基于神经网络和钻孔窥视的围岩松动圈确定方法和系统

本发明涉及矿业工程和计算机视觉，尤其公开了一种基于神经网络和钻孔窥视的围岩松动圈确定方法和系统。

背景技术：

1、在巷道围岩控制领域，围岩的稳定性是确保巷道、硐室等地下结构安全的关键。围岩松动圈是地下空间开挖后，次生应力使得围岩发生变形和破坏，并在周边一定深度区域内形成的破裂带。准确识别和量化松动圈范围，对于评估围岩稳定性和制定合理的支护措施至关重要。利用钻孔窥视可以直接观测锚杆钻孔或地质钻孔，为判断巷道周围岩层松动圈深度分布提供依据。现有技术对围岩松动圈深度确定时，钻孔窥视仪所拍摄的图像往往需要人工进行判别和处理，对图像中的裂隙、节理进行观测并给出评判，这需要判别者花费大量的精力和时间，并且需要判别者拥有扎实的相关知识储备。同时，松动圈范围的判定具有一定的主观性，不同技术人员对松动圈范围判断可能不一致，对后续的工程应用会产生影响。

2、因此，现有技术中对围岩松动圈深度确定时存在的上述缺陷，是目前亟待解决的技术问题。

技术实现思路

1、本发明提供了一种基于神经网络和钻孔窥视的围岩松动圈确定方法和系统，旨在解决上述现有技术中存在的至少一种缺陷。

2、本发明的一方面涉及一种基于神经网络和钻孔窥视的围岩松动圈确定方法，包括以下步骤：

3、获取钻孔窥视仪拍摄的巷道围岩中测定围岩松动圈分布位置处的钻孔内岩层特征图像；

4、将钻孔内岩层特征图像沿钻孔深入方向裁剪切割成子图，获取全部子图；

5、将全部子图输入至训练好的裂隙图像评级模型，由裂隙图像评级模型对全部子图进行打分，获取全部子图分数；

6、对全部子图分数进行加权移动平均，获取围岩破碎程度得分；将围岩破碎程度得分与松动圈判定阈值进行比较，判定松动圈深度范围。

7、进一步地，将钻孔内岩层特征图像沿钻孔深入方向裁剪切割成子图，获取全部子图的步骤包括：

8、将钻孔内岩层特征图像输入至图像切割保存模型；

9、由图像切割保存模型读取钻孔内岩层特征图像的尺寸，将钻孔内岩层特征图像沿钻孔深入方向进行裁剪切割，每隔设定长度切割出一张子图，对切割出的所有子图按数字排序进行命名并保存至同一已切割图像的文件路径下。

10、进一步地，将全部子图输入至训练好的裂隙图像评级模型，由裂隙图像评级模型对全部子图进行打分，获取全部子图分数的步骤包括：

11、将存放已切割图像的文件路径输入裂隙图像评级模型；

12、由裂隙图像评级模型按数字排序读取存放已切割图像的文件路径中的全部子图，对全部子图进行打分。

13、进一步地，对全部子图分数进行加权移动平均，获取围岩破碎程度得分；将围岩破碎程度得分与松动圈判定阈值进行比较，判定松动圈深度范围的步骤包括：

14、由裂隙图像评级模型将全部子图分数由钻孔浅部至深部依次排列写入数据列表中；

15、对写入数据列表中的分数数据进行加权移动平均，得到围岩破碎程度得分，将得到的围岩破碎程度得分与松动圈判定阈值进行比较，给出松动圈的具体范围。

16、进一步地，对写入数据列表中的分数数据进行加权移动平均，得到围岩破碎程度得分，将得到的围岩破碎程度得分与松动圈判定阈值进行比较，给出松动圈的具体范围的步骤中，使用权重函数进行加权移动平均，权重函数为：

