CN117173425A - 一种岩石结构面粗糙度智能提取方法及系统 - Google Patents

Abstract

本申请涉及结构面粗糙度提取技术领域，尤其涉及一种岩石结构面粗糙度智能提取方法及系统，方法包括：采集待测结构面的图像信息；获取图像信息在设定方向上的像素值序列，并将方差最大值对应的像素值序列作为目标序列；对目标序列进行有序样品聚类，并依据聚类结果构建目标序列的序列特征，目标序列的聚类结果包括多个子序列；依据多个子序列的数量对标准轮廓曲线进行有序样品聚类以构建标准轮廓曲线的曲线特征，且一条标准轮廓曲线对应一个粗糙度系数；计算序列特征与各曲线特征之间的相似度，将相似度最大值对应标准轮廓曲线的粗糙度系数作为粗糙度提取结果。本申请能够提高岩石结构面粗糙度的准确性。

Description

一种岩石结构面粗糙度智能提取方法及系统

技术领域

本申请一般地涉及结构面粗糙度提取技术领域，尤其涉及一种岩石结构面粗糙度智能提取方法及系统。

背景技术

岩石结构面是指岩石中存在的各种断裂或面状结构，结构面的存在破坏了岩石自身的完整性和连续性，因此结构面的特征往往决定了岩石的力学行为和稳定性。岩体结构面的粗糙度是决定结构面强度的一个关键参数，因此，为准确判断岩石的力学行为和稳定性，准确提取结构面粗糙度系数(JRC)是不可避免的一个环节。

目前，公开号为CN105678786A的专利申请文件公开了一种基于Jaccard相似度量的结构面粗糙度系数评价方法，选取Barton的m条标准轮廓曲线并以μ为精度对标准轮廓曲线中各点进行坐标数据的提取；根据提取的x、y坐标数据，计算起伏角度，并通过对相邻起伏角度频数的归一化得到标准轮廓曲线的特征向量；在野外现场选定所需要测定的结构面，统计测试轮廓曲线上所有相邻起伏角度的分布规律，记录θi出现在每个区间内的频数，构成测试轮廓曲线特征向量；根据Jaccard相似度量方法确定测试曲线与m条标准曲线的相似度，将最大相似度的标准曲线对应的粗糙度系数范围作为该测试曲线的粗糙度系数值。

上述方法采集待测结构面的轮廓曲线，并依据轮廓曲线中相邻起伏角度构建待测结构面的特征向量，借助特征向量计算待测结构面与标准曲线之间的相似度以获取粗糙度系数值，然而，上述方法忽略了待测结构面轮廓曲线的长度对相似度计算的影响，且一个待测结构面可采集多条测试轮廓曲线，选用不同测试轮廓曲线其对应的粗糙度系数值不同，会使岩石结构面粗糙度的准确性降低。

发明内容

为了解决现有技术中的上述技术问题，本申请提供了一种岩石结构面粗糙度智能提取方法，以提高岩石结构面粗糙度的准确性。

本发明提供了一种岩石结构面粗糙度智能提取方法，用于提取待测结构面在设定方向上的粗糙度，包括：采集待测结构面的图像信息，所述图像信息包括灰度图或深度图；获取所述图像信息在所述设定方向上的像素值序列，并将方差最大值对应的像素值序列作为目标序列；对所述目标序列进行有序样品聚类，并依据所述目标序列的聚类结果构建所述目标序列的序列特征，所述目标序列的聚类结果包括多个子序列；依据所述多个子序列的数量对标准轮廓曲线进行有序样品聚类，并依据所述标准轮廓曲线的聚类结果构建所述标准轮廓曲线的曲线特征，其中，一条标准轮廓曲线对应一个粗糙度系数；计算所述序列特征与所述曲线特征之间的相似度，将相似度最大值对应标准轮廓曲线的粗糙度系数作为所述待测结构面在所述设定方向上的粗糙度。

在一些实施例中，对所述目标序列进行有序样品聚类包括：设置初始聚类数；依据所述初始聚类数对所述目标序列进行有序样品聚类，得到所述初始聚类数对应的初始聚类结果和初始聚类损失，其中，所述初始聚类结果包括与所述初始聚类数相同的子序列；将所述初始聚类数加1以更新所述初始聚类数，重复执行有序样品聚类，得到更新后的初始聚类数对应的初始聚类结果和初始聚类损失；迭代地更新所述初始聚类数，响应于更新后的初始聚类数等于所述目标序列中像素值的数量，绘制初始聚类损失曲线，所述初始聚类损失曲线的横坐标为初始聚类数，纵坐标为初始聚类数对应的初始聚类损失；获取所述初始聚类损失曲线中拐点对应的初始聚类数作为目标聚类数，将所述目标聚类数对应的初始聚类结果作为所述目标序列的聚类结果。

