CN117333679A - 一种基于图像识别的岩体结构识别系统 - Google Patents

一种基于图像识别的岩体结构识别系统 Download PDF

Info

Publication number
CN117333679A
CN117333679A CN202311299522.1A CN202311299522A CN117333679A CN 117333679 A CN117333679 A CN 117333679A CN 202311299522 A CN202311299522 A CN 202311299522A CN 117333679 A CN117333679 A CN 117333679A
Authority
CN
China
Prior art keywords
rock mass
rock
image
mixed
identification
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
Application number
CN202311299522.1A
Other languages
English (en)
Inventor
侯圣山
陈亮
刘明学
冯振
王立朝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
CHINA GEOLOGICAL ENVIRONMENTAL MONITORING INSTITUTE
China State Railway Group Co Ltd
Original Assignee
INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
CHINA GEOLOGICAL ENVIRONMENTAL MONITORING INSTITUTE
China State Railway Group Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES, CHINA GEOLOGICAL ENVIRONMENTAL MONITORING INSTITUTE, China State Railway Group Co Ltd filed Critical INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
Priority to CN202311299522.1A priority Critical patent/CN117333679A/zh
Publication of CN117333679A publication Critical patent/CN117333679A/zh
Pending legal-status Critical Current

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
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像识别的岩体结构识别系统，其技术方案要点是，包括：数据采集、数据预处理、特征提取、训练模型、机器集成和测试和验证；其中所述数据采集需选择岩体研究区域，特别关注包含混杂岩和野外复杂结构的区域，并在该区域内确定代表性的采样点；本系统特别关注选择包含混杂岩和野外复杂结构的区域进行数据采集，可以提高识别野外复杂结构岩体和混杂岩的能力，使系统更加专注于关键区域的分析和识别，并通过综合特征提取的方式可以从不同的角度和属性对岩体和混杂岩进行描述和分析，提高了识别的准确性和鲁棒性，同时通过深度学习模型进行训练，可以更好地适应识别野外复杂结构的岩体和混杂岩的需求。

