CN106296678A - 基于钻孔光学成像技术的rqd分析方法 - Google Patents
基于钻孔光学成像技术的rqd分析方法 Download PDFInfo
- Publication number
- CN106296678A CN106296678A CN201610641394.8A CN201610641394A CN106296678A CN 106296678 A CN106296678 A CN 106296678A CN 201610641394 A CN201610641394 A CN 201610641394A CN 106296678 A CN106296678 A CN 106296678A
- Authority
- CN
- China
- Prior art keywords
- image
- rqd
- boring
- borehole
- connected region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明公开了一种基于钻孔光学成像技术的RQD分析方法,S11、通过Matlab提供的图像读取函数,读取所述钻孔光学成像照片及RGB像素值;S12、进行图像裁剪,获取钻孔孔壁部分的图像;S13、将获取的孔壁图像转换为灰度图;S14、采用维纳滤波处理方法对灰度图进行图像增强处理;S15、对S14获取的增强图像进行分割;S21、对S15获取的分割图像中的结构面、孔隙、溶隙、溶孔部分,进行边缘检测与标记;S22、根据结构面和破碎带在钻孔图像中的分布特征,对连通区编码进行合并;S23、统计出新的连通区范围;进行岩体质量指标RQD计算。本发明优点在于避免钻进和取芯质量对RQD统计的影响。
Description
技术领域
本发明涉及岩石质量指标分析方法,尤其是涉及基于钻孔光学成像技术的RQD分析方法。
背景技术
岩石质量指标(RQD)是评价岩体完整性的一个重要参数。RQD的获取要求采用直径为75 mm的金刚石钻头和双层岩芯管在岩石中钻进,连续取芯,回次钻进所取岩芯中,长度大于10cm的岩芯段长度之和与该回次进尺的比值,以百分数表示。RQD 作为评价岩体质量的重要参数,是国际围岩分级方法Q系统和RMR系统中重要的指标,在岩体工程中被各国工程师广泛采用。但是,RQD获取方法所存在的不足是:1、该方法获取的RQD受钻进工艺、人员素质、施工质量的影响较大,不能真实地反应岩体质量;2、该方法得到的RQD值与钻进回次长度有较大关系,同样的岩体,不同的钻进回次长度,RQD值会有所不同,这与岩体质量的客观性不符。
随着光学成像技术的发展,特别是全景技术的实现,使得同时观测360°钻孔孔壁成为现实。钻孔光学成像技术利用锥面反射,将圆形钻孔孔壁图像反射成为平面图像,然后通过图像无缝缝合获得钻孔的全孔壁信息。钻孔光学成像技术获得的孔壁图像,直观地反映了孔内的实际情况,保证了地质信息采集的完整性和准确性。因此,基于钻孔成像技术获取的钻孔图像,包含了钻孔中全部的岩体、结构面及破碎带信息,这也为基于钻孔图像进行RQD分析创造了条件,但目前还未见诸有关利用钻孔光学成像照片进行数字图像处理,达到对RQD分析的报道。
发明内容
本发明目的在于提供一种基于钻孔光学成像技术的RQD分析方法。
为实现上述目的,本发明采取下述技术方案:
本发明所述基于钻孔光学成像技术的RQD分析方法,包括在Matlab平台上,对基于钻孔光学成像技术获取的钻孔光学成像照片,进行钻孔图像处理、钻孔图像信息识别、钻孔RQD计算步骤:
一、所述钻孔图像处理按照下述步骤进行:
S11、通过Matlab提供的图像读取函数,读取所述钻孔光学成像照片及RGB像素值;所述钻孔光学成像照片为RGB图,所述RGB图具有R(红)、G(绿)、B(蓝)三个颜色通道,每个RGB像素都由1×3的向量(R,G,B)表示,R、G、B分别表示三种颜色的深度级别;
S12、进行图像裁剪,获取钻孔孔壁部分的图像;
S13、将S12获取的孔壁图像转换为灰度图,图像转换采用浮点算法;