在一些实施例中，依据所述目标序列的聚类结果构建所述目标序列的序列特征包括：将所述目标序列的聚类结果中多个子序列按照先后顺序进行排列；获取各子序列的长度和平均像素值；分别计算子序列的长度在所述目标序列的长度中的占比以获取分段长度向量；对于一个子序列，用所述子序列的平均像素值减去下一个相邻子序列的平均像素值，得到所述子序列的像素变化量，将像素变化量按照子序列的先后顺序进行排列以获取像素变化向量；将所述分段长度向量和所述像素变化向量拼接在一起，得到所述目标序列的序列特征。

在一些实施例中，所述目标序列的序列特征还包括所述目标序列的聚类损失，其中，所述目标序列的聚类损失为所述目标聚类数对应的初始聚类损失。

在一些实施例中，所述相似度满足关系式：

；

其中，为序列特征，/>为第/>条标准轮廓曲线的曲线特征，/>为第/>条标准轮廓曲线的曲线特征与序列特征的距离，/>为第/>条标准轮廓曲线的曲线特征与序列特征之间的相似度。

在一些实施例中，所述距离为欧氏距离或曼哈顿距离。

本发明还提供了一种岩石结构面粗糙度智能提取系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现本发明所述的岩石结构面粗糙度智能提取方法。

本申请实施例提供的上述岩石结构面粗糙度智能提取方法，采集待测结构面的图像信息，沿设定方向从图像信息中筛选出最能够表征待测结构面粗糙度信息的像素值序列，作为目标序列；进一步，依据有序样品聚类将目标序列划分为多个子序列，子序列内像素值差异较小，子序列之间像素值差异较大，并依据多个子序列构建序列特征以提取目标序列中的粗糙度信息；按照同样的方法提取标准轮廓曲线的曲线特征，并借助曲线特征和序列特征衡量标准轮廓曲线与目标序列之间的相似度，由于曲线特征与序列特征的尺寸相同，避免了目标序列与标准轮廓曲线长度不同对相似度的影响，将最大相似度对应标准轮廓曲线的粗糙度系数作为待测结构面在设定方向上的粗糙度，提高岩石结构面粗糙度的准确性。

进一步地，依据多个子序列构建目标序列的序列特征，该序列特征能够反映目标序列中各子序列长度的分布情况、各子序列间平均像素值的变化情况以及各子序列中像素值之间的差异大小，准确提取目标序列中的粗糙度相关信息。

附图说明

通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是根据本申请实施例的岩石结构面粗糙度智能提取方法的流程图；

图2是根据本申请实施例的标准轮廓曲线的示意图；

图3是根据本申请实施例的岩石结构面粗糙度智能提取系统的框图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件或其集合的存在或添加。

根据本申请的第一方面，本申请提供了一种岩石结构面粗糙度智能提取方法，用于提取待测结构面在设定方向上的粗糙度，其中所述待测结构面为任意需要测量粗糙度的岩石结构面。

请参阅图1所示，为本申请较佳实施方式提供的岩石结构面粗糙度智能提取方法的流程图。根据不同的需求，所述流程图中步骤的顺序可以改变，某些步骤可以省略。

S11，采集待测结构面的图像信息，所述图像信息包括灰度图或深度图。

在一个实施例中，待测结构面为任意需要测量粗糙度的岩石结构面，采集待测结构面的图像信息，图像信息为灰度图或深度图；响应于所述图像信息为灰度图，图像信息中的像素值用于表征待测结构面上的纹理信息；响应于所述图像信息为深度图，图像信息中的像素值用于表征待测结构面上的深度信息，所述深度信息为待测结构面上的点到成像平面的距离。可以理解的，纹理信息和深度信息的在设定方向上的变化均可反映待测结构面在设定方向上的粗糙度信息。

S12，获取所述图像信息在所述设定方向上的像素值序列，并将方差最大值对应的像素值序列作为目标序列。

在一个实施例中，从所述图像信息中提取设定方向上的多个像素值序列，其中像素值序列的长度和数量与图像信息的尺寸有关。示例性地，假设设定方向为竖直方向，图像信息的宽高尺寸分别为24×24，则共可提取到24个像素值序列，且每个像素值序列包括24个像素值。

