CN111858980A - 一种岩芯盘内岩芯识别与编录的方法 - Google Patents

Abstract

本发明涉及工程地质勘探技术领域，提供一种岩芯盘内岩芯识别与编录的方法，包括：步骤1：获取待识别与编录的岩芯盘图片；步骤2：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，基于区域卷积神经网络算法构建并训练岩芯‑回次分隔卡识别模型；对待识别与编录的岩芯盘图片进行识别，根据回次分隔卡的像素尺寸与实际尺寸的折算率计算岩芯实际尺寸，计算每个对象的最小外包矩形的中心点坐标；步骤3：根据RQD阈值、进尺长度计算每个回次的岩石质量指标和岩芯钻取率，存储识别信息与编录数据。本发明能够提高岩芯盘内岩芯识别与编录的准确性、可靠性和效率，并降低成本。

Description

一种岩芯盘内岩芯识别与编录的方法

技术领域

本发明涉及工程地质勘探技术领域，特别是涉及一种岩芯盘内岩芯识别与编录的方法。

背景技术

岩芯是根据地质勘查工作或工程的需要，使用环状岩芯钻头及其他取芯工具，从钻孔内取出的圆柱状岩石样品。岩心是研究和了解地下地质和矿产情况的重要实物地质资料。利用岩芯的性状查明地质体的岩性、破碎程度、结构面发育情况，并进一步计算出岩石质量指标RQD以及岩芯钻取率等工程指标的工作称为岩芯编录。

现有地质工程中的岩芯编录方法主要依赖手工测量方案对放入岩芯盘内的岩芯进行测量与拍摄，从而提取与识别岩芯信息以建立岩芯编录资料。具体步骤如下：

(1)基于岩芯编录通用规范摆放岩芯：将采集到的岩芯用防水记号笔在每段岩芯上进行编号，岩芯编号用代分数表示(代分数前的整数代表回次号，分母表示当前回次的岩芯总数，分子表示当前是第几块岩芯，如某钻孔第4回次，有5块编号的岩芯，其中第1块编号为

)，将编号完毕的岩芯遵循通用规范(不同回次号的岩芯按回次大小顺序(从小到大)由上向下摆放，分属于不同回次之间的相邻岩芯用回次卡片隔开，同一回次号的岩芯按编号顺序由左往右摆放)摆放入岩芯盘中；

(2)利用人工手段对岩芯盘中每一回次的岩芯逐个进行测量并记录其几何尺寸信息，依据几何尺寸信息通过公式计算RQD值与岩芯钻取率等指标，同时对岩芯的岩石特征(包括颜色、结构、构造、矿物成分以及褶皱与节理等次生构造)进行鉴别和记录，并将结果编制成岩芯编录表；

(3)对岩芯盘中摆放好的岩芯进行摄影拍摄。将拍摄完毕的照片与岩芯编录表作为文献资料留存，同时将摆放完毕的岩芯盘存入岩芯库中，以备后期使用。

当前岩芯识别与编录的人工方法存在的缺陷在于：(1)所有岩芯的长度需要人工测量，测量工作量大，劳动力资源浪费严重；(2)手工测量不可避免地存在着测量误差，影响岩芯编录数据准确性；(3)测量结果数据存储没有统一管理系统，数据转化步骤复杂，数据安全性低，数据遗失、混乱风险大；(4)数字化统计信息与钻孔样品存储在不同的地方，容易造成数据与资料分离，导致数据利用率低等问题。

国内部分学者采用不同的技术手段对现行岩芯编录方法进行了改进：如公开号为CN105913428A的专利披露了一种岩芯信息化存储方法：该专利通过对岩芯采用三维激光扫描与相机拍摄手段，获取岩芯的三维点云数据，最终建立带有几何信息与真彩色信息的岩芯三维数字实体模型，基于数字模型，完成岩芯的统计、分析存储工作。其优点包括实现了岩芯的信息化编录与存储，减少了人工测量带来的误差；缺点在于利用三维激光扫描方式，逐块提取岩芯信息，设备与软件投资费用大，每个岩芯均需要数字化扫描，扫描工作量大。公开号为CN108152216A的专利披露了一种基于岩芯高光谱扫描图像的钻孔三维矿物填图方法，侧重于使用高光谱技术对岩芯进行矿物识别从而获取各种矿物在岩芯面上的分布，结合三维建模与可视化技术以填图的方式反映钻孔岩芯矿物发育状况和空间分布特征。此专利优点在于对岩芯矿物成分分析提供了简便可靠的分析手段，缺点在于对岩芯本身的几何信息不进行采集，对于岩芯编录工作中最重要的RQD值等工程指标无法进行统计分析。

