裂隙信息重建三维模型，减少了裂隙影像的信息丢失，提高重建精度。
[0006]在一些实施方式中，采用如下技术方案：
[0007]一种基于维度转换的岩体裂隙智能识别与三维重构方法，包括：
[0008]获取不同角度拍摄的待识别岩体图像，基于神经网络模型进行岩体裂隙识别；
[0009]对裂隙识别图像提取裂隙特征点，并对不同图片同一位置的裂隙特征进行匹配；
[0010]选择最优视图，进行岩体裂隙的稀疏重构；使用改进的非结构图像的密集重建算法进一步重构，得到3D岩体裂隙模型；
[0011]从岩体裂隙模型中获取3D坐标，提取裂隙特征点，绘制形成散点图；利用设定厚度的三角形平面对散点进行拟合，得到裂隙拟合结果。
[0012]在另一些实施方式中，采用如下技术方案：
[0013]一种基于维度转换的岩体裂隙智能识别与三维重构系统，包括：
[0014]岩体裂隙识别模块，用于获取需要进行三维裂隙重构的岩体图像，基于神经网络模型进行岩体裂隙识别；
[0015]特征匹配模块，用于对裂隙识别图像提取裂隙特征点，并对不同图片同一位置的裂隙特征进行匹配；
[0016]3D岩体裂隙模型构建模块，用于选择最优视图，进行岩体裂隙的稀疏重构；使用改进的非结构图像的密集重建算法进一步重构，得到3D岩体裂隙模型；
[0017]裂隙拟合模块，用于从岩体裂隙模型中获取3D坐标，提取裂隙特征点，绘制形成散点图；通过设定厚度的三角形平面对散点进行拟合，得到裂隙拟合结果。
[0018]在另一些实施方式中，采用如下技术方案：
[0019]一种终端设备，其包括处理器和存储器，处理器用于实现各指令；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的基于维度转换的岩体裂隙智能识别与三维重构方法。
[0020]在另一些实施方式中，采用如下技术方案：
[0021]一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的基于维度转换的岩体裂隙智能识别与三维重构方法。
[0022]与现有技术相比，本专利技术的有益效果是：
[0023](1)本专利技术预先采集岩体裂隙影像序列，根据二维裂隙信息重建三维模型，具有快捷简单、花费代价相对低廉的优势。不仅裂隙图像获取便捷，对硬件依赖程度小，而且获取岩体裂隙图像分辨率提高，重建结果效果和精度也有所提高。
[0024](2)本专利技术利用神经模型实现裂隙识别，可以不对图像进行过多处理，减少了裂隙影像的信息丢失，在一定程度上也提高了裂隙三维重构的精度和效果。
[0025](3)本专利技术实现了裂隙识别与重构，在裂隙模型重建过程中，重构模型质量、稳健性和计算效率都有一定提升。
[0026]本专利技术的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。
附图说明
[0027]图1为本专利技术实施例中基于维度转换的岩体裂隙智能识别与三维重构方法流程图；
[0028]图2为本专利技术实施例中特征点散点图；
[0029]图3为本专利技术实施例中拟合裂隙模型示意图；
[0030]图4为本专利技术实施例中岩体裂隙建模结果图；
[0031]图5(a)
‑
(c)为相同级别数下，不同分数的网络离散结果示意图；
[0032]图6为本专利技术实施例中稀疏建模结果图；
[0033]图7为本专利技术实施例中稠密建模结果图。
具体实施方式
[0034]应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本专利技术使用的所有技术和科学术语具有与本申请所属
的普通技术人员通常理解的相同含义。
[0035]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
据本申请的示例性实施方式。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。
[0036]实施例一
[0037]在一个或多个实施方式中，公开了一种基于维度转换的岩体裂隙智能识别与三维重构方法，参照图1，具体包括如下步骤：
[0038]步骤(1)：获取不同角度拍摄的待识别岩体图像，基于神经网络模型进行岩体裂隙识别；
[0039]具体地，选取需要进行三维裂隙重构的岩体，多角度拍摄岩体裂隙图片。将拍摄的岩体裂隙图片输入到训练好的神经网络模型中，得到裂隙识别结果。
[0040]本实施例中，利用拍摄好的多角度裂隙图片建立裂隙图像数据集，分别建立训练集和测试集，先将训练集输入到神经网络模型中，多轮训练学习，利用测试集对训练好的神经网络模型优化验证，得到训练好的神经网络模型。
[0041]本实施例中，利用神经网络模型FCN8s进行裂隙识别，实现像素级别的语义分割。FCN8s是在卷积神经网络的基础上进行改进的，将卷积神经网络CNN中的全连接层替换为卷积层，即将VGG16最后3个全连接层转换为全卷积层，可以更好地提取岩体裂隙图像特征。不同神经网络层与层之间，实现不同尺度的特征融合。FCN8在卷积层、池化层后得到特征图，卷积池化部分采用Resnet50编码器实现，可以提取岩体裂隙特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于维度转换的岩体裂隙智能识别与三维重构方法，其特征在于，包括：获取不同角度拍摄的待识别岩体图像，基于神经网络模型进行岩体裂隙识别；对裂隙识别图像提取裂隙特征点，并对不同图片同一位置的裂隙特征进行匹配；选择最优视图，进行岩体裂隙的稀疏重构；使用改进的非结构图像的密集重建算法进一步重构，得到3D岩体裂隙模型；从岩体裂隙模型中获取3D坐标，提取裂隙特征点，绘制形成散点图；利用设定厚度的三角形平面对散点进行拟合，得到裂隙拟合结果。2.如权利要求1所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法，其特征在于，基于神经网络模型进行岩体裂隙识别，具体包括：获取多角度裂隙图片建立裂隙图像数据集，分别建立训练集和测试集，将训练集输入到神经网络模型中进行训练，利用测试集对训练好的神经网络模型优化验证，得到训练好的神经网络模型；将需要进行三维裂隙重构的岩体图像输入到训练好的神经网络模型中，得到裂隙识别结果。3.如权利要求1所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法，其特征在于，对裂隙识别图像提取裂隙特征点，并对不同图片同一位置的裂隙特征进行匹配，具体包括：以裂隙像素点作为特征点，对某一特征点进行描述，搜索其他图像中具有此相同特征的特征点；对图像中的每个特征点进行相似性度量，并通过比较特征点的位置来寻找特征对应，输出一组可能存在相同特征点的图像对，以及图像对均具有且对应的相似特征矩阵；完成裂隙特征点的提取和匹配工作。4.如权利要求1所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法，其特征在于，选择最优视图，进行岩体裂隙的稀疏重构，具体包括：对图像对进行初始化，依据最优图像选择原则，不断增加不同角度的裂隙图像，通过八点法计算本质矩阵，将本质矩阵进行分解，得到下一个图像的旋转矩阵R和平移向量T值，根据旋转矩阵R、平移向量T和图像特征点的三维坐标三角化得到三维点，以实现岩体裂隙的重构。5.如权利要求4所述的一种基于维度转换的岩体裂隙智能识别与三维重构方法，其特征在于，所述最优图像选择的原则为：使用不同分辨率的网格单元离散图像，级别数为l＝1
…
...

【专利技术属性】
技术研发人员：许振浩，李轶惠，潘东东，林春金，王孝特，李海燕，
申请(专利权)人：山东大学，
类型：发明
国别省市：