S14、为清晰地表现图像中突变或快变区域的轮廓边界,采用维纳滤波处理方法,对S13获取的灰度图进行图像增强处理;
S15、通过阀值分割技术,对S14获取的增强图像进行分割,将增强图像中的结构面、孔隙、溶隙、溶孔部分从完整岩体背景中分离出来,从而为钻孔图像信息识别创造条件;
二、所述钻孔图像信息识别按照下述步骤进行:
S21、对S15获取的分割图像中的结构面、孔隙、溶隙、溶孔部分,进行边缘检测与标记;所述边缘是指所述图像局部亮度变化显著的部分,存在于目标与目标、目标与背景、区域与区域之间,是图像分割、纹理特征和形状特征提取图像分析的重要基础;在钻孔图像分割之后,目标与背景已被分离区分,边缘检测采用Canny边缘检测算子,检测出各个目标的边界;在边界确定之后,通过对连通区域依序进行编码标记,区分出不同的目标范围,即区分出不同的结构面、孔隙、溶隙、溶孔位置;
S22、根据结构面和破碎带在钻孔图像中的分布特征,对连通区编码进行合并;首先,当不同连通区在长度或宽度方向存在重叠,即在行号或列号上存在重合区域时,对其进行合并;其次,连通区域间不存在重叠,但在长度或宽度方向的最小距离小于某一限值λ时,对连通区域进行合并;连通区合并后,标记为同一编码;
S23、上述区域合并后,统计出新的连通区范围,即新的连通区编码i、像素总数PXi、中心线位置Limid、最小行号Limin、最大行号Limax、最小列号Wimin、最大列号Wimax;在钻孔图像中,局部的结构面、孔隙、溶隙、溶孔不影响RQD的统计,当连通区像素总数PXi小于图像宽度PXw一半时,忽略该连通区;对剩余连通区,若像素总数PXi大于该连通区所在长度范围内像素总数的1/3时,判断为破碎带,反之为结构面;
三、所述钻孔RQD计算为:
在获得钻孔全部结构面与破碎带位置、宽度信息后,即可进行岩体质量指标RQD计算;即:计算整个钻孔的RQD值、钻孔不同分段长度的RQD值、钻孔某一部位的RQD值、同一深度范围不同钻孔的RQD值。
本发明优点在于针对钻孔图像而非钻孔岩芯进行处理,避免了钻进和取芯质量对RQD统计的影响。利用钻孔光学成像照片,通过图像处理和图像识别技术,提取钻孔内结构面和破碎带的位置及宽度信息,然后利用获取的数据,计算整个钻孔的RQD值、钻孔不同分段长度的RQD值、钻孔某一部位的RQD值、同一深度不同钻孔的RQD值,从而实现基于钻孔光学成像技术的RQD分析计算。本方法可通过计算机编程实现对单一钻孔、多个钻孔图像的批量处理,从而大大提高工作效率;同时,该方法避免了因钻进和取芯扰动对RQD统计的影响,从而起到复核、校正钻孔RQD的作用,为评价岩体完整性提供了可靠的科学依据。
附图说明
图1是本发明所述钻孔图像及RGB像素值的计算机显示图。
图2.1是本发明所述裁剪前的钻孔图像。
图2.2是本发明所述裁剪后的钻孔图像。
图3.1是本发明所述的RGB图。
图3.2是本发明所述转换后的灰度图。
图4.1是本发明所述采用维纳滤波处理方法前的钻孔图像。
图4.2是本发明所述采用维纳滤波处理方法后的钻孔图像。
图5.1是本发明所述分割前的钻孔图像。
图5.2是本发明所述分割后的钻孔图像。
图6是本发明所述图像边缘检测与标记后的数字图像。
图7是本发明所述对结构面和破碎带标记后的钻孔图像。
图8.1是本发明所述利用钻孔图像计算的RQD值与钻孔实测RQD值的对比曲线图。
图8.2是图8.1中16.5m~17.3m段的钻孔图像。
图8.3是图8.1中29.5m~30.0m段的钻孔图像。
图9是本发明的钻孔RQD计算值与纵波波速对比图。
图10是本发明的钻孔RQD计算值与完整性系数kv对比图。
具体实施方式
本发明所述基于钻孔光学成像技术的RQD分析方法,包括在Matlab平台上,对基于钻孔光学成像技术获取的钻孔光学成像照片,进行钻孔图像处理、钻孔图像信息识别、钻孔RQD计算步骤:
一、所述钻孔图像处理, 是进行岩体信息识别的基础,钻孔图像处理主要包括:图像读取、图像裁剪、图像类型转换、图像增强和图像分割。按照下述步骤进行:
