本发明专利技术实施例公开了一种基于地表图像的三维地质体模型的建模方法和相关装置。其中，方法包括：构建二维图像数据集；通过二维编码器，基于尺度不变特征转换算法，使用高斯金字塔对图像各个尺度的特征进行提取，得到二维特征；利用投影思路实现二维特征到三维的特征转换，并构建为三维特征供建模使用；基于通过转换而建立的三维特征，构建三维转码器，对三维顶点特征矩阵进行卷积计算，预测每个特征矩阵顶点的新位置和新三维特征；结合稀疏钻孔数据，运用隐式建模法建立地质体栅格单元，建立栅格单元与特征矩阵顶点位置及新三维特征之间的关联，得到目标三维地质体模型。可解决因相关钻孔或地质数据不足而造成的建模困难，提高地质模型精度。高地质模型精度。高地质模型精度。
【技术实现步骤摘要】
基于地表图像的三维地质体模型的建模方法和相关装置
[0001]本专利技术属于计算机视觉领域，更具体涉及一种基于地表图像的三维地质体模型的建模方法和相关装置。
技术介绍
[0002]三维地质模型能够直观地展示地层的地质结构、空间拓扑、岩性等信息，不仅为研究人员分析地质构造、断层分布等工作提供准确的信息，也能为地下空间的开发利用提供可靠依据。传统的三维地质建模技术主要依据地质勘探获得的地质钻孔数据等资料，受限于地质勘探数据获取成本高，获取难度大，数据资料数量有限，缺乏完整度等因素，传统的基于钻孔数据进行的三维地质建模技术已难以满足指导实际地质工程需要。，是一门涉及人工智能、神经生物学、计算机科学、图像处理、模式识别等诸多领域的交叉学科。计算机视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制。计算机视觉技术最大的特点是速度快、信息量大、功能多。
[0003]三维重建技术是基于计算机视觉技术，通过深度数据获取、预处理、点云配准与融合、生成表面等过程，把真实场景刻画成符合计算机逻辑表达的数学模型，最终构建符合目标预期的三维实体模型。当前三维重建技术在地质建模领域的应用主要是通过使用图像集作为数据源，根据相机成像原理来恢复深度信息，构建三维地质模型。这种方法直接利用二维图像进行三维重建，使用相机、手机等普通的数据采集设备，重建成本较低，图像数据获取方式简单便捷，但目前的技术难点在于：
[0004]（1）二维图像丢失了深度方向的信息，且二维图像特征向三维特征转换的过程难以完整保留与提取所有信息，导致建模精度下降。
[0005]（2）单纯基于二维地表图像的三维地质建模过程会随着训练网络深度的增加，导致计算量和相关超参数量的大幅增加，3D卷积神经网络和稠密网络更会带来数据量的指数级增加，给建模网络的训练和运用带来了困难。
[0006]因此需要一种既能提高地质建模精度，又不会对训练网络带来过大负荷的三维地质建模技术。
技术实现思路
[0007]有鉴于此，本专利技术实施例提供了一种基于地表图像的三维地质体模型的建模方法和相关装置，用于解决现有鉴于实际三维地质建模受限于地质勘探数据获取成本高，获取难度大，数据资料数量有限，缺乏完整度等因素，传统的基于钻孔数据进行的三维地质建模技术难以满足指导实际地质工程需要的技术问题。
[0008]本专利技术第一方面提供了一种基于地表图像的三维地质体模型的建模方法，包括：
[0009]步骤1、将二维地表图像数据，通过生成对抗网络训练获得伪二维地表图像，构建二维图像数据集。
[0010]步骤1中整理二维地表图像数据集，可以是单张图片或多张图片构成的图像集，通过生成对抗网络（GAN）训练以获得更多的伪二维地表图像，构建多元完备的二维图像数据集。
[0011]由于地表图像的数量是有限的，角度是相对单一的，需要基于机器学习手段扩充多角度，充分数量的图像数据集。条件对抗生成网络包含生成网络G和判别网络D，通过生成网络G对输入图像数据进行学习，判别网络D对学习效果进行甄别，两者互相博弈至最终判别网络D甄别为真，生成新的二维地表图像。
[0012]步骤2、通过二维编码器，基于尺度不变特征转换算法，使用高斯金字塔对图像各个尺度的特征进行提取，得到二维特征；
[0013]步骤2中通过二维编码器，基于尺度不变特征转换算法（Scale
‑
invariant feature transform，SIFT），使用高斯金字塔对图像各个尺度的特征进行提取。高斯金字塔有以下准则特征：采取下采样方式提取图像特征；使用高斯核（高斯滤波）对图像进行卷积，将卷积结果中的偶数行、列都去掉，使下采样结果为原图大小的1/4。
[0014]步骤3、利用投影思路实现二维特征到三维的特征转换，运用循环神经网络对提取的图像特征进行保留、整合，构建为三维特征供建模使用；
[0015]步骤3中由于图像提取特征是二维的，因而需升维至三维，且保留原有图像二维特征的完备性和真实性。基于此，利用投影思路实现二维到三维的特征转换，运用循环神经网络（RNN）对提取的图像特征进行保留，整合，构建成为三维特征供建模使用。