17、其中，为权重函数，为第一权重参数，用于对应第一裂隙等级；为第二权重参数，用于对应第二裂隙等级；为第三权重参数，用于对应第三裂隙等级；为第四权重参数，用于对应第四裂隙等级；为第五权重参数，用于对应第五裂隙等级；指第i张已切割图像所获分数；

18、加权移动平均计算公式为：

19、其中，指第t项数据到t+3项数据的加权移动平均，指第i张已切割图像所获分数；为权重函数。

20、本发明的另一方面涉及一种基于神经网络和钻孔窥视的围岩松动圈确定系统，包括：

21、第一获取模块，用于获取钻孔窥视仪拍摄的巷道围岩中测定围岩松动圈分布位置处的钻孔内岩层特征图像；

22、第二获取模块，用于将钻孔内岩层特征图像沿钻孔深入方向裁剪切割成子图，获取全部子图；

23、第三获取模块，用于将全部子图输入至训练好的裂隙图像评级模型，由裂隙图像评级模型对全部子图进行打分，获取全部子图分数；

24、判定模块，用于对全部子图分数进行加权移动平均，获取围岩破碎程度得分；将围岩破碎程度得分与松动圈判定阈值进行比较，判定松动圈深度范围。

25、进一步地，第二获取模块包括：

26、第一输入单元，用于将钻孔内岩层特征图像输入至图像切割保存模型；

27、切割单元，用于由图像切割保存模型读取钻孔内岩层特征图像的尺寸，将钻孔内岩层特征图像沿钻孔深入方向进行裁剪切割，每隔设定长度切割出一张子图，对切割出的所有子图按数字排序进行命名并保存至同一已切割图像的文件路径下。

28、进一步地，第三获取模块包括：

29、第二输入单元，用于将存放已切割图像的文件路径输入裂隙图像评级模型；

30、评估单元，用于由裂隙图像评级模型按数字排序读取存放已切割图像的文件路径中的全部子图，对全部子图进行打分。

31、进一步地，判定模块包括：

32、写入单元，用于由裂隙图像评级模型将全部子图分数由钻孔浅部至深部依次排列写入数据列表中；

33、判定单元，用于对写入数据列表中的分数数据进行加权移动平均，得到围岩破碎程度得分，将得到的围岩破碎程度得分与松动圈判定阈值进行比较，给出松动圈的具体范围。

34、进一步地，判定单元中，使用权重函数进行加权移动平均，权重函数为：

35、其中，为权重函数，为第一权重参数，用于对应第一裂隙等级；为第二权重参数，用于对应第二裂隙等级；为第三权重参数，用于对应第三裂隙等级；为第四权重参数，用于对应第四裂隙等级；为第五权重参数，用于对应第五裂隙等级；指第i张已切割图像所获分数；

36、加权移动平均计算公式为：

37、其中，指第t项数据到t+3项数据的加权移动平均，指第i张已切割图像所获分数；为权重函数。

38、本发明所取得的有益效果为：

39、本发明提供一种基于神经网络和钻孔窥视的围岩松动圈确定方法和系统，通过获取钻孔窥视仪拍摄的巷道围岩中测定围岩松动圈分布位置处的钻孔内岩层特征图像；将钻孔内岩层特征图像沿钻孔深入方向裁剪切割成子图，获取全部子图；将全部子图输入至训练好的裂隙图像评级模型，由裂隙图像评级模型对全部子图进行打分，获取全部子图分数；对全部子图分数进行加权移动平均，获取围岩破碎程度得分；将围岩破碎程度得分与松动圈判定阈值进行比较，判定松动圈深度范围。本发明提供的基于神经网络和钻孔窥视的围岩松动圈确定方法和系统，将矿业工程与计算机视觉两个领域相结合，发挥计算机在图像处理中的高效性与准确性；模型训练的过程中调整了vgg19网络结构，提升了模型深度；训练完成后的模型将对裂隙表现特征的识别更加全面，提高了基于钻窥视识别围岩松动圈的效率和准确度。