[發明專利]一種巖體破碎程度分類方法、系統、電子設備及介質

在審

• 申請號: 202310149634.2
• 申請日: 2023-02-16
• 公開（公告）號: CN116188957A
• 公開（公告）日: 2023-05-30
• 發明（設計）人: 陳佳耀;黃宏偉;張頂立;房倩;吳晨;楊同軍;滿建宏
• 申請（專利權）人: 北京交通大學
• 主分類號: G06V20/00
• 分類號: G06V20/00;G06V10/764;G06V10/762;G06Q50/02
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 王愛濤

1.一種巖體破碎程度分類方法，其特征在于，包括：

獲取待分類巖體的表觀圖像；

對所述表觀圖像進行處理，確定巖體結構面的跡線特征；所述跡線特征包括跡線長度、跡線傾角、跡線密度、跡線強度、跡線間距和表觀巖石質量指標；

對所述跡線特征進行歸一化處理，得到處理后的跡線特征；

將所述處理后的跡線特征，輸入至巖體破碎程度分類模型，得到所述待分類巖體的巖體破碎程度；所述巖體破碎程度為未破碎、一級破碎、二級破碎、三級破碎或四級破碎；

其中，所述巖體破碎程度分類模型是基于K-折交叉驗證算法，以巖體表觀圖像的跡線特征為輸入，以與所述巖體表觀圖像對應的巖體破碎程度為輸出對初始隨機森林模型進行訓練，利用超參數優化算法對訓練后的隨機森林模型的超參數進行優化得到的。

2.根據權利要求1所述的巖體破碎程度分類方法，其特征在于，對所述表觀圖像進行處理，確定巖體結構面的跡線特征，具體包括：

利用節理裂隙提取模型提取所述表觀圖像的節理裂隙，得到巖體結構面節理裂隙圖；其中，所述節理裂隙提取模型是利用原始表觀圖像和與所述原始表觀圖像對應的裂隙標記圖對深度學習模型進行訓練得到的；

根據所述巖體結構面節理裂隙圖，確定所述巖體結構面的跡線特征。

3.根據權利要求1所述的巖體破碎程度分類方法，其特征在于，所述巖體破碎程度分類模型的構建過程，具體包括：

獲取若干張巖體表觀圖像，構建樣本集；所述巖體表觀圖像包括破碎巖體的表觀圖像和未破碎巖體的表觀圖像；所述樣本集包括所述巖體表觀圖像的跡線特征和與所述巖體表觀圖像對應的巖體破碎程度；

基于K-折交叉驗證算法，利用所述樣本集對所述初始隨機森林模型進行訓練，得到訓練后的隨機森林模型；

計算所述訓練后的隨機森林模型的適應度值；

判斷所述適應度值是否小于設定閾值且收斂；

若是，則將當前超參數下的所述訓練后的隨機森林模型，作為所述巖體破碎程度分類模型；

若否，則利用超參數優化算法優化所述訓練后的隨機森林模型的超參數，得到優化后的隨機森林模型，將所述優化后的隨機森林模型作為所述初始隨機森林模型，并返回“基于K-折交叉驗證算法，利用所述樣本集對所述初始隨機森林模型進行訓練，得到訓練后的隨機森林模型”的步驟。

4.根據權利要求1所述的巖體破碎程度分類方法，其特征在于，還包括：

計算所述處理后的跡線特征的基尼系數；

對所述基尼系數進行歸一化處理，得到歸一化的基尼系數；

根據所述基尼系數對所述處理后的跡線特征進行排序，得到排序后的跡線特征；

根據所述排序后的跡線特征，確定所述巖體破碎程度的貢獻程度。

5.一種巖體破碎程度分類系統，其特征在于，包括：

圖像獲取模塊，用于獲取待分類巖體的表觀圖像；

特征提取模塊，用于對所述表觀圖像進行處理，確定巖體結構面的跡線特征；所述跡線特征包括跡線長度、跡線傾角、跡線密度、跡線強度、跡線間距和表觀巖石質量指標；

預處理模塊，用于對所述跡線特征進行歸一化處理，得到處理后的跡線特征；

分類模塊，用于將所述處理后的跡線特征，輸入至巖體破碎程度分類模型，得到所述待分類巖體的巖體破碎程度；所述巖體破碎程度為未破碎、一級破碎、二級破碎、三級破碎或四級破碎；

其中，所述巖體破碎程度分類模型是基于K-折交叉驗證算法，以巖體表觀圖像的跡線特征為輸入，以與所述巖體表觀圖像對應的巖體破碎程度為輸出對初始隨機森林模型進行訓練，利用超參數優化算法對訓練后的隨機森林模型的超參數進行優化得到的。

6.一種電子設備，其特征在于，包括：存儲器及處理器，所述存儲器用于存儲計算機程序，所述處理器運行所述計算機程序以使所述電子設備執行權利要求1-4任一項所述的巖體破碎程度分類方法。

7.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-4任一項所述的巖體破碎程度分類方法。