[发明专利]一种基于深度学习的钻孔图像裂隙参数自动提取方法

说明书

本发明属于图像识别和地质建模的技术领域，具体涉及一种基于深度学习的钻孔图像裂隙参数自动提取方法，包括建立裂隙图像数据集，搭建裂隙图像识别模型，使用标注好的裂隙图像数据集作为监督条件，采用卷积神经网络训练裂隙图像识别模型，使用训练好的裂隙图像识别模型对待检测的裂隙图像进行检测，将提取的裂隙的相关像素信息转换为倾向、倾角、位置、开度、粗糙度参数。本发明将深度学习技术引入钻孔图像数据解析过程，通过卷积神经网络对裂隙的高层语义特征进行机器学习，从而实现了裂隙信息的自动提取。

技术领域

本发明属于图像识别和地质建模的技术领域，具体涉及一种基于深度学习的钻孔图像裂隙参数自动提取方法。

背景技术

现有的钻孔图像结构面识别研究多采用传统图像处理方法。例如：采用灰度共生矩阵参数来定义结构面特征，同时，可以在钻孔图像中采用从上到下滑动扫描框的策略来搜索结构面区域。并且，在一些处理方法中，还可以采用灰度梯度纵向投影的极值特征作为结构面的特征信号，并通过对合成信号进行阈值分割和二值化处理实现结构面区域划分。

然而，由于实际钻孔图像中岩体的形态与结构复杂多变，部分结构面附近的岩石背景图像中可能存在较大的噪声，从而对基于灰度的底层图像特征造成干扰，这样不仅限制了此类特征的泛化能力，还降低了结构面区域划分的效果。同时，实际裂隙岩体中不同倾角的结构面会在钻孔图像中表现出不同的正弦曲线振幅，从而对应不同的结构面矩形区域高度，而采用固定扫描框高度的策略，需要针对不同的钻孔图像人工干预扫描框的高度值，从而不可避免地降低了算法的通用性与自动化程度。为此，亟需提出一种新型的钻孔图像裂隙参数提取方法以解决上述问题。

发明内容

本发明的目的在于：针对现有技术的不足，提供一种基于深度学习的钻孔图像裂隙参数自动提取方法，其运行速度快，识别精度高，将深度学习技术引入钻孔图像数据解析过程，通过卷积神经网络对裂隙的高层语义特征进行机器学习，实现了裂隙信息的自动提取。

为了实现上述目的，本发明采用如下技术方案：

一种基于深度学习的钻孔图像裂隙参数自动提取方法，包括以下步骤：

S1、对钻孔全景图像中的裂隙进行标注，建立裂隙图像数据集，以得到裂隙的空间位置信息；

S2、搭建裂隙图像识别模型，使用标注好的所述裂隙图像数据集作为监督条件，采用卷积神经网络训练所述裂隙图像识别模型，并对训练的参数的数据特征进行优化；

S3、使用训练好的所述裂隙图像识别模型对待检测的裂隙图像进行检测，并使用P-R曲线或ROC曲线的曲线检测技术对检测的结果进行处理，提取出所述待检测的裂隙图像中裂隙的相关像素信息；

S4、将提取的所述裂隙的相关像素信息转换为倾向、倾角、位置、开度、粗糙度参数，获得裂隙基本信息和提取结果。

进一步地，所述S1中建立所述裂隙图像数据集的过程包括：在所述钻孔全景图像的基础上，采用人工标注的方式对钻孔图像内的裂隙迹线分布图像区域进行矩形框标注，作为正例数据集。

进一步地，所述S1中建立所述裂隙图像数据集的过程包括：在所述钻孔全景图像的基础上，采用人工标注的方式对钻孔图像内的无裂隙迹线分布的图像区域进行矩形框标注，作为负例数据集。

进一步地，所述S2中采用卷积神经网络训练所述裂隙图像识别模型的过程包括：基于所述钻孔图像中的所述裂隙迹线存在正弦特征，将标注后的所述正例数据集和所述负例数据集形成所述裂隙图像识别模型的训练数据集；采用卷积神经网络进行裂隙识别与信息提取，对所述裂隙图像识别模型进行训练，对所述钻孔图像中分布的正弦特征曲线进行识别检测。

进一步地，所述S2中对训练的参数的数据特征进行优化的过程包括：通过将所述卷积神经网络的卷积层与所述卷积神经网络的池化层交替堆叠构成的骨干网络，从所述钻孔图像的所述裂隙迹线获得高层语义特征。