S11、图像读取是所有数字图像处理的前提,Matlab提供的图像读取函数支持多种常用图像文件格式,如jpg、bmp、png、gif、tif等。同时,Matlab对于二值图、灰度图、索引图和RGB图等不同图像类型,均可有效识别。基于钻孔光学成像技术获取的钻孔图像,通常为RGB图;RGB图具有R(红)、G(绿)、B(蓝)三个颜色通道,因此每个像素都由1×3的向量(R,G,B)表示,R、G、B分别表示三种颜色的深度级别;通过计算机导入的钻孔光学成像照片及RGB像素值如图1所示;
S12、基于钻孔光学成像技术获取的钻孔图像,通常包含图名、图框、标尺、标注和孔壁图像等。在图像处理与识别的过程中,只需关注孔壁图像部分。因此,就需要对钻孔图像进行裁剪,以获取孔壁部分的图像;
通常每个钻孔内,各段钻孔图像的长度和宽度是一致的,图像中各部分的比例也是一致的。如钻孔图像的范围为4.158416×1,像素值为3780×909,其中孔壁图像部分长为0.0339~3.9934、宽为0.0547~0.5262,则对应的像素范围为31~3630和50~478。因此,按比例进行裁剪就可得到关注的区域,即孔壁部分的图像。裁剪前、后的钻孔图像对照图如图2.1、2.2所示;
S13、基于钻孔光学成像技术获取的钻孔图像,通常为RGB图,但RGB 颜色空间不符合人们对颜色相似性的主观判断,容易导致视觉上相近的颜色,会被分配到不同的量化区间,而视觉上差异较大的颜色,则被分配到相同的量化区间。因此,RGB图不利于图像信息的识别;
用灰度表示的图像称为灰度图,灰度图是把白色与黑色之间按对数关系分为若干等级,其像素值为表现明暗的灰度数据。一幅灰度图像可以定义为一个二维函数 f ( x,y ),这里 x,y 是空间坐标,而在任何一对空间坐标(x,y)上的幅值 f 称为该点图像的强度或灰度;
为便于钻孔信息的识别与提取,需要将S12获取的孔壁图像RGB图转为灰度图,转换方法采用浮点算法,公式如下:
Gray=R×0.3+G×0.59+B×0.11
其中:Gray表示灰度;R、G、B分别表示红、绿、蓝三种颜色的深度级别;
本发明采用浮点算法将RGB图转为灰度图,结果如图3.1、3.2所示;
S14、一般情况下,在图像的传送和转换过程中,会不可避免造成图像的某些降质。如在摄影时,光学系统的失真、相对运动等都会使图像模糊,在传输过程中,由于噪声污染,图像质量也会有所下降。因此,在进行数字图像的图像识别前,通常需要对数字图像进行增强,以改善图像的质量。图像增强能提高图像的可读性,可以突出目标的轮廓,衰减各种噪声;
本发明为使强度发生突变或快变的区域在图像中表现为清晰的轮廓边缘,采用频率域法中的维纳滤波处理方法,对S13获取的灰度图进行图像增强处理,维纳滤滤波处理前、后的钻孔图像如图4.1、4.2所示;
S15、通过阀值分割技术,对S14获取的所述增强图像进行分割,将增强图像中的结构面、孔隙、溶隙、溶孔部分从增强图像中的完整岩体背景分离出来,从而实现对结构面、孔隙、溶隙、溶孔的识别与提取。分割前、后的钻孔图像如图5.1、5.2所示;
二、所述钻孔图像信息识别按照下述步骤进行:
在钻孔图像分割后,图像中的灰度突变区域被分割出来,对应孔壁照片中的结构面、孔隙、溶隙、溶孔等部位与完整岩体实现分离。钻孔图像分割后的背景,即完整岩体部分的像素值被标记为255,结构面、孔隙、溶隙、溶孔等目标区域像素值被标记为0。但每张钻孔图像,往往存在多条裂隙或溶隙,所有裂隙像素值全部标记为0,仍无法对各条裂隙单独区分和数据提取。因此,在钻孔图像分割之后,需对分割后的图像进行边缘检测与标记;
S21、对S15获取的分割图像中的结构面、孔隙、溶隙、溶孔部分,进行边缘检测与标记;所述边缘是指所述图像局部亮度变化显著的部分,存在于目标与目标、目标与背景、区域与区域之间,是图像分割、纹理特征和形状特征提取图像分析的重要基础;在钻孔图像分割之后,目标与背景已被分离区分,边缘检测采用Canny边缘检测算子,检测出各个目标的边界;在边界确定之后,通过对连通区域依序进行编码标记,区分出不同的目标范围,即区分出不同的结构面、孔隙、溶隙、溶孔位置;钻孔图像边缘检测与标记后,不同裂隙区域被标记为不同的数据值,如图6所示;
