CN115753612A - 一种智能岩芯盒、岩芯图像采集***及岩芯智能编录方法 - Google Patents

Abstract

本发明属于工程地质勘察技术领域，尤其涉及一种智能岩芯盒、岩芯图像采集***及岩芯智能编录方法。岩芯智能编录方法，主要包括以下步骤：S1、组装岩芯图像采集***；S2、相机校正；S3、采集由岩芯盒或岩芯盒组图像；S4、图像预处理；S5、图像识别模型的建立；S6、在S5钻孔岩芯图像识别模型训练完成后，选取S4处理后的图片作为待识别钻孔岩芯图像，将其导入识别模型进行识别；S7、获取每段岩芯柱的岩芯类型和岩芯深度信息。本发明的岩芯智能编录方法优势在于自动化、快速完成岩性识别和钻孔柱状图成图，并且这种装置拆卸和安装简单，节约了勘察人员室内作业时间，非常适用于野外钻孔岩芯编录工作。

Description

一种智能岩芯盒、岩芯图像采集***及岩芯智能编录方法

技术领域

本发明属于工程地质勘察技术领域，尤其涉及一种智能岩芯盒、岩芯图像采集***及岩芯智能编录方法。

背景技术

钻孔勘察是探究工程岩体质量和属性的重要手段之一，已经广泛用于工程项目勘察中。在铁路或者交通勘察项目上，通过钻孔勘察，能够获得岩性和结构面几何等信息，对于地质描述和工程设计有着重要意义。野外勘察人员在野外大多依靠经验，直接观察岩石颜色、表面纹理、硬度等特征从而识别出岩石大致名称。人眼观察法简单、快捷，但受限于主体的地质专业知识，存在主观判断误差。人工智能算法为岩性识别提供了重要途径，大大提高了岩性识别的效率和准确性。CN202110565704.3公开了一种基于神经网络的钻孔图像智能识别方法和装置。但这种方法只能对岩芯局部区域进行拍照和识别，无法对完整钻孔岩芯进行自动扫描和识别，使得在现场应用不佳。

而现有技术中的岩芯盒，都是木质结构，一次性使用，只能用于存储岩芯。而已有的发明专利只是考虑了岩芯存储和运输的便利性，不能完成整孔岩芯识别和编录工作。

发明内容

有鉴与此，本发明提供了一种智能岩芯盒、岩芯图像采集***及岩芯智能编录方法。

本发明提供的技术方案带来的有益效果是：一种岩芯盒，包括盒体，所述盒体为长方体结构，其上端敞口设置，其内设有矩形结构的置物槽，所述盒体的一侧上端设有多个间隔分布卡槽，其相对一侧的上端设有与多个所述卡槽相适配的卡钩，所述盒体上设有用于安装支架的安装孔。

一种岩芯图像采集***，包括支架、图像采集单元和至少一个如权利要求1所述的岩芯盒，所述支架为倒“L”形机构，其竖直段可拆卸地安装在所述安装孔内，其水平段延伸至所述置物槽的上方，所述支架的水平段设有固定夹，所述固定夹用于固定图像采集单元，所述图像采集单元用于采集岩芯图像。

进一步地，所述图像采集单元为手机。

一种岩芯智能编录方法，采用上述的岩芯图像采集***执行，包括以下步骤：

S1、组装岩芯图像采集***，并在岩芯盒内放入钻孔岩芯；

S2、相机校正：在每个岩芯盒的盒体的四个直角处设置标记点，调整调试图像采集单元的焦距，使整个视域覆盖岩芯盒，同时保证所采集的岩芯盒图像信息清晰；

S3、组装好岩芯图像采集***后，利用述图像采集单元拍摄岩芯盒，采集岩芯盒图像，如岩芯图像采集***包括多个岩芯盒，则采集由多个岩芯盒组成的岩芯盒组图像；

S4、图像预处理：将采集的岩芯盒图像或岩芯盒组图像进行裁剪分割，获取单张钻孔岩芯的柱状图像，再对单张钻孔岩芯的柱状图像预处理后，得到统一规格的预处理图片；

S5、图像识别模型的建立：基于卷积神经网络的深度学习算法，借鉴InceptionV3预训练模型方法，建立钻孔岩芯图像识别模型，并利用S4中经过图像预处理的钻孔岩芯图像进行模型训练；

