CN112241711B - 一种从钻孔岩芯照片中识别rqd的智能方法 - Google Patents
一种从钻孔岩芯照片中识别rqd的智能方法 Download PDFInfo
- Publication number
- CN112241711B CN112241711B CN202011137412.1A CN202011137412A CN112241711B CN 112241711 B CN112241711 B CN 112241711B CN 202011137412 A CN202011137412 A CN 202011137412A CN 112241711 B CN112241711 B CN 112241711B
- Authority
- CN
- China
- Prior art keywords
- core
- rock
- rqd
- image
- row
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005553 drilling Methods 0.000 title claims abstract description 24
- 239000011435 rock Substances 0.000 claims abstract description 69
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 29
- 238000009933 burial Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 7
- 238000013526 transfer learning Methods 0.000 claims description 4
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000012512 characterization method Methods 0.000 abstract description 3
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- WUUZKBJEUBFVMV-UHFFFAOYSA-N copper molybdenum Chemical compound [Cu].[Mo] WUUZKBJEUBFVMV-UHFFFAOYSA-N 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007705 chemical test Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000635 electron micrograph Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Geophysics And Detection Of Objects (AREA)
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
Abstract
本发明提供一种从钻孔岩芯照片中识别RQD的智能方法，涉及岩石工程技术领域。本发明利用矿山钻孔岩芯图像具有数据规整、体量大等特点，充分发挥深度学习的优势，通过Mask‑RCNN深度学习网络对单排岩芯图像进行识别，实现RQD的自动快速编录，同时消除人为因素造成的误差。基于深度学习的方法可以充分利用地勘阶段获取的钻孔岩芯图像数据，实现对工程岩体质量的精细化表征，得到不良地质体的空间分布与揭露情况，为工程岩体稳定性分析乃至治理防护提供依据。
Description
技术领域
本发明涉及岩石工程技术领域，尤其涉及一种从钻孔岩芯照片中识别RQD的智能方法。
背景技术
岩体质量评价是分析岩体工程地质条件和认识岩体工程特性的一种重要手段，是施工前的一项重要准备工作。经历了不同时期、不同程度的地质作用以及复杂的工程扰动，岩体质量在区域内往往呈现出强烈的异质性。人工获取的有限测点难以对工程岩体质量进行精细化表征，为此需要进行大范围自动化的工程地质调查与岩体质量评价。众多学者针对此问题开展了相关研究。对于岩体表面，基于三维点云的结构面自动化与半自动化识别已经得到了广泛的应用，同时从二维图像中自动提取结构面迹线也取得了有益的进展。对于岩体内部，钻孔电视、波速测试和探地雷达等手段可以快速的获取岩体内部的结构信息。此外高密度电阻、地震波成像等物探方法，倾斜摄影测量、红外温度场成像等测量方法均能增加对工程岩体质量的认识。
