CN115760698B - 一种融合图像和光谱特征信息的裂隙识别方法及系统 - Google Patents

Abstract

本发明提供了一种融合图像和光谱特征信息的裂隙识别方法及系统，对获取的隧道内图像和光谱信息分别进行预处理；提取图像特征，根据图像特征进行裂隙识别；提取光谱特征，将光谱特征转化为矿物信息，结合对应位置信息，将其图像化，得到矿物分布图样；识别其中条带状矿物分布区域，判断区域内矿物是否符合裂隙填充矿物类型与组合形式，如果是，确定对应的条带状矿物分布区域为裂隙所在区域；融合图像特征得到的裂隙识别结果和光谱特征得到的裂隙识别结果，取两者的并集，形成完整裂隙识别结果，提取并计算裂隙几何信息和成分信息。本发明在图像信息的基础上引入光谱信息，有助于提升标识准确度，有利于提高应用过程中裂隙识别准确度。

Description

一种融合图像和光谱特征信息的裂隙识别方法及系统

技术领域

本发明属于岩体裂隙识别技术领域，涉及一种融合图像和光谱特征信息的裂隙识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

岩体裂隙识别技术对于了解岩体结构，评估其工程性质有重要价值，目前岩体裂隙识别领域，除传统人工手段外，主要通过基于深度学习的图像识别方式，对于地质条件复杂程度较低的情况，已有较高的识别率。

但据发明人了解，利用深度学习手段，往往需要前期对所获图像进行人工标识，以供机器学习模型训练，一方面部分所获图像由于现场条件所限，清晰度可能不足，另一方面对于裂隙纵横且填充物、条带状矿物分布较多的情况，易出现错标误标的情况。同时，通过以上手段获取的信息均未涉及裂隙填充情况，而填充物的性质及其与裂隙的结合形态，会对岩体的稳定性造成影响，并对应不同条件下的物理化学作用，对分析该区域内地质条件有指导意义。

发明内容

本发明为了解决上述问题，提出了一种融合图像和光谱特征信息的裂隙识别方法及系统，本发明在图像信息的基础上引入光谱信息，即矿物信息，既有助于提升标识准确度，也有利于提高应用过程中裂隙识别准确度。

根据一些实施例，本发明采用如下技术方案：

一种融合图像和光谱特征信息的裂隙识别方法，包括以下步骤：

获取隧道内图像和光谱信息，并分别进行预处理；

提取图像特征，根据图像特征进行裂隙识别；

提取光谱特征，将光谱特征转化为矿物信息，结合对应位置信息，将其图像化，得到矿物分布图样；

识别矿物分布图样中条带状矿物分布区域，判断条带状矿物分布区域内矿物是否符合裂隙填充矿物类型与组合形式，如果是，确定对应的条带状矿物分布区域为裂隙所在区域；

融合图像特征得到的裂隙识别结果和光谱特征得到的裂隙识别结果，取两者的并集，形成完整裂隙识别结果，提取并计算裂隙几何信息和成分信息。

作为可选择的实施方式，对图像信息进行预处理的过程包括灰度化、几何变换和图像增强。

作为可选择的实施方式，对光谱信息预处理包括辐射定标、反射率光谱重建和噪声消减。

作为可选择的实施方式，将光谱特征转化为矿物信息的过程，是利用根据已知光谱信息和矿物信息构建的光谱-矿物数据库实现的。

作为可选择的实施方式，识别矿物分布图样中条带状矿物分布区域的具体过程包括：对矿物分布图样进行网格化处理，提取各网格内矿物种类与含量，将矿物组合相近的网格划分到一起，形成不同的区域，确定各区域边界网格，依据边界网格中心坐标，得到各区域延伸长度与平均宽度，选取各区域延伸长度与平均宽度分别小于其预定阈值的区域为条带状矿物分布区域。

作为进一步限定的实施方式，所述延伸长度与平均宽度的预定阈值预先设置，其设置的过程包括：根据已知的图像信息，对其的裂隙进行人工标识，确定各裂隙延伸长度与平均宽度，将延伸长度的最大值与最小值与平均宽度的最大值与最小值作为识别条带状分布区域的阈值。

作为进一步限定的实施方式，所述网格化过程中网格大小为最小裂隙宽度的1/10。

作为进一步限定的实施方式，所述将矿物组合相近的网格划分到一起时，矿物种类相同且各类矿物含量相差不超过设定值。

作为可选择的实施方式，所述裂隙的几何信息包括裂隙区域面积、边缘、长度、倾角和数量。

作为可选择的实施方式，根据裂隙几何信息，根据已知的裂隙填充矿物类型与组合形式，以网格为单位，确定裂隙填充矿物边界，并计算裂隙填矿物覆盖裂隙区域比例，进而计算裂隙填充矿物内部各成分占比。

