一种岩体结构面识别方法及其终端和存储介质技术

本发明专利技术公开了一种岩体结构面识别方法及其终端和存储介质，包括以下步骤：通过无人机采集建基面的数字影像；建立所述建基面的三维重建模型，输出点云数据；对所述数字影像进行结构面标注和分类，使用MaskRCNN卷积神经网络机器学习模型训练已标记的图像，并输出结构面识别模型；对所述点云数据的三维点云和二维数字影像映射处理，生成映射文件；对后续采集的建基面的数字影像进行识别并输出识别的掩码，同时利用所述映射文件获取对应的三维点云数据，从而拟合出结构面三维Baecher圆盘模型，并计算出对应结构面的产状和迹长。采用本方案，弥补了传统工程地质测量的缺点，有着安全、高效、易操作的优点。易操作的优点。易操作的优点。

【技术实现步骤摘要】
一种岩体结构面识别方法及其终端和存储介质


[0001]本专利技术涉及水电工程地质勘察
，具体涉及一种岩体结构面识别方法及其终端和存储介质。

技术介绍

[0002]岩体结构面是指在构造应力作用下岩体中所产生的各种构造遗迹(包括断层、节理、层理和破碎带等)具有一定方向、延展较大、厚度较小的两维面状地质界面；岩体结构面把岩体切割成既连续又不连续的裂隙体，即是岩体形成和地质作用的漫长历史过程中，在岩体内形成和不断发育地质界面，在连续介质力学理论中视为不连续面。结构面的分布规律、发育规模、物理力学性质等指标不仅与岩体强度、受力状态有关，而且与其形成的地质历史、环境等多种因素有关，所以其分布状态各种各样，物理、力学性质千变万化。
[0003]现有技术中，建基岩体开挖后不稳定的不连续结构面很可能会引起规模较大的岩体失稳导致重大的工程事故，因此，不连续结构面是工程岩体稳定性评价和分析的重要基础，它广泛应用于水利、边坡、隧道等工程项目的质量评价中。
[0004]传统的工程地质测量方法(皮尺、罗盘)受工程环境影响，提取结构面特征危险系数高、难度较大、效率低，并且识别率低、识别精度不高。