在一个实施例中，在多个像素值序列中，像素值序列的方差越大，表示该像素值序列对应的轮廓曲线越复杂，越能够真实反映待测结构面的粗糙度信息；为确保能够提取到准确的粗糙度，计算每条像素值序列的方差，将方差最大值对应的像素值序列作为目标序列；该目标序列能准确反映待测结构面的粗糙度信息。

S13，对所述目标序列进行有序样品聚类，并依据所述目标序列的聚类结果构建所述目标序列的序列特征，所述目标序列的聚类结果包括多个子序列。

在一个实施例中，目标序列包括固定数量的像素值，有序样品聚类可以在不打乱像素值顺序的前提下，将目标序列中的像素值划分为多个子序列，一个子序列包含至少一个像素值，且子序列中像素值的顺序与目标序列中的顺序相同。

具体地，对所述目标序列进行有序样品聚类包括：设置初始聚类数；依据所述初始聚类数对所述目标序列进行有序样品聚类，得到所述初始聚类数对应的初始聚类结果和初始聚类损失，其中，所述初始聚类结果包括与所述初始聚类数相同的子序列；将所述初始聚类数加1以更新所述初始聚类数，重复执行有序样品聚类，得到更新后的初始聚类数对应的初始聚类结果和初始聚类损失；迭代地更新所述初始聚类数，响应于更新后的初始聚类数等于所述目标序列中像素值的数量，绘制初始聚类损失曲线，所述初始聚类损失曲线的横坐标为初始聚类数，纵坐标为初始聚类数对应的初始聚类损失；获取所述初始聚类损失曲线中拐点对应的初始聚类数作为目标聚类数，将所述目标聚类数对应的初始聚类结果作为所述目标序列的聚类结果。

其中，初始聚类数为2；所述目标序列的聚类结果中子序列的数量与目标聚类数相同。

在一个实施例中，有序样品聚类通过不断寻找最优分割点，将目标序列划分为多个子序列，使得各子序列内像素值之间的差异最小，而各子序列之间像素值的差异最大。例如，若目标序列包括6个像素值，即。当有序样品聚类寻找到两个最优分割点3和4时，即可将目标序列划分为/>、/>和/>共三个子序列。

具体地，依据所述初始聚类数对所述目标序列进行有序样品聚类，得到所述初始聚类数对应的初始聚类结果和初始聚类损失包括：定义子序列的直径，其中第个子序列的直径满足关系式：

；

其中，和/>分别为第/>个子序列的起始编号和终止编号，/>为第/>个子序列中编号为/>的像素值，/>为第/>个子序列中所有像素值的平均值，/>为第/>个子序列的直径；依据子序列的直径构建初始聚类损失，所述初始聚类损失满足关系式：

；

其中，表示把目标序列中的/>个像素值划分为/>个子序列的一种分割方法，/>为所述初始聚类数，/>为第/>个子序列的直径，/>为分割方法对应的初始聚类损失；在对所述目标序列进行有序样品聚类的过程中，初始聚类损失/>的递推公式满足下列公式：

；

；

为将/>个像素值划分为/>个子序列的最优分法，即要想将/>个像素值划分为/>个子序列的最优分法，应建立在/>个像素值划分为/>个子序列的最优分法的基础上，这里的/>为分割点的位置，满足关系/>；依据所述递推公式得到将目标序列中/>个像素值划分为/>个子序列的最优分法/>，并将对应的初始聚类损失/>作为所述初始聚类数的初始聚类损失，将最优分法/>对应的多个子序列作为所述初始聚类数的初始聚类结果。

可以理解地，当目标序列中像素值的数量和子序列数量/>固定时，初始聚类损失/>越小表示各子序列的离差平方和越小，分割方法越合理，遍历所有可能的分割分法，得到当前子序列数量/>下的最优分法，该最优分法使初始聚类损失/>达到最小，将最优分法记为/>，即/>是使/>达到最小值的分割方法。

至此，将目标序列分为了多个子序列，且子序列的数量等于目标聚类数，同一个子序列内的像素值差异较小。

在一个可选的实施例中，将目标序列划分为多个子序列后，每个子序列内像素值之间的差异最小，而各子序列之间像素值的差异最大，通过对比多个子序列即可反映目标序列中像素值的变化情况，从而构建待测结构面在设定方向上的粗糙度特征，具体描述如下。依据所述目标序列的聚类结果构建所述目标序列的序列特征包括：将所述目标序列的聚类结果中多个子序列按照先后顺序进行排列；获取各子序列的长度和平均像素值；分别计算子序列的长度在所述目标序列的长度中的占比以获取分段长度向量；对于一个子序列，用所述子序列的平均像素值减去下一个相邻子序列的平均像素值，得到所述子序列的像素变化量，将像素变化量按照子序列的先后顺序进行排列以获取像素变化向量；将所述分段长度向量和所述像素变化向量拼接在一起，得到所述目标序列的序列特征。

