CN117934870A - 一种基于纹理辅助的岩芯自动识别方法及系统 - Google Patents

一种基于纹理辅助的岩芯自动识别方法及系统 Download PDF

Info

Publication number
CN117934870A
CN117934870A CN202410242195.4A CN202410242195A CN117934870A CN 117934870 A CN117934870 A CN 117934870A CN 202410242195 A CN202410242195 A CN 202410242195A CN 117934870 A CN117934870 A CN 117934870A
Authority
CN
China
Prior art keywords
core
texture
image
module
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
Application number
CN202410242195.4A
Other languages
English (en)
Inventor
王吉亮
朱志宏
罗飞
许琦
陆胜军
李明鹏
郝文忠
张广厦
康双双
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.)
Three Gorges Geotechnical Consultants Co ltd
Original Assignee
Three Gorges Geotechnical Consultants 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 Three Gorges Geotechnical Consultants Co ltd filed Critical Three Gorges Geotechnical Consultants Co ltd
Priority to CN202410242195.4A priority Critical patent/CN117934870A/zh
Publication of CN117934870A publication Critical patent/CN117934870A/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
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (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

本发明属于岩芯识别技术领域，公开了一种基于纹理辅助的岩芯自动识别方法及系统，包括：S1，通过手机或者相机等设备获取岩芯箱图片，并将图片输入到纹理统计模块，得到关于照片纹理复杂程度的度量；S2，通过照片的纹理复杂程度，设置岩芯分割网络模型的参数；S3，将岩芯照片输入到配置好的网络模型中，得到对应的分割结果；S4，将岩芯分割结果输入到RQD统计模块中，按照设定的统计和合并规则，统计岩芯的采得率、获取率、RQD等参数信息，得到岩芯箱照片对应的勘探统计指标。

