一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法技术

本发明专利技术公开了一种基于MaskRCNN结合U

【技术实现步骤摘要】
一种基于MaskRCNN结合U
‑
Net的人工智能岩体RQD计算方法


[0001]本专利技术属于岩土工程
，尤其涉及一种基于MaskRCNN结合U
‑
Net的人工智能岩体RQD计算方法。

技术介绍

[0002]矿山边坡的稳定性研究需要对边坡岩体质量进行分级，而岩石质量指标RQD作为其中一种分级标准，其目前最常用的编录手段仍然是人工测算，这种方式效率低下且存在安全隐患。

技术实现思路

[0003]本专利技术的目的在于：为了克服现有技术问题，公开了一种基于MaskRCNN结合U
‑
Net的人工智能岩体RQD计算方法，通过本专利技术方法计算岩体RQD则弥补了传统测算方法的缺点。
[0004]本专利技术目的通过下述技术方案来实现：一种基于MaskRCNN结合U
‑
Net的人工智能岩体RQD计算方法，所述人工智能岩体RQD计算方法包括如下步骤：S1：对放置岩芯箱内的岩芯进行数字影像采集，采集结束对数字影像进行命名存储；S2：使用labelme软件人工标注数字影像上岩芯箱的四个角点，将生成的标注文件输入MaskRCNN算法进行训练，使用训练生成的模型文件对数字影像上岩芯箱四个角点进行识别，并输出识别的岩心箱角点的图像二维坐标，根据岩心箱角点的图像二维坐标采用OpenCV图像处理软件库中的透视变换函数对图像进行裁剪和透视变换以校正图像，得到尺寸为1024*512像素的岩芯正视图；S3：将得到的岩芯正视图进行数据增强处理,得到若干张512*512像素尺寸的岩芯图像，其中70%用作训练集，30%用作测试集，使用labelme软件对图像进行标注，生成标注文件；S4：将标注文件输入U
‑
Net算法进行训练，通过训练生成用来分割岩芯图像的模型文件；S5：使用步骤S4训练得到的模型文件对岩芯图像进行分割，得到分割掩码和背景组成的尺寸512*512像素分割结果图像，将图像拼接成完整的1024*512像素的岩芯分割图像；采用OpenCV图像处理软件库中的寻找轮廓函数对岩芯分割图像进行处理，得到每个分割的岩芯段都是一个轮廓，计算每个轮廓的像素长度，根据岩芯箱像素长度与实际长度的比值，计算每个岩芯段的长度，并计算得到岩芯段RQD值。
[0005]根据一个优选的实施方式，步骤S1中进行数字影像采集过程的采集环境包括在野外自然条件下进行图像采集。
[0006]根据一个优选的实施方式，步骤S1中进行数字影像采集的采集设备包括智能手机。
[0007]根据一个优选的实施方式，步骤S3中，岩芯正视图进行数据增强包括：裁剪和旋转操作，并得到600张512*512像素尺寸的岩芯图像。
[0008]根据一个优选的实施方式，步骤S4训练过程使用的配置是Intel(R) Xeon(R) Gold 5120 CPU @ 2.20GHz+2.19GHz的处理器与NVIDIA Quadro M6000显卡的Windows10系统的电脑。
[0009]根据一个优选的实施方式，步骤S4标注文件输入U
‑
Net算法进行训练的训练时长为72小时，最终网络总损失降低到0.05以下。
[0010]前述本专利技术主方案及其各进一步选择方案可以自由组合以形成多个方案，均为本专利技术可采用并要求保护的方案。本领域技术人员在了解本专利技术方案后根据现有技术和公知常识可明了有多种组合，均为本专利技术所要保护的技术方案，在此不做穷举。
[0011]本专利技术的有益效果：本专利技术人工智能岩体RQD计算方法包括岩芯数字影像采集步骤和对数字影像进行人工标注并进行基于MaskRCNN算法和U
‑
Net算法的机器学习训练并输出训练模型步骤，并对后续的照片使用模型进行岩芯图像校正、岩芯识别及RQD计算。通过本专利技术方法计算岩体RQD则弥补了传统测算方法的缺点，有着安全、高效、准确的优点。
具体实施方式