示例性地，在目标序列的聚类结果中，将目标序列共划分为、/>和共三个子序列，则分段长度向量记为/>；将三个子序列的平均像素值依次记为/>，则像素变化向量记为/>；将分段长度向量和像素变化向量拼接在一起，即可得到目标序列的序列特征。

在另一个可选的实施例中，所述目标序列的序列特征还包括所述目标序列的聚类损失，其中，所述目标序列的聚类损失为所述目标聚类数对应的初始聚类损失；聚类损失用于反映各子序列中像素值之间的差异大小。

示例性地，在目标序列的聚类结果中，将目标序列共划分为、/>和共三个子序列，则分段长度向量记为/>；将三个子序列的平均像素值依次记为/>，则像素变化向量记为/>；且目标序列的聚类损失为0.54；将分段长度向量、像素变化向量以及目标序列的聚类损失拼接在一起，即可得到目标序列的序列特征/>。

如此，通过有序样品聚类将目标序列划分为多个子序列，多个子序列的数量为目标聚类数，且一个子序列内像素值之间的差异最小，各子序列之间像素值的差异最大；进一步地，依据多个子序列构建目标序列的序列特征，该序列特征能够反映目标序列中各子序列长度的分布情况、各子序列间平均像素值的变化情况以及各子序列中像素值之间的差异大小，序列特征的长度与目标聚类数有关，为后续提取待测结构面在所述设定方向上的粗糙度提供数据基础。

S14，依据所述多个子序列的数量对标准轮廓曲线进行有序样品聚类，并依据聚类结果构建所述标准轮廓曲线的曲线特征，其中，一条标准轮廓曲线对应一个粗糙度系数。

在一个实施例中，选取Barton的多条标准轮廓曲线，且每条标准轮廓曲线均对应一个粗糙度系数。在本申请实施例中，标准轮廓曲线的数量为10条，标准轮廓曲线的示意图如图2所示。

在目标序列的聚类结果中子序列的数量等于目标聚类数；依据所述多个子序列的数量对每条标准轮廓曲线进行有序样品聚类，即将一条标准轮廓曲线同样划分为与目标聚类数相同的多个子序列，其中“依据所述多个子序列的数量对每条标准轮廓曲线进行有序样品聚类”与步骤S13中“依据所述初始聚类数对所述目标序列进行有序样品聚类”的方法相同，在此不再赘述。

得到一条标准轮廓曲线的聚类结果之后，依据该聚类结果构建所述标准轮廓曲线的曲线特征，其中“构建所述标准轮廓曲线的曲线特征”与步骤S13中“依据聚类结果构建所述目标序列的序列特征”的方法相同，在此不再赘述。可以理解地，由于标准轮廓曲线的聚类结果中子序列的数量同样为目标聚类数，故标准轮廓曲线对应曲线特征的尺寸与目标序列对应序列特征的尺寸相同。

如此，按照相同的方法得到每条标准轮廓曲线的曲线特征，其曲线特征与目标序列的序列特征尺寸相同，避免了标准轮廓曲线和目标序列的长度不同对后续计算相似度的影响，确保相似度的准确性，进而获取待测结构面在设定方向上准确的粗糙度。

S15，计算所述序列特征与所述曲线特征之间的相似度，将相似度最大值对应标准轮廓曲线的粗糙度系数作为所述待测结构面在所述设定方向上的粗糙度。

在一个实施例中，所述相似度满足关系式：

；

其中，为序列特征，/>为第/>条标准轮廓曲线的曲线特征，/>为第/>条标准轮廓曲线的曲线特征与序列特征的距离，/>为第/>条标准轮廓曲线的曲线特征与序列特征之间的相似度；其中，所述距离为欧氏距离或曼哈顿距离。

如此，将相似度最大值对应标准轮廓曲线的粗糙度系数作为所述待测结构面在所述设定方向上的粗糙度，完成待测结构面在设定方向上的粗糙度提取。

本申请实施例提供的上述岩石结构面粗糙度智能提取方法，采集待测结构面的图像信息，沿设定方向从图像信息中筛选出最能够表征待测结构面粗糙度信息的像素值序列，作为目标序列；进一步，依据有序样品聚类将目标序列划分为多个子序列，子序列内像素值差异较小，子序列之间像素值差异较大，并依据多个子序列构建序列特征以提取目标序列中的粗糙度信息；按照同样的方法提取标准轮廓曲线的曲线特征，并借助曲线特征和序列特征衡量标准轮廓曲线与目标序列之间的相似度，由于曲线特征与序列特征的尺寸相同，避免了目标序列与标准轮廓曲线长度不同对相似度的影响，将最大相似度对应标准轮廓曲线的粗糙度系数作为待测结构面在设定方向上的粗糙度，提高岩石结构面粗糙度的准确性。

本申请还提供了一种岩石结构面粗糙度智能提取系统。图3是根据本申请实施例的岩石结构面粗糙度智能提取系统的框图。如图3所示，所述装置50包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本申请第一方面所述的一种岩石结构面粗糙度智能提取方法。所述装置50还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本申请中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本申请描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种岩石结构面粗糙度智能提取方法，用于提取待测结构面在设定方向上的粗糙度，其特征在于：

S11，采集待测结构面的图像信息，所述图像信息包括灰度图或深度图；

S12，获取所述图像信息在所述设定方向上的像素值序列，并将方差最大值对应的像素值序列作为目标序列；

S13，对所述目标序列进行有序样品聚类，并依据所述目标序列的聚类结果构建所述目标序列的序列特征，所述目标序列的聚类结果包括多个子序列；

S14，依据所述多个子序列的数量对标准轮廓曲线进行有序样品聚类，并依据所述标准轮廓曲线的聚类结果构建所述标准轮廓曲线的曲线特征，其中，一条标准轮廓曲线对应一个粗糙度系数；

S15，计算所述序列特征与所述曲线特征之间的相似度，将相似度最大值对应标准轮廓曲线的粗糙度系数作为所述待测结构面在所述设定方向上的粗糙度。

2.如权利要求1所述的一种岩石结构面粗糙度智能提取方法，其特征在于，对所述目标序列进行有序样品聚类包括：

设置初始聚类数；

依据所述初始聚类数对所述目标序列进行有序样品聚类，得到所述初始聚类数对应的初始聚类结果和初始聚类损失，其中，所述初始聚类结果包括与所述初始聚类数相同的子序列；

将所述初始聚类数加1以更新所述初始聚类数，重复执行有序样品聚类，得到更新后的初始聚类数对应的初始聚类结果和初始聚类损失；

迭代地更新所述初始聚类数，响应于更新后的初始聚类数等于所述目标序列中像素值的数量，绘制初始聚类损失曲线，所述初始聚类损失曲线的横坐标为初始聚类数，纵坐标为初始聚类数对应的初始聚类损失；

获取所述初始聚类损失曲线中拐点对应的初始聚类数作为目标聚类数，将所述目标聚类数对应的初始聚类结果作为所述目标序列的聚类结果。

3.如权利要求2所述的一种岩石结构面粗糙度智能提取方法，其特征在于，依据所述目标序列的聚类结果构建所述目标序列的序列特征包括：

将所述目标序列的聚类结果中多个子序列按照先后顺序进行排列；

获取各子序列的长度和平均像素值；

分别计算子序列的长度在所述目标序列的长度中的占比以获取分段长度向量；

对于一个子序列，用所述子序列的平均像素值减去下一个相邻子序列的平均像素值，得到所述子序列的像素变化量，将像素变化量按照子序列的先后顺序进行排列以获取像素变化向量；

将所述分段长度向量和所述像素变化向量拼接在一起，得到所述目标序列的序列特征。

4.如权利要求3所述的一种岩石结构面粗糙度智能提取方法，其特征在于，所述目标序列的序列特征还包括所述目标序列的聚类损失，其中，所述目标序列的聚类损失为所述目标聚类数对应的初始聚类损失。

5.如权利要求3或4所述的一种岩石结构面粗糙度智能提取方法，其特征在于，所述相似度满足关系式：

；

其中，为序列特征，/>为第/>条标准轮廓曲线的曲线特征，/>为第/>条标准轮廓曲线的曲线特征与序列特征的距离，/>为第/>条标准轮廓曲线的曲线特征与序列特征之间的相似度。

6.如权利要求5所述的一种岩石结构面粗糙度智能提取方法，其特征在于，所述距离为欧氏距离或曼哈顿距离。

7.一种岩石结构面粗糙度智能提取系统，其特征在于，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1至6中任一项所述的一种岩石结构面粗糙度智能提取方法。