Description

一种基于纹理辅助的岩芯自动识别方法及系统
技术领域
本发明属于岩芯识别技术领域，尤其涉及一种基于纹理辅助的岩芯自动识别方法及系统。
背景技术
岩芯是圆柱状岩石样品，它是地质钻探取芯过程中利用钻头(或其它取芯工具)从孔内取出的。岩芯能直观反映裂隙发育状、地质风化情况、地层沉积规律、岩性、地质构造等地层信息，是地质科研、生产和管理人员在地质勘测过程中了解地层信息的重要依据，在工程建设前期地质勘察、地质评价研究中扮演着不可替代的重要角色。
因此岩芯的地质编录工作是地质勘察中重要的基础工作之一，目前现有地质工程中的岩芯编录方法主要依赖人工对摆放进岩心箱的岩芯进行人工拉尺测量，这种依赖于人工的统计方式，不仅没有客观一致性；也会严重浪费劳动力资源。同时有一些国外公司已实现对放入岩芯盘内的岩芯进行拍照，通过数字图像处理识别技术，实现了岩芯地质编录的数字化。
岩芯箱的快速编录涉及到对岩芯、标签、岩芯箱等的检测和识别。其中碎石、岩饼、岩芯、隔板等各种类型物体的形态不一，且存在各种各样的异常形状岩芯，水渍、光影等带来多种纹理干扰；另外，由于现在手机拍照的画幅较大，导致整张图片的计算量较大，处理时间较长。
通过上述分析，现有技术存在的问题及缺陷为：
1.所有岩芯的长度需要人工测量，测量工作量大，劳动力资源浪费严重；
2.手工测量不可避免地存在着重复人工测量误差，影响岩芯编录数据准确性；
3.测量结果数据存储没有统一管理系统，数据转化步骤复杂，数据安全性低，数据遗失、混乱风险大。
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纹理辅助的岩芯自动识别方法及系统，用以解决现有技术在处理岩芯的地质编录工作中，无法高效自动化的识别岩芯结构的问题。
本发明是这样实现的，一种基于纹理辅助的岩芯自动识别方法，包括：
S1，标注岩芯样本数据集，并通过样本数据集对岩芯分割网络模型进行预训练。通过手机或者相机等设备获取岩芯箱图片，并将图片输入到纹理统计模块，得到关于照片纹理复杂程度的度量；
S2，通过照片的纹理复杂程度，设置岩芯分割网络模型的参数；
S3，将岩芯照片输入到配置好的网络模型中，得到对应的分割结果；
S4，将岩芯分割结果输入到RQD(岩石质量指标)统计模块中，按照设定的统计和合并规则，统计岩芯的采得率、获取率、RQD等参数信息，得到岩芯箱照片对应的勘探统计指标。
进一步，模型训练过程如下：
S101，标注一定数量的岩芯训练样本集；
S102，将标注好的岩芯训练样本集输入到岩心分割模型中；
S103，分割模型的编码器网络模块提取到岩芯的多维特征向量；分割模型的解码器根据岩芯的多维特征向量得到岩芯分割结果掩膜；
S104，设定的损失函数通过比对模型得到的岩芯分割结果掩膜和标注结果掩膜,计算出当前步骤的模型判断误差；
S105，提前设定好模型参数的训练优化器，根据优化损失函数得到的误差值来设定分割模型的各层网络权重的调整量。
进一步，纹理统计计算步骤如下：
S201，提取灰度图像：计算纹理特征第一步，就是将多通道的图像(一般指RGB图像)转换为灰度图像；
S202，灰度级量化：一般图像的灰度级有256级，也可以分为8个灰度级或16个灰度；
S203，选择计算参数：需要选择的参数有三个：滑动窗口尺寸；步距d；共生矩阵方向；
S204，纹理特征值的计算：由于灰度共生矩阵的维度较大，采用灰度矩、灰度方差来作为图像复杂程度的判断。
进一步，岩芯分割模型的处理细节如下：
S301，编码器首先根据图像纹理模块计算出来的图像复杂程度，设置编码器CNN模块中的模块个数，以及Transformer里面自注意力模块个数；
S302，使用调整完这些参数后的CNN(卷积神经网络)网络模型，对岩芯箱图片的局部图像目标特征进行局部编码，将类似于碎石、岩饼这样的小目标轮廓进行分割提取；
S303，通过CNN模块后续的Transformer模块，对整个图像区域上大的岩芯进行广域编码；
S304，对编码后的岩芯影像进行解码。解码器由两个多层感知机组成，它将4个transformer块输出的原图大小1/4，1/8，1/16，1/32的特征图经过线性变换和上采样使其具有一致的维度，然后在通道方向上拼接到一起，最后通过简单线性变换得到最终的H×W×Cls输出结果，其中Cls为分割类别数量，H、W分别为图像的高度和宽度。
进一步，RQD统计的执行步骤包括如下:
S401，统计出所有岩芯的外轮廓，进而统计出其像素长度宽度；通过小孔成像原理换算得到图像上所有岩芯的实际几何尺寸；
S402，找到几何尺寸不满足10cm的岩芯，并判断其与周围的岩芯外轮廓的吻合程度，判断是否需要将两个岩芯进行合并；如果外轮廓的吻合程度不高，则这些几何尺寸不足10cm的岩芯不作为RQD的统计对象；如果外轮廓的吻合程度高，则毗连的岩芯会合并到一个整体来进行判断；而当合并后的整体岩芯长度小于10cm时，则也不算作RQD；而当合并后的整体岩芯的长度大于等于10cm时，则合并后的整体岩芯长度算作RQD的统计范围；