S22、通过对钻孔图像目标标记,各部分连通区域被标记为不同的编码。但计算机识别的各连通区域相互独立,计算机不能将属于同一结构面或破碎带的连通区域自动实现编码合并。因此这些编码中,哪些属于同一条裂隙,哪些编码是局部孤立的,需要给出计算机的判别准则,将属于同一结构面或破碎带的连通区域进行合并,从而实现对结构面或破碎带的识别和信息提取;
对于钻孔图像中裂隙与破碎带的识别,首先统计出各连通区域的范围,即编码、所占像素数目、中心线位置、最小行号、最大行号、最小列号、最大列号和所占列数。
由于钻孔图像中,结构面通常是连续的,即同一结构面的像素编码应是连续的,且应分布在整个或大部分宽度范围内。钻孔图像中的破碎带,在图像宽度和长度方向,都跨越一定范围,所占的像素数目较多;
因此,根据结构面和破碎带在钻孔图像中的分布特征,对连通区编码进行合并;首先,当不同连通区在长度或宽度方向存在重叠,即在行号或列号上存在重合区域时,对其进行合并;其次,连通区域间不存在重叠,但在长度或宽度方向的最小距离小于某一限值λ时,对连通区域进行合并;连通区合并后,标记为同一编码;
S23、上述区域合并后,统计出新的连通区范围,即新的连通区编码i、像素总数PXi、中心线位置Limid、最小行号Limin、最大行号Limax、最小列号Wimin、最大列号Wimax;在钻孔图像中,局部的结构面、孔隙、溶隙、溶孔不影响RQD的统计,当连通区像素总数PXi小于图像宽度PXw一半时,忽略该连通区;对剩余连通区,若像素总数PXi大于该连通区所在长度范围内像素总数的1/3时,判断为破碎带,反之为结构面。
现以东庄水利枢纽工程坝址钻孔zk401为例,列出部分钻孔图像中识别出的结构面和破碎带信息,如表1所示。
表1:钻孔zk401裂隙识别结果表
。
三、所述钻孔RQD计算与输出:
在结构面和破碎带识别后,即可提取位置与宽度信息。结构面位置信息主要包括结构面起始边界、终止边界和中心线位置,即图像连通区的最大行号、最小行号和中心线行号对应的深度信息,结构面的宽度可通过搜索连通区各列的最大行号与最小行号之差的最大值获得;破碎带的位置信息主要包括破碎带的起始边界和终止边界,即图像连通区的最大行号和最小行号对应的深度信息,破碎带宽度可通过起始与终止边界之差获得。根据提取的钻孔结构面与破碎带信息,即可进行RQD计算。
在RQD计算时,计算整个钻孔的RQD值、钻孔不同分段长度的RQD值、钻孔某一部位的RQD值、同一深度范围不同钻孔的RQD值。
整个钻孔的RQD计算:
其中:RQD为钻孔岩体质量指标;di为岩芯段长度(m);t为统计阀值(m);L为钻孔统计深度(m);hi、hi-1为各结构面中心线深度或破碎带上、下边界深度(m)。
不同分段长度的RQD计算:
其中:RQDj为第j段钻孔岩体质量指标;dij为第j段内各岩芯段长度(m);t为统计阀值(m);Lt为钻孔分段长度(m);hij、hi-1j第j段内结构面中心线深度或破碎带上、下边界深度(m)。
钻孔某一部位的RQD值、同一深度范围不同钻孔的RQD值,均可通过以上公式计算获得。
在进行钻孔图像识别和处理后,为直观地反应结构面和破碎带在钻孔中发育部位。依据信息提取结果,在钻孔图像中,对识别的结构面和破碎带进行位置标记。对于结构面,在图像中用虚线标记出上、下界线,用实线标记出中心线位置;对于破碎带,在图像中用星形线标记出上、下范围。在对图像标记后,将原图像输出,标记后的图像,如图7所示。
依据钻孔结构面和破碎带数据,进行RQD计算后,即可输出钻孔RQD的计算表格。以东庄水利枢纽工程钻孔zk401为例,每2m的RQD统计结果,其中16~40m的统计结果如表2所示。
表2:zk401钻孔成像RQD统计结果
基于钻孔光学成像技术获取的钻孔图像能够直观、真实地反应孔内信息,将分析结果与钻孔图像统计结果进行对比,可直接验证该方法的合理性。因此,现以东庄水利枢纽工程坝址钻孔zk401为例,进行对比分析。
钻孔zk401孔深101m,钻孔0~16m为覆盖层,16m以下部位为基岩。基于钻孔光学成像技术获取的钻孔图像每2m一张,共42张图像,其中含破碎带13处,大小结构面共计100条。利用基于钻孔光学成像技术的RQD分析方法,对42张钻孔图像进行处理,用时约2分钟,处理结果如表3所示。