[0016]步骤4、基于通过转换而建立的三维特征，构建三维转码器，对三维顶点特征矩阵进行卷积计算，预测每个特征矩阵顶点的新位置和新三维特征；
[0017]步骤4中在完成图像特征由二维至三维的转换后，构建三维转码器，对三维顶点特征矩阵进行卷积计算，预测每个特征矩阵顶点的新位置和三维特征。由新的三维特征进行三维地质模型的初步可视化构建。
[0018]步骤5、结合稀疏钻孔数据，运用隐式建模法建立地质体栅格单元，建立栅格单元与特征矩阵顶点位置及新三维特征之间的关联，得到目标三维地质体模型。
[0019]步骤5中鉴于以上构建的地质模型难以对地层分层及厚度信息进行精准表达，结合有限的稀疏钻孔数据，运用隐式建模法建立地质体栅格单元，建立栅格单元与特征矩阵顶点位置及三维特征之间的关联，得到最终的三维地质体模型。
[0020]可选地，所述步骤3中，所述利用投影思路实现二维特征到三维的特征转换具体包括：
[0021]利用Image2Mesh_RNN联合转换器实现二维特征到三维的特征转换，其中，所述联合转换器由Image2Mesh和循环神经网络。
[0022]本专利技术基于Python语言下的Pytorch深度学习框架进行功能实现，涉及条件对抗生成神经网络（GAN）；二维及三维图卷积神经网络（2D/3D GCN）；支持向量机分类器。
[0023]本专利技术第二方面提供了一种基于地表图像的三维地质体模型的建模装置，包括：
[0024]构建单元，用于将二维地表图像数据，通过生成对抗网络训练获得伪二维地表图像，构建多元完备的二维图像数据集；
[0025]特征提取单元，用于通过二维编码器，基于尺度不变特征转换算法，使用高斯金字塔对图像各个尺度的特征进行提取；
[0026]特征转换单元，用于利用投影思路实现二维到三维的特征转换，运用循环神经网络对提取的图像特征进行保留，整合，构建成为三维特征供建模使用；
[0027]计算单元，用于基于通过转换而建立的三维特征，构建三维转码器，对三维顶点特征矩阵进行卷积计算，预测每个特征矩阵顶点的新位置和三维特征；
[0028]建模单元，用于结合稀疏钻孔数据，运用隐式建模法建立地质体栅格单元，建立栅格单元与特征矩阵顶点位置及三维特征之间的关联，得到目标三维地质体模型。
[0029]可选地，所述构建单元中的二维地表图像数据包括：单张二维地表图像数据或由多张二维地表图像数据构成的图像集。
[0030]可选地，所述特征提取单元中的高斯金字塔的准则特征具体包括：采取下采样方式提取图像特征，使用高斯滤波对图像进行卷积，并将卷积结果中的偶数行、列都去掉，使下采样结果为原图大小的1/4。
[0031]可选地，所本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于地表图像的三维地质体模型的建模方法，其特征在于，包括：步骤1、将二维地表图像数据，通过生成对抗网络训练获得伪二维地表图像，构建二维图像数据集；步骤2、通过二维编码器，基于尺度不变特征转换算法，使用高斯金字塔对图像各个尺度的特征进行提取，得到二维特征；步骤3、利用投影思路实现二维特征到三维的特征转换，运用循环神经网络对提取的图像特征进行保留、整合，构建为三维特征供建模使用；步骤4、基于通过转换而建立的三维特征，构建三维转码器，对三维顶点特征矩阵进行卷积计算，预测每个特征矩阵顶点的新位置和新三维特征；步骤5、结合稀疏钻孔数据，运用隐式建模法建立地质体栅格单元，建立栅格单元与特征矩阵顶点位置及新三维特征之间的关联，得到目标三维地质体模型。2.根据权利要求1所述的基于地表图像的三维地质体模型的建模方法，其特征在于，所述步骤1中的二维地表图像数据包括：单张二维地表图像数据或由多张二维地表图像数据构成的图像集。3.根据权利要求1所述的基于地表图像的三维地质体模型的建模方法，其特征在于，所述步骤2中的高斯金字塔的准则特征具体包括：采取下采样方式提取图像特征，使用高斯滤波对图像进行卷积，并去除卷积结果中的偶数行、列，使下采样结果为原图大小的1/4。4.根据权利要求1所述的基于地表图像的三维地质体模型的建模方法，其特征在于，所述步骤3中，所述利用投影思路实现二维特征到三维的特征转换具体包括：利用Image2Mesh_RNN联合转换器实现二维特征到三维的特征转换，其中，所述联合转换器由Image2Mesh和循环神经网络构成。5.一种基于地表图像的三维地质体模型的建模装置，其特征在于，包括：构建单元，用于将二维地表图像数据，通过生成对抗网络训练获得伪二维地表图像，构建多元完备的二维图像数据集；特征提取单元，用于通过二维编码器，基于尺度不变特征转换算法，使用高斯金字塔对图像各个尺度的特征进行提...
【专利技术属性】
技术研发人员：刘镇，兰春晖，周翠英，
申请(专利权)人：中山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。