S403，找到几何尺寸不满足10cm的这些岩芯。通过判断其与周围的岩芯的吻合程度，判断是否需要将两个岩芯进行合并；如果不能合并，则这些几何尺寸不足10cm的岩芯不作为RQD的统计标准；如果能够合并，则毗连的岩芯会合并到一个整体来进行判断；当这个整体岩芯的长度小于10cm时，则也不算作RQD；而当这个整体岩芯的长度大于10cm时，则根据其外轮廓两端的中点间长度作为其最终长度。
本发明的另一目的在于提供一种应用所述基于纹理辅助的岩芯自动识别方法的基于纹理辅助的岩芯自动识别系统，包括：
图像纹理统计模块，用于根据图像内容判定岩芯箱图像分割网络模型参数，具体包括：
基于canny的图像纹理生成模块；用于实现纹理分割图的生成；
图像分区模块；用于将全图切分为小图块，降低整体的计算量；
纹理复杂度计算模块及参数，包括滑动窗口大小尺寸、滑动窗口步距以及滑动方向参数；用于判断拍摄的岩心箱图像中的主体岩石类型是复杂碎石，还是大的岩芯，进而辅助选择对应的网络模型参数；
岩芯箱图像分割网络模块，用于进行岩芯箱图像分割，其中网络模型为一种编码-解码的网络来处理标靶照片，编码器由2组CNN模块以及串联的2组transformer块组成，前期的2组CNN模块用于实现对图像的局部信息的编码；而后面串联的2组的transformer用于实现对图像全局信息的编码；通过这种结合，让网络模型既能够处理细碎的碎石，又能处理尺寸较大的岩芯；
RQD统计模块，用于进行RQD统计，主要包含三个判断模块：不规则岩芯提取模块；不规则岩芯合并模块；RQD再统计模块；其中不规则岩芯提取模块，用于找到不规则岩芯的编号,准备后续的岩芯统计合并；不规则岩芯合并模块，用于将因为开采机械破坏产生的不规则岩芯块进行统计合并；RQD再统计模块用于将判定合并后的岩芯重新进行RQD统计。
本发明的另一目的在于提供一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于纹理辅助的岩芯自动识别方法的步骤。
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，计算机程序被处理器执行时，使得处理器执行所述的基于纹理辅助的岩芯自动识别方法的步骤。
本发明的另一目的在于提供一种信息数据处理终端，信息数据处理终端用于实现所述的基于纹理辅助的岩芯自动识别系统。
结合上述的技术方案和解决的技术问题，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，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：
本发明通过构建岩芯识别模型，采用CNN+Transformer的结构，实现各种尺寸大小的岩芯碎石的高精度分割；采用纹理辅助检测的手段，实现对深度学习模型参数的自适应调节；采用更加实际的岩芯RQD统计手段，降低勘探破坏的岩芯对RQD的统计影响。
第二，本项目通过标准化采集硬件与智能分析软件，基于摄影测量技术和机器学习技术，对岩芯相互关系进行智能识别、分析与采集，将野外实物工作转变成为内业技术工作，提高野外生产效率，降低野外工作强度，通过技术标准化建设，利用计算机技术控制钻孔编录质量，从而推动钻孔编录向数字化与信息化方向发展。
第三，本发明的技术方案转化后的预期收益和商业价值为：随着建设工程需要和钻探技术的发展，深、超深钻孔越来越普遍，深、超深钻孔岩芯相互关系数据采集大量消耗技术人员精力与体力，会造成人力资源浪费，通过本发明的技术方案，可以快捷高效的采集岩芯数据，可以有效节约人力成本与时间成本。
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：常规钻孔编录以人工小组编录的形式进行，采用肉眼识别、敲击、原位试验、卷尺量测等方法完成岩芯进行描述及岩芯相互关系的采集，这种数据获取与成果输出过程完全依赖于技术人员的主观性，往往出现因为判别标准不统一或能力差异导致编录的成果产生较大的误差。通过本发明的技术方案，可以有效的统一岩芯判别标准，减少编录成果的质量风险。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于纹理辅助的岩芯自动识别方法流程图；
图2是本发明实施例提供的基于纹理辅助的岩芯自动识别系统结构图；
图3是本发明实施例提供的整套系统的流程图；
图4是本发明实施例提供的图像纹理判定流程图；
图5是本发明实施例提供的岩芯箱关键信息提取的网络模型图；
图6是本发明实施例提供的RQD计算的流程图；
图7是本发明实施例提供的活动岩芯分割结果图；
图8是本发明实施例提供的活动RQD分析结果图，(a)报表结果图，(b)概要图。
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。
本发明实施例的两个具体应用实施例为：
实施例1：野外岩芯识别与分析