表3: 钻孔zk401破碎带及结构面识别结果
从表3中可以看出,本发明方法对破碎带和宽度大于10mm的裂隙能够有效地识别,提取出的位置、范围和宽度等数据与实际照片相符,识别率均为100%;对于5~10mm的结构面识别率为95%,3~5mm的结构面识别率为92.59%;1~3mm的结构面识别率为82.76%,对于宽度小于1mm,特别是基本闭合的裂隙,识别率为60%,识别率相对较低。
利用识别的结构面及破碎带信息,以2m的间距计算钻孔RQD,所得结果与图像统计结果的对比,如表4所示。对比结果显示,基于钻孔光学成像技术的RQD分析方法,对图像中的破碎带和结构面的识别率相对较高,依据提取的结构面及破碎带位置、宽度信息,计算得到的RQD与图像统计结果基本相符,仅局部因有未识别的闭合裂隙,RQD计算结果存在少量偏差。
表4: zk401钻孔RQD计算与统计结果
注:表4中斜体部分表示识别RQD与钻孔图像存在偏差,括号内为图像统计值。
由此可见,基于钻孔光学成像技术的RQD分析方法,能够较为准确地提取钻孔图像信息,识别的结构面及破碎带位置、宽度数据基本准确,计算的RQD结果能够准确反应岩体的完整性。同时,该方法可通过计算机编程,实现钻孔图像的批量处理,能够快速识别、提取岩体信息,提高工作效率。
在实际工作中,钻孔钻进完成后,将对钻孔内获取的岩芯进行RQD统计,作为评价岩体完整性的重要指标。但实测的RQD值往往受到钻进工艺、施工质量等因素的影响,导致统计结果存在一定偏差,不能真实地反映岩体质量。现以东庄水利枢纽工程坝址钻孔zk408为例,利用钻孔图像计算的RQD值与钻孔实测RQD值,对比结果如图8.1所示。
从图8.1中可以看出,钻孔zk408内岩体RQD计算值一般为60%~100%,部分孔段小于40%,最大值为100%,最小值为37.15%;而RQD实测值一般为40%~80%,部分孔段小于20%,最大值为83%,最小值为0。
其中,钻孔16.5m~17.3m和29.5m~30.0m段的RQD实测值为0,但是从这两个部位的钻孔图像图8.2、图8.3中可以看出,图8.2中16.5m~17.3m段存在2条结构面;图8.3中29.5m~30.0m段不存在贯通性结构面,岩体质量较好,RQD值不应为0。通过该方法进行计算,16.5m~17.3m段和29.5m~30.0m段的RQD计算值分别为92.5%和100%。
由此表明,基于钻孔光学成像技术的RQD分析方法,能够避免钻进工艺、人员素质、施工质量等因素的影响,获得的RQD值提高了统计结果的准确性,更好地反应了钻孔实际岩体质量,为合理评价岩体完整性提供了新的方法。
钻孔波速大小与岩体的密度、表面破碎程度、裂隙或节理发育程度、胶结程度等因素有关,波速成果可基本反映孔内岩体质量及完整性特征。因此,通过对比RQD计算值与波速测试结果,验证基于钻孔光学成像技术的RQD分析方法的合理性如下:
现以东庄坝址钻孔zk408为例,对比RQD计算值与纵波波速Vp之间的关系,结果如图9所示。从图9中可以看出,基于钻孔光学成像技术的RQD分析方法,获得的RQD值与波速测试成果,在钻孔内的分布规律基本一致,RQD值大的孔段,对应位置的纵波波速也较大,RQD值小的孔段,对应位置的纵波波速也有明显减小。
以波速测试成果为基础,计算岩体的完整性系数kv,取每2段的平均值,对比RQD计算值与完整性系数kv之间的关系,结果如图10所示。从图10中可以看出,基于钻孔光学成像技术的RQD分析方法,获得的RQD值与完整性系数kv具有较好的对应性,RQD大的部位,完整性系数kv一般也较大,RQD小的部位,完整性系数kv也相对较小。
由此可见,基于钻孔光学成像技术的RQD分析方法,获得的RQD值与波速测试成果具有较好的对应性,能够真实地反应钻孔部位岩体的完整程度,表明利用本发明方法进行RQD分析是可行的。因此,本发明方法拓宽了岩体RQD的获取途径。
Claims (1)