随着地质数据以指数形式增长、计算机性能尤其是GPU运算能力的提升，深度学习在岩石工程的数据解译分析中有着广泛的应用前景。其中利用钻进过程中钻机数据(轴压、转速、钻进速度以及声波信息等)来预测岩体物理力学性质(力学参数、岩体质量、可爆性、渗透性等)取得了较好的应用。此外，利用电镜照片来分析矿物成分，利用岩石照片来区分岩性、预测品位的深度学习也有报道。特别的是，利用施工过程中围岩响应来进行岩体动态分级评价的研究取得了较好的工程应用。当前限制深度学习在岩石工程中应用的主要难点在于1)纷繁复杂的工程地质数据在类型上难以统一，需进行大量的预处理工作，难以将工程问题简单归为某一类的深度学习问题；2)部分关键性数据获取难度较大、标注困难，对应的数据体量难以满足深度学习训练集的要求。
在矿山工程中，为了探明矿产资源储量，确保其可靠程度达到开采要求，非煤矿山的生产勘探线间距通常为50m-200m。对于一个大型矿山，通常布置数百个地质勘察钻孔，钻探累计长度达十数万米。此外，在矿山生产过程中，为了获取新的资源，往往会布置新的钻孔进行生产勘探设计。从钻孔中获取的岩芯除去少量用于化学测验(品位化验与选矿性实验)，绝大部分会放置在特制的岩芯盒中供后期查验。当前对钻孔岩芯质量指标RQD(RockQuality Designation，是国际上通用的鉴别岩石工程性质好坏的方法)编录通常在现场进行手动编录，工作条件恶劣且耗费大量人力物力。
发明内容
为解决上述技术问题，本发明提出一种从钻孔岩芯照片中识别RQD的智能方法，包括以下步骤：
步骤1：对岩芯图像进行采集，并把采集到的岩芯图像制作数据集，通过Mask-RCNN深度学习网络对单排岩芯图像进行识别；
步骤1.1：采集原始岩芯照片，对岩芯照片进行图像处理，并记录每幅图像对应的钻孔编号、埋深起始值、埋深终止值以及岩芯摆放顺序；
步骤1.2：制作岩芯图像数据集；使用标注工具在岩芯图像中标注单排岩芯得到数据标签作为Mask-RCNN深度学习网络的学习样本，并将学习样本按照3:1的比例随机划分为训练集和测试集；
所述标注单排岩芯为以连续的点进行连线，形成闭合多边形，将目标岩芯的边缘轮廓标注出来，并转化成设定格式的标注文件；
步骤1.3：使用迁移学习的方法将学习样本输入Mask-RCNN深度学习网络进行训练，得到预训练模型，对预训练模型进行初始参数设置，并调低学习率，将训练集输入至Mask R-CNN网络中，经过正向传播得到对单排岩芯位置的预测结果，并与数据标签进行比照得到验证损失值；进行反向传播，利用小批梯度下降法对Mask-RCNN深度学习网络进行梯度更新，直至损失值达到预设阈值或迭代步数达到预设值，完成对单排岩芯进行识别的core_band_identification深度学习模型的训练；
步骤1.4：将测试集输入至训练好的core_band_identification模型中，利用区域提议网络在岩芯图像中生成N个预测边界框，计算预测边界框属于目标类别的概率值，将概率值从大到小进行排列，取出最大概率值的预测边界框作为基准，计算剩余的预测边界框与其的交并比，如果大于给设定阈值，则将这个预测边界框移除，重复计算在图像中识别出所有目标，且每个目标对应一个预测边界框，即得到锚框，core_band_identification模型从每个锚框中识别目标的边界，并用色块进行填充，进行目标的准确定位，即得到掩膜；
步骤2：对长度大于等于S的岩芯段进行识别；长度大于等于S，使用标注工具在步骤1.2单排岩芯图像中标注其中长度大于等于S的岩芯，重复步骤1.3-步骤1.4，得到core_segment_identification模型，用于从单排岩芯图像中识别满足长度大于等于S的岩芯段；
步骤3：对岩芯进行RQD计算，将计算得到的RQD与钻孔编号、埋深起始值、埋深终止值对应，实现所有岩芯图像中RQD的编录；在每个进尺获取的岩芯中，计算每个长度大于等于S的岩芯段中心线上的像素点个数ni，同时获取进尺中心线上的像素点个数N，则RQD由下式计算得到：
其中，m为进尺上长度大于等于S的岩芯段个数，i为岩芯段序号，i属于1-m，li为对应岩芯段的长度，L为进尺长度，对于每一次进尺均进行上式计算过程；
若岩芯上没有对进尺进行标记或没有台账，使用式(2)对每一单排岩芯或每幅岩芯图像进行RQD计算编录：
其中，Lc与Nc为单排岩芯的长度与对应的中心线像素点个数，为固定值；η为岩芯采取率。
本发明所产生的有益效果在于：
本技术方案提供了一种从钻孔岩芯照片中识别RQD的智能方法，利用矿山钻孔岩芯图像具有数据规整、体量大等特点，充分发挥深度学习的优势，实现RQD的自动快速编录，同时消除人为因素造成的误差。基于深度学习的方法可以充分利用地勘阶段获取的钻孔岩芯图像数据，实现对工程岩体质量的精细化表征，可以得到不良地质体的空间分布与揭露情况，为工程岩体稳定性分析乃至治理防护提供依据。
