一种岩石结构面粗糙度智能提取方法及系统技术方案

本申请涉及结构面粗糙度提取技术领域，尤其涉及一种岩石结构面粗糙度智能提取方法及系统，方法包括：采集待测结构面的图像信息；获取图像信息在设定方向上的像素值序列，并将方差最大值对应的像素值序列作为目标序列；对目标序列进行有序样品聚类，并依据聚类结果构建目标序列的序列特征，目标序列的聚类结果包括多个子序列；依据多个子序列的数量对标准轮廓曲线进行有序样品聚类以构建标准轮廓曲线的曲线特征，且一条标准轮廓曲线对应一个粗糙度系数；计算序列特征与各曲线特征之间的相似度，将相似度最大值对应标准轮廓曲线的粗糙度系数作为粗糙度提取结果

【技术实现步骤摘要】
一种岩石结构面粗糙度智能提取方法及系统


[0001]本申请一般地涉及结构面粗糙度提取
，尤其涉及一种岩石结构面粗糙度智能提取方法及系统
。

技术介绍

[0002]岩石结构面是指岩石中存在的各种断裂或面状结构，结构面的存在破坏了岩石自身的完整性和连续性，因此结构面的特征往往决定了岩石的力学行为和稳定性
。
岩体结构面的粗糙度是决定结构面强度的一个关键参数，因此，为准确判断岩石的力学行为和稳定性，准确提取结构面粗糙度系数
(JRC)
是不可避免的一个环节
。
[0003]目前，公开号为
CN105678786A
的专利申请文件公开了一种基于
Jaccard
相似度量的结构面粗糙度系数评价方法，选取
Barton
的
m
条标准轮廓曲线并以
μ
为精度对标准轮廓曲线中各点进行坐标数据的提取；根据提取的
x、y
坐标数据，计算起伏角度，并通过对相邻起伏角度频数的归一化得到标准轮廓曲线的特征向量；在野外现场选定所需要测定的结构面，统计测试轮廓曲线上所有相邻起伏角度的分布规律，记录
θ
i
出现在每个区间内的频数，构成测试轮廓曲线特征向量；根据
Jaccard
相似度量方法确定测试曲线与
m
条标准曲线的相似度，将最大相似度的标准曲线对应的粗糙度系数范围作为该测试曲线的粗糙度系数值
。
[0004]上述方法采集待测结构面的轮廓曲线，并依据轮廓曲线中相邻起伏角度构建待测结构面的特征向量，借助特征向量计算待测结构面与标准曲线之间的相似度以获取粗糙度系数值，然而，上述方法忽略了待测结构面轮廓曲线的长度对相似度计算的影响，且一个待测结构面可采集多条测试轮廓曲线，选用不同测试轮廓曲线其对应的粗糙度系数值不同，会使岩石结构面粗糙度的准确性降低
。