1.一种基于钻孔光学成像技术的RQD分析方法,包括在Matlab平台上,对基于钻孔光学成像技术获取的钻孔光学成像照片,进行钻孔图像处理、钻孔图像信息识别、钻孔RQD计算步骤:其特征在于:
一、所述钻孔图像处理按照下述步骤进行:
S11、通过Matlab提供的图像读取函数,读取所述钻孔光学成像照片及RGB像素值;
S12、进行图像裁剪,获取钻孔孔壁部分的图像;
S13、将S12获取的孔壁图像由RGB图转换为灰度图,图像转换采用浮点算法;
S14、为清晰地表现图像中突变或快变区域的轮廓边界,采用维纳滤波处理方法,对S13获取的灰度图进行图像增强处理;
S15、通过阀值分割技术,对S14获取的增强图像进行分割,将增强图像中的结构面、孔隙、溶隙、溶孔部分从完整岩体背景中分离出来;
二、所述钻孔图像信息识别按照下述步骤进行:
S21、采用Canny边缘检测算子,对S15获取的分割图像中的结构面、孔隙、溶隙、溶孔部分,进行边缘检测,检测出各目标区域的边界,并依序将连通区标记为不同的编码;
S22、根据结构面和破碎带在钻孔图像中的分布特征,对连通区进行合并,合并区域标记为同一编码;区域合并采用公式(1),编码合并采用公式(2):
其中,A、B为合并前的区域,C为合并后的区域;和分别为区域A、B在长度和宽度方向上的最小间距,λ为间距限值,取1cm对应的像素宽度;、分别为区域A、C的编码;
S23、上述区域合并后,统计出新的连通区范围,即新的连通区编码i、像素总数PXi、中心线位置Limid、最小行号Limin、最大行号Limax、最小列号Wimin、最大列号Wimax;在钻孔图像中,局部的结构面、孔隙、溶隙、溶孔不影响RQD的统计,当连通区像素总数PXi小于图像宽度PXw一半时,忽略该连通区;对剩余连通区,若像素总数PXi大于该连通区所在长度范围内像素总数的1/3时,判断为破碎带,反之为结构面;破碎带、结构面类型Typei识别采用公式(3):
其中,Typei为0、1、2分别表示连通区为空、破碎带和结构面;为图像像素宽度;
三、所述钻孔RQD计算为:
在获得钻孔全部结构面与破碎带位置、宽度信息后,即可进行岩体质量指标RQD计算;即:计算整个钻孔的RQD值、钻孔不同分段长度的RQD值、钻孔某一部位的RQD值、同一深度范围不同钻孔的RQD值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610641394.8A CN106296678B (zh) | 2016-08-03 | 2016-08-03 | 基于钻孔光学成像技术的rqd分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610641394.8A CN106296678B (zh) | 2016-08-03 | 2016-08-03 | 基于钻孔光学成像技术的rqd分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296678A true CN106296678A (zh) | 2017-01-04 |
CN106296678B CN106296678B (zh) | 2019-01-04 |
Family
ID=57666112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610641394.8A Active CN106296678B (zh) | 2016-08-03 | 2016-08-03 | 基于钻孔光学成像技术的rqd分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296678B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838117A (zh) * | 2019-11-14 | 2020-02-25 | 中国科学院武汉岩土力学研究所 | 一种基于孔壁图像的岩石面孔隙度识别方法 |
GB2590674A (en) * | 2019-12-23 | 2021-07-07 | Equinor Energy As | Core model augmented reality |