一种融合图像和光谱特征信息的裂隙识别系统，包括：

预处理模块，被配置为对获取的隧道内图像和光谱信息，分别进行预处理；

图像-裂隙识别模块，被配置为提取图像特征，根据图像特征进行裂隙识别；

光谱-裂隙识别模块，被配置为提取光谱特征，将光谱特征转化为矿物信息，结合对应位置信息，将其图像化，得到矿物分布图样，识别矿物分布图样中条带状矿物分布区域，判断条带状矿物分布区域内矿物是否符合裂隙填充矿物类型与组合形式，如果是，确定对应的条带状矿物分布区域为裂隙所在区域；

融合分析模块，被配置为融合图像特征得到的裂隙识别结果和光谱特征得到的裂隙识别结果，取两者的并集，形成完整裂隙识别结果，提取并计算裂隙几何信息和成分信息。

作为可选择的实施方式，还包括获取系统，所述系统包括机器人，以及机器人上搭载的图像采集模块和光谱信息采集模块。

与现有技术相比，本发明的有益效果为：

本发明对于较复杂的裂隙条件，在构建深度模型前期人工标识过程中，在图像信息的基础上引入光谱信息，即矿物信息，既有助于提升标识准确度，也有利于提高应用过程中裂隙识别准确度。

在获取裂隙几何信息的基础上，对裂隙填充物进行识别，裂隙填充物，如粘土矿物、蚀变矿物，有的来自热液流体，有的来自地下水输运，有的由岩体自身析出，填充物的性质及其与裂隙的结合形态，会对岩体的稳定性造成不同影响，填充物的成分与含量，对应不同条件下的物化作用，对分析该区域内地质条件有指导意义。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实现预先进行的流程示意图；

图2是本发明实现的流程示意图；

图3时本发明一种实施例的系统的结构示意图。

其中：1-无人机；2-成像光谱仪；3-CCD相机；4-镜头；5-全光谱卤素灯；6-升降平台；7-地面台车；8-控制器；9-数据处理装置。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1所示，为了实现本发明，首先进行预先前期构建过程，包括以下步骤：

构建前期光谱-矿物数据库，基于已有研究内容及网络资料，收集常见矿物及其对应的光谱特征信息，尤其关注常在裂隙充填物中出现的矿物；

选取适宜作业的隧道区域，获取图像与光谱信息，用于构建深度模型训练、测试数据集及后续结果校验。

将所获不同区域内扫描结果进行组合，并剔除重复信息得到两组完整的岩壁图像与光谱信息，对二者进行预处理。

对图像信息预处理一般包括灰度化、几何变换、图像增强；对光谱信息预处理一般包括辐射定标、反射率光谱重建和噪声消减。后提取光谱特征，利用光谱-矿物数据库，将光谱信息转化为矿物信息，结合对应位置信息，将其图像化，得到矿物分布图样，条带状分布矿物将明显突出。

对岩壁摄图像进行人工标识，比照矿物分布图样，确定并标注裂隙。

将所得到的结果，输入已有深度学习模型，进行训练与测试，直至满足测试条件。

通过两者的比照，这种方式有助于提升标识准确性。

在本发明中，深度学习模型的构建和训练、测试方法选用现有技术即可，在此不再赘述。

如图3所示，在实际应用时，采集隧道岩壁图像与光谱信息。采集时，可以用车载式和无人机式结合的采集装置。

以无人机式为例，主要装置包括搭载于无人机上的成像光谱仪2、CCD相机3和镜头4。搭载于地面台车7的，全光谱卤素灯5、升降平台6、控制器8和数据处理装置9，控制器8用于控制其他部件的动作。

利用控制器8调整车体与岩壁位置，平稳后，调整升降平台6，将全光谱卤素灯5调至对应高度，打开全光谱卤素灯5；打开成像光谱仪2、CCD相机3，调整镜头4；调整无人机1自地面台车7上起飞，首先对岩壁进行整体拍摄，获取岩壁几何位置信息，系统对岩壁进行自动划区，确定扫描拍摄步骤。