Description

一种基于图像识别的岩体结构识别系统
技术领域
本发明涉及岩体结构识别技术领域，具体涉及一种基于图像识别的岩体结构识别系统。
背景技术
在野外，岩石往往具有各种形状、纹理和结构。这些结构包括岩层的分层、节理、裂隙等，通过使用这种基于图像识别的系统，可以对野外的岩体进行图像拍摄或采集，然后利用图像处理算法和机器学习模型来分析和识别岩体的结构特征，这种系统的应用有助于地质工程、地质灾害预测、勘探和矿产资源评估等领域，可以提高对岩石性质和岩体稳定性的了解，从而指导相关领域的决策和工作。
然而现有的岩体结构识别系统无法特别关注选择包含混杂岩和野外复杂结构的区域进行数据采集，因此会导致系统在分析和识别这些关键区域时的能力受限，无法充分捕捉到野外复杂结构岩体和混杂岩的特征，同时常规系统可能没有充分利用多种特征提取方法，从不同的角度和属性对岩体和混杂岩进行描述和分析，无法全面准确地捕捉到岩体结构的复杂性，因此系统的特征表示能力受限，另外常规系统可能在识别野外复杂结构岩体和混杂岩时的准确性和鲁棒性方面存在局限，因此在复杂环境下的岩体结构识别表现不佳，为解决上述问题，我们提出一种基于图像识别的岩体结构识别系统。
发明内容
针对现有技术的不足，本发明提供了一种基于图像识别的岩体结构识别系统，解决背景技术中提出的问题。
本发明的上述技术目的是通过以下技术方案得以实现的：
一种基于图像识别的岩体结构识别系统，包括：
数据采集、数据预处理、特征提取、训练模型、机器集成和测试和验证；
其中所述数据采集需选择岩体研究区域，特别关注包含混杂岩和野外复杂结构的区域，并在该区域内确定代表性的采样点。
优选地，所述数据采集需在每个采样点拍摄或采集岩体图像，确保涵盖识别野外复杂结构的岩体和混杂岩的不同类型、形状和结构。
优选地，所述数据预处理需使用滤波器或降噪算法去除图像中的噪声，以提高后续处理的准确性，并调整图像的亮度和对比度，使岩体结构和混杂岩更加清晰可见。
优选地，所述数据预处理需统一调整图像的尺寸，以便在后续步骤中进行统一处理，并根据需要将图像转换到灰度或HSV的色彩空间。
优选地，所述特征提取需使用纹理分析方法如灰度共生矩阵、局部二值模式(LBP)、方向梯度直方图(HOG)等提取识别野外复杂结构的岩体和混杂岩的纹理特征，并使用边缘检测算法或形态学操作提取岩体和混杂岩边缘强度、边缘长度、紧凑度等形状特征。
优选地，所述特征提取需从图像中提取颜色直方图、颜色矩等特征，描述岩体和混杂岩的颜色信息。
优选地，所述训练模型需要为岩体图像数据进行标注，将其与特定的岩体结构类别和混杂岩类别关联起来，以便用于训练模型，同时根据数据特点和任务需求，选择适当的分类器或深度学习模型进行训练，重点关注识别野外复杂结构的岩体和混杂岩，并根据特征和标记数据，使用训练集对模型进行训练和参数调优。
优选地，所述机器集成需将训练好的模型集成到岩体结构识别软件中，以确保能够接受输入图像并输出相应的识别野外复杂结构的岩体和混杂岩的结果，并在岩体结构识别软件中实现图像预处理、特征提取等步骤，以准备图像数据用于模型输入。
优选地，所述测试和验证需将收集到的岩体图像数据划分为训练集和测试集，确保测试集与训练集相互独立，包含识别野外复杂结构的岩体和混杂岩的样本，并使用测试集评估机器的性能和准确性，计算指标如准确率、召回率、精确率等，进一步优化模型。
综上所述，本发明主要具有以下有益效果：
本系统相较于常规的岩体结构识别系统，特别关注选择包含混杂岩和野外复杂结构的区域进行数据采集，可以提高识别野外复杂结构岩体和混杂岩的能力，使系统更加专注于关键区域的分析和识别，并通过综合特征提取的方式可以从不同的角度和属性对岩体和混杂岩进行描述和分析，提高了识别的准确性和鲁棒性，同时通过深度学习模型进行训练，可以更好地适应识别野外复杂结构的岩体和混杂岩的需求，并对模型进行参数调优，提高识别性能。
附图说明
图1是本发明的系统流程结构示意图；
图2是本发明的数据预处理流程结构示意图。
具体实施方式
为了使得本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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发明的一部分实施例，而不是全部的实施例，基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
以下实施例用于说明本发明，但不能用来限制本发明的保护范围。实施例中的条件可以根据具体条件做进一步的调整，在本发明的构思前提下对本发明的方法简单改进都属于本发明要求保护的范围。
实施例1
参考图1和图2，一种基于图像识别的岩体结构识别系统，包括：数据采集、数据预处理、特征提取、训练模型、机器集成和测试和验证；其中所述数据采集需选择岩体研究区域，特别关注包含混杂岩和野外复杂结构的区域，并在该区域内确定代表性的采样点；
数据采集需在每个采样点拍摄或采集岩体图像，确保涵盖识别野外复杂结构的岩体和混杂岩的不同类型、形状和结构；
数据预处理需使用滤波器或降噪算法去除图像中的噪声，以提高后续处理的准确性，并调整图像的亮度和对比度，使岩体结构和混杂岩更加清晰可见；
数据预处理需统一调整图像的尺寸，以便在后续步骤中进行统一处理，并根据需要将图像转换到灰度的色彩空间；
所述特征提取需使用局部二值模式(LBP)、方向梯度直方图(HOG)的纹理分析方法提取识别野外复杂结构的岩体和混杂岩的特征，并使用边缘检测算法或形态学操作提取岩体和混杂岩边缘强度、边缘长度、紧凑度等形状特征；
特征提取需从图像中提取颜色直方图、颜色矩等特征，描述岩体和混杂岩的颜色信息；
训练模型需要为岩体图像数据进行标注，将其与特定的岩体结构类别和混杂岩类别关联起来，以便用于训练模型，同时根据数据特点和任务需求，选择适当的分类器或深度学习模型进行训练，重点关注识别野外复杂结构的岩体和混杂岩，并根据特征和标记数据，使用训练集对模型进行训练和参数调优；
机器集成需将训练好的模型集成到岩体结构识别软件中，以确保能够接受输入图像并输出相应的识别野外复杂结构的岩体和混杂岩的结果，并在岩体结构识别软件中实现图像预处理、特征提取等步骤，以准备图像数据用于模型输入；
测试和验证需将收集到的岩体图像数据划分为训练集和测试集，确保测试集与训练集相互独立，包含识别野外复杂结构的岩体和混杂岩的样本，并使用测试集评估机器的性能和准确性，计算指标如准确率、召回率、精确率等，进一步优化模型。
实施例2
