CN115393605A - 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 - Google Patents
基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 Download PDFInfo
- Publication number
- CN115393605A CN115393605A CN202210957331.9A CN202210957331A CN115393605A CN 115393605 A CN115393605 A CN 115393605A CN 202210957331 A CN202210957331 A CN 202210957331A CN 115393605 A CN115393605 A CN 115393605A
- Authority
- CN
- China
- Prior art keywords
- core
- rock core
- rqd
- image
- rock
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明属于岩石测量技术领域,公开了基于图像识别技术的岩心RQD数字化统计方法、设备及终端,所述统计方法包括:进行岩心影像的采集与校正;利用影像识别方法对岩心箱轮廓进行形态识别,并建立岩心图像坐标系;将识别得到的各个岩心与钻进回次匹配,确定每块岩心所属地钻进回次;根据识别出的岩心轮廓角点坐标换算出每块岩心柱状长度;基于所述每块岩心所属地钻进回次计算所述柱状长度大于10cm的岩心的累积柱状长度以及RQD;存储每回次岩心RQD数据,并利用与柱状图相适应的格式输出。本发明采用统一长度计量标准,测量精度高。本发明现场只需拍照采集照片,其他由计算机自动识别处理,准确度和工作效率高。本发明无需人工现场测量岩芯RQD长度,减少人力成本。
Description
技术领域
本发明属于岩心RQD测量技术领域,尤其涉及一种基于图像识别技术的岩心RQD数字化统计方法、设备及终端。
背景技术
目前,岩石质量指标(RQD)指钻孔中用N型(75mm)二重管金刚石钻头获取的大于10cm的岩芯段与该回次钻进深度之比,是国际上通用的评价岩石工程性质的一个重要参数,在国内外各行岩体工程中被广泛应用。目前现场测量岩芯RQD方法仍采用钢卷尺或皮尺进行逐回次量测,测量精度往往受测量工具和人的主观因素影响,测量精度不高,人工读数易出错,不能真实反映岩质量,现场量测工作量大,机械重复,效率低下,现场人工测量耗时耗力。
随着计算机图像识别和处理技术的发展,为岩芯RQD智能识别、测量、统计创造了条件,通过深度学习图像分割法,根据岩心照片的灰度、色彩、纹理、几何形状等特征把图像划分成若干个区域,从而将各块岩心轮廓标示出来,从而识别出每块岩心的形态,如碎块状、片状、半柱状、饼状、柱状等,然后经过图像处理技术,提取岩心长度、宽度等轮廓角点坐标,并根据坐标关系换算出每块岩心的实际柱状长度,通过设置阈值,判断出柱状长度大于10cm的岩心,并进行累加求和,算出相应回次柱状长度大于10cm岩心长度总和,最后与回次进尺长度之比,计算出相应回次的RQD。
现有技术2 CN202111216115.0公开了一种快速RQD分析方法,采用的图像识别技术不同,现有技术2是将图片转换为8进制图像,利用图像标尺软件进行图像信息提取。利用数字图像处理进行图像识别分割,计算简单,效率较高,只考虑像素点灰度值本身的特征,一般不考虑空间特征,对于背景颜色相近的图片岩心识别率不高。
现有技术1CN202011137412.1公开了一种从钻孔岩心照片中识别RQD的智能方法,基于Mask-R-CNN深度学习网络对图像进行识别,且是对单排岩心进行训练,RQD统计也是一排岩心统计。引入了预测用的Mask-Head,以像素到像素的方式来预测分割掩膜,提高了分割精度,但分类框与预测掩膜共享评价函数,有时候会对分割结果有所干扰。
现有技术3 CN202111582422.0公开了基于深度学习模型和岩芯图像的RQD计算方法,图像识别采用的基于Unet深度学习网络对图像进行识别,且也是单排岩心进行识别统计。Unet深度学习网络优点是在很小的训练集上取得较好的分割效果。
上述深度学习网络在堆叠到一定深度的时候会出现梯度消失的现象,导致误差升高效果变差,后向传播时无法将梯度反馈到前面的网络层,使得前方的网络层的参数难以更新,训练效果变差。