S6、在S5钻孔岩芯图像识别模型训练完成后，选取S4处理后的图片作为待识别钻孔岩芯图像，将其导入识别模型进行识别；

S7、在S6图像识别完成后，根据识别结果，分别得到每段岩芯柱的岩芯类型和岩芯深度信息，标记对应岩芯类型的岩芯深度，建立岩芯柱状CAD图。

进一步地，在S1中，若岩芯图像采集***包括多个岩芯盒，则将多个岩芯盒进行组装固定，得到岩芯盒组，将支架固定在位于中心位置的盒体的安装孔内，将图像采集单元安装在固定夹上；调试图像采集单元的图像采集距离，在每个盒体内放置目标岩心。

进一步地，S4中图像预处理的具体步骤为：

S4.1、利用图像分割技术，对岩芯盒图像或岩芯盒组图像进行裁剪，分割成单个钻孔岩芯的柱状图，若岩芯盒为多个，则将得到的多张钻孔岩芯柱状图进行拼接；

S4.2、对单张或拼接好的钻孔岩芯柱状图中按照320×320像素大小进行随机截取；

S4.3、对随机截取到的图片进行翻转、旋转操作；

S4.4、对处理得到的钻孔岩芯图像进行亮度的微调；

S4.5、将所有得到的图片统一缩放到256×256像素后，即得到预处理后的钻孔岩芯图像。

进一步地，S5中图像识别模型的具体步骤为：

S5.1、数据准备：收集已知类型的钻孔岩芯图像，并按照步骤4的方法处理已知类型钻孔岩芯图像，对每个钻孔岩芯图像打上标签，建立钻孔岩芯模型训练集；

S5.2、模型构建：将卷积神经网络InceptionV3的卷积层、池化层全部提取出来，移除InceptionV3模型的最后输出层，添加初始化的两层全连接层，采用InceptionV3模型的参数值提取钻孔岩芯图像特征；

S5.3、模型训练：采用S4获得的训练样本对钻孔岩芯识别模型进行训练；

S5.4、模型测试：用训练集以外的已知钻孔岩芯图像按照步骤4的方法进行推向预处理，建立钻孔岩芯测试集，利用测试集对模型的识别准确度进行检验；如果能够正确识别，则合格，不合格则重新采集训练样本对模型进行训练并调整模型参数，直到能够正确识别。

进一步地，在S5.4中，若模型识别测试通过的标准若达到95％，则认为识别成功。

本发明的有益效果是：本发明的优势在于自动化、快速完成岩性识别和钻孔柱状图成图，并且这种装置拆卸和安装简单，节约了勘察人员室内作业时间，非常适用于野外钻孔岩芯编录工作。

附图说明

图1为本发明所述一种岩芯图像采集***的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

本发明专利的主要思路在于结合神经网络图像识别技术，对传统岩芯盒进行改进，设置标记点，通过架设在岩芯盒上方的手机对岩芯进行拍照，然后利用内置的岩芯图像处理软件对岩芯进行分割和拼接。最后对每段岩芯进行智能识别和划分，生成整孔的钻孔柱状图。

本发明的优势在于自动化、快速完成岩性识别和钻孔柱状图成图，并且这种装置拆卸和安装简单，节约了勘察人员室内作业时间，非常适用于野外钻孔岩芯编录工作。

如图1所示，一种岩芯盒，包括盒体(10)，所述盒体(10)为长方体结构，其上端敞口设置，其内设有矩形结构的置物槽(11)，所述盒体(10)的一侧上端设有多个间隔分布卡槽(12)，其相对一侧的上端设有与多个所述卡槽(12)相适配的卡钩(13)，所述盒体(10)上设有用于安装支架(20)的安装孔(14)。