附图说明
图1为本发明识别方法的流程图；
图2为本发明实施例提供的单排岩芯的识别图；
其中图(a)-训练集图像；图(b)-测试集图像
图3为本发明实施例提供的单排岩芯识别的训练过程曲线图；
其中图(a)-验证损失值曲线图；图(b)-预测准确率曲线图；
图4为本发明实施例提供的长度大于等于10cm岩芯的识别图；
其中图(a)-训练集图像；图(b)-测试集图像；
图5为本发明实施例提供的长度大于10cm岩芯段识别的训练过程曲线图；
其中图(a)-验证损失值曲线图；图(b)-预测准确率曲线图；
图6为本发明实施例提供的基于掩膜的RQD计算结果图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
一种从钻孔岩芯照片中识别RQD的智能方法，如图1所示，包括以下步骤：
步骤1：对岩芯图像进行采集，并把采集到的岩芯图像制作数据集，通过Mask-RCNN深度学习网络对单排岩芯图像进行识别；
步骤1.1：采集原始岩芯照片，对岩芯照片进行图像处理，并记录每幅图像对应的钻孔编号、埋深起始值、埋深终止值以及岩芯摆放顺序；
本实施例中使用数码相机或手机对每个岩芯盒进行拍照，拍照过程中注意保证镜头正视岩芯盒，避免强光直射以保持照片锐度，采用仿射变换对非正视图像进行处理，去除岩芯图像采集过程中的透视和扭曲效果。此外应注意记录每幅照片对应的钻孔编号、埋深以及岩芯摆放顺序，一幅图像内岩芯从左上角到右下角埋深逐渐增大，例如将每张图像保存为“钻孔编号-箱号-起始埋深-终止埋深”的文件名称格式。
步骤1.2：制作岩芯图像数据集；使用标注工具LabelMe在岩芯图像中标注单排岩芯得到数据标签作为Mask-RCNN深度学习网络的学习样本，并将学习样本按照3:1的比例随机划分为训练集和测试集，其中测试集用来测试训练好的模型的分辨能力(识别率等)。
所述标注单排岩芯为以连续的点进行连线，形成闭合多边形，将目标岩芯的边缘轮廓标注出来，并转化成设定格式的标注文件；如图2(a)所示。获得json格式的标注文件，标注文件主要包括了路径、样本文件名、标注形式、类别名以及连接点坐标，共标注了150个学习样本。
步骤1.3：使用迁移学习的方法将学习样本输入Mask-RCNN深度学习网络进行训练，得到预训练模型，在训练过程中，利用迁移学习能够将大数据量样本所训练的学习器迁移到只有小数据量样本的领域，且不产生显著性能下降的特性，使用在coco数据集上训练所得到的mask_rcnn_R_50_FPN_3x预训练模型，对预训练模型进行初始参数设置，并调低学习率，将训练集输入至Mask R-CNN网络中，经过正向传播得到对单排岩芯位置的预测结果，并与数据标签进行比照得到验证损失值；进行反向传播，利用小批梯度下降法对Mask-RCNN深度学习网络进行梯度更新，直至损失值达到预设阈值或迭代步数达到预设值，完成对单排岩芯进行识别的core_band_identification深度学习模型的训练；
将训练过程类似于一种“迭代拟合”的过程，当验证损失值或预测准确率变化不大时停止迭代，获取的验证损失值与预测准确率随迭代步数的曲线如图3所示。
步骤1.4：将测试集输入至训练好的core_band_identification模型中，利用区域提议网络在岩芯图像中生成N个预测边界框，计算预测边界框属于目标类别的概率值，将概率值从大到小进行排列，取出最大概率值的预测边界框作为基准，计算剩余的预测边界框与其的交并比，如果大于给设定阈值，则将这个预测边界框移除，重复计算在图像中识别出所有目标，实现抑制冗余的反复迭代-遍历过程，且每个目标对应一个预测边界框，即得到锚框，core_band_identification模型从每个锚框中识别目标的边界，并用色块进行填充，进行目标的准确定位，即得到掩膜；
本实施例中一个典型的测试集预测结果如图2(b)所示，每个锚框圈定区域均为一单排岩芯，将其从岩芯图像中分离出来，用于下一步的RQD计算。
步骤2：对长度大于等于S的岩芯段进行识别；长度大于等于S，使用标注工具LabelMe在步骤1.2单排岩芯图像中标注其中长度大于等于S的岩芯，重复步骤1.3-步骤1.4，得到core_segment_identification模型，用于从单排岩芯图像中识别满足长度大于等于S的岩芯段；
对于同一批次岩芯图像，岩芯盒的单排长度为一固定值，通常为1.0m长的定制木箱，据此可以确定单排岩芯中任意岩芯段的长度。利用获取的单排岩芯图像，使用LabelMe继续标注其中长度大于等于10cm的岩芯。注意标注钻孔口破碎岩体的单排岩芯图像，共标注了200个单排岩芯图像。和上一步骤类似的，使用学习样本和Mask R-CNN网络进行训练，用训练好的模型对测试集进行预测计算，典型的训练集与测试机如图4所示，每个掩膜圈定的区域即为长度大于等于10cm的岩芯段，对应的损失率与准确率随迭代步数的关系如图5所示。