参考图1和图2，一种基于图像识别的岩体结构识别系统，包括：数据采集、数据预处理、特征提取、训练模型、机器集成和测试和验证；其中所述数据采集需选择岩体研究区域，特别关注包含混杂岩和野外复杂结构的区域，并在该区域内确定代表性的采样点；
数据采集需在每个采样点拍摄或采集岩体图像，确保涵盖识别野外复杂结构的岩体和混杂岩的不同类型、形状和结构；
数据预处理需使用滤波器或降噪算法去除图像中的噪声，以提高后续处理的准确性，并调整图像的亮度和对比度，使岩体结构和混杂岩更加清晰可见；
数据预处理需统一调整图像的尺寸，以便在后续步骤中进行统一处理，并根据需要将图像转换到HSV的色彩空间；
所述特征提取需使用灰度共生矩阵的纹理分析方法提取识别野外复杂结构的岩体和混杂岩的特征，并使用边缘检测算法或形态学操作提取岩体和混杂岩边缘强度、边缘长度、紧凑度等形状特征；
特征提取需从图像中提取颜色直方图、颜色矩等特征，描述岩体和混杂岩的颜色信息；
训练模型需要为岩体图像数据进行标注，将其与特定的岩体结构类别和混杂岩类别关联起来，以便用于训练模型，同时根据数据特点和任务需求，选择适当的分类器或深度学习模型进行训练，重点关注识别野外复杂结构的岩体和混杂岩，并根据特征和标记数据，使用训练集对模型进行训练和参数调优；
机器集成需将训练好的模型集成到岩体结构识别软件中，以确保能够接受输入图像并输出相应的识别野外复杂结构的岩体和混杂岩的结果，并在岩体结构识别软件中实现图像预处理、特征提取等步骤，以准备图像数据用于模型输入；
测试和验证需将收集到的岩体图像数据划分为训练集和测试集，确保测试集与训练集相互独立，包含识别野外复杂结构的岩体和混杂岩的样本，并使用测试集评估机器的性能和准确性，计算指标如准确率、召回率、精确率等，进一步优化模型。
工作原理：请参考图1和图2所示，本系统相较于常规的岩体结构识别系统，特别关注选择包含混杂岩和野外复杂结构的区域进行数据采集，可以提高识别野外复杂结构岩体和混杂岩的能力，使系统更加专注于关键区域的分析和识别，并通过综合特征提取的方式可以从不同的角度和属性对岩体和混杂岩进行描述和分析，提高了识别的准确性和鲁棒性，同时通过深度学习模型进行训练，可以更好地适应识别野外复杂结构的岩体和混杂岩的需求，并对模型进行参数调优，提高识别性能。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义，本发明中使用的“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件，“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，还可以包括电性的连接，不管是直接的还是间接的，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于图像识别的岩体结构识别系统，其特征在于，包括：
数据采集、数据预处理、特征提取、训练模型、机器集成和测试和验证；
其中所述数据采集需选择岩体研究区域，特别关注包含混杂岩和野外复杂结构的区域，并在该区域内确定代表性的采样点。
2.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述数据采集需在每个采样点拍摄或采集岩体图像，确保涵盖识别野外复杂结构的岩体和混杂岩的不同类型、形状和结构。
3.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述数据预处理需使用滤波器或降噪算法去除图像中的噪声，以提高后续处理的准确性，并调整图像的亮度和对比度，使岩体结构和混杂岩更加清晰可见。
4.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述数据预处理需统一调整图像的尺寸，以便在后续步骤中进行统一处理，并根据需要将图像转换到灰度或HSV的色彩空间。
5.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述特征提取需使用纹理分析方法如灰度共生矩阵、局部二值模式(LBP)、方向梯度直方图(HOG)等提取识别野外复杂结构的岩体和混杂岩的纹理特征，并使用边缘检测算法或形态学操作提取岩体和混杂岩边缘强度、边缘长度、紧凑度等形状特征。
6.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述特征提取需从图像中提取颜色直方图、颜色矩等特征，描述岩体和混杂岩的颜色信息。
7.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述训练模型需要为岩体图像数据进行标注，将其与特定的岩体结构类别和混杂岩类别关联起来，以便用于训练模型，同时根据数据特点和任务需求，选择适当的分类器或深度学习模型进行训练，重点关注识别野外复杂结构的岩体和混杂岩，并根据特征和标记数据，使用训练集对模型进行训练和参数调优。
8.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述机器集成需将训练好的模型集成到岩体结构识别软件中，以确保能够接受输入图像并输出相应的识别野外复杂结构的岩体和混杂岩的结果，并在岩体结构识别软件中实现图像预处理、特征提取等步骤，以准备图像数据用于模型输入。
9.根据权利要求1所述的一种基于图像识别的岩体结构识别系统，其特征在于，所述测试和验证需将收集到的岩体图像数据划分为训练集和测试集，确保测试集与训练集相互独立，包含识别野外复杂结构的岩体和混杂岩的样本，并使用测试集评估机器的性能和准确性，计算指标如准确率、召回率、精确率等，进一步优化模型。
CN202311299522.1A 2023-10-09 2023-10-09 一种基于图像识别的岩体结构识别系统 Pending CN117333679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311299522.1A CN117333679A (zh) 2023-10-09 2023-10-09 一种基于图像识别的岩体结构识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311299522.1A CN117333679A (zh) 2023-10-09 2023-10-09 一种基于图像识别的岩体结构识别系统

