[发明专利]基于图像识别技术的岩芯RQD数字化统计方法、设备及终端

说明书

本发明属于岩石测量技术领域，公开了基于图像识别技术的岩心RQD数字化统计方法、设备及终端，所述统计方法包括：进行岩心影像的采集与校正；利用影像识别方法对岩心箱轮廓进行形态识别，并建立岩心图像坐标系；将识别得到的各个岩心与钻进回次匹配，确定每块岩心所属地钻进回次；根据识别出的岩心轮廓角点坐标换算出每块岩心柱状长度；基于所述每块岩心所属地钻进回次计算所述柱状长度大于10cm的岩心的累积柱状长度以及RQD；存储每回次岩心RQD数据，并利用与柱状图相适应的格式输出。本发明采用统一长度计量标准，测量精度高。本发明现场只需拍照采集照片，其他由计算机自动识别处理，准确度和工作效率高。本发明无需人工现场测量岩芯RQD长度，减少人力成本。

技术领域

本发明属于岩心RQD测量技术领域，尤其涉及一种基于图像识别技术的岩心RQD数字化统计方法、设备及终端。

背景技术

目前，岩石质量指标(RQD)指钻孔中用N型(75mm)二重管金刚石钻头获取的大于10cm的岩芯段与该回次钻进深度之比，是国际上通用的评价岩石工程性质的一个重要参数，在国内外各行岩体工程中被广泛应用。目前现场测量岩芯RQD方法仍采用钢卷尺或皮尺进行逐回次量测，测量精度往往受测量工具和人的主观因素影响，测量精度不高，人工读数易出错，不能真实反映岩质量，现场量测工作量大，机械重复，效率低下，现场人工测量耗时耗力。

随着计算机图像识别和处理技术的发展，为岩芯RQD智能识别、测量、统计创造了条件，通过深度学习图像分割法，根据岩心照片的灰度、色彩、纹理、几何形状等特征把图像划分成若干个区域，从而将各块岩心轮廓标示出来，从而识别出每块岩心的形态，如碎块状、片状、半柱状、饼状、柱状等，然后经过图像处理技术，提取岩心长度、宽度等轮廓角点坐标，并根据坐标关系换算出每块岩心的实际柱状长度，通过设置阈值，判断出柱状长度大于10cm的岩心，并进行累加求和，算出相应回次柱状长度大于10cm岩心长度总和，最后与回次进尺长度之比，计算出相应回次的RQD。

现有技术2 CN202111216115.0公开了一种快速RQD分析方法，采用的图像识别技术不同，现有技术2是将图片转换为8进制图像，利用图像标尺软件进行图像信息提取。利用数字图像处理进行图像识别分割，计算简单，效率较高，只考虑像素点灰度值本身的特征，一般不考虑空间特征，对于背景颜色相近的图片岩心识别率不高。

现有技术1CN202011137412.1公开了一种从钻孔岩心照片中识别RQD的智能方法，基于Mask-R-CNN深度学习网络对图像进行识别，且是对单排岩心进行训练，RQD统计也是一排岩心统计。引入了预测用的Mask-Head，以像素到像素的方式来预测分割掩膜，提高了分割精度，但分类框与预测掩膜共享评价函数，有时候会对分割结果有所干扰。

现有技术3 CN202111582422.0公开了基于深度学习模型和岩芯图像的RQD计算方法，图像识别采用的基于Unet深度学习网络对图像进行识别，且也是单排岩心进行识别统计。Unet深度学习网络优点是在很小的训练集上取得较好的分割效果。

上述深度学习网络在堆叠到一定深度的时候会出现梯度消失的现象，导致误差升高效果变差，后向传播时无法将梯度反馈到前面的网络层，使得前方的网络层的参数难以更新，训练效果变差。

ResNet引入了全新的网络结构(残差学习模块)，形成了新的网络结构，可以使网络尽可能地加深，使得前馈/反馈传播算法能够顺利进行，结构更加简单，建设性地解决了网络训练得越深，误差升高，梯度消失越明显的问题。

传统的目标检测算法主要预测图像的最后一层，但是因为最后一层的特征图的感受野相比较前几层的感受野更大，同时特征也更抽象，因此对于小目标物的检测精度可能不是很高。但FPN能够有效地有效地增大网络对小目标检测的准确性。

ResNet+FPN就是将ResNet的特征图拿出来并将其进行放入到FPN中进行操作，解决了网络训练得越深，误差升高，梯度消失越明显的问题，也解决小目标无检测精度。