在本发明中，定义盒体(10)长度较长的侧边为长边，长度较短的侧边为宽边。盒体(10)的长边上设有刻度线，刻度线用于观察岩心的长度新型。置物槽(11)用于放置岩芯。最佳的，卡槽(12)设有2个，2个卡槽(12)分别设置在而盒体(10)长边上端的两端，对应的，卡钩(13)为倒“L”形，其也设有2个，对应设置在另一条长边上端的两端。卡槽(12)和卡钩(13)用于实现两个盒体(10)之间的连接固定，即将卡钩(13)***对应的卡槽(12)内，就可实现两个盒体(10)的固定。而在实际应用中，可根据需要增加卡槽(12)和卡钩(13)的数量，以保证两个盒体(10)之间的固定效果。卡槽(12)和卡钩(13)式的连接结构具有操作连接和实施成本低等优点。此外，本发明对两个盒体(10)之间的连接不限于通过卡槽(12)和卡钩(13)进行连接固定，还可以通过螺栓、卡扣等连接结构进行连接固定。安装孔(14)设置在盒体(10)的宽边上，其用于安装采用采集岩芯图像的设备的支架(20)，安装孔(14)设计在盒体(10)的宽边上，可方便设备采集岩芯的图像信息。

本发明岩芯盒，相比与现有技术中木质结构的岩芯盒都是木质结构，其都是一次性使用，且只能用于存储岩芯。而已有的发明专利只是考虑了岩芯存储和运输的便利性，不能完成整孔岩芯识别和编录工作。

一种岩芯图像采集***，包括至少一个岩芯盒、支架(20)和图像采集单元(30)，所述支架(20)为倒“L”形机构，其竖直段可拆卸地安装在所述安装孔(14)内，其水平段延伸至所述置物槽(11)的上方，所述支架(20)的水平段设有固定夹(40)，所述固定夹(40)用于固定图像采集单元(30)。

在实际应用中，如只需要对一组岩芯进行图像采集，则只需要设计一个岩芯盒，如果需要对多组岩芯同时进行图像采集，则需要设计对应数量的岩芯盒，并将多个岩芯盒进行组装，在位于中心位置的岩芯盒上的安装孔(14)内安装支架(20)，以提供最佳图像采集视角，保证多组岩芯图像信息采集的完整性。而支架(20)与安装孔(14)之间可为螺纹安装，也可以通过在安装孔(14)内设置橡胶圈，以对支架(20)底部进行固定。作为本发明的一个实施例，岩心图像采集***包括5个岩芯盒。本发明中的图像采集单元(30)可以为具有图像采集功能的设备，如手机、相机等。本发明对固定夹(40)的结构不进行限定，现有技术中能实现对手机和相机固定夹(40)持的固定夹(40)结构均为作为本发明中固定夹(40)的具体实施例。本发明所述的岩心图像采集***具有体积小、拆装方便和运输方便等优点。

一种岩芯智能编录方法，包括以下步骤：

S1、组装岩芯图像采集***：选取5个盒体进行组装固定，得到岩芯盒组，将支架固定在位于中心位置的盒体的安装孔内，将图像采集单元安装在固定夹上；调试图像采集单元的图像采集距离，在每个盒体内放置目标岩心；具体的，图像采集单元为手机。最佳的，为了方便后期钻孔岩芯图像的预处理，岩芯盒的颜色可设计为与钻孔岩芯颜色具有明显区别的颜色，如红色。在拍摄环境光线昏暗的情况下进行识别时，应打开手机手电筒进行补光，以免色差影响识别结果。

S2、相机校正：在每个岩芯盒的盒体的四个直角处设置标记点，调整调试图像采集单元的焦距，使整个视域覆盖岩芯盒，同时保证所采集的岩芯盒图像信息清晰。具体的，通过手机自动调整焦距，对齐四个标记点，使整个视域覆盖岩芯盒，同时保证所拍的岩芯盒照片清晰，无污染。而通过岩芯盒盒体边上的刻度，对拍照的照片尺寸进行标记，方便识别每段岩性长度。

S3、图像获取：组装好岩芯图像采集***后，利用手机拍摄整个岩芯盒组，采集岩芯盒组图像；

S4、图像预处理：

将采集的岩芯盒组图像进行裁剪分割，获取单个钻孔岩芯的柱状图像，并将5张单个钻孔岩芯的柱状图像进行拼接，对拼接好的的钻孔岩芯柱状图按照预定像素大小进行随机截取，将所有截取的图像进行预处理后，再缩放至预设尺寸，得到统一规格的预处理图片；具体的：

