[发明专利]一种岩体破碎程度分类方法、系统、电子设备及介质

权利要求书

1.一种岩体破碎程度分类方法，其特征在于，包括：

获取待分类岩体的表观图像；

对所述表观图像进行处理，确定岩体结构面的迹线特征；所述迹线特征包括迹线长度、迹线倾角、迹线密度、迹线强度、迹线间距和表观岩石质量指标；

对所述迹线特征进行归一化处理，得到处理后的迹线特征；

将所述处理后的迹线特征，输入至岩体破碎程度分类模型，得到所述待分类岩体的岩体破碎程度；所述岩体破碎程度为未破碎、一级破碎、二级破碎、三级破碎或四级破碎；

其中，所述岩体破碎程度分类模型是基于K-折交叉验证算法，以岩体表观图像的迹线特征为输入，以与所述岩体表观图像对应的岩体破碎程度为输出对初始随机森林模型进行训练，利用超参数优化算法对训练后的随机森林模型的超参数进行优化得到的。

2.根据权利要求1所述的岩体破碎程度分类方法，其特征在于，对所述表观图像进行处理，确定岩体结构面的迹线特征，具体包括：

利用节理裂隙提取模型提取所述表观图像的节理裂隙，得到岩体结构面节理裂隙图；其中，所述节理裂隙提取模型是利用原始表观图像和与所述原始表观图像对应的裂隙标记图对深度学习模型进行训练得到的；

根据所述岩体结构面节理裂隙图，确定所述岩体结构面的迹线特征。

3.根据权利要求1所述的岩体破碎程度分类方法，其特征在于，所述岩体破碎程度分类模型的构建过程，具体包括：

获取若干张岩体表观图像，构建样本集；所述岩体表观图像包括破碎岩体的表观图像和未破碎岩体的表观图像；所述样本集包括所述岩体表观图像的迹线特征和与所述岩体表观图像对应的岩体破碎程度；

基于K-折交叉验证算法，利用所述样本集对所述初始随机森林模型进行训练，得到训练后的随机森林模型；

计算所述训练后的随机森林模型的适应度值；

判断所述适应度值是否小于设定阈值且收敛；

若是，则将当前超参数下的所述训练后的随机森林模型，作为所述岩体破碎程度分类模型；

若否，则利用超参数优化算法优化所述训练后的随机森林模型的超参数，得到优化后的随机森林模型，将所述优化后的随机森林模型作为所述初始随机森林模型，并返回“基于K-折交叉验证算法，利用所述样本集对所述初始随机森林模型进行训练，得到训练后的随机森林模型”的步骤。

4.根据权利要求1所述的岩体破碎程度分类方法，其特征在于，还包括：

计算所述处理后的迹线特征的基尼系数；

对所述基尼系数进行归一化处理，得到归一化的基尼系数；

根据所述基尼系数对所述处理后的迹线特征进行排序，得到排序后的迹线特征；

根据所述排序后的迹线特征，确定所述岩体破碎程度的贡献程度。

5.一种岩体破碎程度分类系统，其特征在于，包括：

图像获取模块，用于获取待分类岩体的表观图像；

特征提取模块，用于对所述表观图像进行处理，确定岩体结构面的迹线特征；所述迹线特征包括迹线长度、迹线倾角、迹线密度、迹线强度、迹线间距和表观岩石质量指标；

预处理模块，用于对所述迹线特征进行归一化处理，得到处理后的迹线特征；

分类模块，用于将所述处理后的迹线特征，输入至岩体破碎程度分类模型，得到所述待分类岩体的岩体破碎程度；所述岩体破碎程度为未破碎、一级破碎、二级破碎、三级破碎或四级破碎；

其中，所述岩体破碎程度分类模型是基于K-折交叉验证算法，以岩体表观图像的迹线特征为输入，以与所述岩体表观图像对应的岩体破碎程度为输出对初始随机森林模型进行训练，利用超参数优化算法对训练后的随机森林模型的超参数进行优化得到的。

6.一种电子设备，其特征在于，包括：存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-4任一项所述的岩体破碎程度分类方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-4任一项所述的岩体破碎程度分类方法。