技术实现思路

[0005]本专利技术为解决现有技术的不足，目的在于提供一种岩体结构面识别方法及其终端和存储介质，采用本方案，通过非接触式测量和结构面人工智能识别，弥补了传统工程地质测量的缺点，有着安全、高效、易操作的优点；并能快速高效的采集的数字影像中提取结构面几何信息，利用计算机三维可视化技术对岩体结构进行三维网络模拟，进一步计算出岩体质量评价指标(RQD)、岩体体积节理数(Jv)、岩体块度指数(RBI)等岩体质量评价参数，以此达到工程岩体质量评价的目的，从而达到指导工程现场设计和施工的工程实践意义。
[0006]本专利技术通过下述技术方案实现：
[0007]一种岩体结构面识别方法，所述方法包括以下步骤：
[0008]通过无人机采集建基面的数字影像；
[0009]基于所述数字影像，建立所述建基面的三维重建模型，根据所述三维重建模型，输出点云数据；
[0010]对所述数字影像进行结构面标注和分类，使用MaskRCNN卷积神经网络机器学习模型训练已标记的图像，并输出结构面识别模型；
[0011]对所述点云数据的三维点云和二维数字影像映射处理，生成映射文件；
[0012]通过所述MaskRCNN卷积神经网络机器学习模型对后续采集的建基面的数字影像进行识别并输出识别的掩码，同时利用所述映射文件获取对应的三维点云数据，从而拟合出结构面三维Baecher圆盘模型，并计算出对应结构面的产状和迹长。
[0013]相对于现有技术中，传统的工程地质测量方法受工程环境影响，提取结构面特征
危险系数高、难度较大、效率低，并且识别率低、识别精度不高等问题，本方案提供了一种基于人工智能MaskRCNN的岩体结构面识别方法，具体方案中，首先通过采用无人机、手持GPS定位仪对建基面进行数字影像采集。随后采用多视角场景点云重建模型PointMVS对建基面进行三维重建,根据重建的场景并输出以txt文本格式的点云数据。然后利用LabelMarker软件对数字影像进行结构面标注和分类，随后使用MaskRCNN卷积神经网络机器学习模型训练已标记的图像，已标记好的“标签”将会输入到MaskRcnn卷积神经网络，经过设计好的卷积层和分类器计算各类标签在图像的位置以像素进行定位识别，经过不断的训练、识别则可让计算机达到“认识”该类对象的效果，最终以分割掩码形式输出各类实例化对象。最后利用上述训练的MaskRcnn卷积神经网络机器学习模型对后续采集的建基面的数字影像进行预测、识别，利用MaskRcnn卷积神经网络机器学习模型识别出的结构面分割掩码结合已重建点云数据，在三维点云场景上对比结构面分割掩码的具体位置即可通过点云计算出对应结构面的迹线和产状等几何信息。在得到对应结构面的迹线和产状等几何信息后，即可进一步计算出岩体质量评价指标(RQD)、岩体体积节理数(Jv)、岩体块度指数(RBI)等岩体质量评价参数，以此达到工程岩体质量评价的目的，从而达到指导工程现场设计和施工的工程实践意义。通过上述步骤，使本专利技术的结构面识别方法识别率较高，识别精度高，识别效果好。
[0014]进一步优化，采用多视角场景点云重建模型PointMVS建立所述建基面的三维重建模型；PointMVS的优点在于从粗到细的迭代优化过程，充分结合了几何先验信息和2D纹理信息来来增强点云特征，并利用图网络的来对深度的残差进行有效估计。这种由粗到精的迭代结构获得非常好的重建精度。
[0015]进一步优化，通过直接线性变换算法对所述点云数据的三维点云和二维数字影像映射处理，生成映射文件。
[0016]进一步优化，对所述数字影像进行结构面标注和分类的识别对象包括：II级结构面、III级结构面、IV级结构面和V级结构面，所述II级结构面、III级结构面和IV级结构面均以结构面的主带宽进行划分；所述V级结构面包括线性结构面和面状结构面。
[0017]进一步优化，使用MaskRCNN卷积神经网络机器学习模型训练已标记的图像时，所述II级结构面、III级结构面、IV级结构面和V级结构面的训练次数和训练样本的数量均不相同。
[0018]进一步优化，所述结构面识别模型通过旋转、平移和色彩增强的方式增加样本数量。
[0019]进一步优化，根据一般几何平面公式和最小二乘法拟合出结构面三维Baecher圆盘模型。
[0020]进一步优化，采集建基面的数字影像时，在所述建基面使用手持GPS定位仪随机布置若干地面控制点，并控制无人机在每个梯段的建基面拍摄约15至20张数字影像。
[0021]本专利技术与现有技术相比，具有如下的优点和有益效果：
[0022]本专利技术提供了一种岩体结构面识别方法及其终端和存储介质，采用本方案，通过非接触式测量和结构面人工智能识别，弥补了传统工程地质测量的缺点，有着安全、高效、易操作的优点；并能快速高效的采集的数字影像中提取结构面几何信息，利用计算机三维可视化技术对岩体结构进行三维网络模拟，进一步计算出岩体质量评价指标(RQD)、岩体体
积节理数(Jv)、岩体块度指数(RBI)等岩体质量评价参数，以此达到工程岩体质量评价的目的，从而达到指导工程现场设计和施工的工程实践意义。
附图说明
[0023]为了更清楚地说明本专利技术示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
[0024]图1为本专利技术提供的一种实施例的步骤流程图。
具体实施方式
[0025]为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术作进一步的详细说明，本专利技术的示意性实施方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种岩体结构面识别方法，其特征在于，所述方法包括以下步骤：通过无人机采集建基面的数字影像；基于所述数字影像，建立所述建基面的三维重建模型，根据所述三维重建模型，输出点云数据；对所述数字影像进行结构面标注和分类，使用MaskRCNN卷积神经网络机器学习模型训练已标记的图像，并输出结构面识别模型；对所述点云数据的三维点云和二维数字影像映射处理，生成映射文件；通过所述MaskRCNN卷积神经网络机器学习模型对后续采集的建基面的数字影像进行识别并输出识别的掩码，同时利用所述映射文件获取对应的三维点云数据，从而拟合出结构面三维Baecher圆盘模型，并计算出对应结构面的产状和迹长。2.根据权利要求1所述的一种基岩体结构面识别方法，其特征在于，采用多视角场景点云重建模型PointMVS建立所述建基面的三维重建模型。3.根据权利要求1所述的一种岩体结构面识别方法，其特征在于，通过直接线性变换算法对所述点云数据的三维点云和二维数字影像映射处理，生成映射文件。4.根据权利要求1所述的一种岩体结构面识别方法，其特征在于，对所述数字影像进行结构面标注和分类的识别对象包括：II级结构面、III级结构面、IV级结构面和V级结构面，所述II级结构面、III级结构面和IV级结构面均以结构面的主带宽进行划分；所述V级结...

【专利技术属性】
技术研发人员：杨静熙，赵其华，邓兴富，李华，郑涛，李崇标，韩刚，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：