[發明專利]一種基于深度學習模型的巖體質量評價方法

有效

• 申請號: 202110030679.9
• 申請日: 2021-01-11
• 公開（公告）號: CN112837269B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 張野;李炎隆
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/0455;G06N3/0464;G06N3/047;G06N3/096;G06F18/2415;G06F18/214
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 徐瑤

本發明公開一種基于深度學習模型的巖體質量評價方法，為：S1：獲得全部鉆孔攝影圖像并選擇其中一定量的鉆孔攝影圖像，將選中的鉆孔攝影圖像按照有結構面和無結構面區分；S2：基于深度學習模型遷移方法對選擇的鉆孔攝影圖像進行模型訓練，篩選出具有結構面的鉆孔攝影圖像，并對具有結構面的鉆孔攝影圖像進行尺寸統一；S3：以所有具有結構面的鉆孔攝影圖像為研究對象并進行標注；S4：采用基于ResNet的UNet網絡對標記的鉆孔攝影圖像進行訓練，最終得到用于分割鉆孔攝影圖像的深度模型；S5：將得到深度模型應用于鉆孔攝影圖像分割中可得到結構面分割結果，實現巖體的完整性評價。本方法為巖體質量智能評價提供理論和方法支持。

技術領域

本發明涉及巖體質量評價方法，特別涉及一種基于深度學習模型的巖體質量評價方法。

背景技術

水利工程多建設在高山峽谷，地質條件十分復雜，因此地質勘探和巖體質量評價是水利工程建設中不可缺少的一環，其中，巖體完整性分析對于水利工程的設計施工具有決定性作用。工程中一般基于巖芯圖像和鉆孔攝影圖像，同時考慮聲波數據和地震波數據，對巖體完整性展開全面分析。但由于圖像信息的復雜性，如巖芯圖像和鉆孔攝影圖像，有效的結構面特征較難提取，因此以往針對巖體圖像的研究較為粗略，一般只做定性分析，在巖體質量評價中也只考慮圖像中的簡單特征；深度學習方法對圖像特征提取十分有效，可利用深度學習方法處理鉆孔攝影圖像，對于實現巖體質量智能評價具有重要意義。

發明內容

本發明的目的是提供一種基于深度學習模型的巖體質量評價方法，本方法通過建立深度學習模型實現鉆孔攝影圖像的有效分割，并提出巖體質量評價指標，為巖體質量智能評價提供理論和方法支持。

本發明所采用的技術方案是，一種基于深度學習模型的巖體質量評價方法，包括以下步驟：

步驟1：根據地質勘查現場實驗，獲得全部鉆孔攝影圖像并選擇其中一定數量的鉆孔攝影圖像，將選中的鉆孔攝影圖像按照有結構面和無結構面分為兩組；

步驟2：基于深度學習模型遷移方法對選擇的鉆孔攝影圖像進行模型訓練，并將訓練后的模型用于步驟1中未被選擇的鉆孔攝影圖像，篩選出具有結構面的鉆孔攝影圖像，并對篩選的和選擇的具有結構面的鉆孔攝影圖像進行尺寸統一；

步驟3：以所有具有結構面的鉆孔攝影圖像為研究對象并進行標注，將鉆孔攝影圖像中結構面部分的像素標注出來作為圖像前景，其余像素作為圖像背景；

步驟4：采用基于ResNet的UNet網絡對標記的鉆孔攝影圖像進行訓練，采用多種方法評價模型性能，當模型性能在測試圖像中達到較高值時認為模型能夠用于鉆孔攝影圖像分割，同時可以在得到更多數據后采用多次訓練的方式強化模型，最終得到用于分割鉆孔攝影圖像的深度模型；

步驟5：將得到深度模型應用于鉆孔攝影圖像分割中可得到結構面分割結果，利用分割結果以及鉆孔攝影圖像中的比例尺可以進行巖體結構面特征的量化計算，得出巖體完整性指數，實現巖體的完整性評價。

本發明的特征還在于，

步驟1中，選擇全部鉆孔攝影圖像中的30％鉆孔攝影圖像，將選擇的30％的鉆孔攝影圖像按照有結構面和無結構面分為兩組。

步驟2具體按照以下步驟實施：

步驟2.1：將選擇的30％的鉆孔攝影圖像作為研究對象，利用ResNet模型提取鉆孔攝影圖像的1000維特征；

步驟2.2：基于鉆孔攝影圖像的1000維特征訓練Softmax分類器，訓練步數設置為5000，學習率設置為0.01，每次訓練隨機選擇10％的鉆孔攝影圖像特征作為測試特征；

步驟2.3：采用準確率對訓練得到的Softmax分類器進行評價，準確率是指分類準確的圖像在圖像總數中所占的比例，當訓練過程中的測試特征準確率超過90％，認為Softmax分類器能夠識別有結構面和無結構面的鉆孔攝影圖像；