CN116109906A - 一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法 - Google Patents
一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法 Download PDFInfo
- Publication number
- CN116109906A CN116109906A CN202310369794.8A CN202310369794A CN116109906A CN 116109906 A CN116109906 A CN 116109906A CN 202310369794 A CN202310369794 A CN 202310369794A CN 116109906 A CN116109906 A CN 116109906A
- Authority
- CN
- China
- Prior art keywords
- core
- image
- training
- rqd
- images
- 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
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于MaskRCNN结合U‑Net的人工智能岩体RQD计算方法,所述人工智能岩体RQD计算方法包括岩芯数字影像采集步骤和对数字影像进行人工标注并进行基于MaskRCNN算法和U‑Net算法的机器学习训练并输出训练模型步骤,并对后续的照片使用模型进行岩芯图像校正、岩芯识别及RQD计算。通过本发明方法计算岩体RQD则弥补了传统测算方法效率低下且存在安全隐患的缺点,有着安全、高效、准确的优点。
Description
技术领域
本发明属于岩土工程技术领域,尤其涉及一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法。
背景技术
矿山边坡的稳定性研究需要对边坡岩体质量进行分级,而岩石质量指标RQD作为其中一种分级标准,其目前最常用的编录手段仍然是人工测算,这种方式效率低下且存在安全隐患。
发明内容
本发明的目的在于:为了克服现有技术问题,公开了一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法,通过本发明方法计算岩体RQD则弥补了传统测算方法的缺点。
本发明目的通过下述技术方案来实现:
一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法,所述人工智能岩体RQD计算方法包括如下步骤:
S1:对放置岩芯箱内的岩芯进行数字影像采集,采集结束对数字影像进行命名存储;
S2:使用labelme软件人工标注数字影像上岩芯箱的四个角点,将生成的标注文件输入MaskRCNN算法进行训练,使用训练生成的模型文件对数字影像上岩芯箱四个角点进行识别,并输出识别的岩心箱角点的图像二维坐标,
根据岩心箱角点的图像二维坐标采用OpenCV图像处理软件库中的透视变换函数对图像进行裁剪和透视变换以校正图像,得到尺寸为1024*512像素的岩芯正视图;
S3:将得到的岩芯正视图进行数据增强处理,得到若干张512*512像素尺寸的岩芯图像,其中70%用作训练集,30%用作测试集,使用labelme软件对图像进行标注,生成标注文件;
S4:将标注文件输入U-Net算法进行训练,通过训练生成用来分割岩芯图像的模型文件;
S5:使用步骤S4训练得到的模型文件对岩芯图像进行分割,得到分割掩码和背景组成的尺寸512*512像素分割结果图像,将图像拼接成完整的1024*512像素的岩芯分割图像;
采用OpenCV图像处理软件库中的寻找轮廓函数对岩芯分割图像进行处理,得到每个分割的岩芯段都是一个轮廓,计算每个轮廓的像素长度,根据岩芯箱像素长度与实际长度的比值,计算每个岩芯段的长度,并计算得到岩芯段RQD值。
根据一个优选的实施方式,步骤S1中进行数字影像采集过程的采集环境包括在野外自然条件下进行图像采集。
根据一个优选的实施方式,步骤S1中进行数字影像采集的采集设备包括智能手机。
根据一个优选的实施方式,步骤S3中,岩芯正视图进行数据增强包括:裁剪和旋转操作,并得到600张512*512像素尺寸的岩芯图像。
根据一个优选的实施方式,步骤S4训练过程使用的配置是Intel(R) Xeon(R)Gold 5120 CPU @ 2.20GHz+2.19GHz的处理器与NVIDIA Quadro M6000显卡的Windows10系统的电脑。
根据一个优选的实施方式,步骤S4标注文件输入U-Net算法进行训练的训练时长为72小时,最终网络总损失降低到0.05以下。
前述本发明主方案及其各进一步选择方案可以自由组合以形成多个方案,均为本发明可采用并要求保护的方案。本领域技术人员在了解本发明方案后根据现有技术和公知常识可明了有多种组合,均为本发明所要保护的技术方案,在此不做穷举。
本发明的有益效果:
本发明人工智能岩体RQD计算方法包括岩芯数字影像采集步骤和对数字影像进行人工标注并进行基于MaskRCNN算法和U-Net算法的机器学习训练并输出训练模型步骤,并对后续的照片使用模型进行岩芯图像校正、岩芯识别及RQD计算。通过本发明方法计算岩体RQD则弥补了传统测算方法的缺点,有着安全、高效、准确的优点。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
实施例1:
本实施例公开了一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法。所述人工智能岩体RQD计算方法包括岩芯数字影像采集步骤和对数字影像进行人工标注并进行基于MaskRCNN算法和U-Net算法的机器学习训练并输出训练模型步骤,并对后续的照片使用模型进行岩芯图像校正、岩芯识别及RQD计算。
具体地,本发明人工智能岩体RQD计算方法包括如下步骤:
步骤S1:对放置岩芯箱内的岩芯进行数字影像采集,采集结束对数字影像进行命名存储。
优选地,步骤S1中进行数字影像采集过程的采集环境可以是在野外自然条件下进行图像采集。
优选地,步骤S1中进行数字影像采集的采集设备可以是智能手机,例如华为P40手机。
步骤S2:使用labelme软件人工标注数字影像上岩芯箱的四个角点,将生成的标注文件输入MaskRCNN算法进行训练,使用训练生成的模型文件对数字影像上岩芯箱四个角点进行识别,并输出识别的岩心箱角点的图像二维坐标。
根据岩心箱角点的图像二维坐标采用OpenCV图像处理软件库中的透视变换函数对图像进行裁剪和透视变换以校正图像,得到尺寸为1024*512像素的岩芯正视图。
步骤S3:将得到的岩芯正视图进行数据增强处理,得到若干张512*512像素尺寸的岩芯图像,其中70%用作训练集,30%用作测试集,使用labelme软件对图像进行标注,生成标注文件。
优选地,步骤S3中,岩芯正视图进行数据增强包括:裁剪和旋转操作,并得到600张512*512像素尺寸的岩芯图像。
步骤S4:将标注文件输入U-Net算法进行训练,通过训练生成用来分割岩芯图像的模型文件。
优选地,步骤S4训练过程使用的配置是Intel(R) Xeon(R) Gold 5120 CPU @2.20GHz+2.19GHz的处理器与NVIDIA Quadro M6000显卡的Windows10系统的电脑。
进一步地,步骤S4标注文件输入U-Net算法进行训练的训练时长为72小时,最终网络总损失降低到0.05以下。
步骤S5:使用步骤S4训练得到的模型文件对岩芯图像进行分割,得到分割掩码和背景组成的尺寸512*512像素分割结果图像,将图像拼接成完整的1024*512像素的岩芯分割图像。
采用OpenCV图像处理软件库中的寻找轮廓函数对岩芯分割图像进行处理,得到每个分割的岩芯段都是一个轮廓,计算每个轮廓的像素长度。根据岩芯箱像素长度与实际长度的比值,计算每个岩芯段的长度,并计算得到岩芯段RQD值。
本发明人工智能岩体RQD计算方法包括岩芯数字影像采集步骤和对数字影像进行人工标注并进行基于MaskRCNN算法和U-Net算法的机器学习训练并输出训练模型步骤,并对后续的照片使用模型进行岩芯图像校正、岩芯识别及RQD计算。通过本发明方法计算岩体RQD则弥补了传统测算方法的缺点,有着安全、高效、准确的优点。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法,其特征在于,所述人工智能岩体RQD计算方法包括如下步骤:
S1:对放置岩芯箱内的岩芯进行数字影像采集,采集结束对数字影像进行命名存储;
S2:使用labelme软件人工标注数字影像上岩芯箱的四个角点,将生成的标注文件输入MaskRCNN算法进行训练,使用训练生成的模型文件对数字影像上岩芯箱四个角点进行识别,并输出识别的岩心箱角点的图像二维坐标,
根据岩心箱角点的图像二维坐标采用OpenCV图像处理软件库中的透视变换函数对图像进行裁剪和透视变换以校正图像,得到尺寸为1024*512像素的岩芯正视图;
S3:将得到的岩芯正视图进行数据增强处理,得到若干张512*512像素尺寸的岩芯图像,其中70%用作训练集,30%用作测试集,使用labelme软件对图像进行标注,生成标注文件;
S4:将标注文件输入U-Net算法进行训练,通过训练生成用来分割岩芯图像的模型文件;
S5:使用步骤S4训练得到的模型文件对岩芯图像进行分割,得到分割掩码和背景组成的尺寸512*512像素分割结果图像,将图像拼接成完整的1024*512像素的岩芯分割图像;
采用OpenCV图像处理软件库中的寻找轮廓函数对岩芯分割图像进行处理,得到每个分割的岩芯段都是一个轮廓,计算每个轮廓的像素长度,根据岩芯箱像素长度与实际长度的比值,计算每个岩芯段的长度,并计算得到岩芯段RQD值。
2.如权利要求1所述的人工智能岩体RQD计算方法,其特征在于,步骤S1中进行数字影像采集过程的采集环境包括在野外自然条件下进行图像采集。
3.如权利要求1所述的人工智能岩体RQD计算方法,其特征在于,步骤S1中进行数字影像采集的采集设备包括智能手机。
4.如权利要求1所述的人工智能岩体RQD计算方法,其特征在于,步骤S3中,岩芯正视图进行数据增强包括:裁剪和旋转操作,并得到600张512*512像素尺寸的岩芯图像。
5.如权利要求1所述的人工智能岩体RQD计算方法,其特征在于,步骤S4训练过程使用的配置是Intel Xeon Gold 5120 CPU @ 2.20GHz+2.19GHz的处理器与NVIDIA QuadroM6000显卡的Windows10系统的电脑。
6.如权利要求5所述的人工智能岩体RQD计算方法,其特征在于,步骤S4标注文件输入U-Net算法进行训练的训练时长为72小时,最终网络总损失降低到0.05以下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369794.8A CN116109906B (zh) | 2023-04-10 | 2023-04-10 | 一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369794.8A CN116109906B (zh) | 2023-04-10 | 2023-04-10 | 一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109906A true CN116109906A (zh) | 2023-05-12 |
CN116109906B CN116109906B (zh) | 2023-06-23 |
Family
ID=86267583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310369794.8A Active CN116109906B (zh) | 2023-04-10 | 2023-04-10 | 一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109906B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032532A1 (en) * | 2013-12-05 | 2017-02-02 | Schlumberger Technology Corporation | Digital Core Model Construction |
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 |
CN112241711A (zh) * | 2020-10-22 | 2021-01-19 | 东北大学 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
WO2022031839A1 (en) * | 2020-08-07 | 2022-02-10 | Bly Ip Inc. | Systems and methods for improved core sample analysis |
CN114387328A (zh) * | 2021-12-22 | 2022-04-22 | 西安理工大学 | 基于深度学习模型和岩心图像的rqd计算方法 |
CN115035297A (zh) * | 2022-06-16 | 2022-09-09 | 东北大学 | 一种钻探岩芯rqd自动编录方法、系统、装置及介质 |
CN115393605A (zh) * | 2022-08-10 | 2022-11-25 | 长江三峡勘测研究院有限公司(武汉) | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
-
2023
- 2023-04-10 CN CN202310369794.8A patent/CN116109906B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032532A1 (en) * | 2013-12-05 | 2017-02-02 | Schlumberger Technology Corporation | Digital Core Model Construction |
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 |
WO2022031839A1 (en) * | 2020-08-07 | 2022-02-10 | Bly Ip Inc. | Systems and methods for improved core sample analysis |
CN112241711A (zh) * | 2020-10-22 | 2021-01-19 | 东北大学 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
CN114387328A (zh) * | 2021-12-22 | 2022-04-22 | 西安理工大学 | 基于深度学习模型和岩心图像的rqd计算方法 |
CN115035297A (zh) * | 2022-06-16 | 2022-09-09 | 东北大学 | 一种钻探岩芯rqd自动编录方法、系统、装置及介质 |
CN115393605A (zh) * | 2022-08-10 | 2022-11-25 | 长江三峡勘测研究院有限公司(武汉) | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN116109906B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705405B (zh) | 目标标注的方法及装置 | |
CN109978078B (zh) | 字体版权检测方法、介质、计算机设备及装置 | |
CN110267101B (zh) | 一种基于快速三维拼图的无人机航拍视频自动抽帧方法 | |
WO2022089143A1 (zh) | 模拟图像生成的方法、电子设备及存储介质 | |
CN110135413B (zh) | 一种字符识别图像的生成方法、电子设备和可读存储介质 | |
CN111368695A (zh) | 一种表格结构提取方法 | |
CN112967255A (zh) | 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法 | |
CN111597932A (zh) | 基于卷积神经网络的道路裂缝图像识别方法、装置及系统 | |
CN110619334A (zh) | 基于深度学习的人像分割方法、架构及相关装置 | |
CN113706472A (zh) | 公路路面病害检测方法、装置、设备及存储介质 | |
CN112001317A (zh) | 基于语义信息的导线缺陷识别方法、系统及终端设备 | |
CN116030453A (zh) | 一种数字电气表计的识别方法、装置及设备 | |
Xingjie et al. | The image blending method for face swapping | |
CN116109906B (zh) | 一种基于MaskRCNN结合U-Net的人工智能岩体RQD计算方法 | |
CN112966698A (zh) | 基于轻量化卷积网络的淡水鱼图像实时识别方法 | |
KR20210116371A (ko) | 이미지 처리 방법, 장치, 전자장비, 컴퓨터 판독가능 저장 매체 및 컴퓨터 프로그램 | |
CN117095275A (zh) | 一种数据中心资产盘点方法、系统、装置及存储介质 | |
CN111091614A (zh) | 一种变电站三维实景模型建立方法及系统 | |
CN111798481A (zh) | 图像序列分割方法及装置 | |
CN115587943A (zh) | 点云数据的去噪方法、装置、电子设备及存储介质 | |
CN115565178A (zh) | 一种字体识别的方法及装置 | |
CN114494901A (zh) | 一种水体提取方法、系统、存储介质及计算设备 | |
CN110019904A (zh) | 一种基于大数据的图像检索方法 | |
CN113642582A (zh) | 电表读数识别方法、装置、电子设备和存储介质 | |
CN113191336A (zh) | 基于图像识别的电力隐患识别方法及系统 |
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 |