基于以上分析可见，现有岩芯识别与编录的人工方法和三维激光扫描方法均存在着需要对单个岩芯进行人工测量或数字建模，导致工作量大、效率低、准确度低等问题。三维激光扫描编录相对人工编录，虽然编录精度有所提升，但是限于专用设备，设备精密，要求一定的工作环境，成本高，仅适用于大型岩芯库的数字化工作，难以在生产一线广泛推广应用。

发明内容

针对现有技术存在的问题，本发明提供一种岩芯盘内岩芯识别与编录的方法，能够简化岩芯盘内岩芯识别与编录的步骤，提高识别与编录的准确性、可靠性和效率，并降低识别与编录的成本。

本发明的技术方案为：

一种岩芯盘内岩芯识别与编录的方法，其特征在于，包括下述步骤：

步骤1：获取待识别与编录的岩芯盘图片；其中，岩芯盘中的回次卡使用回次分隔卡(1)，所述回次分隔卡(1)包括分隔板(2)，所述分隔板(2)在下方对称设置有两个插脚(3)，所述分隔板(2)包括长方体形的中间分隔部(2-1)、在中间分隔部(2-1)两侧对称设置的底面为梯形的直四棱柱形的两个端部(2-2)；所述岩芯盘图片为包含岩芯盘中所有岩芯和回次分隔卡的图片；

步骤2：对岩芯盘图片进行岩芯与回次分隔卡识别

步骤2.1：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，基于区域卷积神经网络算法，构建并训练岩芯-回次分隔卡识别模型；

步骤2.2：将所述待识别与编录的岩芯盘图片输入训练后的岩芯-回次分隔卡识别模型中，输出待识别与编录的岩芯盘图片中每个岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标；

步骤2.3：提取识别出的岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标；根据回次分隔卡对象的最小外包矩形的像素尺寸与实际尺寸的折算率、岩芯对象的最小外包矩形的像素尺寸，计算岩芯对象的最小外包矩形的实际尺寸，得到岩芯的实际长度；根据岩芯对象与回次分隔卡对象的左上角点坐标，计算岩芯对象与回次分隔卡对象的最小外包矩形的中心点坐标；

步骤2.4：根据各对象的最小外包矩形的中心点坐标，对各最小外包矩形按照从岩芯盘左上到右下的顺序进行排序，同步更新每个对象的类型、最小外包矩形的实际尺寸、中心点坐标；

步骤3：基于识别信息对岩芯盘图片进行编录

步骤3.1：用户输入RQD阈值、每个回次的进尺长度；

步骤3.2：计算第m个回次的岩石质量指标RQD_m和回次岩芯钻取率Q_m分别为

其中，

为第m个回次中岩芯的总长度，

为第m个回次中达到RQD阈值的岩芯的总长度，S_m为第m个回次的进尺长度，L_mi为第m个回次中第i块岩芯的长度，m∈{1,2,...,M}，M为回次总数，i∈{1,2,...,n_m}，n_m为第m个回次中的岩芯总数，I_m为第m个回次中达到RQD阈值的岩芯的集合，

步骤3.3：识别信息与编录数据入库：将待识别与编录的岩芯盘图片及该岩芯盘图片中每个对象的类型、最小外包矩形的实际尺寸、中心点坐标、每个回次的岩石质量指标和回次岩芯钻取率进行关联输出并存入数据库。