按既定步骤，再次调整升降平台6，由于隧道内地面条件较为复杂，地面台车7位置调整由操作者利用控制器8来完成，改变全光谱卤素灯5探照位置，利用无人机1进行扫描拍摄，操作者可在显示屏上看到运行进度，并利用控制器8按照提示，进行调控，直至完成整个岩壁的扫描拍摄，所获信息由自无人机1传至数据处理装置9进行处理；完成扫描拍摄后，关闭成像光谱仪2、CCD相机3，操纵无人机1飞回，地面台车7顶部凹槽，操纵控制器8，收回升降平台6，关闭光谱卤素灯5，操纵地面台车7前往下一扫描拍摄地点。

当然，采集装置还可以采用其他结构，在此并不赘述。

如图2所示，对采集的隧道岩壁图像与光谱信息进行上述预处理，得到可用图像与矿物分布图样，将输入测试后的深度学习模型，得到结果。

需要注意的是，岩壁上正常围岩区域与裂隙尤其是填充裂隙的矿物类型与组合形式不同，并且裂隙填充矿物组合沿裂隙分布，呈条带状分布，故在矿物图样上进行裂隙识别，只需要提取呈条带状分布的区域。

可以根据图像-裂隙识别结果，计算各裂隙延伸长度与平均宽度，选取图像-裂隙识别结果中延伸长度与平均宽度的最大值与最小值作为识别条带状分布区域的边界阈值。

对矿物分布图样进行网格化处理，网格尺寸取最小裂隙宽度的1/10，提取各网格内矿物种类与含量，将矿物组合相近的网格划分到一起，要求矿物种类相同且各类矿物含量相差不超过10％。

确定各区域边界网格，依据边界网格中心坐标，得到各区域延伸长度与平均宽度，确定在设置的边界阈值范围内的区域即判断为条带状矿物分布区域。

基于前期经验积累与现场地化分析结果，已掌握该作业范围内裂隙填充矿物种类及组合形式；比对各条带状矿物分布区域内矿物是否符合裂隙填充矿物类型与组合形式，最终识别裂隙所在区域。

对符合条件的条带状矿物分布区域，提取该区域网格内矿物类型与含量，与已知的各裂隙填充矿物类型与组合形式对比，要求类型相同、各类矿物含量相差不超过20％。

上述各参数可以根据具体实施环境进行更改或调整。

在实际应用时，获取了图像-裂隙识别结果和矿物分布图样裂隙识别结果，还需要进行融合处理。具体过程包括：

图像-裂隙识别结果与矿物分布图样裂隙识别结果，都对应着各自的位置信息，取二者位置信息的并集，最终得到完整裂隙识别结果。由系统对完整裂隙识别图样进行处理，利用区域生长法、边界跟踪算法等方式提取并计算裂隙提取裂隙区域面积、边缘、长度、倾角、数量等几何信息。

利用矿物分布图样裂隙填充矿物特征信息，结合所获完整裂隙几何位置信息，即选取属于裂隙区域的所有网格内矿物种类与含量；依据所掌握的裂隙填充矿物类型与组合形式，以网格为单位，确定裂隙填充矿物边界，并计算裂隙填矿物覆盖裂隙区域比例；后计算裂隙填充矿物内部各成分占比。

在计算裂隙填矿物覆盖裂隙区域比例时，利用矿物分布图样所得到的裂隙区域，由于有尺寸限制，部分符合裂隙填充矿物类型与组合形式的区域被排除在外；故依据所掌握的裂隙填充矿物类型与组合形式，以网格为单位，对裂隙区域网格内矿物种类与含量再次进行比对，确定裂隙填充矿物所在网格，并计算裂隙填矿物覆盖裂隙区域比例。

将裂隙几何信息与填充矿物信息结合，最终输出岩壁裂隙数量、分布、几何形态、填充状态(矿物成分/含量/分布位置)的整体信息。

每当进入新的隧道区域时，根据前期地质分析及其他地化测试手段，获取该隧道主体矿物种类及含量，尤其关注裂隙填充物矿物种类及含量，更新光谱-矿物数据库。其他步骤，如上所述。

一种融合图像和光谱特征信息的裂隙识别系统，包括：

预处理模块，被配置为对获取的隧道内图像和光谱信息，分别进行预处理；

图像-裂隙识别模块，被配置为提取图像特征，根据图像特征进行裂隙识别；

光谱-裂隙识别模块，被配置为提取光谱特征，将光谱特征转化为矿物信息，结合对应位置信息，将其图像化，得到矿物分布图样，识别矿物分布图样中条带状矿物分布区域，判断条带状矿物分布区域内矿物是否符合裂隙填充矿物类型与组合形式，如果是，确定对应的条带状矿物分布区域为裂隙所在区域；

