基于Mask-RCNN的岩...钻孔影像结构面智能识别方法_苏芮.pdf

2023年第1期新 疆 有 色 金 属基于Mask-RCNN的岩石钻孔影像结构面智能识别方法苏芮1苏群洋2（1.成都理工大学环境与土木工程学院，四川成都 610000;2.南通大学交通与土木工程学院，江苏南通 226000）摘要：数字钻孔影像技术是岩土工程中分析深部岩体的重要手段，对于了解岩体内部结构面的发育分布情况起着重要作用。目前钻孔影像识别解译多依赖人工作业，效率较低。为了解决上述问题，提出了一种基于Mask-RCNN的深度卷积神经网络识别岩石钻孔影像结构面的自动识别方法，通过对钻孔影像进行标注、训练，可以得到用于预测的权重文件并实现了钻孔影像结构面的智能化识别。结果表明基于Mask-RCNN的钻孔影像结构面智能检测方法可以快速准确地检测识别结构面，提高工作效率的同时为后续的岩体研究工作提供了技术支持。关键词：Mack-RCNN；岩石；钻孔影像；结构面岩体中发育分布的结构面控制着岩体的力学性质，是导致岩质边坡失稳的重要因素，因此调查岩体中结构面的发育分布特征是评价边坡稳定性的基本工作。数字钻孔影像技术是岩土工程中用于研究深部岩体内结构发育分布特征的重要手段，因其直观明了，对结构面的几何信息分析计算、地下水的活动情况判断等有着无可替代的优势。目前基于钻孔影像的结构面识别，结构面发育特征解译大多是人工进行作业，耗时耗力并且存在主观认识偏差。随着计算机技术和图像处理技术的发展，出现了许多钻孔影像结构面识别方法：葛云峰等1针对钻孔图像中岩体结构面形态特征，提出了一种基于Canny边缘检测算子识别的岩体结构面几何信息智能测量方法。宋琨等2基于图像灰度分布特点，结合图像边缘检测、阈值分割提出了一种结构面识别方法。苏钰桐等3基于YOLO v3的卷积神经网络对钻孔图像裂隙实现了自动检测识别。但是这些方法或在通用性与抗干扰能力方面需要提高，或是准确率不够。为了提高钻孔影像的结构面识别的效率和准确率，提出一种基于Mask-RCNN网络的钻孔影像结构面智能识别方法。1 Mask-RCNN网络1.1 原理Mask-RCNN实例分割网络是2017年基于Faster-RCNN网络的提出的一种用于目标检测和图像分割的机器学习算法，被广泛应用于自动驾驶、医学影像分割、工业缺陷识别等行业。Mask-RCNN实例分割网络在改进 Faster-RCNN 网络的基础上增加了FCN 模块。Mask-RCNN 网络可以分为特征提取部分、RPN生成锚框、Mask预测分支3个部分。特征提取部分由残差网络（ResNet）与特征金字塔网络（FPN）构成。残差网络用来解决网络退化问题，即当网络只使用卷积层和池化层，网络层数不断加深时，经过反向传播，梯度消失或梯度爆炸的情况。FPN特征金字塔网络用于让不同尺度的特征图之间进行特征融合，来增强特征图表征能力。RPN网络用来对预测锚框进行修正。Mask预测分支则用来实现逐像素地预测类别，并生成最终的预测结果。1.2 损失函数Mask-RCNN网络的损失函数L可以表示为：clsboxmask+L+LLL=（1）其中，clsL表示分类损失函数，boxL表示定位损失函数，maskL表示分割损失函数。网络训练时总损失函数把输入的标签与预测结果进行逐像素地比较，将分类任务交给分类损失函数完成，而分割损失函数使用Sigmoid交叉熵损失函数来计算，因此网络的预测结果相较其他网络更加准确。2 钻孔图像数据集制作某水电站位于金沙江上游干流，电站以发电为主，兼有防洪、水土保持等综合功能。取水电站建基面边坡开挖期间的400张钻孔影像作为研究对象并制作样本集。