所述步骤1包括下述步骤：

步骤1.1：摆放岩芯

基于地质工程中岩芯编录通用规范，将钻取的岩芯摆放入岩芯盘中；

步骤1.2：替换纸质回次卡

利用所述回次分隔卡(1)代替岩芯盘中的纸质回次卡，采集并记录纸质回次卡上的信息；

步骤1.3：获取岩芯盘图片

利用照相装置，垂直拍摄岩芯盘以获取岩芯盘图片；

步骤1.4：检查所述岩芯盘图片的质量是否满足需求

若所述岩芯盘图片的分辨率在300万像素以上且照片大小在4M以内，则所述岩芯盘图片满足需求；否则，转至步骤1.3；

步骤1.5：对所述岩芯盘图片进行编号。

所述步骤2.1包括下述步骤：

步骤2.1.1：按照与步骤1中相同的方法，获取多张岩芯盘图片，对每张岩芯盘图片中每个岩芯对象与回次分隔卡对象标注类别、绘制最小外包矩形并获取最小外包矩形的像素尺寸与左上角点坐标，以每张岩芯盘图片、每张岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为一个训练样本，构建训练样本集；

步骤2.1.2：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，基于区域卷积神经网络算法，构建岩芯-回次分隔卡识别模型；

步骤2.1.3：利用所述训练样本集对所述岩芯-回次分隔卡识别模型进行训练，若识别率达到95％以上，则停止学习，得到训练后的岩芯-回次分隔卡识别模型；否则，对未识别样本进行改善处理，即使用图像增量算法进行处理或者进行图像二次采集，用改善处理后的样本替换训练样本集中对应的样本，重新进行岩芯-回次分隔卡识别模型的训练；

步骤2.1.4：提取识别出的岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标，将像素尺寸与左上角点坐标从图像坐标系转化为屏幕坐标系，并将识别出的最小外包矩形绘制在岩芯盘图片上；

步骤2.1.5：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，封装训练后的岩芯-回次分隔卡识别模型。

所述步骤2.2中，还在训练后的岩芯-回次分隔卡识别模型对待识别与编录的岩芯盘图片中岩芯对象与回次分隔卡对象未能识别或识别错误时，进行校准，具体包括：

若未识别出岩芯对象或回次分隔卡对象，则人工在岩芯盘图片上交互绘制未识别出的对象的最小外包矩形，计算该最小外包矩形的像素尺寸与左上角点坐标，并将未识别出的对象的类别、最小外包矩形的像素尺寸与左上角点坐标加入到岩芯-回次分隔卡识别模型的识别结果队列中；

若岩芯对象或回次分隔卡对象被识别错误，即一个对象被识别成两个以上对象或两个以上对象被识别成一个对象，则人工在岩芯盘图片上选中并删除被识别错误的对象对应的最小外包矩形，同时删除岩芯-回次分隔卡识别模型的识别结果队列中被识别错误的对象的类别、最小外包矩形的像素尺寸与左上角点坐标，人工在岩芯盘图片上交互绘制被识别错误的对象的最小外包矩形，计算每个最小外包矩形的像素尺寸与左上角点坐标，并将被识别错误的对象的类别、最小外包矩形的像素尺寸与左上角点坐标加入到岩芯-回次分隔卡识别模型的识别结果队列中。

所述步骤2.2中，还将校准后的岩芯盘图片、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标作为一个训练样本，加入到岩芯-回次分隔卡识别模型的训练样本集中，动态更新训练岩芯-回次分隔卡识别模型。

本发明的有益效果为：

(1)本发明通过构建并训练基于区域卷积神经网络算法的岩芯-回次分隔卡识别模型，智能地识别出待识别与编录的岩芯盘图片中每个岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标，根据回次分隔卡对象的最小外包矩形的像素尺寸与实际尺寸的折算率、岩芯对象的最小外包矩形的像素尺寸，计算岩芯对象的最小外包矩形的实际尺寸，并基于识别信息计算每个回次的岩石质量指标和回次岩芯钻取率，能够简化岩芯盘内岩芯识别与编录的步骤，减少岩芯编录过程中人为因素引起的误差，提高识别与编录的准确性、可靠性和效率，并降低识别与编录的成本。

