[发明专利]一种从钻孔岩芯照片中识别RQD的智能方法

说明书

本发明提供一种从钻孔岩芯照片中识别RQD的智能方法，涉及岩石工程技术领域。本发明利用矿山钻孔岩芯图像具有数据规整、体量大等特点，充分发挥深度学习的优势，通过Mask‑RCNN深度学习网络对单排岩芯图像进行识别，实现RQD的自动快速编录，同时消除人为因素造成的误差。基于深度学习的方法可以充分利用地勘阶段获取的钻孔岩芯图像数据，实现对工程岩体质量的精细化表征，得到不良地质体的空间分布与揭露情况，为工程岩体稳定性分析乃至治理防护提供依据。

技术领域

本发明涉及岩石工程技术领域，尤其涉及一种从钻孔岩芯照片中识别RQD的智能方法。

背景技术

岩体质量评价是分析岩体工程地质条件和认识岩体工程特性的一种重要手段，是施工前的一项重要准备工作。经历了不同时期、不同程度的地质作用以及复杂的工程扰动，岩体质量在区域内往往呈现出强烈的异质性。人工获取的有限测点难以对工程岩体质量进行精细化表征，为此需要进行大范围自动化的工程地质调查与岩体质量评价。众多学者针对此问题开展了相关研究。对于岩体表面，基于三维点云的结构面自动化与半自动化识别已经得到了广泛的应用，同时从二维图像中自动提取结构面迹线也取得了有益的进展。对于岩体内部，钻孔电视、波速测试和探地雷达等手段可以快速的获取岩体内部的结构信息。此外高密度电阻、地震波成像等物探方法，倾斜摄影测量、红外温度场成像等测量方法均能增加对工程岩体质量的认识。

随着地质数据以指数形式增长、计算机性能尤其是GPU运算能力的提升，深度学习在岩石工程的数据解译分析中有着广泛的应用前景。其中利用钻进过程中钻机数据(轴压、转速、钻进速度以及声波信息等)来预测岩体物理力学性质(力学参数、岩体质量、可爆性、渗透性等)取得了较好的应用。此外，利用电镜照片来分析矿物成分，利用岩石照片来区分岩性、预测品位的深度学习也有报道。特别的是，利用施工过程中围岩响应来进行岩体动态分级评价的研究取得了较好的工程应用。当前限制深度学习在岩石工程中应用的主要难点在于1)纷繁复杂的工程地质数据在类型上难以统一，需进行大量的预处理工作，难以将工程问题简单归为某一类的深度学习问题；2)部分关键性数据获取难度较大、标注困难，对应的数据体量难以满足深度学习训练集的要求。

在矿山工程中，为了探明矿产资源储量，确保其可靠程度达到开采要求，非煤矿山的生产勘探线间距通常为50m-200m。对于一个大型矿山，通常布置数百个地质勘察钻孔，钻探累计长度达十数万米。此外，在矿山生产过程中，为了获取新的资源，往往会布置新的钻孔进行生产勘探设计。从钻孔中获取的岩芯除去少量用于化学测验(品位化验与选矿性实验)，绝大部分会放置在特制的岩芯盒中供后期查验。当前对钻孔岩芯质量指标RQD(RockQuality Designation，是国际上通用的鉴别岩石工程性质好坏的方法)编录通常在现场进行手动编录，工作条件恶劣且耗费大量人力物力。

发明内容

为解决上述技术问题，本发明提出一种从钻孔岩芯照片中识别RQD的智能方法，包括以下步骤：

步骤1：对岩芯图像进行采集，并把采集到的岩芯图像制作数据集，通过Mask-RCNN深度学习网络对单排岩芯图像进行识别；

步骤1.1：采集原始岩芯照片，对岩芯照片进行图像处理，并记录每幅图像对应的钻孔编号、埋深起始值、埋深终止值以及岩芯摆放顺序；

步骤1.2：制作岩芯图像数据集；使用标注工具在岩芯图像中标注单排岩芯得到数据标签作为Mask-RCNN深度学习网络的学习样本，并将学习样本按照3:1的比例随机划分为训练集和测试集；

所述标注单排岩芯为以连续的点进行连线，形成闭合多边形，将目标岩芯的边缘轮廓标注出来，并转化成设定格式的标注文件；