CN113592873A (zh) * | 2021-10-08 | 2021-11-02 | 中南大学 | 基于虚拟钻孔的围岩rqd值测算方法、电子设备和介质 |
CN114782823A (zh) * | 2022-06-14 | 2022-07-22 | 江西省水利科学院 | 一种基于钻孔取芯和孔内图像识别的砌石坝容重检测方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108763804B (zh) * | 2018-06-05 | 2019-05-03 | 吉林大学 | 一种剔除测量空白域影响的岩体广义rqd获取方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090080705A1 (en) * | 2006-03-07 | 2009-03-26 | Ground Modelling Technologies Ltd. | Rock core logging |
CN203822223U (zh) * | 2014-05-16 | 2014-09-10 | 沈阳铁道勘察设计院有限公司 | 侧面取样岩芯管 |
CN105571415A (zh) * | 2015-12-29 | 2016-05-11 | 重庆大学 | 一种公路隧道裂隙岩体光面爆破精细化控制方法 |
CN105781543A (zh) * | 2016-05-11 | 2016-07-20 | 青岛理工大学 | 一种基于裂隙分维指标的采动覆岩质量评价方法 |
-
2016
- 2016-08-03 CN CN201610641394.8A patent/CN106296678B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090080705A1 (en) * | 2006-03-07 | 2009-03-26 | Ground Modelling Technologies Ltd. | Rock core logging |
CN203822223U (zh) * | 2014-05-16 | 2014-09-10 | 沈阳铁道勘察设计院有限公司 | 侧面取样岩芯管 |
CN105571415A (zh) * | 2015-12-29 | 2016-05-11 | 重庆大学 | 一种公路隧道裂隙岩体光面爆破精细化控制方法 |
CN105781543A (zh) * | 2016-05-11 | 2016-07-20 | 青岛理工大学 | 一种基于裂隙分维指标的采动覆岩质量评价方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110838117A (zh) * | 2019-11-14 | 2020-02-25 | 中国科学院武汉岩土力学研究所 | 一种基于孔壁图像的岩石面孔隙度识别方法 |
CN110838117B (zh) * | 2019-11-14 | 2022-05-13 | 中国科学院武汉岩土力学研究所 | 一种基于孔壁图像的岩石面孔隙度识别方法 |
GB2590674A (en) * | 2019-12-23 | 2021-07-07 | Equinor Energy As | Core model augmented reality |
GB2590674B (en) * | 2019-12-23 | 2022-02-09 | Equinor Energy As | Core model augmented reality |
CN113592873A (zh) * | 2021-10-08 | 2021-11-02 | 中南大学 | 基于虚拟钻孔的围岩rqd值测算方法、电子设备和介质 |
CN113592873B (zh) * | 2021-10-08 | 2021-12-17 | 中南大学 | 基于虚拟钻孔的围岩rqd值测算方法、电子设备和介质 |