(2)本发明将岩芯盘图片及岩芯盘图片中每个对象的类型、最小外包矩形的实际尺寸、中心点坐标、每个回次的岩石质量指标和回次岩芯钻取率进行关联输出并存入数据库，能够构建完整的岩芯编录信息数据库，能够方便相关人员的信息检索，降低岩芯因现场保存不当而发生破坏或丢失后所带来的不可挽回的损失，减轻相关行业技术人员的工作量与资金设备投入，实现岩芯盘内岩芯快速编录与数据管理。

附图说明

图1为本发明的岩芯盘内岩芯识别与编录的方法的流程图。

图2为本发明的岩芯盘内岩芯识别与编录的方法中回次分隔卡的结构示意图。

图3为具体实施方式中获取岩芯盘图片的流程图。

图4为具体实施方式中对岩芯盘图片进行岩芯与回次分隔卡识别的流程图。

图5为具体实施方式中构建与训练岩芯-回次分隔卡识别模型的流程图。

图6为具体实施方式中基于识别信息对岩芯盘图片进行编录的流程图。

图中，1－回次分隔卡，2－分隔板，2-1—中间分隔部，2-2—端部，3－插脚。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步描述。

本实施例中，使用本发明的岩芯盘内岩芯识别与编录的方法对从某矿山钻取的岩芯进行识别与编录。如图1所示，本发明的岩芯盘内岩芯识别与编录的方法，包括下述步骤：

步骤1：获取待识别与编录的岩芯盘图片。其中，岩芯盘中的回次卡使用如图2所示的回次分隔卡(1)，所述回次分隔卡(1)包括分隔板(2)，所述分隔板(2)在下方对称设置有两个插脚(3)，所述分隔板(2)包括长方体形的中间分隔部(2-1)、在中间分隔部(2-1)两侧对称设置的底面为梯形的直四棱柱形的两个端部(2-2)；所述岩芯盘图片为包含岩芯盘中所有岩芯和回次分隔卡的图片。

本实施例中，如图3所示，步骤1包括下述步骤：

步骤1.1：摆放岩芯

基于地质工程中岩芯编录通用规范，将钻取的岩芯摆放入岩芯盘中，也即不同回次号的岩芯按回次大小顺序由上向下摆放，同一回次的岩芯从左往右摆放，无需在岩芯柱上进行编码。其中，摆放时尽量使岩芯较完整一侧向上以保证拍摄照片上各段岩芯的完整性。

步骤1.2：替换纸质回次卡

利用所述回次分隔卡(1)代替岩芯盘中的纸质回次卡，采集并记录纸质回次卡上的信息。

为识别提取回次信息与标定岩芯长度，本发明制作如图2所示的回次分隔卡(1)，该回次分隔卡(1)的两个插脚(3)的间距为50mm、厚度为1mm、高度为20mm，作为回次卡识别特征物的两个端部(2-2)的间距为60mm、长为4mm，使用时将插脚(3)插入岩芯盘中两段隶属于不同回次的岩芯之间的岩芯框内作为区分标识。

步骤1.3：获取岩芯盘图片

利用照相装置，垂直拍摄岩芯盘以获取岩芯盘图片。拍照时相机应垂直于岩芯盘，减少照片畸变，保证照片内的岩芯特征物与回次卡特征物清晰可见。本实施例中，照相装置为外置数码相机。

步骤1.4：检查所述岩芯盘图片的质量是否满足需求

若所述岩芯盘图片的分辨率在300万像素以上且照片大小在4M以内，则所述岩芯盘图片满足需求；否则，转至步骤1.3。

步骤1.5：对所述岩芯盘图片进行编号。

步骤2：如图4所示，对岩芯盘图片进行岩芯与回次分隔卡识别

将待识别与编录的岩芯盘图片上传到封装有训练后的岩芯-回次分隔卡识别模型的岩芯识别软件时，需要进行矿山信息如中段名称、勘探线名称与钻孔名称的分层级录入与待识别与编录的岩芯盘图片的来源信息相匹配。岩芯识别软件采用基于区域卷积神经网络算法的深度学习模型识别提取岩芯柱的尺寸信息，具体功能实现的方法原理在于首先通过算法对图像中的岩芯特征物体进行自动识别框选以提取岩芯长度，鉴于对拍摄图片中岩芯特征物体的识别难以直接给出岩芯柱的尺寸信息，需要首先通过对图片上尺寸信息已知的多个回次卡特征物进行识别并以此为基准反推出识别框选完毕的各岩芯柱长度。具体地，对岩芯盘图片进行岩芯与回次分隔卡识别的步骤包括：