将所有钻孔图像尺寸统一为2048*256像DOI:10.16206/ki.65-1136/tg.2023.01.031作者简介：苏芮（1996.3-），男，江苏赣榆人，硕士研究生，研究方向为岩土工程。E-mail:802023年第1期新 疆 有 色 金 属素大小，如图1（a），采用开源工具Labelme软件对钻孔图像的结构面进行标注，制作数据集。数据集中70%作为训练集，20%作为验证集，10%用作测试集。3 训练环境及参数配置基于 Pytorch1.10框架搭建神经网络，计算机配置为 Intel（R）Xeon（R）Gold 5120 CPU 2.20GHz+2.19GHz 处理器和 NVIDIA Quadro M6000 12GB 显卡，程序采用Python3语言编写，图像处理程序基于开源图像处理库OpenCV进行编写。训练批次数量（Batchsize）设置为4，初始学习率（Lr）为0.01，每结束一次训练（Epoch）设置更新一次网络权重模型文件。在训练过程中，通过绘制模型损失曲线观察训练过程，当损失值收敛，损失曲线趋于水平时结束训练。4 训练结果综合评价4.1 评价指标训练完成后需要选用合适的评价指标对神经网络的性能进行评价。实例分割网络常用评价指标有精确率（Precision）、召回率（Recall）、交并比（IoU）等。其中，精确率表示预测为正类的样本中，真正的正类所占的比例;召回率表示正类被正确预测的比例;交并比指的是图像分割预测结果与预提真实范围的交集与并集的比值。精确率、召回率、交并比的公式如下：PrecisionTPTPFP=+（2）RecallTPTPFN=+（3）IoU=DT I GTDT U GT（4）式中：TP 代表标签为正，预测也为正;FP 代表标签为负，预测为正；FN 代表标签为正，预测为负。DT表示钻孔影像的结构面预测结果范围；GT表示钻孔影像上结构面的真实结果范围。4.2 网络性能评价选取IoU作为网络性能评价指标，当损失值收敛后，IoU曲线趋向平缓，IoU值收敛于85%左右，说明网络对于钻孔影像结构面的识别性能较好。4.3 结构面识别结果训练完成后，使用训练得到的权重模型文件对数据集中预设的验证集进行测试验证，得到结构面识别结果，如图1（b）。图1（a）钻孔影像原图（b）识别后的钻孔图从图1（b）可以看出，钻孔影像上结构面均被掩码覆盖，也即结构面被有效识别出。同时，对80张钻孔影像进行结构面智能识别并输出识别结果图，识别时间仅为35min左右，和人工识别结果进行了对比，对比结果表明方法在保证了一定准确率的情况下大幅度提高了工作效率。5 结论为了实现对岩体钻孔影像上结构面的快速和准确识别，本文基于Mask-RCNN网络提出了一种结构面智能识别方法。实验结果表明，与其他的结构面识别方法相比，本方法可以提高识别的准确率和识别精度，对于一些张开度较小的结构面也可以识别出。相较于传统的人工识别钻孔影像的结构面更是大大缩短了作业时间。虽然前期数据集处理过程中图像标注和网络模型训练耗费了较多时间，但是训练得到的网络权重模型可以用于后续现场钻取的钻孔影像的结构面识别，为进一步研究岩体中结构面发育分布特征的研究提供了技术支持。参考文献：1葛云峰，钟鹏，唐辉明，等.基于钻孔图像的岩体结构面几何信息智能测量J.岩土力学，2019，40（11）:4467-4476.2宋琨，孙驰，安冬，等.数字钻孔全景影像中结构面特征智能识别方法J.地质科技通报，2020，39（05）:17-22.3苏钰桐，杨炜毅，李俊霖.基于YOLO v3的煤岩钻孔图像裂隙智能识别方法J.煤矿安全，2021，52（04）:156-161.收稿：2022-10-2381