岩体裂隙状态的分析方法及岩体裂隙识别模型的训练方法技术

本申请提出一种岩体裂隙状态的分析方法及岩体裂隙识别模型的训练方法，涉及岩体裂隙识别技术领域。其中，方法包括：获取钻井内部待测岩体的图像，将待测岩体的图像输入至预先训练的岩体裂隙识别模型进行裂隙识别，获得裂隙的像素信息；其中，岩体裂隙识别模型已经学习得到用于识别图像中裂隙的像素信息的能力；根据裂隙的像素信息对待测岩体的图像进行处理，获得裂隙参数；根据裂隙参数分析岩体裂隙状态。根据本申请提出的岩体裂隙状态的分析方法，可根据岩体裂隙识别模型准确、快速地识别岩体裂隙，基于模型识别获得的裂隙的像素信息提取裂隙参数，进而对岩体裂隙状态进行分析，对后续施工具有重要参考意义。对后续施工具有重要参考意义。对后续施工具有重要参考意义。

【技术实现步骤摘要】
岩体裂隙状态的分析方法及岩体裂隙识别模型的训练方法


[0001]本申请涉及岩体裂隙识别
，尤其涉及一种岩体裂隙状态的分析方法及岩体裂隙识别模型的训练方法。

技术介绍

[0002]煤矿资源开采结束后，遗留下大量的采空区，造成巨大的安全隐患。由于采空区上覆岩层存在大量岩体裂隙，导致内部结构极其不稳定，容易引起塌陷，泥石流等自然灾害。煤炭在开采过程中，对煤矿区域的地质结构造成的严重的破坏，使得开采层在受到爆破力、震力等外力作用的情况下，极易引发地表层的裂缝、断裂和下沉塌陷。
[0003]针对这一现状，煤矿采空区的治理极为重要。根据采空区钻井内部岩石图像对煤矿采空区域的裂隙发育情况进行准确的预测是采空区治理过程必不可少的一环。