数据采集：在野外岩芯钻探现场，使用手机或相机设备获取岩芯箱的高清图片。
纹理分析：将采集到的图片输入纹理统计模块，分析图片的纹理复杂程度，如岩石纹理、裂缝、颜色变化等。
岩芯分割与识别：根据纹理分析结果调整岩芯分割网络模型的参数，然后将图片输入模型进行岩芯识别和分割。
数据统计与分析：将分割结果输入到RQD统计模块，计算采得率、获取率、RQD等参数，为地质分析和资源评估提供重要数据。
实施例2：实验室岩芯质量控制
岩芯样本拍摄：在实验室条件下，对各个岩芯样本进行高清拍摄，保证图片清晰度和一致性。
纹理特征分析：输入图片到纹理统计模块，对每张图片的纹理特征(如粒度、颗粒形状、颜色分布等)进行详细分析。
自动分割与识别：基于纹理分析的结果，自动调整岩芯分割网络模型参数，对岩芯图片进行精准分割和识别。
质量控制统计：将识别结果输入RQD统计模块，进行详细的质量控制分析，如岩石类型判别、裂缝和缺陷识别，为岩芯质量控制提供科学依据。
本发明主要针对以下现有技术的问题和缺陷进行改进，实现显著的技术进步：
识别准确性有限：传统的岩芯识别方法通常依赖于人工视觉判断，这不仅耗时耗力，而且识别准确性受限于操作者的经验和判断能力。
自动化水平低：在传统方法中，岩芯的数据处理和分析主要依赖手工操作，自动化水平低，效率不高。
图像质量对识别影响大：由于岩芯图片的质量(如光照、角度、清晰度等)直接影响识别结果，传统方法在处理质量不一的图片时，容易产生较大误差。
针对现有技术存在的问题，本发明采用的技术方案为：
岩芯样本数据集标注和预训练：通过标注一定数量的岩芯样本数据集，并对岩芯分割网络模型进行预训练，提高模型识别的准确性和泛化能力。
纹理统计模块：使用手机或相机设备获取的岩芯箱图片，输入到纹理统计模块，得到关于照片纹理复杂程度的度量，这有助于优化后续的处理步骤。
参数调整和岩芯分割：根据照片的纹理复杂程度调整岩芯分割网络模型的参数，然后将图片输入到配置好的网络模型中，得到分割结果。
RQD统计模块：将分割结果输入到RQD统计模块中，统计岩芯的采得率、获取率、RQD等参数信息，得到岩芯箱照片对应的勘探统计指标。
本发明解决现有技术问题所带来的技术效果和显著技术进步：
提高识别准确性：通过使用先进的岩芯分割网络模型和预训练的数据集，显著提高岩芯识别的准确性。
提升自动化水平：该方法能自动处理和分析岩芯图片，显著提高了数据处理的效率和自动化水平。
适应不同质量的图片：通过纹理统计模块的应用，使得方法能够根据图片质量调整处理参数，从而适应不同质量的图片，提高了方法的鲁棒性。
增强数据统计和分析能力：通过RQD统计模块，能够自动计算岩芯的多种统计指标，提供更全面和准确的数据分析。
针对现有技术存在的问题，本发明提供了一种基于纹理辅助的岩芯自动识别方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，基于纹理辅助的岩芯自动识别方法，包括：
S1，通过手机或者相机等设备获取岩芯箱图片，并将图片输入到纹理统计模块，得到关于照片纹理复杂程度的度量；
S2，通过照片的纹理复杂程度，设置岩芯分割网络模型的参数；
S3，将岩芯照片输入到配置好的网络模型中，得到对应的分割结果；
S4，将岩芯分割结果输入到RQD统计模块中，按照设定的统计和合并规则，统计岩芯的采得率、获取率、RQD等参数信息，得到岩芯箱照片对应的勘探统计指标。
如图2所示，基于纹理辅助的岩芯自动识别系统，包括：
图像纹理统计模块，用于根据图像内容判定岩芯箱图像分割网络模型参数，具体包括：
基于canny(无实际意义)的图像纹理生成模块；用于实现纹理分割图的生成；
图像分区模块；用于将全图切分为小图块，降低整体的计算量；
纹理复杂度计算模块及参数，包括滑动窗口大小尺寸、滑动窗口步距以及滑动方向参数；用于判断拍摄的岩心箱图像中的主体岩石类型是复杂碎石，还是大的岩芯，进而辅助选择对应的网络模型参数；
岩芯箱图像分割网络模块，用于进行岩芯箱图像分割，其中网络模型为一种编码-解码的网络来处理标靶照片，编码器由2组CNN模块以及串联的2组transformer(无实际意义)块组成，前期的2组CNN模块用于实现对图像的局部信息的编码；而后面串联的2组的transformer用于实现对图像全局信息的编码；通过这种结合，让网络模型既能够处理细碎的碎石，又能处理尺寸较大的岩芯；
RQD统计模块，用于进行RQD统计，主要包含三个判断模块：不规则岩芯提取模块；不规则岩芯合并模块；RQD再统计模块；其中不规则岩芯提取模块，用于找到不规则岩芯的编号,准备后续的岩芯统计合并；不规则岩芯合并模块，用于将因为开采机械破坏产生的不规则岩芯块进行统计合并；RQD再统计模块用于将判定合并后的岩芯重新进行RQD统计。
图3为本发明提供的岩芯自动识别方法一实施例的流程示意图，包括训练过程和执行过程：
模型训练过程如下：
a.标注一定数量的岩芯训练样本集；
b.将标注好的岩芯训练样本集输入到岩心分割模型中；
c.分割模型的编码器网络模块提取到岩芯的多维特征向量；分割模型的解码器根据岩芯的多维特征向量得到岩芯分割结果掩膜；
d.设定的损失函数通过比对模型得到的岩芯分割结果掩膜和标注结果掩膜,计算出当前步骤的模型判断误差；
e.提前设定好模型参数的训练优化器，根据优化损失函数得到的误差值来设定分割模型的各层网络权重的调整量；
其中编码器由2组CNN模块以及串联的2组transformer块组成，这种组成方式的优点在于：前面2组CNN模块用于实现对图像的局部信息的编码；而后面串联的2组transformer用于实现对图像全局信息的编码。通过这种结合，让模型既能够处理细碎的碎石，又能处理大岩芯；
CNN模块主要就是由ResNetBlock组成；具体如图5所示：
而每个transformer块又包含重叠区块合并、高效自注意力和复合感知前馈网络(Mix-FFN)三个子结构模块，假设输入图片的高宽长分别为H-W-C，先将图片通过重叠区块合并模块，其操作为将图像分成一个个正方形的区块，类似卷积核在特征图上的滑动。重叠区块合并模块的关键三个参数为K，S，P，其中K是切割图像区块的宽度，S是两个相邻图像区块间的移动步长，P是整张图的补边像素大小，第一个transformer块参数为K＝7，S＝4，P＝3；之后三个transformer块设为K＝3，S＝2，P＝1。每个transformer块开始前都会进行一次2x2的下采样，使图像的维度减半，使后面的transformer块处理感受野更大。将切好的图像区块拼接在一起，输入到高效自注意力模块；高效自注意力模块先对输入的特征矩阵采用序列缩短操作，具体操作为将矩阵大小为N×C的特征矩阵更改形状为(N/R)×(C×R)，N、C、R均为常数，表示矩阵大小形状，随后采用线性层将C×R维度映射为C维度，这样最终的特征矩阵维度为(N/R)×C。复合感知前馈网络是一种引入位置信息的方法，它使用带有边缘补0的3×3卷积对图像进行操作，使图像具备位置信息嵌入。解码器由两个多层感知机组成，它将四个transformer块输出的1/4，1/8，1/16，1/32的特征图经过线性变换和上采样使其具有一致的维度，然后在通道方向上拼接到一起，最后通过一个简单的线性变换得到最终的H×W×Cls输出结果，其中Cls为分割类别数量。
而模型的解码器构成如下：由2组多层感知机组成，它将编码器四个模块输出的原始图像大小1/4，1/8，1/16，1/32的特征图经过线性变换和上采样使其具有一致的维度，然后在通道方向上拼接到一起，最后通过一个简单的线性变换得到最终的H×W×Cls输出结果，其中Cls为分割类别数量。
另外，模型推理过程如下：步骤1，通过手机或者相机等设备获取岩芯箱图片，并将图片输入到纹理统计模块，得到关于照片纹理复杂程度的度量；步骤2，通过照片的纹理复杂程度，设置岩芯分割网络模型的参数；步骤3，将岩芯照片输入到配置好的网络模型中，得到对应的分割结果；步骤4，将岩芯分割结果输入到RQD统计模块中，按照设定的统计和合并规则，统计岩芯的采得率、获取率、RQD等参数信息；最终得到岩芯箱照片对应的勘探统计指标；
如图4所示，纹理统计计算步骤如下：
①提取灰度图像：计算纹理特征第一步，就是将多通道的图像(一般指RGB图像)转换为灰度图像。
②灰度级量化：一般图像的灰度级有256级，也可以分为8个灰度级或16个灰度。
③选择计算参数：需要选择的参数有三个：滑动窗口尺寸；步距d；共生矩阵方向。在本文中，滑动窗口选择5×5,步距为1，纹理方向为：0°，45°，90°，135°一共四个方向。
④纹理特征值的计算：由于灰度共生矩阵的维度较大，采用了其中的灰度矩、灰度方差等几个指标来作为图像复杂程度的判断。
配置的网络参数主要有如下参数：整体框架的模块个数、网络的层数或者通道数、卷积核的核大小。通过配置的这些参数，能够显著影响模型的计算量。
岩芯分割模型的处理细节如下：
编码器首先根据图像纹理模块计算出来的图像复杂程度，设置编码器CNN模块中的模块个数，以及Transformer里面自注意力模块个数；调整完这些参数后的CNN网络模型，可以实现对岩芯箱图片的局部图像目标特征进行局部编码，类似于碎石、岩饼这样的小目标轮廓进行编码；另外，CNN模块后续的Transformer模块，能够实现对整个图像区域上大的岩芯进行广域编码。
解码器由两个多层感知机组成，它将4个transformer块输出的原图大小1/4，1/8，1/16，1/32的特征图经过线性变换和上采样使其具有一致的维度，然后在通道方向上拼接到一起，最后通过简单线性变换得到最终的H×W×Cls输出结果，其中Cls为分割类别数量，H、W分别为图像的高度和宽度。
RQD统计的执行步骤包括如下:
如图6所示，由于RQD定义为长度大于等于10cm的岩芯总长在整段岩芯进尺里的占比，但是在实际开采过程中，会因为岩芯开采时的机械破坏，导致长度达到要求的岩芯碎成两截；因此为了更加科学精确的统计，采用如下方法：
①首先，统计出所有岩芯的外轮廓，进而统计出其像素长度宽度；通过小孔成像原理换算得到图像上所有岩芯的实际几何尺寸；
②第二步，找到几何尺寸不满足10cm的岩芯，并判断其与周围的岩芯外轮廓的吻合程度，判断是否需要将两个岩芯进行合并；如果外轮廓的吻合程度不高，则这些几何尺寸不足10cm的岩芯不作为RQD的统计对象；如果外轮廓的吻合程度高，则毗连的岩芯会合并到一个整体来进行判断；而当合并后的整体岩芯长度小于10cm时，则也不算作RQD；而当合并后的整体岩芯的长度大于等于10cm时，则合并后的整体岩芯长度算作RQD的统计范围。
③第三步，找到几何尺寸不满足10cm的这些岩芯。通过判断其与周围的岩芯的吻合程度，判断是否需要将两个岩芯进行合并；如果不能合并，则这些几何尺寸不足10cm的岩芯不作为RQD的统计标准；如果能够合并，则毗连的岩芯会合并到一个整体来进行判断；当这个整体岩芯的长度小于10cm时，则也不算作RQD；而当这个整体岩芯的长度大于10cm时，则我们将根据其外轮廓两端的中点间长度作为其最终长度。
本发明还相应提供了一种电子设备，电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。电子设备包括处理器以及存储器，其中，存储器上存储有岩芯自动识别程序。
存储器在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，岩芯自动识别程序可被处理器所执行，从而实现本发明各实施例的岩芯自动识别方法。
处理器在一些实施例中可以是一中央处理器(Central Processing Unit，CPU)，微处理器或其他数据处理芯片，用于运行存储器中存储的程序代码或处理数据，例如执行岩芯自动识别程序等。
本发明的应用实施例提供了一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行方法的步骤。
本发明的应用实施例提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行方法的步骤。
本发明的应用实施例提供了一种信息数据处理终端，信息数据处理终端用于实现系统。
首先进行岩芯图像数据的采集工作，对活动的岩芯数据进行统计、分类、标注，分类标注入下；
岩芯颜色类型 岩芯纹理类型 岩芯类型 岩芯形态分类 岩芯层厚分类
黑色 条带状 长条岩芯 长柱状 厚层
红色 斑点状 中等岩芯 短柱状 中厚层
灰白色 砂屑状 岩饼 碎块状 互层
灰绿色 豆状 碎石 散体状 薄层
黄色 砾岩 岩屑 半边柱状 极薄层
杂色 楔形状
根据分类标准对岩芯样本库进行制备，并对岩芯分割模型进行训练。
模型训练完成后，将岩芯测试数据输入到岩芯分割模型中，活动岩芯分割结果如图7所示。
根据识别结果，通过RQD统计模块对岩芯进行分析，活动RQD分析结果如图8所示。
通常通过人工对岩芯信息进行提取分类时，单个岩芯箱影像分类处理时间约为60秒，通过本发明中的自动化识别方法，单张岩芯影像的分割处理时间缩短至12秒，处理速度大大增加，同时集成了RQD统计分析与模块，极大的提高了岩芯信息提取的成果质量。
在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
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作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于纹理辅助的岩芯自动识别方法，其特征在于，包括：
S1，标注岩芯样本数据集，并通过样本数据集对岩芯分割网络模型进行预训练；通过手机或者相机设备获取岩芯箱图片，并将图片输入到纹理统计模块，得到关于照片纹理复杂程度的度量；
S2，通过照片的纹理复杂程度，设置岩芯分割网络模型的参数；
S3，将岩芯照片输入到配置好的网络模型中，得到对应的分割结果；
S4，将岩芯分割结果输入到岩石质量指标RQD统计模块中，按照设定的统计和合并规则，统计岩芯的采得率、获取率、RQD参数信息，得到岩芯箱照片对应的勘探统计指标。
2.如权利要求1所述的基于纹理辅助的岩芯自动识别方法，其特征在于，模型训练过程如下：
S101，标注一定数量的岩芯训练样本集；
S102，将标注好的岩芯训练样本集输入到岩心分割模型中；
S103，分割模型的编码器网络模块提取到岩芯的多维特征向量；分割模型的解码器根据岩芯的多维特征向量得到岩芯分割结果掩膜；
S104，设定的损失函数通过比对模型得到的岩芯分割结果掩膜和标注结果掩膜,计算出当前步骤的模型判断误差；
S105，提前设定好模型参数的训练优化器，根据优化损失函数得到的误差值来设定分割模型的各层网络权重的调整量。
3.如权利要求1所述的基于纹理辅助的岩芯自动识别方法，其特征在于，纹理统计计算步骤如下：
S201，提取灰度图像：计算纹理特征第一步，就是将多通道的图像转换为灰度图像；
S202，灰度级量化：一般图像的灰度级有256级，也可以分为8个灰度级或16个灰度；
S203，选择计算参数：需要选择的参数有三个：滑动窗口尺寸；步距d；共生矩阵方向；
S204，纹理特征值的计算：由于灰度共生矩阵的维度较大，采用灰度矩、灰度方差来作为图像复杂程度的判断。
4.如权利要求1所述的基于纹理辅助的岩芯自动识别方法，其特征在于，岩芯分割模型的处理细节如下：
S301，编码器首先根据图像纹理模块计算出来的图像复杂程度，设置编码器CNN模块中的模块个数，以及Transformer里面自注意力模块个数；
S302，使用调整完这些参数后的卷积神经网络CNN网络模型，对岩芯箱图片的局部图像目标特征进行局部编码，将类似于碎石、岩饼这样的小目标轮廓进行分割提取；
S303，通过CNN模块后续的Transformer模块，对整个图像区域上大的岩芯进行广域编码；
S304，对编码后的岩芯影像进行解码，解码器由两个多层感知机组成，它将4个transformer块输出的原图大小1/4，1/8，1/16，1/32的特征图经过线性变换和上采样使其具有一致的维度，然后在通道方向上拼接到一起，最后通过简单线性变换得到最终的H×W×Cls输出结果，其中Cls为分割类别数量，H、W分别为图像的高度和宽度。
5.如权利要求1所述的基于纹理辅助的岩芯自动识别方法，其特征在于，RQD统计的执行步骤包括如下:
S401，统计出所有岩芯的外轮廓，进而统计出其像素长度宽度；通过小孔成像原理换算得到图像上所有岩芯的实际几何尺寸；
S402，找到几何尺寸不满足10cm的岩芯，并判断其与周围的岩芯外轮廓的吻合程度，判断是否需要将两个岩芯进行合并；如果外轮廓的吻合程度不高，则这些几何尺寸不足10cm的岩芯不作为RQD的统计对象；如果外轮廓的吻合程度高，则毗连的岩芯会合并到一个整体来进行判断；而当合并后的整体岩芯长度小于10cm时，则也不算作RQD；而当合并后的整体岩芯的长度大于等于10cm时，则合并后的整体岩芯长度算作RQD的统计范围；
S403，找到几何尺寸不满足10cm的这些岩芯，通过判断其与周围的岩芯的吻合程度，判断是否需要将两个岩芯进行合并；如果不能合并，则这些几何尺寸不足10cm的岩芯不作为RQD的统计标准；如果能够合并，则毗连的岩芯会合并到一个整体来进行判断；当这个整体岩芯的长度小于10cm时，则也不算作RQD；而当这个整体岩芯的长度大于10cm时，则根据其外轮廓两端的中点间长度作为其最终长度。
6.一种应用如权利要求1～5任意一项所述基于纹理辅助的岩芯自动识别方法的基于纹理辅助的岩芯自动识别系统，其特征在于，包括：
图像纹理统计模块，用于根据图像内容判定岩芯箱图像分割网络模型参数，具体包括：
基于canny的图像纹理生成模块；用于实现纹理分割图的生成；
图像分区模块；用于将全图切分为小图块，降低整体的计算量；
纹理复杂度计算模块及参数，包括滑动窗口大小尺寸、滑动窗口步距以及滑动方向参数；用于判断拍摄的岩心箱图像中的主体岩石类型是复杂碎石，还是大的岩芯，进而辅助选择对应的网络模型参数；
岩芯箱图像分割网络模块，用于进行岩芯箱图像分割，其中网络模型为一种编码-解码的网络来处理标靶照片，编码器由2组CNN模块以及串联的2组transformer块组成，前期的2组CNN模块用于实现对图像的局部信息的编码；而后面串联的2组的transformer用于实现对图像全局信息的编码；通过这种结合，让网络模型既能够处理细碎的碎石，又能处理尺寸较大的岩芯；
RQD统计模块，用于进行RQD统计，主要包含三个判断模块：不规则岩芯提取模块；不规则岩芯合并模块；RQD再统计模块；其中不规则岩芯提取模块，用于找到不规则岩芯的编号,准备后续的岩芯统计合并；不规则岩芯合并模块，用于将因为开采机械破坏产生的不规则岩芯块进行统计合并；RQD再统计模块用于将判定合并后的岩芯重新进行RQD统计。
7.一种计算机设备，计算机设备包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于纹理辅助的岩芯自动识别方法的步骤。
8.一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时，使得处理器执行所述的基于纹理辅助的岩芯自动识别方法的步骤。
9.一种信息数据处理终端，信息数据处理终端用于实现所述的基于纹理辅助的岩芯自动识别系统。
CN202410242195.4A 2024-03-04 2024-03-04 一种基于纹理辅助的岩芯自动识别方法及系统 Pending CN117934870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410242195.4A CN117934870A (zh) 2024-03-04 2024-03-04 一种基于纹理辅助的岩芯自动识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410242195.4A CN117934870A (zh) 2024-03-04 2024-03-04 一种基于纹理辅助的岩芯自动识别方法及系统