步骤3：对岩芯进行RQD计算，将计算得到的RQD与钻孔编号、埋深起始值、埋深终止值对应，实现所有岩芯图像中RQD的编录；
本实施例中按照现行的岩土工程勘察规范(GB50021-2001)，岩石质量指标RQD定义为在回次钻进所取岩芯中，长度大于10cm(包含10cm)的岩芯段长度之和与该回次进尺的比值，以百分数表示。如图6所示，按照工程惯例，在每个进尺获取的岩芯中，计算每个长度大于等于10cm的岩芯段中心线上的像素点个数ni，同时获取进尺中心线上的像素点个数N，则RQD由下式计算得到：
其中，m为进尺上长度大于等于10cm的岩芯段个数，i为岩芯段序号，i∈[1,m]，li为对应岩芯段的长度，与岩体破碎程度有关，可查询现场记录台账获得，L为进尺长度，对于每一次进尺均进行上式计算过程；值得注意的是，此处L为进尺长度而非进尺获取的岩芯长度。对于每一次进尺均进行上述计算过程，并将计算得到的RQD与钻孔编号、埋深起始值、埋深终止值对应起来，即可以实现所有岩芯图像中RQD的编录。
若岩芯上没有对进尺进行标记或没有台账，使用式(2)对每一单排岩芯或每幅岩芯图像进行RQD计算编录：
其中，Lc与Nc为单排岩芯的长度与对应的中心线像素点个数，为固定值；η为岩芯采取率，定义为获取的岩芯长度与实际进尺长度的比值，每幅岩芯图像均会有记录。
本实施例中乌山铜钼矿为露天开采，分南北两矿段同时进行采矿作业，露天采场设计最大标高858m，封闭圈标高735m，截止至2019年底，露天采场最低开采水平为630m，矿山边坡台阶高度15m。从乌山铜钼矿采集到的160个钻孔、累计长度约6.4万米的9605幅岩芯图像，每幅图像包含一个岩芯盒。钻孔施工于2007年至2010年，勘探线距离为100m，每幅岩芯图像均记录有岩芯采取率，木质岩芯盒的长度均为1.00m。
因为未能收集到钻进过程中对应的台账数据，而实际进尺被记录在每幅岩芯图像名上。在本次编录过程中，每幅岩芯图像对应一个岩芯盒，计算一个RQD。使用配置有IntelXeon W3245M 3.2GHz的处理器(CPU)与NVIDIA RTX 2080Ti显卡(GPU)的小型服务器，耗时约2h30min完成9605幅岩芯图像的RQD计算，相较于人工编录，三个熟练的技术人员，耗时约三个月才能完成，在效率上有了显著的提升。按照“定位表-测斜表-RQD表”的规范格式写入至3DMine软件中，形成RQD钻孔数据库，每个钻孔左侧绘制有对应的RQD随孔深变化曲线，能够清晰的看出浅部岩芯较为破碎，深部岩体质量较好。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种从钻孔岩芯照片中识别RQD的智能方法，其特征在于：包括以下步骤：
步骤1：对岩芯图像进行采集，并把采集到的岩芯图像制作数据集，通过Mask-RCNN深度学习网络对单排岩芯图像进行识别；
步骤1.1：采集原始岩芯照片，对岩芯照片进行图像处理，并记录每幅图像对应的钻孔编号、埋深起始值、埋深终止值以及岩芯摆放顺序；
步骤1.2：制作岩芯图像数据集；使用标注工具在岩芯图像中标注单排岩芯得到数据标签作为Mask-RCNN深度学习网络的学习样本，并将学习样本按照3:1的比例随机划分为训练集和测试集；
步骤1.3：使用迁移学习的方法将学习样本输入Mask-RCNN深度学习网络进行训练，得到预训练模型，对预训练模型进行初始参数设置，并调低学习率，将训练集输入至Mask R-CNN网络中，经过正向传播得到对单排岩芯位置的预测结果，并与数据标签进行比照得到验证损失值；进行反向传播，利用小批梯度下降法对Mask-RCNN深度学习网络进行梯度更新，直至损失值达到预设阈值或迭代步数达到预设值，完成对单排岩芯进行识别的core_band_identification深度学习模型的训练；
步骤1.4：将测试集输入至训练好的core_band_identification模型中，利用区域提议网络在岩芯图像中生成N个预测边界框，计算预测边界框属于目标类别的概率值，将概率值从大到小进行排列，取出最大概率值的预测边界框作为基准，计算剩余的预测边界框与其的交并比，如果大于给设定阈值，则将这个预测边界框移除，重复计算在图像中识别出所有目标，且每个目标对应一个预测边界框，即得到锚框，core_band_identification模型从每个锚框中识别目标的边界，并用色块进行填充，进行目标的准确定位，即得到掩膜；