融合分析模块，被配置为融合图像特征得到的裂隙识别结果和光谱特征得到的裂隙识别结果，取两者的并集，形成完整裂隙识别结果，提取并计算裂隙几何信息和成分信息。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (9)

1.一种融合图像和光谱特征信息的裂隙识别方法，其特征是，包括以下步骤：

对获取的隧道内图像和光谱信息分别进行预处理；

提取图像特征，根据图像特征进行裂隙识别；

提取光谱特征，将光谱特征转化为矿物信息，结合对应位置信息，将其图像化，得到矿物分布图样；

识别矿物分布图样中条带状矿物分布区域，判断条带状矿物分布区域内矿物是否符合裂隙填充矿物类型与组合形式，如果是，确定对应的条带状矿物分布区域为裂隙所在区域；

融合图像特征得到的裂隙识别结果和光谱特征得到的裂隙识别结果，取两者的并集，形成完整裂隙识别结果，提取并计算裂隙几何信息和成分信息；

识别矿物分布图样中条带状矿物分布区域的具体过程包括：对矿物分布图样进行网格化处理，提取各网格内矿物种类与含量，将矿物组合相近的网格划分到一起，形成不同的区域，确定各区域边界网格，依据边界网格中心坐标，得到各区域延伸长度与平均宽度，选取各区域延伸长度与平均宽度分别小于其预定阈值的区域为条带状矿物分布区域。

2.如权利要求1所述的一种融合图像和光谱特征信息的裂隙识别方法，其特征是，对图像信息进行预处理的过程包括灰度化、几何变换和图像增强；

对光谱信息预处理包括辐射定标、反射率光谱重建和噪声消减；将光谱特征转化为矿物信息的过程，是利用根据已知光谱信息和矿物信息构建的光谱-矿物数据库实现的。

3.如权利要求1所述的一种融合图像和光谱特征信息的裂隙识别方法，其特征是，所述延伸长度与平均宽度的预定阈值预先设置，其设置的过程包括：根据已知的图像信息，对其的裂隙进行人工标识，确定各裂隙延伸长度与平均宽度，将延伸长度的最大值与最小值与平均宽度的最大值与最小值作为识别条带状分布区域的阈值。

4.如权利要求3所述的一种融合图像和光谱特征信息的裂隙识别方法，其特征是，所述网格化过程中网格大小小于最小裂隙宽度的1/10。

5.如权利要求1或4所述的一种融合图像和光谱特征信息的裂隙识别方法，其特征是，所述将矿物组合相近的网格划分到一起时，矿物种类相同且各类矿物含量相差不超过设定值。

6.如权利要求1所述的一种融合图像和光谱特征信息的裂隙识别方法，其特征是，所述裂隙的几何信息包括裂隙区域面积、边缘、长度、倾角和数量。

7.如权利要求1或6所述的一种融合图像和光谱特征信息的裂隙识别方法，其特征是，根据裂隙几何信息，根据已知的裂隙填充矿物类型与组合形式，以网格为单位，确定裂隙填充矿物边界，并计算裂隙填矿物覆盖裂隙区域比例，进而计算裂隙填充矿物内部各成分占比。

8.一种融合图像和光谱特征信息的裂隙识别系统，其特征是，包括：

预处理模块，被配置为对获取的隧道内图像和光谱信息，分别进行预处理；

图像-裂隙识别模块，被配置为提取图像特征，根据图像特征进行裂隙识别；

光谱-裂隙识别模块，被配置为提取光谱特征，将光谱特征转化为矿物信息，结合对应位置信息，将其图像化，得到矿物分布图样，识别矿物分布图样中条带状矿物分布区域，判断条带状矿物分布区域内矿物是否符合裂隙填充矿物类型与组合形式，如果是，确定对应的条带状矿物分布区域为裂隙所在区域；

融合分析模块，被配置为融合图像特征得到的裂隙识别结果和光谱特征得到的裂隙识别结果，取两者的并集，形成完整裂隙识别结果，提取并计算裂隙几何信息和成分信息；

识别矿物分布图样中条带状矿物分布区域的具体过程包括：对矿物分布图样进行网格化处理，提取各网格内矿物种类与含量，将矿物组合相近的网格划分到一起，形成不同的区域，确定各区域边界网格，依据边界网格中心坐标，得到各区域延伸长度与平均宽度，选取各区域延伸长度与平均宽度分别小于其预定阈值的区域为条带状矿物分布区域。

9.如权利要求8所述的一种融合图像和光谱特征信息的裂隙识别系统，其特征是，还包括获取系统，所述系统包括机器人，以及机器人上搭载的图像采集模块和光谱信息采集模块。