[發明專利]基于圖像識別技術的巖芯RQD數字化統計方法、設備及終端

在審

• 申請號: 202210957331.9
• 申請日: 2022-08-10
• 公開（公告）號: CN115393605A
• 公開（公告）日: 2022-11-25
• 發明（設計）人: 王吉亮;羅飛;許琦;朱志宏;李坤
• 申請（專利權）人: 長江三峽勘測研究院有限公司（武漢）
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/56;G06V10/764;G06V10/82;G06N3/08;G06N3/04
• 代理公司: 北京金智普華知識產權代理有限公司 11401
• 代理人: 張曉博

本發明屬于巖石測量技術領域，公開了基于圖像識別技術的巖心RQD數字化統計方法、設備及終端，所述統計方法包括：進行巖心影像的采集與校正；利用影像識別方法對巖心箱輪廓進行形態識別，并建立巖心圖像坐標系；將識別得到的各個巖心與鉆進回次匹配，確定每塊巖心所屬地鉆進回次；根據識別出的巖心輪廓角點坐標換算出每塊巖心柱狀長度；基于所述每塊巖心所屬地鉆進回次計算所述柱狀長度大于10cm的巖心的累積柱狀長度以及RQD；存儲每回次巖心RQD數據，并利用與柱狀圖相適應的格式輸出。本發明采用統一長度計量標準，測量精度高。本發明現場只需拍照采集照片，其他由計算機自動識別處理，準確度和工作效率高。本發明無需人工現場測量巖芯RQD長度，減少人力成本。

技術領域

本發明屬于巖心RQD測量技術領域，尤其涉及一種基于圖像識別技術的巖心RQD數字化統計方法、設備及終端。

背景技術

目前，巖石質量指標(RQD)指鉆孔中用N型(75mm)二重管金剛石鉆頭獲取的大于10cm的巖芯段與該回次鉆進深度之比，是國際上通用的評價巖石工程性質的一個重要參數，在國內外各行巖體工程中被廣泛應用。目前現場測量巖芯RQD方法仍采用鋼卷尺或皮尺進行逐回次量測，測量精度往往受測量工具和人的主觀因素影響，測量精度不高，人工讀數易出錯，不能真實反映巖質量，現場量測工作量大，機械重復，效率低下，現場人工測量耗時耗力。

隨著計算機圖像識別和處理技術的發展，為巖芯RQD智能識別、測量、統計創造了條件，通過深度學習圖像分割法，根據巖心照片的灰度、色彩、紋理、幾何形狀等特征把圖像劃分成若干個區域，從而將各塊巖心輪廓標示出來，從而識別出每塊巖心的形態，如碎塊狀、片狀、半柱狀、餅狀、柱狀等，然后經過圖像處理技術，提取巖心長度、寬度等輪廓角點坐標，并根據坐標關系換算出每塊巖心的實際柱狀長度，通過設置閾值，判斷出柱狀長度大于10cm的巖心，并進行累加求和，算出相應回次柱狀長度大于10cm巖心長度總和，最后與回次進尺長度之比，計算出相應回次的RQD。

現有技術2 CN202111216115.0公開了一種快速RQD分析方法，采用的圖像識別技術不同，現有技術2是將圖片轉換為8進制圖像，利用圖像標尺軟件進行圖像信息提取。利用數字圖像處理進行圖像識別分割，計算簡單，效率較高，只考慮像素點灰度值本身的特征，一般不考慮空間特征，對于背景顏色相近的圖片巖心識別率不高。

現有技術1CN202011137412.1公開了一種從鉆孔巖心照片中識別RQD的智能方法，基于Mask-R-CNN深度學習網絡對圖像進行識別，且是對單排巖心進行訓練，RQD統計也是一排巖心統計。引入了預測用的Mask-Head，以像素到像素的方式來預測分割掩膜，提高了分割精度，但分類框與預測掩膜共享評價函數，有時候會對分割結果有所干擾。

現有技術3 CN202111582422.0公開了基于深度學習模型和巖芯圖像的RQD計算方法，圖像識別采用的基于Unet深度學習網絡對圖像進行識別，且也是單排巖心進行識別統計。Unet深度學習網絡優點是在很小的訓練集上取得較好的分割效果。

上述深度學習網絡在堆疊到一定深度的時候會出現梯度消失的現象，導致誤差升高效果變差，后向傳播時無法將梯度反饋到前面的網絡層，使得前方的網絡層的參數難以更新，訓練效果變差。

ResNet引入了全新的網絡結構(殘差學習模塊)，形成了新的網絡結構，可以使網絡盡可能地加深，使得前饋/反饋傳播算法能夠順利進行，結構更加簡單，建設性地解決了網絡訓練得越深，誤差升高，梯度消失越明顯的問題。

傳統的目標檢測算法主要預測圖像的最后一層，但是因為最后一層的特征圖的感受野相比較前幾層的感受野更大，同時特征也更抽象，因此對于小目標物的檢測精度可能不是很高。但FPN能夠有效地有效地增大網絡對小目標檢測的準確性。

ResNet+FPN就是將ResNet的特征圖拿出來并將其進行放入到FPN中進行操作，解決了網絡訓練得越深，誤差升高，梯度消失越明顯的問題，也解決小目標無檢測精度。