步骤2：对长度大于等于S的岩芯段进行识别；长度大于等于S，使用标注工具在步骤1.2单排岩芯图像中标注其中长度大于等于S的岩芯，重复步骤1.3-步骤1.4，得到core_segment_identification模型，用于从单排岩芯图像中识别满足长度大于等于S的岩芯段；
步骤3：对岩芯进行RQD计算，将计算得到的RQD与钻孔编号、埋深起始值、埋深终止值对应，实现所有岩芯图像中RQD的编录；在每个进尺获取的岩芯中，计算每个长度大于等于S的岩芯段中心线上的像素点个数ni，同时获取进尺中心线上的像素点个数N，则RQD由下式计算得到：
其中，m为进尺上长度大于等于S的岩芯段个数，i为岩芯段序号，i属于1-m，li为对应岩芯段的长度，L为进尺长度，对于每一次进尺均进行上式计算过程；
若岩芯上没有对进尺进行标记或没有台账，使用式(2)对每一单排岩芯或每幅岩芯图像进行RQD计算编录：
其中，Lc与Nc为单排岩芯的长度与对应的中心线像素点个数，为固定值；η为岩芯采取率。
2.根据权利要求1所述的一种从钻孔岩芯照片中识别RQD的智能方法，其特征在于，步骤1.2中所述标注单排岩芯为以连续的点进行连线，形成闭合多边形，将目标岩芯的边缘轮廓标注出来，并转化成设定格式的标注文件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011137412.1A CN112241711B (zh) | 2020-10-22 | 2020-10-22 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011137412.1A CN112241711B (zh) | 2020-10-22 | 2020-10-22 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241711A CN112241711A (zh) | 2021-01-19 |
| CN112241711B true CN112241711B (zh) | 2023-07-28 |
Family
ID=74169599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011137412.1A Active CN112241711B (zh) | 2020-10-22 | 2020-10-22 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241711B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112836075A (zh) * | 2021-03-02 | 2021-05-25 | 中国科学院武汉岩土力学研究所 | 基于深度学习和迁移学习的岩层结构智能检测分类方法 |
| 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 |
| CN115062475B (zh) * | 2022-06-20 | 2024-03-29 | 东北大学 | 一种基于钻孔岩芯rqd的矿山工程灾害建模方法 |
| CN115359348B (zh) * | 2022-07-20 | 2023-07-25 | 中南大学 | 岩芯特征识别统计方法及系统、设备、存储介质 |
| CN115082454B (zh) * | 2022-07-27 | 2022-12-09 | 深圳市信润富联数字科技有限公司 | 岩芯判别方法、装置、电子设备和存储介质 |
| CN116415107A (zh) * | 2023-03-14 | 2023-07-11 | 长江三峡勘测研究院有限公司（武汉） | 岩心采取率数字化统计方法、系统、介质、设备及终端 |
| CN116109906B (zh) * | 2023-04-10 | 2023-06-23 | 四川省地质矿产勘查开发局一0六地质队 | 一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法 |
| CN117058446B (zh) * | 2023-08-03 | 2024-04-23 | 北京建工环境修复股份有限公司 | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110410027A (zh) * | 2019-07-16 | 2019-11-05 | 山东黄金矿业科技有限公司深井开采实验室分公司 | 一种利用钻孔岩芯进行岩体质量连续评价方法及系统 |
| CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及系统 |
-
2020