ResNet引入了全新的网络结构(残差学习模块),形成了新的网络结构,可以使网络尽可能地加深,使得前馈/反馈传播算法能够顺利进行,结构更加简单,建设性地解决了网络训练得越深,误差升高,梯度消失越明显的问题。
传统的目标检测算法主要预测图像的最后一层,但是因为最后一层的特征图的感受野相比较前几层的感受野更大,同时特征也更抽象,因此对于小目标物的检测精度可能不是很高。但FPN能够有效地有效地增大网络对小目标检测的准确性。
ResNet+FPN就是将ResNet的特征图拿出来并将其进行放入到FPN中进行操作,解决了网络训练得越深,误差升高,梯度消失越明显的问题,也解决小目标无检测精度。
目前现场测量岩芯RQD方法仍采用钢卷尺或皮尺进行逐回次量测,具体存在如下缺点:
受钢卷尺、皮尺及人的主观因素影响,标准不统一,测量精度无法保证。
现场一个人测量,另外一个人记录,人工读数、记录易出错。
逐回次人工测量,机械重复,工作量大,工作效率低。
通过上述分析,现有技术存在的问题及缺陷为:现有技术测量精度不高,测量过程容易出错且机械重复,工作量大,工作效率低。
发明内容
针对现有技术存在的问题,本发明提供了一种基于图像识别技术的岩心数字化统计方法、设备及终端,具体涉及一种基于图像识别技术的岩心RQD数字化统计方法。
本发明是这样实现的,一种基于图像识别技术的岩心RQD数字化统计方法,所述基于图像识别技术的岩心RQD数字化统计方法包括:
步骤一,进行岩心影像的采集与校正;利用基于Resnet+FPN深度学习图像分割算法对岩心箱轮廓、岩心牌、岩心轮廓进行形态识别;
步骤二,提取岩心箱长度、宽度等相关信息,并根据岩心箱实际规格建立岩心图像坐标系,实现对整个岩心图片样本中的点坐标标注,根据岩心的轮廓角点的坐标信息换算出每块岩心得实际几何参数,从而获得岩心柱状长度;
步骤三,根据岩心牌位置确定每块岩心所属地钻进回次,并按钻进回次统计柱状长度大于10cm岩心的累积长度,并计算岩心RQD;
步骤四,存储每回次岩芯RQD数据,并利用与柱状图相适应的格式输出。
进一步,所述步骤一中,进行岩心影像的采集包括:
(1)将岩心按顺序放入标准岩心箱,并在相应回次孔深位置插入特制岩心牌;
(2)采取垂直正射的方法获取岩心的图像,得到整箱岩心图像集;对所述整箱岩心图像集中的图像进行校正,得到整箱岩心的正射影像。
进一步,所述对整箱岩心图像集中的图像进行校正包括:通过调整岩心图像上下左右四个角点与图像处理界面矩形框四个角对齐,得到整箱岩芯的正射影像。
进一步,所述步骤一中,利用影像识别方法对岩心箱轮廓进行形态识别,并提取岩心箱相关信息包括:
1)利用影像识别方法对岩心箱轮廓进行形态识别,提取岩心箱长度、宽度及隔板等轮廓信息,通过岩心箱实际规格,获得图像像素与实际长度的关系,然后以岩心图片某一点(通常以岩心箱左下角)为原点,建立岩心图像坐标系,实现对整个岩心图片样本中的点坐标标注。
2)利用影像识别方法对岩芯牌进行识别,并用相应的颜色标示,确定每个钻进回次具体位置,通过与输入的回次信息数据进行匹配,确定每块岩心所属钻孔回次,包括回次编号、孔深、进尺等信息。
3)利用影像识别方法对岩心外包轮廓形态进行识别,提取相应岩心的轮廓角点的坐标信息,并根据坐标信息换算出每块岩心得实际几何参数,将岩心形态分为碎屑、岩块、半柱状、饼状、短柱状、柱状及长柱状,并采用不同颜色进行区分。
进一步,所述基于每块岩心所属地钻进回次计算所属岩心柱状长度大于10cm岩心的累积长度以及RQD包括:
首先,将识别得到的各个岩心与钻进回次匹配,确定每块岩心所属地钻进回次;
其次,按回次对每一回次内柱状长度大于10cm的岩芯块数n及长度进行统计,并利用下式计算得到第m回次的长度大于10cm的岩芯的累计长度Lm:
其中,m表示回次编号;L表示进尺;
最后,将柱状长度大于10cm的岩芯长度Lm与相应回次进尺长度进行相除,得到相应回次的RQD,用百分比表示:
本发明的另一目的在于提供一种计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述基于图像识别技术的岩芯RQD数字化统计方法的步骤。
本发明的另一目的在于提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述基于图像识别技术的岩心RQD数字化统计方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端,所述信息数据处理终端用于执行所述基于图像识别技术的岩芯RQD数字化统计方法。