Publications (1)

Publication Number Publication Date
CN117333679A true CN117333679A (zh) 2024-01-02

Family

ID=89282508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311299522.1A Pending CN117333679A (zh) 2023-10-09 2023-10-09 一种基于图像识别的岩体结构识别系统

Country Status (1)

Country Link
CN (1) CN117333679A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190087939A1 (en) * 2017-09-15 2019-03-21 Saudi Arabian Oil Company Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
CN115271366A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级模型训练方法、装置、设备及介质
CN115330664A (zh) * 2022-02-22 2022-11-11 上海同岩土木工程科技股份有限公司 基于图像识别的围岩风化程度全自动识别方法及装置
CN115861848A (zh) * 2023-03-01 2023-03-28 成都理工大学 一种对岩体图像处理的方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190087939A1 (en) * 2017-09-15 2019-03-21 Saudi Arabian Oil Company Inferring petrophysical properties of hydrocarbon reservoirs using a neural network
CN115330664A (zh) * 2022-02-22 2022-11-11 上海同岩土木工程科技股份有限公司 基于图像识别的围岩风化程度全自动识别方法及装置
CN115271366A (zh) * 2022-07-01 2022-11-01 中铁二十局集团有限公司 高原隧道围岩分级模型训练方法、装置、设备及介质
CN115861848A (zh) * 2023-03-01 2023-03-28 成都理工大学 一种对岩体图像处理的方法及装置

Similar Documents

Publication Publication Date Title
Shi et al. Automatic road crack detection using random structured forests
CN106126585B (zh) 基于质量分级与感知哈希特征组合的无人机图像检索方法
CN111428631B (zh) 无人机飞控信号可视化识别分选方法
CN105574063A (zh) 基于视觉显著性的图像检索方法
CN108520215B (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
CN112149512A (zh) 一种基于两阶段深度学习的安全帽佩戴识别方法
CN102915432A (zh) 一种车载微机图像视频数据提取方法及装置
CN105718552A (zh) 基于服装手绘草图的服装图像检索方法
CN117058446B (zh) 一种钻探岩芯特征的智能识别描述方法、系统及存储介质
CN110659374A (zh) 一种基于神经网络提取车辆特征值及属性的以图搜图方法
CN113222062A (zh) 烟叶分类的方法、装置和计算机可读取介质
CN110222660B (zh) 一种基于动态与静态特征融合的签名鉴伪方法及系统
CN114821725A (zh) 一种基于神经网络的矿工人脸识别系统
CN112703531A (zh) 生成组织图像的注释数据
CN202815869U (zh) 一种车载微机图像视频数据提取装置
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法
Muzakir et al. Model for Identification and Prediction of Leaf Patterns: Preliminary Study for Improvement
CN116596921B (zh) 一种焚烧炉渣分选方法及系统
CN117351371A (zh) 一种基于深度学习的遥感图像目标检测方法
CN117333679A (zh) 一种基于图像识别的岩体结构识别系统
CN115640546A (zh) 一种图像与特征信息融合的岩性识别方法
CN114782822A (zh) 电力设备的状态检测方法、装置、电子设备及存储介质
CN110084125B (zh) 一种基于深度学习的农业保险查勘技术方法
CN115359346B (zh) 基于街景图片的小微空间识别方法、装置及电子设备
CN114283296B (zh) 一种基于结构相似度的目标识别自评估方法

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