- 2020-10-22 CN CN202011137412.1A patent/CN112241711B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110410027A (zh) * | 2019-07-16 | 2019-11-05 | 山东黄金矿业科技有限公司深井开采实验室分公司 | 一种利用钻孔岩芯进行岩体质量连续评价方法及系统 |
| CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 岩石RQD值计算中岩芯取值问题的探讨;曹云等;《矿业研究与开发》;第37卷(第12期);18-22 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241711A (zh) | 2021-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241711B (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
| US11530998B2 (en) | Method and system to analyze geologic formation properties | |
| CN110457501B (zh) | 一种基于图像识别的岩土芯样信息编录系统 | |
| CN110823962B (zh) | 一种滑坡体的三维成像方法及系统 | |
| CN104850732B (zh) | 一种基于砂体统计学的油藏小层划分方法及装置 | |
| CN110490100A (zh) | 基于深度学习的岩土自动识别定名方法及系统 | |
| CN106682377B (zh) | 一种钻孔岩芯蚀变矿物的高光谱提取与定量估算方法 | |
| CN115035297A (zh) | 一种钻探岩芯rqd自动编录方法、系统、装置及介质 | |
| NO20240323A1 (en) | Classification of pore or grain types in formation samples from a subterranean formation | |
| CN115601544A (zh) | 一种高分辨率图像滑坡检测与分割方法 | |
| CN106055636B (zh) | 一种岩石便携智能识别方法 | |
| CN113627657A (zh) | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 | |
| CN116863217A (zh) | 一种野外露头岩石图像岩性识别方法 | |
| Russell et al. | Using laser scanner face mapping to improve geotechnical data confidence at Sishen mine | |
| CN109598049B (zh) | 钻孔岩石裂隙发育程度及区域岩石裂隙发育规律的方法 | |
| CN113433123B (zh) | 一种钻孔内地质参数测试方法及智能化装置 | |
| Qiu et al. | Three‐Dimensional Reconstruction of Tunnel Face Based on Multiple Images | |
| CN109297878A (zh) | 一种准确计算白云岩孔洞面孔率的方法 | |
| CN113610062B (zh) | 一种土样特性提取方法、系统及信息数据处理终端 | |
| Xiong et al. | Intelligent Algorithm for Rock Core RQD Based on Object Detection and Image Segmentation to Suppress Noise and Vibration | |
| CN111158058B (zh) | 一种基于地磁记忆的金属废弃井探测方法 | |
| RU2706515C1 (ru) | Система и способ автоматизированного описания горных пород | |
| CN111752940B (zh) | 砂体连通关系数据的获取方法及装置 | |
| CN118014972A (zh) | 一种钻孔岩芯图像识别与编录方法及系统 | |
| CN113433123A (zh) | 一种钻孔内地质参数测试方法及智能化装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |