基于深度学习的钻孔图像岩体结构面识别

岩体结构面对岩体稳定性和渗透性有着重要影响,是决定深部地下工程稳定性的重要因素.针对井下电视技术获取的钻孔影像,提出了一种基于深度学习算法(You Only Look Once version 4,YOLO v4)的岩体结构面识别方法,并计算识别岩体结构面的几何参数.首先,采集图像数据并进行预处理.以某隧道工程为案例,使用智能钻孔光学成像仪采集4号和6号钻孔图像,筛选含有结构面的钻孔图像进行标注以建立Ground truth数据集.从中随机选择数据集的70%作为训练数据、10%作为验证数据、20%作为测试数据,并对训练数据集使用数据增强处理.接下来使用CSPDarkNet53网络作为特征提取网络,构建YOLO v4模型,并采用试错法获取最优参数进行模型训练.利用测试集生成P-R(Precision-Recall)曲线来测试最终的模型训练效果,结果显示P-R曲线的平均精度达0.87,这表明YOLO v4训练结果较好.最后,将定位的结构面采用Canny算法通过拟合上、中、下正弦曲线函数获取岩体结构面边缘,并依据正弦函数的系数计算结构面的4个几何参数(倾向、倾角、深度和张开度).     

适用于半迹长测线法的岩体结构面直径Priest-Zhang算法和修正算法适用性

由概率论推导提出能够纠正截短偏差的修正算法,工程应用前为明确2种算法适用范围,先采用2种算法由实测半迹长分布估算直径期望,然后对比2种算法估算的直径期望与真实直径期望的相对误差,进行21组对比试验.结果表明:Priest-Zhang算法估算的直径期望是截短值的线性递增函数,修正算法估算的直径期望是截短值的水平线性函数;截短值较小时,2种算法接近,采用前者已能够获得较高精度,纠正截短偏差意义不大;截短值较大时后者明显更精确,纠正截短偏差能够大幅提高精度,应选用后者.汶川工程实例表明:当截短值为0.1m时,2种算法具有高精度且估算结果接近,值得推广.