S4.1、利用图像分割技术，对岩芯盒图像进行裁剪，分割成五张单个钻孔岩芯的柱状图，然后进行拼接；

S4.2、在拼接好的钻孔岩芯柱状图中按照320×320像素大小进行随机截取；

S4.3、对随机截取到的图片进行翻转、旋转操作；

S4.4、对处理得到的钻孔岩芯图像进行亮度的微调；

S4.5、将所有得到的图片统一缩放到256×256像素。

需要说明的是，本步骤中设计到对图像的预处理技术，如图像裁剪、切割、截图、翻转、旋转、调节亮度及像素缩放等技术都属于现有技术。

S5、图像识别模型的建立：

基于卷积神经网络的深度学习算法，借鉴InceptionV3预训练模型方法，建立钻孔岩芯图像识别模型，并利用S4中经过图像预处理的钻孔岩芯图像进行模型训练；

具体的：

S5.1、数据准备：收集已知类型的钻孔岩芯图像，并按照步骤4的方法处理已知类型钻孔岩芯图像，对每个钻孔岩芯图像打上标签，建立钻孔岩芯模型训练集；

S5.2、模型构建：将卷积神经网络InceptionV3的卷积层、池化层全部提取出来，移除InceptionV3模型的最后输出层，添加初始化的两层全连接层，采用InceptionV3模型的参数值提取钻孔岩芯图像特征；

S5.3、模型训练：采用S4.5获得的训练样本对钻孔岩芯识别模型进行训练；

S5.4、模型测试：用训练集以外的已知钻孔岩芯图像按照步骤4的方法进行推向预处理，建立钻孔岩芯测试集，利用测试集对模型的识别准确度进行检验。如果能够正确识别，则合格，不合格则重新采集训练样本对模型进行训练并调整模型参数，直到能够正确识别，具体的，模型识别测试通过的标准若达到95％，则认为识别成功。

需要说明的是，本发明中图像识别模型的建立属于现有技术，如在基于岩石图像深度学习的岩性自动识别与分类方法(张野,李明超,韩帅.2018.基于岩石图像深度学习的岩性自动识别与分类方法.岩石学报,34(2):333-342)一文中就有记载本发明步骤S5的技术方案，因此本发明对其具体操作过程不再进行赘述。

S6、图像识别：

在S5钻孔岩芯图像识别模型训练完成后，将步骤4的方法得到预处理后的钻孔岩芯图像，即作为待识别钻孔岩芯图像，将其导入识别模型进行识别。

在实际应用中，可以将已经训练过好的深度学习模型作为内置文件安装到钻孔岩芯智能识别程序中，从而避免了识别时需要提前训练的操作，直接实现识别功能。

S7、返回识别结果：

在S6图像识别完成后，根据识别结果，分别得到每段岩芯柱的岩芯类型和岩芯深度信息，标记对应岩芯类型的岩芯深度，建立岩芯柱状CAD图。

需要说明的是，本发明中根据获取的岩芯的类型和深度等信息导出岩芯柱状CAD图为现有技术，如在申请号为202111509800.2，专利名为用于三维模拟试验中围岩裂隙重构方法、电子设备及存储介质的发明专利中就记载了相关的技术原理，这也是属于本领域的常规技术手段，属于现有技术，本发明对其具体操作方法和原理不进行解释。

在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位与图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种岩芯盒，其特征在于，包括盒体，所述盒体为长方体结构，其上端敞口设置，其内设有矩形结构的置物槽，所述盒体的一侧上端设有多个间隔分布卡槽，其相对一侧的上端设有与多个所述卡槽相适配的卡钩，所述盒体上设有用于安装支架的安装孔。

2.一种岩芯图像采集***，其特征在于，包括支架、图像采集单元和至少一个如权利要求1所述的岩芯盒，所述支架为倒“L”形机构，其竖直段可拆卸地安装在所述安装孔内，其水平段延伸至所述置物槽的上方，所述支架的水平段设有固定夹，所述固定夹用于固定图像采集单元，所述图像采集单元用于采集岩芯图像。