结合上述的技术方案和解决的技术问题,请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为:
第一、针对上述现有技术存在的技术问题以及解决该问题的难度,紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等,详细、深刻地分析本发明技术方案如何解决的技术问题,解决问题之后带来的一些具备创造性的技术效果。具体描述如下:
本发明提供了一种对钻孔岩心图像自动识别处理统计岩心RQD的方法,利用图像分割算法对勘察钻孔岩心图像进行识别,并根据岩心箱规格建立岩心图像坐标系,实现对整个岩心图片中的点坐标标注,根据岩心的轮廓角点的坐标信息换算出每块岩心得实际几何参数,从而获得柱状岩心长度,提高了岩心识别精度,同时通过对岩心牌识别实现了按钻进回次进行岩心RQD自动统计与计算,更贴合实际工程应用情况;基于图像识别技术RQD数字化统计方法具有识别精度高、工作效率高、统计标准统一的特点,有利于提高岩石质量指标准确性,为岩体完整性评价、坝基岩体工程地质分类、隧洞围岩类别划分和边坡岩体结构分类提供了依据。
本发明与现有技术1和技术3的区别在于:第一是采用图像分割算法不同,现有技术采用的方法分别是基于Mask-R-CNN深度学习网络和Unet深度学习网络,本发明主要采用Resnet+FPN深度学习图像分割算法。第二统计RQD范围不同,本发明对整箱岩心进行训练,建立整箱岩心图像坐标系,岩心RQD统计是通过识别岩心标签按钻进回次进行统计,与实际工程应用相吻合,提高识别结果的条理性和完整性,而采用按一排一排岩心进行岩心RQD统计,存在一排岩心跨越多个回次的情况,不利于分析岩心RQD与钻探工艺的关系,因此实际工程应用一般按回次进行岩心RQD统计。
本发明与现有技术2的区别在于:两种技术的图像识别方法不同,现有技术2是将图片转换为8进制图像,利用图像标尺软件进行图像信息提取。本发明是采用的是图像识别分割算法,并建立整箱岩心图像坐标系,按钻进回次进行岩心RQD统计,图像识别速度快、精度高。
第二,把技术方案看做一个整体或者从产品的角度,本发明所要保护的技术方案具备的技术效果和优点,具体描述如下:
本发明在岩心照片上进行识别、编辑,具备影像再现、成果复核功能。同时实现了按钻进回次进行岩心RQD统计,与实际工程应用中岩心RQD统计方法一致。
第三,作为本发明的权利要求的创造性辅助证据,还体现在本发明的技术方案解决了人们一直渴望解决、但始终未能获得成功的技术难题:
本发明解决了现场测量岩心RQD的难题,通过岩心图像识别技术,实现了岩心长度自动识别处理,解决了岩心RQD的统计计算,提高其准确度和工作效率高,减少人力成本。
附图说明
图1是本发明实施例提供的基于图像识别技术的岩芯RQD数字化统计方法原理图;
图2是本发明实施例提供的基于图像识别技术的岩芯RQD数字化统计方法流程图;
图3是本发明实施例提供的RQD统计成果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现,该部分是对权利要求技术方案进行展开说明的解释说明实施例。
在本发明实施例中,图1为基于图像识别技术的岩芯RQD数字化统计方法原理。
如图2所示,本发明实施例提供的基于图像识别技术的岩芯RQD数字化统计方法包括:
S101,进行岩心影像的采集与校正;利用基于Resnet+FPN深度学习图像分割算法对岩心箱轮廓、岩心牌、岩心轮廓进行形态识别;
S102,提取岩心箱长度、宽度等相关信息,并根据岩心箱实际规格建立岩心图像坐标系,实现对整个岩心图片样本中的点坐标标注,根据岩心的轮廓角点的坐标信息换算出每块岩心得实际几何参数;
S103,根据岩心牌位置确定每块岩心所属地钻进回次,并按钻进回次统计大于10cm岩心的累积长度,并计算岩心RQD;
S104,存储每回次岩芯RQD数据,并利用与柱状图相适应的格式输出。
本发明实施例提供的基于图像识别技术的岩芯RQD数字化统计方法具体包括:
步骤1,岩心影像采集与校正
1.1将岩心按顺序放入标准岩心箱,并在相应回次孔深位置插入特制岩心牌,岩心箱长度一般为100cm,岩心牌为通常为白色,为宜识别的颜色。
1.2采取垂直正射的方法对岩心进行拍照,获取整箱岩心照片,要求影像清晰完整、色调均匀一致、反差适中。
1.3利用程序对整箱岩心照片进行校正,通过调整岩心照片上下左右四个角点与程序界面矩形框四个角对齐,保证整箱岩心照片为正射影像,提高岩心测量精度。
步骤2,岩心识别及信息提取
2.1通过影像识别技术对岩心箱轮廓进行形态识别,提取岩心箱轮廓信息,通过输入岩心箱长度,获得图像像素与实际长度的比例关系K,然后以岩心图像某一点(通常按岩心箱左下角)为原点建立岩心图像坐标系。
2.2基于深度学习的高精度岩心轮廓分割算法,对岩心外包轮廓形态进行识别,并根据算法将岩心形态分为碎屑、岩块、半柱状、饼状(柱状长度小于2cm)、短柱状(柱状长度2~10cm)、柱状(柱状长度大于10cm)及长柱状(柱状长度大于20cm)等,并用不同颜色区分。
2.4提取相应岩心的长度、宽度等几何特征及其角点坐标,然后根据坐标换算出每块岩心得实际几何参数,获得岩心柱状长度信息。
2.5对岩芯牌进行识别,并用相应的颜色标示,以确定每个钻进回次具体位置,通过与输入的回次信息数据进行匹配,可以获得相应回次编号m、孔深h、进尺L等信息。
2.6岩心箱、岩心及岩心牌识别完成后,因照片清晰度原因造成的识别错误可以采取人工辅助纠错,确保信息准确。
步骤3岩芯RQD统计与计算
3.1将前述识别出的各个岩心与钻进回次匹配,确定每块岩心所属地钻进回次。
3.2按回次对每一回次内柱状长度大于10cm的岩芯块数n及柱状长度进行统计,并按如下公式计算出第m回次的柱状长度大于10cm的岩芯的累计柱状长度Lm。
3.3将柱状长度大于10cm的岩心累计长度Lm与相应回次进尺长度进行相除,得到相应回次的RQD,用百分比表示,公式如下。
3.4每回次岩芯RQD计算后进行数据入库,并用与柱状图软件相适应的格式输出(图3)。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值,该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
将本发明实施例提供的基于图像识别技术的岩芯RQD数字化统计方法应用于计算机设备,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行所述基于图像识别技术的岩芯RQD数字化统计方法的步骤。
将本发明实施例提供的基于图像识别技术的岩芯RQD数字化统计方法应用于计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行所述基于图像识别技术的岩心RQD数字化统计方法的步骤。
将本发明实施例提供的基于图像识别技术的岩芯RQD数字化统计方法应用于信息数据处理终端,所述信息数据处理终端用于执行所述基于图像识别技术的岩心RQD数字化统计方法。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果,和现有技术相比的确具备很大的优势,下面内容结合试验过程的数据、图表等进行描述。
步骤一 基于Resnet+FPN深度学习图像分割算法实现过程:
1)建立岩心识别模型,包括骨干网络、主干网络和头部网络,具体如下:
以Resnet作为骨干网络,包括卷积层和全连接层,提取图像特征。将岩心图片样本输入至卷积层,提取到岩心图片样本的骨干卷积特征,然后再由骨干网络的全连接层将骨干卷积特征进行处理,并输出岩心图片样本的图像特征。
接下来,采用FPN构建主干网络,也包括卷积层和全连接层,获得不同维度的特征图,将骨干网络输出的图像特征,输入至主干网络的卷积层,提取到岩心图片样本的主干卷积特征,然后再由主干网络的全连接层将主干卷积特征进行处理,得到岩心图片样本的底层特征图和高层特征图等多维度特征图。
最后,构建头部网络,包括并列连接的多个子头部网络,将主干网络输出的底层特征图和高层特征图都输入至岩心目标检测头部网络得到岩心图片的岩心外包络。
2)将数千张包含沉积岩、岩浆岩和变质岩的岩性的岩心图片样本输入至初始岩心识别模型进行岩心图片深度学习,迭代训练至第一预设次数,并利用损失函数计算训练结果的损失值,完成对整箱岩心的识别,最终得到训练完备的岩心识别模型。
步骤二 岩心识别及信息提取
将岩心照片输入基于训练完备的岩心识别模型,对岩心图片进行识别处理,自动获取岩心图片中的岩心外包络。具体步骤如上述:2.1~2.6
步骤三 岩芯RQD统计与计算,具体步骤如上述:3.1~3.3
通过对引江补汉工程70个钻孔共计450箱岩心进行识别,累计识别岩心长度3160m,取得了良好的效果,大大提高了工作效率。
某钻孔岩芯RQD统计与计算结果,与现场测量值比较差值基本小于1,均值0.55,精度满足要求。现场测量普遍较图像识别数值偏大,分析原因为现场测量时将岩芯块之间的空隙统计在内。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体,或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于图像识别技术的岩心RQD数字化统计方法,其特征在于,所述基于图像识别技术的岩心RQD数字化统计方法包括:
进行岩心影像的采集与校正;利用基于Resnet加FPN深度学习图像分割算法对岩心箱轮廓、岩心牌、岩心轮廓进行形态识别;
提取岩心箱长度、宽度相关信息,并根据岩心箱实际规格建立岩心图像坐标系,对整个岩心图片样本中的点坐标标注,根据岩心的轮廓角点的坐标信息换算出每块岩心得实际几何参数;
根据岩心牌位置确定每块岩心所属地钻进回次,并按钻进回次统计柱状长度10cm的岩心的累积柱状长度,并计算岩心RQD;
存储每回次岩芯RQD数据,并利用与柱状图相适应的格式输出。
2.如权利要求1所述基于图像识别技术的岩心RQD数字化统计方法,其特征在于,所述进行岩心影像的采集包括:
(1)将岩心按顺序放入标准岩心箱,并在相应回次孔深位置插入特制岩心牌;
(2)采取垂直正射的方法获取岩心的图像,得到整箱岩心图像集;对所述整箱岩心图像集中的图像进行校正,得到整箱岩心的正射影像。
3.如权利要求2所述基于图像识别技术的岩心RQD数字化统计方法,其特征在于,所述对整箱岩心图像集中的图像进行校正包括:通过调整岩心图像上下左右四个角点与图像处理界面矩形框四个角对齐,得到整箱岩芯的正射影像。
4.如权利要求1所述基于图像识别技术的岩心RQD数字化统计方法,其特征在于,所述利用影像识别方法对岩心箱轮廓进行形态识别,建立岩心图像坐标系:
利用影像识别方法对岩心箱轮廓进行形态识别,提取岩心箱长度、宽度及隔板等轮廓信息,通过岩心箱实际规格,获得图像像素与实际长度的关系,然后以岩心图片某一点为原点,建立坐标系,实现对整个岩心图片样本中的点坐标标注。
5.如权利要求1所述基于图像识别技术的岩心RQD数字化统计方法,其特征在于,所述利用影像识别方法对岩心牌进行形态识别,并提取岩心牌相关信息还包括:
利用影像识别方法对岩芯牌进行识别,并用相应的颜色标示,确定每个钻进回次具体位置,通过与输入的回次信息数据进行匹配,确定每块岩心所属钻孔回次,包括回次编号、孔深、进尺信息。
6.如权利要求1所述基于图像识别技术的岩心RQD数字化统计方法,其特征在于,所述利用影像识别方法对岩心轮廓进行形态识别,并获得每块岩心的几何特征信息:
利用影像识别方法对岩心外包轮廓形态进行识别,提取相应岩心的轮廓角点的坐标信息,然后根据坐标信息换算出每块岩心得实际几何参数,从而获得岩心柱状长度,并将岩心形态分为碎屑、岩块、半柱状、饼状、短柱状、柱状及长柱状,并采用不同颜色进行区分。
7.如权利要求1所述基于图像识别技术的岩心RQD数字化统计方法,其特征在于,基于每块岩心所属地钻进回次计算所述柱状长度大于10cm岩心的累积柱状长度以及RQD包括:
(1)将识别得到的各个岩心与钻进回次匹配,确定每块岩心所属地钻进回次;
(2)按回次对每一回次内柱状长度大于10cm的岩芯块数n及其柱状长度进行统计,并利用下式计算得到第m回次的柱状长度大于10cm的岩芯的累计柱状长度Lm:
其中,m表示回次编号;Lm表示第m回次柱状长度大于10cm岩心的累计柱状长度;n为柱状长度大于10cm岩心块数;Li表示第i块岩心柱状长度。
(3)将每回次柱状长度大于10cm的岩心累计柱状长度Lm与相应回次进尺长度L相除,得到相应回次的RQD,用百分比表示:
8.一种计算机设备,其特征在于,所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-7任意一项所述基于图像识别技术的岩心RQD数字化统计方法的步骤。
9.一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1-7任意一项所述基于图像识别技术的岩心RQD数字化统计方法的步骤。
10.一种信息数据处理终端,其特征在于,所述信息数据处理终端用于执行如权利要求1-7任意一项所述基于图像识别技术的岩芯RQD数字化统计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210957331.9A CN115393605A (zh) | 2022-08-10 | 2022-08-10 | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210957331.9A CN115393605A (zh) | 2022-08-10 | 2022-08-10 | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115393605A true CN115393605A (zh) | 2022-11-25 |
Family
ID=84118761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210957331.9A Pending CN115393605A (zh) | 2022-08-10 | 2022-08-10 | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115393605A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109906A (zh) * | 2023-04-10 | 2023-05-12 | 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 |
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 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487326A (zh) * | 2013-10-11 | 2014-01-01 | 中国石油天然气股份有限公司勘探开发研究院廊坊分院 | 多周期交变应力盖层模拟实验装置 |
CN109973033A (zh) * | 2017-12-28 | 2019-07-05 | 江苏长江地质勘查院 | 绳索取心地质钻探岩心整理与编录方法 |
US20190279356A1 (en) * | 2018-03-09 | 2019-09-12 | Smith International, Inc. | System for characterizing oilfield tools |
CN111784803A (zh) * | 2020-07-01 | 2020-10-16 | 长江三峡勘测研究院有限公司(武汉) | 钻孔岩芯相互关系数据的自动采集系统及方法 |
CN111858980A (zh) * | 2020-07-28 | 2020-10-30 | 东北大学 | 一种岩芯盘内岩芯识别与编录的方法 |
CN112254654A (zh) * | 2020-10-22 | 2021-01-22 | 武汉唯理科技有限公司 | 一种通过计算机视觉技术测量岩芯长度的方法 |
CN112837269A (zh) * | 2021-01-11 | 2021-05-25 | 西安理工大学 | 一种基于深度学习模型的岩体质量评价方法 |
CN114140612A (zh) * | 2021-11-29 | 2022-03-04 | 广东电网有限责任公司 | 电力设备隐患检测方法、装置、设备及存储介质 |
CN216596697U (zh) * | 2021-12-15 | 2022-05-24 | 长江三峡勘测研究院有限公司(武汉) | 一种用于钻探岩芯图像识别编录的岩芯牌 |
CN114662915A (zh) * | 2022-03-24 | 2022-06-24 | 中冶成都勘察研究总院有限公司 | 一种快速获取岩心采取率及rqd值的方法 |
-
2022
- 2022-08-10 CN CN202210957331.9A patent/CN115393605A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103487326A (zh) * | 2013-10-11 | 2014-01-01 | 中国石油天然气股份有限公司勘探开发研究院廊坊分院 | 多周期交变应力盖层模拟实验装置 |
CN109973033A (zh) * | 2017-12-28 | 2019-07-05 | 江苏长江地质勘查院 | 绳索取心地质钻探岩心整理与编录方法 |
US20190279356A1 (en) * | 2018-03-09 | 2019-09-12 | Smith International, Inc. | System for characterizing oilfield tools |
CN111784803A (zh) * | 2020-07-01 | 2020-10-16 | 长江三峡勘测研究院有限公司(武汉) | 钻孔岩芯相互关系数据的自动采集系统及方法 |