步骤2.1：如图5所示，以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，基于区域卷积神经网络算法，构建并训练岩芯-回次分隔卡识别模型：

步骤2.1.1：按照与步骤1中相同的方法，获取多张岩芯盘图片，对每张岩芯盘图片中每个岩芯对象与回次分隔卡对象人工标注类别、绘制最小外包矩形并获取最小外包矩形的像素尺寸与左上角点坐标，以每张岩芯盘图片、每张岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为一个训练样本，构建训练样本集；

步骤2.1.2：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，基于区域卷积神经网络算法，构建岩芯-回次分隔卡识别模型；

步骤2.1.3：利用所述训练样本集对所述岩芯-回次分隔卡识别模型进行训练，若识别率达到95％以上，则停止学习，得到训练后的岩芯-回次分隔卡识别模型；否则，对未识别样本进行改善处理，即使用图像增量算法进行处理或者进行图像二次采集，用改善处理后的样本替换训练样本集中对应的样本，重新进行岩芯-回次分隔卡识别模型的训练；

步骤2.1.4：提取识别出的岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标，将像素尺寸与左上角点坐标从图像坐标系转化为屏幕坐标系，并将识别出的最小外包矩形绘制在岩芯盘图片上；

步骤2.1.5：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，封装训练后的岩芯-回次分隔卡识别模型。

步骤2.2：将所述待识别与编录的岩芯盘图片输入训练后的岩芯-回次分隔卡识别模型中，输出待识别与编录的岩芯盘图片中每个岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标。

本实施例中，还对图片的自动识别效果进行人工校验，对于自动识别过程中出现的识别不精确部分，可以通过人工交互对岩芯识别结果进行校正与辅助识别，即在训练后的岩芯-回次分隔卡识别模型对待识别与编录的岩芯盘图片中岩芯对象与回次分隔卡对象未能识别或识别错误时，进行校准，具体包括：

若未识别出岩芯对象或回次分隔卡对象，则人工在岩芯盘图片上交互绘制未识别出的对象的最小外包矩形，计算该最小外包矩形的像素尺寸与左上角点坐标，并将未识别出的对象的类别、最小外包矩形的像素尺寸与左上角点坐标加入到岩芯-回次分隔卡识别模型的识别结果队列中；

若岩芯对象或回次分隔卡对象被识别错误，即一个对象被识别成两个以上对象或两个以上对象被识别成一个对象，则人工在岩芯盘图片上选中并删除被识别错误的对象对应的最小外包矩形，同时删除岩芯-回次分隔卡识别模型的识别结果队列中被识别错误的对象的类别、最小外包矩形的像素尺寸与左上角点坐标，人工在岩芯盘图片上交互绘制被识别错误的对象的最小外包矩形，计算每个最小外包矩形的像素尺寸与左上角点坐标，并将被识别错误的对象的类别、最小外包矩形的像素尺寸与左上角点坐标加入到岩芯-回次分隔卡识别模型的识别结果队列中。

本实施例中，还将校准后的岩芯盘图片、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标作为一个训练样本，加入到岩芯-回次分隔卡识别模型的训练样本集中，动态更新训练岩芯-回次分隔卡识别模型，以保证类似样本在后续工作中会被识别出。

步骤2.3：提取识别出的岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标；根据回次分隔卡对象的最小外包矩形的像素尺寸与实际尺寸的折算率、岩芯对象的最小外包矩形的像素尺寸，计算岩芯对象的最小外包矩形的实际尺寸，得到岩芯的实际长度；根据岩芯对象与回次分隔卡对象的左上角点坐标，计算岩芯对象与回次分隔卡对象的最小外包矩形的中心点坐标。