3.如权利要求2所述的一种岩芯图像采集***，其特征在于，所述图像采集单元为手机。

4.一种岩芯智能编录方法，其特征在于，采用权利要求2或3所述的岩芯图像采集***执行，包括以下步骤：

S1、组装岩芯图像采集***，并在岩芯盒内放入钻孔岩芯；

S2、相机校正：在每个岩芯盒的盒体的四个直角处设置标记点，调整调试图像采集单元的焦距，使整个视域覆盖岩芯盒，同时保证所采集的岩芯盒图像信息清晰；

S3、组装好岩芯图像采集***后，利用述图像采集单元拍摄岩芯盒，采集岩芯盒图像，如岩芯图像采集***包括多个岩芯盒，则采集由多个岩芯盒组成的岩芯盒组图像；

S4、图像预处理：将采集的岩芯盒图像或岩芯盒组图像进行裁剪分割，获取单张钻孔岩芯的柱状图像，再对单张钻孔岩芯的柱状图像预处理后，得到统一规格的预处理图片；

S5、图像识别模型的建立：基于卷积神经网络的深度学习算法，借鉴InceptionV3预训练模型方法，建立钻孔岩芯图像识别模型，并利用S4中经过图像预处理的钻孔岩芯图像进行模型训练；

S6、在S5钻孔岩芯图像识别模型训练完成后，选取S4处理后的图片作为待识别钻孔岩芯图像，将其导入识别模型进行识别；

S7、在S6图像识别完成后，根据识别结果，分别得到每段岩芯柱的岩芯类型和岩芯深度信息，标记对应岩芯类型的岩芯深度，建立岩芯柱状CAD图。

5.根据权利要求4所述的一种岩芯智能编录方法，其特征在于，在S1中，若岩芯图像采集***包括多个岩芯盒，则将多个岩芯盒进行组装固定，得到岩芯盒组，将支架固定在位于中心位置的盒体的安装孔内，将图像采集单元安装在固定夹上；调试图像采集单元的图像采集距离，在每个盒体内放置目标岩心。

6.根据权利要求4所述的一种岩芯智能编录方法，其特征在于，S4中图像预处理的具体步骤为：

S4.1、利用图像分割技术，对岩芯盒图像或岩芯盒组图像进行裁剪，分割成单个钻孔岩芯的柱状图，若岩芯盒为多个，则将得到的多张钻孔岩芯柱状图进行拼接；

S4.2、对单张或拼接好的钻孔岩芯柱状图中按照320×320像素大小进行随机截取；

S4.3、对随机截取到的图片进行翻转、旋转操作；

S4.4、对处理得到的钻孔岩芯图像进行亮度的微调；

S4.5、将所有得到的图片统一缩放到256×256像素后，即得到预处理后的钻孔岩芯图像。

7.根据权利要求4所述的一种岩芯智能编录方法，其特征在于，S5中图像识别模型的具体步骤为：

S5.1、数据准备：收集已知类型的钻孔岩芯图像，并按照步骤4的方法处理已知类型钻孔岩芯图像，对每个钻孔岩芯图像打上标签，建立钻孔岩芯模型训练集；

S5.2、模型构建：将卷积神经网络InceptionV3的卷积层、池化层全部提取出来，移除InceptionV3模型的最后输出层，添加初始化的两层全连接层，采用InceptionV3模型的参数值提取钻孔岩芯图像特征；

S5.3、模型训练：采用S4获得的训练样本对钻孔岩芯识别模型进行训练；

S5.4、模型测试：用训练集以外的已知钻孔岩芯图像按照步骤4的方法进行推向预处理，建立钻孔岩芯测试集，利用测试集对模型的识别准确度进行检验；如果能够正确识别，则合格，不合格则重新采集训练样本对模型进行训练并调整模型参数，直到能够正确识别。

8.根据权利要求7所述的一种岩芯智能编录方法，其特征在于，在S5.4中，若模型识别测试通过的标准若达到95％，则认为识别成功。

Images