[發明專利]一種基于深度學習的鉆孔圖像裂隙參數自動提取方法

在審

• 申請號: 202110056319.6
• 申請日: 2021-01-15
• 公開（公告）號: CN112733765A
• 公開（公告）日: 2021-04-30
• 發明（設計）人: 佟大威;王曉玲;余佳;吳斌平;呂明明;任炳昱
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06T17/05;G06N3/04;G06N3/08
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 潘俊達

本發明屬于圖像識別和地質建模的技術領域，具體涉及一種基于深度學習的鉆孔圖像裂隙參數自動提取方法，包括建立裂隙圖像數據集，搭建裂隙圖像識別模型，使用標注好的裂隙圖像數據集作為監督條件，采用卷積神經網絡訓練裂隙圖像識別模型，使用訓練好的裂隙圖像識別模型對待檢測的裂隙圖像進行檢測，將提取的裂隙的相關像素信息轉換為傾向、傾角、位置、開度、粗糙度參數。本發明將深度學習技術引入鉆孔圖像數據解析過程，通過卷積神經網絡對裂隙的高層語義特征進行機器學習，從而實現了裂隙信息的自動提取。

技術領域

本發明屬于圖像識別和地質建模的技術領域，具體涉及一種基于深度學習的鉆孔圖像裂隙參數自動提取方法。

背景技術

現有的鉆孔圖像結構面識別研究多采用傳統圖像處理方法。例如：采用灰度共生矩陣參數來定義結構面特征，同時，可以在鉆孔圖像中采用從上到下滑動掃描框的策略來搜索結構面區域。并且，在一些處理方法中，還可以采用灰度梯度縱向投影的極值特征作為結構面的特征信號，并通過對合成信號進行閾值分割和二值化處理實現結構面區域劃分。

然而，由于實際鉆孔圖像中巖體的形態與結構復雜多變，部分結構面附近的巖石背景圖像中可能存在較大的噪聲，從而對基于灰度的底層圖像特征造成干擾，這樣不僅限制了此類特征的泛化能力，還降低了結構面區域劃分的效果。同時，實際裂隙巖體中不同傾角的結構面會在鉆孔圖像中表現出不同的正弦曲線振幅，從而對應不同的結構面矩形區域高度，而采用固定掃描框高度的策略，需要針對不同的鉆孔圖像人工干預掃描框的高度值，從而不可避免地降低了算法的通用性與自動化程度。為此，亟需提出一種新型的鉆孔圖像裂隙參數提取方法以解決上述問題。

發明內容

本發明的目的在于：針對現有技術的不足，提供一種基于深度學習的鉆孔圖像裂隙參數自動提取方法，其運行速度快，識別精度高，將深度學習技術引入鉆孔圖像數據解析過程，通過卷積神經網絡對裂隙的高層語義特征進行機器學習，實現了裂隙信息的自動提取。

為了實現上述目的，本發明采用如下技術方案：

一種基于深度學習的鉆孔圖像裂隙參數自動提取方法，包括以下步驟：

S1、對鉆孔全景圖像中的裂隙進行標注，建立裂隙圖像數據集，以得到裂隙的空間位置信息；

S2、搭建裂隙圖像識別模型，使用標注好的所述裂隙圖像數據集作為監督條件，采用卷積神經網絡訓練所述裂隙圖像識別模型，并對訓練的參數的數據特征進行優化；

S3、使用訓練好的所述裂隙圖像識別模型對待檢測的裂隙圖像進行檢測，并使用P-R曲線或ROC曲線的曲線檢測技術對檢測的結果進行處理，提取出所述待檢測的裂隙圖像中裂隙的相關像素信息；

S4、將提取的所述裂隙的相關像素信息轉換為傾向、傾角、位置、開度、粗糙度參數，獲得裂隙基本信息和提取結果。

進一步地，所述S1中建立所述裂隙圖像數據集的過程包括：在所述鉆孔全景圖像的基礎上，采用人工標注的方式對鉆孔圖像內的裂隙跡線分布圖像區域進行矩形框標注，作為正例數據集。

進一步地，所述S1中建立所述裂隙圖像數據集的過程包括：在所述鉆孔全景圖像的基礎上，采用人工標注的方式對鉆孔圖像內的無裂隙跡線分布的圖像區域進行矩形框標注，作為負例數據集。

進一步地，所述S2中采用卷積神經網絡訓練所述裂隙圖像識別模型的過程包括：基于所述鉆孔圖像中的所述裂隙跡線存在正弦特征，將標注后的所述正例數據集和所述負例數據集形成所述裂隙圖像識別模型的訓練數據集；采用卷積神經網絡進行裂隙識別與信息提取，對所述裂隙圖像識別模型進行訓練，對所述鉆孔圖像中分布的正弦特征曲線進行識別檢測。

進一步地，所述S2中對訓練的參數的數據特征進行優化的過程包括：通過將所述卷積神經網絡的卷積層與所述卷積神經網絡的池化層交替堆疊構成的骨干網絡，從所述鉆孔圖像的所述裂隙跡線獲得高層語義特征。