技术实现思路

[0005]为了解决现有技术中的上述技术问题，本申请提供了一种岩石结构面粗糙度智能提取方法，以提高岩石结构面粗糙度的准确性
。
[0006]本专利技术提供了一种岩石结构面粗糙度智能提取方法，用于提取待测结构面在设定方向上的粗糙度，包括：采集待测结构面的图像信息，所述图像信息包括灰度图或深度图；获取所述图像信息在所述设定方向上的像素值序列，并将方差最大值对应的像素值序列作为目标序列；对所述目标序列进行有序样品聚类，并依据所述目标序列的聚类结果构建所述目标序列的序列特征，所述目标序列的聚类结果包括多个子序列；依据所述多个子序列的数量对标准轮廓曲线进行有序样品聚类，并依据所述标准轮廓曲线的聚类结果构建所述标准轮廓曲线的曲线特征，其中，一条标准轮廓曲线对应一个粗糙度系数；计算所述序列特征与所述曲线特征之间的相似度，将相似度最大值对应标准轮廓曲线的粗糙度系数作为所述待测结构面在所述设定方向上的粗糙度
。
[0007]在一些实施例中，对所述目标序列进行有序样品聚类包括：设置初始聚类数；依据所述初始聚类数对所述目标序列进行有序样品聚类，得到所述初始聚类数对应的初始聚类
结果和初始聚类损失，其中，所述初始聚类结果包括与所述初始聚类数相同的子序列；将所述初始聚类数加1以更新所述初始聚类数，重复执行有序样品聚类，得到更新后的初始聚类数对应的初始聚类结果和初始聚类损失；迭代地更新所述初始聚类数，响应于更新后的初始聚类数等于所述目标序列中像素值的数量，绘制初始聚类损失曲线，所述初始聚类损失曲线的横坐标为初始聚类数，纵坐标为初始聚类数对应的初始聚类损失；获取所述初始聚类损失曲线中拐点对应的初始聚类数作为目标聚类数，将所述目标聚类数对应的初始聚类结果作为所述目标序列的聚类结果
。
[0008]在一些实施例中，依据所述目标序列的聚类结果构建所述目标序列的序列特征包括：将所述目标序列的聚类结果中多个子序列按照先后顺序进行排列；获取各子序列的长度和平均像素值；分别计算子序列的长度在所述目标序列的长度中的占比以获取分段长度向量；对于一个子序列，用所述子序列的平均像素值减去下一个相邻子序列的平均像素值，得到所述子序列的像素变化量，将像素变化量按照子序列的先后顺序进行排列以获取像素变化向量；将所述分段长度向量和所述像素变化向量拼接在一起，得到所述目标序列的序列特征
。
[0009]在一些实施例中，所述目标序列的序列特征还包括所述目标序列的聚类损失，其中，所述目标序列的聚类损失为所述目标聚类数对应的初始聚类损失
。
[0010]在一些实施例中，所述相似度满足关系式：；其中，为序列特征，为第条标准轮廓曲线的曲线特征，为第条标准轮廓曲线的曲线特征与序列特征的距离，为第条标准轮廓曲线的曲线特征与序列特征之间的相似度
。
[0011]在一些实施例中，所述距离为欧氏距离或曼哈顿距离
。
[0012]本专利技术还提供了一种岩石结构面粗糙度智能提取系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现本专利技术所述的岩石结构面粗糙度智能提取方法
。
[0013]本申请实施例提供的上述岩石结构面粗糙度智能提取方法，采集待测结构面的图像信息，沿设定方向从图像信息中筛选出最能够表征待测结构面粗糙度信息的像素值序列，作为目标序列；进一步，依据有序样品聚类将目标序列划分为多个子序列，子序列内像素值差异较小，子序列之间像素值差异较大，并依据多个子序列构建序列特征以提取目标序列中的粗糙度信息；按照同样的方法提取标准轮廓曲线的曲线特征，并借助曲线特征和序列特征衡量标准轮廓曲线与目标序列之间的相似度，由于曲线特征与序列特征的尺寸相同，避免了目标序列与标准轮廓曲线长度不同对相似度的影响，将最大相似度对应标准轮廓曲线的粗糙度系数作为待测结构面在设定方向上的粗糙度，提高岩石结构面粗糙度的准确性
。
[0014]进一步地，依据多个子序列构建目标序列的序列特征，该序列特征能够反映目标序列中各子序列长度的分布情况
、
各子序列间平均像素值的变化情况以及各子序列中像素值之间的差异大小，准确提取目标序列中的粗糙度相关信息
。
附图说明
[0015]通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的
、
特征和优点将变得易于理解
。
在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：图1是根据本申请实施例的岩石结构面粗糙度智能提取方法的流程图；图2是根据本申请实施例的标准轮廓曲线的示意图；图3是根据本申请实施例的岩石结构面粗糙度智能提取系统的框图
。
具体实施方式
[0016]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚
、
完整地描述，显然，所描述的实施例是本申本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种岩石结构面粗糙度智能提取方法，用于提取待测结构面在设定方向上的粗糙度，其特征在于：
S11
，采集待测结构面的图像信息，所述图像信息包括灰度图或深度图；
S12
，获取所述图像信息在所述设定方向上的像素值序列，并将方差最大值对应的像素值序列作为目标序列；
S13
，对所述目标序列进行有序样品聚类，并依据所述目标序列的聚类结果构建所述目标序列的序列特征，所述目标序列的聚类结果包括多个子序列；
S14
，依据所述多个子序列的数量对标准轮廓曲线进行有序样品聚类，并依据所述标准轮廓曲线的聚类结果构建所述标准轮廓曲线的曲线特征，其中，一条标准轮廓曲线对应一个粗糙度系数；
S15
，计算所述序列特征与所述曲线特征之间的相似度，将相似度最大值对应标准轮廓曲线的粗糙度系数作为所述待测结构面在所述设定方向上的粗糙度
。2.
如权利要求1所述的一种岩石结构面粗糙度智能提取方法，其特征在于，对所述目标序列进行有序样品聚类包括：设置初始聚类数；依据所述初始聚类数对所述目标序列进行有序样品聚类，得到所述初始聚类数对应的初始聚类结果和初始聚类损失，其中，所述初始聚类结果包括与所述初始聚类数相同的子序列；将所述初始聚类数加1以更新所述初始聚类数，重复执行有序样品聚类，得到更新后的初始聚类数对应的初始聚类结果和初始聚类损失；迭代地更新所述初始聚类数，响应于更新后的初始聚类数等于所述目标序列中像素值的数量，绘制初始聚类损失曲线，所述初始聚类损失曲线的横坐标为初始聚类数，纵坐标为初始聚类数对应的初始聚类损失；获取所述初始聚类损失曲线中拐点对应的初始聚类数作为目...

【专利技术属性】
技术研发人员：夏菲，聂逢君，何剑锋，严兆彬，封志兵，张成勇，刘国奇，张鑫，杨东光，张树明，钟福军，孙达，
申请(专利权)人：东华理工大学南昌校区，
类型：发明
国别省市：