CN114782823A (zh) * | 2022-06-14 | 2022-07-22 | 江西省水利科学院 | 一种基于钻孔取芯和孔内图像识别的砌石坝容重检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106296678B (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296678A (zh) | 基于钻孔光学成像技术的rqd分析方法 | |
CN108759973B (zh) | 一种水位测量方法 | |
CN107424142B (zh) | 一种基于图像显著性检测的焊缝识别方法 | |
CN102914545B (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及系统 | |
CN104502990A (zh) | 一种基于数码图像的隧道掌子面地质调查方法 | |
CN111899288A (zh) | 基于红外和可见光图像融合的隧道渗漏水区域检测与识别方法 | |
CN108109157B (zh) | 一种基于数字式全景钻孔图像的岩体评估分析方法 | |
CN110838117B (zh) | 一种基于孔壁图像的岩石面孔隙度识别方法 | |
CN105427324A (zh) | 基于二值化阈值自动搜索的磁光成像缺陷检测方法 | |
CN110689512B (zh) | 一种孔内全景视频环状图像快速拼接融合成图方法 | |
CN112241711A (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
CN111080609A (zh) | 一种基于深度学习的闸瓦插销丢失检测方法 | |
CN111524154B (zh) | 一种基于影像的隧道管片自动化分割方法 | |
CN114387328A (zh) | 基于深度学习模型和岩心图像的rqd计算方法 | |
CN111767874B (zh) | 一种基于深度学习的路面病害检测方法 | |
JPH063145A (ja) | トンネル切羽画像収録処理システム | |
CN116012316A (zh) | 一种钻井岩芯滚筒扫描图片的裂缝识别方法 | |
CN109767426B (zh) | 一种基于图像特征识别的盾构隧道渗漏水检测方法 | |
CN116309557B (zh) | 一种挖掘机履带板断裂检测方法 | |
CN105181721B (zh) | 基于岩心扫描的富泥披储层泥质含量计算方法 | |
CN116718599A (zh) | 一种基于三维点云数据的表观裂缝长度测量方法 | |
CN111091049A (zh) | 一种基于反向特征匹配的路面障碍物检测方法 | |
CN113744219B (zh) | 一种基于改进的分形学的岩石节理裂隙整体复杂度测量分析方法 | |
CN115984687A (zh) | 河工动床模型试验水边界测量方法、装置、设备及介质 | |
CN115294066A (zh) | 一种砂石粒径检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder |
Address after: 450003 Zhengzhou Jinshui Road, Henan, No. 109 Patentee after: Yellow River Survey Planning and Design Research Institute Co., Ltd. Address before: 450003 Zhengzhou Jinshui Road, Henan, No. 109 Patentee before: Yellow River Engineering Consulting Co., Ltd. |
|
CP01 | Change in the name or title of a patent holder |