CN111858980A (zh) * | 2020-07-28 | 2020-10-30 | 东北大学 | 一种岩芯盘内岩芯识别与编录的方法 |
CN112254654A (zh) * | 2020-10-22 | 2021-01-22 | 武汉唯理科技有限公司 | 一种通过计算机视觉技术测量岩芯长度的方法 |
CN112837269A (zh) * | 2021-01-11 | 2021-05-25 | 西安理工大学 | 一种基于深度学习模型的岩体质量评价方法 |
CN114140612A (zh) * | 2021-11-29 | 2022-03-04 | 广东电网有限责任公司 | 电力设备隐患检测方法、装置、设备及存储介质 |
CN216596697U (zh) * | 2021-12-15 | 2022-05-24 | 长江三峡勘测研究院有限公司(武汉) | 一种用于钻探岩芯图像识别编录的岩芯牌 |
CN114662915A (zh) * | 2022-03-24 | 2022-06-24 | 中冶成都勘察研究总院有限公司 | 一种快速获取岩心采取率及rqd值的方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116109906A (zh) * | 2023-04-10 | 2023-05-12 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115393605A (zh) | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 | |
CN102914545B (zh) | 一种基于计算机视觉的齿轮缺陷检测方法及系统 | |
CN110580723B (zh) | 一种利用深度学习和计算机视觉进行精准定位的方法 | |
CN111858980B (zh) | 一种岩芯盘内岩芯识别与编录的方法 | |
CN107833213A (zh) | 一种基于伪真值自适应法的弱监督物体检测方法 | |
CN110473174B (zh) | 一种基于图像计算铅笔精确数目的方法 | |
CN114387328A (zh) | 基于深度学习模型和岩心图像的rqd计算方法 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN110991437B (zh) | 字符识别方法及其装置、字符识别模型的训练方法及其装置 | |
CN111626145A (zh) | 一种简捷有效的残缺表格识别及跨页拼接方法 | |
CN109934170B (zh) | 一种基于计算机视觉的矿山资源统计方法 | |
CN111626358A (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
CN108764343B (zh) | 一种跟踪算法中的跟踪目标框的定位方法 | |
CN112434583B (zh) | 车道横向减速标线检测方法、系统、电子设备及存储介质 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN115311396B (zh) | 一种超高建筑物屋顶轮廓线的自动提取方法及系统 | |
CN111126286A (zh) | 车辆动态检测方法、装置、计算机设备及存储介质 | |
CN110135382A (zh) | 一种人体检测方法和装置 | |
CN111860332B (zh) | 基于多阈值级联检测器的双通道电力图零部件检测方法 | |
CN114898057A (zh) | 地质剖面图三维空间信息提取方法和装置、存储介质 | |
CN114612394A (zh) | 一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法 | |
CN113673534A (zh) | 一种基于Faster RCNN的RGB-D图像果实检测方法 | |
CN113315995A (zh) | 提高视频质量的方法、装置、可读存储介质及电子设备 | |
CN111161264A (zh) | 一种对含有缺陷的tft电路图像的分割方法 |
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 |