步骤2.4：根据各对象的最小外包矩形的中心点坐标，利用岩芯智能排序算法，对各最小外包矩形按照从岩芯盘左上到右下的顺序进行排序，也即对识别完毕的岩芯按照通用规范从上到下、从左往右进行自动排序，同步更新每个对象的类型、最小外包矩形的实际尺寸、中心点坐标，并基于排序结果以对回次卡特征物的识别为界标记岩芯盘回次信息。

步骤3：如图6所示，基于识别信息对岩芯盘图片进行编录

步骤3.1：用户交互输入RQD阈值、每个回次的进尺长度。本实施例中，RQD阈值为10cm。

步骤3.2：基于岩芯排序结果、岩芯盘回次信息，计算第m个回次的岩石质量指标RQD_m和回次岩芯钻取率Q_m分别为

其中，

为第m个回次中岩芯的总长度，

为第m个回次中达到RQD阈值的岩芯的总长度，S_m为第m个回次的进尺长度，L_mi为第m个回次中第i块岩芯的长度，m∈{1,2,...,M}，M为回次总数，i∈{1,2,...,n_m}，n_m为第m个回次中的岩芯总数，I_m为第m个回次中达到RQD阈值的岩芯的集合，

步骤3.3：识别信息与编录数据入库：将待识别与编录的岩芯盘图片及该岩芯盘图片中每个对象的类型、最小外包矩形的实际尺寸、中心点坐标、每个回次的岩石质量指标和回次岩芯钻取率进行关联输出、列表显示并存入虚拟的岩芯数据库中，按照步骤2录入的矿山信息创建相应表格作为识别信息在数据库中的保存路径，实现岩芯编录信息的科学化查询与管理。

显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。

Claims (5)

1.一种岩芯盘内岩芯识别与编录的方法，其特征在于，包括下述步骤：

步骤1：获取待识别与编录的岩芯盘图片；其中，岩芯盘中的回次卡使用回次分隔卡(1)，所述回次分隔卡(1)包括分隔板(2)，所述分隔板(2)在下方对称设置有两个插脚(3)，所述分隔板(2)包括长方体形的中间分隔部(2-1)、在中间分隔部(2-1)两侧对称设置的底面为梯形的直四棱柱形的两个端部(2-2)；所述岩芯盘图片为包含岩芯盘中所有岩芯和回次分隔卡的图片；

步骤2：对岩芯盘图片进行岩芯与回次分隔卡识别

步骤2.1：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，基于区域卷积神经网络算法，构建并训练岩芯-回次分隔卡识别模型；

步骤2.2：将所述待识别与编录的岩芯盘图片输入训练后的岩芯-回次分隔卡识别模型中，输出待识别与编录的岩芯盘图片中每个岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标；

步骤2.3：提取识别出的岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标；根据回次分隔卡对象的最小外包矩形的像素尺寸与实际尺寸的折算率、岩芯对象的最小外包矩形的像素尺寸，计算岩芯对象的最小外包矩形的实际尺寸，得到岩芯的实际长度；根据岩芯对象与回次分隔卡对象的左上角点坐标，计算岩芯对象与回次分隔卡对象的最小外包矩形的中心点坐标；

步骤2.4：根据各对象的最小外包矩形的中心点坐标，对各最小外包矩形按照从岩芯盘左上到右下的顺序进行排序，同步更新每个对象的类型、最小外包矩形的实际尺寸、中心点坐标；

步骤3：基于识别信息对岩芯盘图片进行编录

步骤3.1：用户输入RQD阈值、每个回次的进尺长度；

步骤3.2：计算第m个回次的岩石质量指标RQD_m和回次岩芯钻取率Q_m分别为

其中，

为第m个回次中岩芯的总长度，

为第m个回次中达到RQD阈值的岩芯的总长度，S_m为第m个回次的进尺长度，L_mi为第m个回次中第i块岩芯的长度，m∈{1,2,...,M}，M为回次总数，i∈{1,2,...,n_m}，n_m为第m个回次中的岩芯总数，I_m为第m个回次中达到RQD阈值的岩芯的集合，

步骤3.3：识别信息与编录数据入库：将待识别与编录的岩芯盘图片及该岩芯盘图片中每个对象的类型、最小外包矩形的实际尺寸、中心点坐标、每个回次的岩石质量指标和回次岩芯钻取率进行关联输出并存入数据库。