[0012]以下通过特定的具体实例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本专利技术的其他优点与功效。本专利技术还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本专利技术的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0013]实施例1：本实施例公开了一种基于MaskRCNN结合U
‑
Net的人工智能岩体RQD计算方法。所述人工智能岩体RQD计算方法包括岩芯数字影像采集步骤和对数字影像进行人工标注并进行基于MaskRCNN算法和U
‑
Net算法的机器学习训练并输出训练模型步骤，并对后续的照片使用模型进行岩芯图像校正、岩芯识别及RQD计算。
[0014]具体地，本专利技术人工智能岩体RQD计算方法包括如下步骤：步骤S1：对放置岩芯箱内的岩芯进行数字影像采集，采集结束对数字影像进行命名存储。
[0015]优选地，步骤S1中进行数字影像采集过程的采集环境可以是在野外自然条件下进行图像采集。
[0016]优选地，步骤S1中进行数字影像采集的采集设备可以是智能手机，例如华为P40手机。
[0017]步骤S2：使用labelme软件人工标注数字影像上岩芯箱的四个角点，将生成的标注文件输入MaskRCNN算法进行训练，使用训练生成的模型文件对数字影像上岩芯箱四个角点进行识别，并输出识别的岩心箱角点的图像二维坐标。
[0018]根据岩心箱角点的图像二维坐标采用OpenCV图像处理软件库中的透视变换函数对图像进行裁剪和透视变换以校正图像，得到尺寸为1024*512像素的岩芯正视图。
[0019]步骤S3：将得到的岩芯正视图进行数据增强处理,得到若干张512*512像素尺寸的岩芯图像，其中70%用作训练集，30%用作测试集，使用labelme软件对图像进行标注，生成标注文件。
[0020]优选地，步骤S3中，岩芯正视图进行数据增强包括：裁剪和旋转操作，并得到600张512*512像素尺寸的岩芯图像。
[0021]步骤S4：将标注文件输入U
‑
Net算法进行训练，通过训练生成用来分割岩芯图像的模型文件。
[0022]优选地，步骤S4训练过程使用的配置是Intel(R) Xeon(R) Gold 5120 CPU @ 2.20GHz+2.19GHz的处理器与NVIDIA Quadro M6000显卡的Windows10系统的电脑。
[0023]进一步地，步骤S4标注文件输入U
‑
Net算法进行训练的训练时长为72小时，最终网络总损失降低到0.05以下。
[0024]步骤S5：使用步骤S4训练得到的模型文件对岩芯图像进行分割，得到分割掩码和背景组成的尺寸512*512像素分割结果图像，将图像拼接成完整的1024*512像素的岩芯分割图像。
[0025]采用OpenCV图像处理软件库中的寻找轮廓本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MaskRCNN结合U
‑
Net的人工智能岩体RQD计算方法，其特征在于，所述人工智能岩体RQD计算方法包括如下步骤：S1：对放置岩芯箱内的岩芯进行数字影像采集，采集结束对数字影像进行命名存储；S2：使用labelme软件人工标注数字影像上岩芯箱的四个角点，将生成的标注文件输入MaskRCNN算法进行训练，使用训练生成的模型文件对数字影像上岩芯箱四个角点进行识别，并输出识别的岩心箱角点的图像二维坐标，根据岩心箱角点的图像二维坐标采用OpenCV图像处理软件库中的透视变换函数对图像进行裁剪和透视变换以校正图像，得到尺寸为1024*512像素的岩芯正视图；S3：将得到的岩芯正视图进行数据增强处理,得到若干张512*512像素尺寸的岩芯图像，其中70%用作训练集，30%用作测试集，使用labelme软件对图像进行标注，生成标注文件；S4：将标注文件输入U
‑
Net算法进行训练，通过训练生成用来分割岩芯图像的模型文件；S5：使用步骤S4训练得到的模型文件对岩芯图像进行分割，得到分割掩码和背景组成的尺寸512*512像素分割结果图像，将图像拼接成完整的1024*512像素的岩芯分割图像；采用OpenC...

【专利技术属性】
技术研发人员：张良喜，韩刚，
申请(专利权)人：四川省地质矿产勘查开发局一零六地质队，
类型：发明
国别省市：