Publications (1)

Publication Number Publication Date
CN117934870A true CN117934870A (zh) 2024-04-26

Family

ID=90760981

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410242195.4A Pending CN117934870A (zh) 2024-03-04 2024-03-04 一种基于纹理辅助的岩芯自动识别方法及系统

Country Status (1)

Country Link
CN (1) CN117934870A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118629022A (zh) * 2024-08-08 2024-09-10 北京大成国测科技股份有限公司 一种岩芯类别取样自动识别装置及其方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118629022A (zh) * 2024-08-08 2024-09-10 北京大成国测科技股份有限公司 一种岩芯类别取样自动识别装置及其方法

Similar Documents

Publication Publication Date Title
US20210319561A1 (en) Image segmentation method and system for pavement disease based on deep learning
WO2021238019A1 (zh) 基于Ghost卷积特征融合神经网络实时车流量检测系统及方法
Zhong et al. Multi-scale feature fusion network for pixel-level pavement distress detection
CN112966665A (zh) 路面病害检测模型训练方法、装置和计算机设备
CN109409327B (zh) 基于端到端深度神经网络的rru模块物件位姿检测方法
CN110837839B (zh) 一种高精度无人机正射影像制作及数据采集方法
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
CN113313031B (zh) 一种基于深度学习的车道线检测和车辆横向定位方法
CN113674216A (zh) 一种基于深度学习的地铁隧道病害检测方法
CN110969610A (zh) 基于深度学习的电力设备红外热图的识别方法及系统
CN106296678B (zh) 基于钻孔光学成像技术的rqd分析方法
CN114387328A (zh) 基于深度学习模型和岩心图像的rqd计算方法
Wang et al. Automatic identification and location of tunnel lining cracks
Jiang et al. Development of a core feature identification application based on the Faster R-CNN algorithm
CN115272826A (zh) 一种基于卷积神经网络的图像识别方法、装置及系统
CN114662915A (zh) 一种快速获取岩心采取率及rqd值的方法
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
CN115497006A (zh) 基于动态混合策略的城区遥感图像变化深度监测方法及系统
Liu et al. Pavement distress detection using street view images captured via action camera
CN117710824A (zh) 一种基于改进Cascade Mask R-CNN模型的岩芯图像RQD智能分析方法
CN117788790A (zh) 面向通用场景的物料安装检测方法、系统、设备及介质
CN117372854A (zh) 一种大坝深水结构隐患病害实时检测方法
CN112329791A (zh) 一种高光谱影像水域自动提取方法
CN117934870A (zh) 一种基于纹理辅助的岩芯自动识别方法及系统
CN115112669B (zh) 一种基于小样本的路面无损检测识别方法

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