2.根据权利要求1所述的岩芯盘内岩芯识别与编录的方法，其特征在于，所述步骤1包括下述步骤：

步骤1.1：摆放岩芯

基于地质工程中岩芯编录通用规范，将钻取的岩芯摆放入岩芯盘中；

步骤1.2：替换纸质回次卡

利用所述回次分隔卡(1)代替岩芯盘中的纸质回次卡，采集并记录纸质回次卡上的信息；

步骤1.3：获取岩芯盘图片

利用照相装置，垂直拍摄岩芯盘以获取岩芯盘图片；

步骤1.4：检查所述岩芯盘图片的质量是否满足需求

若所述岩芯盘图片的分辨率在300万像素以上且照片大小在4M以内，则所述岩芯盘图片满足需求；否则，转至步骤1.3；

步骤1.5：对所述岩芯盘图片进行编号。

3.根据权利要求1所述的岩芯盘内岩芯识别与编录的方法，其特征在于，所述步骤2.1包括下述步骤：

步骤2.1.1：按照与步骤1中相同的方法，获取多张岩芯盘图片，对每张岩芯盘图片中每个岩芯对象与回次分隔卡对象标注类别、绘制最小外包矩形并获取最小外包矩形的像素尺寸与左上角点坐标，以每张岩芯盘图片、每张岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为一个训练样本，构建训练样本集；

步骤2.1.2：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，基于区域卷积神经网络算法，构建岩芯-回次分隔卡识别模型；

步骤2.1.3：利用所述训练样本集对所述岩芯-回次分隔卡识别模型进行训练，若识别率达到95％以上，则停止学习，得到训练后的岩芯-回次分隔卡识别模型；否则，对未识别样本进行改善处理，即使用图像增量算法进行处理或者进行图像二次采集，用改善处理后的样本替换训练样本集中对应的样本，重新进行岩芯-回次分隔卡识别模型的训练；

步骤2.1.4：提取识别出的岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标，将像素尺寸与左上角点坐标从图像坐标系转化为屏幕坐标系，并将识别出的最小外包矩形绘制在岩芯盘图片上；

步骤2.1.5：以岩芯盘图片为输入、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标为输出，封装训练后的岩芯-回次分隔卡识别模型。

4.根据权利要求1所述的岩芯盘内岩芯识别与编录的方法，其特征在于，所述步骤2.2中，还在训练后的岩芯-回次分隔卡识别模型对待识别与编录的岩芯盘图片中岩芯对象与回次分隔卡对象未能识别或识别错误时，进行校准，具体包括：

若未识别出岩芯对象或回次分隔卡对象，则人工在岩芯盘图片上交互绘制未识别出的对象的最小外包矩形，计算该最小外包矩形的像素尺寸与左上角点坐标，并将未识别出的对象的类别、最小外包矩形的像素尺寸与左上角点坐标加入到岩芯-回次分隔卡识别模型的识别结果队列中；

若岩芯对象或回次分隔卡对象被识别错误，即一个对象被识别成两个以上对象或两个以上对象被识别成一个对象，则人工在岩芯盘图片上选中并删除被识别错误的对象对应的最小外包矩形，同时删除岩芯-回次分隔卡识别模型的识别结果队列中被识别错误的对象的类别、最小外包矩形的像素尺寸与左上角点坐标，人工在岩芯盘图片上交互绘制被识别错误的对象的最小外包矩形，计算每个最小外包矩形的像素尺寸与左上角点坐标，并将被识别错误的对象的类别、最小外包矩形的像素尺寸与左上角点坐标加入到岩芯-回次分隔卡识别模型的识别结果队列中。

5.根据权利要求4所述的岩芯盘内岩芯识别与编录的方法，其特征在于，所述步骤2.2中，还将校准后的岩芯盘图片、岩芯盘图片中所有岩芯对象与回次分隔卡对象的类别、最小外包矩形的像素尺寸与左上角点坐标作为一个训练样本，加入到岩芯-回次分隔卡识别模型的训练样本集中，动态更新训练岩芯-回次分隔卡识别模型。

Images