技术实现思路

[0004]本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本申请第一方面提出了一种岩体裂隙状态的分析方法，包括：
[0006]获取钻井内部待测岩体的图像，将所述待测岩体的图像输入至预先训练的岩体裂隙识别模型进行裂隙识别，获得裂隙的像素信息；其中，所述岩体裂隙识别模型已经学习得到用于识别图像中裂隙的像素信息的能力；
[0007]根据所述裂隙的像素信息对所述待测岩体的图像进行处理，获得裂隙参数；
[0008]根据所述裂隙参数分析岩体裂隙状态。
[0009]在本申请一些实施例中，所述根据所述裂隙的像素信息对所述待测岩体的图像进行处理，获得裂隙参数，包括：根据所述裂隙的像素信息，对所述待测岩体的图像进行二值化处理，获得裂隙处理图像；所述裂隙处理图像包括裂隙区域和背景区域；采用Zhang快速并行细化算法对所述裂隙区域进行骨架提取，获得裂隙骨架；采用Sobel边缘检测算法对所述裂隙处理图像进行边缘提取，获得裂隙边缘区域；根据所述裂隙骨架与所述边缘的裂隙边缘区域，获取所述裂隙参数。
[0010]在本申请一些实施例中，所述裂隙参数包括以下参数中的至少一种：裂隙的长度、宽度、倾角。
[0011]本申请第二方面提出了一种岩体裂隙识别模型的训练方法，包括：
[0012]获取钻井内部岩体的样本图像；
[0013]对所述样本图像中的裂隙进行标记，获得岩体裂隙标签图像；
[0014]采用Mask
‑
RCNN网络作为岩体裂隙识别模型，将所述样本图像输入至所述岩体裂隙识别模型，获得裂隙的像素信息；
[0015]根据所述岩体裂隙标签图像和所述裂隙的像素信息对所述岩体裂隙识别模型进行训练。
[0016]在本申请一些实施例中，所述Mask
‑
RCNN网络包括特征金字塔网络FPN、区域推荐
网络RPN、RoI Align层和全连接层。
[0017]在本申请一些实施例中，所述获取钻井内部岩体的样本图像，包括：采集钻井内部的岩体图像；通过尺度变换、图像旋转、平移等操作对所述岩体图像进行图像扩充，获得所述钻井内部岩体的样本图像。
[0018]本申请第三方面提出了一种岩体裂隙状态的分析装置，包括：
[0019]第一获取模块，用于获取钻井内部待测岩体的图像，将所述待测岩体的图像输入至预先训练的岩体裂隙识别模型进行裂隙识别，获得裂隙的像素信息；其中，所述岩体裂隙识别模型已经学习得到用于识别图像中裂隙的像素信息的能力；
[0020]第二获取模块，用于根据所述裂隙的像素信息对所述待测岩体的图像进行处理，获得裂隙参数；
[0021]分析模块，用于根据所述裂隙参数分析岩体裂隙状态。
[0022]本申请第四方面提出了一种岩体裂隙识别模型的训练装置，包括：
[0023]第一获取模块，用于获取钻井内部岩体的样本图像；
[0024]第二获取模块，用于对所述样本图像中的裂隙进行标记，获得岩体裂隙标签图像；
[0025]第三获取模块，用于采用Mask
‑
RCNN网络作为岩体裂隙识别模型，将所述样本图像输入至所述岩体裂隙识别模型，获得裂隙的像素信息；
[0026]训练模块，用于根据所述岩体裂隙标签图像和所述裂隙的像素信息对所述岩体裂隙识别模型进行训练。
[0027]本申请第五方面提出了一种电子设备，包括：处理器；以及用于存储所述处理器可执行指令的存储器；其中，所述指令被所述处理器执行，以使所述处理器能够执行前述第一方面所述的方法，或者执行前述第二方面所述的方法。
[0028]本申请第六方面提出了一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得所述电子设备能够执行前述第一方面所述的方法，或者执行前述第二方面所述的方法。
[0029]根据本申请提出的岩体裂隙状态的分析方法，可根据岩体裂隙识别模型准确、快速地识别岩体裂隙，基于模型识别获得的裂隙的像素信息提取裂隙参数，进而对岩体裂隙状态进行分析。既提高了岩体裂隙识别的准确度，还可充分利用待测岩体图像信息分析岩体裂隙状态，对后续施工具有重要参考意义。
[0030]本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0031]本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
[0032]图1为本申请实施例所提供的一种岩体裂隙识别模型的训练方法的流程示意图；
[0033]图2为本申请实施例所提供的Mask
‑
RCNN网络示意图；
[0034]图3为本申请实施例所提供的一种岩体裂隙状态的分析方法的流程示意图；
[0035]图4为本申请实施例所提供的Zhang快速并行细化算法示意图；
[0036]图5为本申请实施例提供的骨架长度求解示意图；
[0037]图6为本申请实施例所提供的一种岩体裂隙状态的分析装置的示意图；
[0038]图7为本申请实施例所提供的一种岩体裂隙识别模型的训练装置的示意图。
具体实施方式
[0039]下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
[0040]早期煤矿采空区岩体裂隙识别主要通过技术人员对钻井内部岩体图像进行肉眼观察，对裂隙进行收录统计,进而对采空区域的裂隙发育情况作出预测。然而此种方法存在工作量大，耗时长，准确度低等诸多问题。随着计算机技术的发展,人工测量裂隙的方法已被淘汰,取而代之的是基于图像进行裂隙识别。相关技术中，存在基于裂隙区域与图片背景区域灰度值不同，识别岩体裂隙的岩体裂隙识别方法。然而，该方法对复杂的岩体裂隙识别准确率低，难以对裂隙区域与背景区域灰度值变化不大的裂隙进行准确识别，裂隙识别的准确度相对较低，耗时较长。
[0041]本申请提出一种岩体裂隙状本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种岩体裂隙状态的分析方法，其特征在于，包括：获取钻井内部待测岩体的图像，将所述待测岩体的图像输入至预先训练的岩体裂隙识别模型进行裂隙识别，获得裂隙的像素信息；其中，所述岩体裂隙识别模型已经学习得到用于识别图像中裂隙的像素信息的能力；根据所述裂隙的像素信息对所述待测岩体的图像进行处理，获得裂隙参数；根据所述裂隙参数分析岩体裂隙状态。2.根据权利要求1所述的方法，其特征在于，所述根据所述裂隙的像素信息对所述待测岩体的图像进行处理，获得裂隙参数，包括：根据所述裂隙的像素信息，对所述待测岩体的图像进行二值化处理，获得裂隙处理图像；所述裂隙处理图像包括裂隙区域和背景区域；采用Zhang快速并行细化算法对所述裂隙区域进行骨架提取，获得裂隙骨架；采用Sobel边缘检测算法对所述裂隙处理图像进行边缘提取，获得裂隙边缘区域；根据所述裂隙骨架与所述边缘的裂隙边缘区域，获取所述裂隙参数。3.根据权利要求2所述的方法，其特征在于，所述裂隙参数包括以下参数中的至少一种：裂隙的长度、宽度、倾角。4.一种岩体裂隙识别模型的训练方法，其特征在于，包括：获取钻井内部岩体的样本图像；对所述样本图像中的裂隙进行标记，获得岩体裂隙标签图像；采用Mask
‑
RCNN网络作为岩体裂隙识别模型，将所述样本图像输入至所述岩体裂隙识别模型，获得裂隙的像素信息；根据所述岩体裂隙标签图像和所述裂隙的像素信息对所述岩体裂隙识别模型进行训练。5.根据权利要求4所述的方法，其特征在于，所述Mask
‑
RCNN网络包括特征金字塔网络FPN、区域推荐网络RPN、RoIAlign层和全连接层。6.根据权利要求4所述的方法，其特征在于，所述获取钻井内部岩体的样本图像...

【专利技术属性】
技术研发人员：李建文，邵红旗，王庆涛，赵文，柯雨，段隆臣，赵冬，王兵强，徐小兵，何骞，高辉，
申请(专利权)人：中煤科工鑫融科技创新发展有限公司中煤科工循环产业研究院山东有限公司，
类型：发明
国别省市：