CN115761038A - 一种基于图像光谱技术的隧道掌子面地质素描方法及*** - Google Patents
一种基于图像光谱技术的隧道掌子面地质素描方法及*** Download PDFInfo
- Publication number
- CN115761038A CN115761038A CN202211281307.4A CN202211281307A CN115761038A CN 115761038 A CN115761038 A CN 115761038A CN 202211281307 A CN202211281307 A CN 202211281307A CN 115761038 A CN115761038 A CN 115761038A
- Authority
- CN
- China
- Prior art keywords
- fracture
- mineral
- image
- weathering
- water outlet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000001228 spectrum Methods 0.000 title claims abstract description 95
- 238000005516 engineering process Methods 0.000 title claims abstract description 28
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 178
- 239000011707 mineral Substances 0.000 claims abstract description 178
- 239000011435 rock Substances 0.000 claims abstract description 91
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 84
- 230000003595 spectral effect Effects 0.000 claims abstract description 65
- 239000000945 filler Substances 0.000 claims abstract description 26
- 239000013598 vector Substances 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 11
- 239000003086 colorant Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 10
- 206010017076 Fracture Diseases 0.000 description 82
- 208000010392 Bone Fractures Diseases 0.000 description 81
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 8
- 238000010276 construction Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000004075 alteration Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000009499 grossing Methods 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 239000002734 clay mineral Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 229910000616 Ferromanganese Inorganic materials 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000006253 efflorescence Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 150000004679 hydroxides Chemical class 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- DALUDRGQOYMVLD-UHFFFAOYSA-N iron manganese Chemical compound [Mn].[Fe] DALUDRGQOYMVLD-UHFFFAOYSA-N 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 229920005610 lignin Polymers 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/60—Editing figures and text; Combining figures or text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种基于图像光谱技术的隧道掌子面地质素描方法及***,包括:采集掌子面的图像光谱数据,根据光谱信息提取矿物端元及其光谱,以确定矿物类型及含量;对图像信息提取纹理特征,对光谱信息提取特征波段光谱,以确定地层岩性;根据图像信息提取裂隙特征,根据光谱信息识别裂隙填充物,以得到裂隙识别结果;根据裂隙数量、相对面积得到围岩破碎程度,根据地层岩性、围岩矿物分析结果分析矿物风化变异比率,根据光谱色差识别结果获取不同风化程度的颜色差异,以得到围岩风化程度;根据图像信息识别待测掌子面的出水形态及出水位置;根据上述结果采用不同的标注符号进行标注汇总得到隧道掌子面地质素描图,提高地质编录的精度和效率。
Description
技术领域
本发明涉及隧道智能化地质编录技术领域,特别是涉及一种基于图像光谱技术的隧道掌子面地质素描方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
隧道施工的地质条件复杂,断层破碎带、蚀变带、岩溶等不良地质体具有较强的隐蔽性,在隧道施工过程中开展地质编录是掌握隧道沿线不良地质情况的一种重要手段。地质编录不仅可以快速、准确和全面了解隧道已开挖段落的工程地质和水文地质情况,从而对前期勘察设计的地质资料进行核实、修正和完善,还可以为隧道超前地质预报和隧道施工方案的优化提供地质依据。在隧道施工中利用掌子面的地质素描信息反馈可以达到动态反馈设计和高效施工的目的,同时对掌子面的围岩信息进行采集整理和***分析,为隧道在不同地质条件下进行超前地质预报。
传统的隧道地质素描法耗时、主观性强、严重依赖于地质工作者的经验和细致程度,编录内容不够全面,易出现误判漏判现象,且具有一定的风险性,工作人员必须承受与隧道工作面密切接触带来的安全风险来进行检查。
而且,发明人发现,现有的隧道掌子面智能化地质编录大都依赖于采集拍摄的掌子面的图片,但基于图像的深度学习技术在获取地质编录信息时,无法准确识别岩石的矿物含量信息以及岩相特征不明显的地质条件等。
利用光谱技术虽然可以定量化获取围岩成分等信息,不仅降低了人工分析的带来的误差,同时极大提升了地质素描的精度,但是目前的光谱技术存在测试范围小、需现场手持接触式操作、效率低等缺点。
发明内容
为了解决上述问题,本发明提出了一种基于图像光谱技术的隧道掌子面地质素描方法及***,基于图像光谱技术获取掌子面的图像信息和光谱信息,融合图像信息和光谱信息,进行地层特征、地质构造、水文地质的分析,从而实现对隧道掌子面的数字化地质素描。
为了实现上述目的,本发明采用如下技术方案:
第一方面,本发明提供一种基于图像光谱技术的隧道掌子面地质素描方法,包括:
获取待测掌子面的图像与光谱信息;
对光谱信息利用混合像元分解法进行矿物端元提取和光谱解混,识别矿物的类型及含量,并确定不同矿物的空间分布;
根据光谱信息提取光谱特征向量,根据图像信息提取图像特征向量,根据光谱特征向量和图像特征向量采用训练后的分类器确定地层岩性;
根据图像信息提取裂隙特征,根据光谱信息识别裂隙填充物,根据裂隙特征与裂隙填充物得到裂隙识别结果;
根据裂隙识别结果获取裂隙的数量和相对面积,以此得到围岩破碎程度,根据地层岩性与现有矿物类型及含量的比较,得到矿物风化变异比率,根据不同区域的颜色特征,得到不同风化类型及区域的色差分类结果,根据围岩破碎程度、矿物风化变异比率和色差分类结果得到围岩风化程度;
根据图像信息识别待测掌子面的出水形态及出水位置;
将地层岩性、矿物空间分布和含量以及围岩风化程度整合为第一地质素描图,将裂隙识别结果、出水形态及出水位置整合为第二地质素描图,以此完成对隧道掌子面的地质素描。
作为可选择的一种实施方式,识别矿物的类型及含量的过程包括:
提取矿物端元,将矿物端元及其对应的光谱与预构建的参考波谱进行光谱匹配,以确定矿物类型;
将识别出的矿物类型作为端元进行分解,得到每种矿物的百分含量,根据每个像元标注出矿物组合、矿物端元及其所占含量,将每个像元端元解混的每种矿物的权重与矿物所占像素点做加权处理,得到矿物含量。
作为可选择的一种实施方式,对待测掌子面的图像与光谱信息进行栅格化处理,对网格内的光谱信息均值化处理后提取光谱特征向量;
所述图像特征向量包括特征波段的纹理特征,纹理特征的提取过程包括:对图像信息进行灰度处理后得到二维灰度图像,采用灰度共生矩阵方法提取二维灰度图像的纹理特征,在0°、45°、90°、135°四个方向计算特征参数。
作为可选择的一种实施方式,所述裂隙识别结果包括裂隙的位置、产状、开度和裂隙填充物;
裂隙识别过程包括:采用图像分割法区***隙与背景,剔除除裂隙外的其他元素,获取裂隙骨架和裂隙轮廓;以裂隙骨架为中心、裂隙轮廓为边界,进行栅格化处理,根据网格内的光谱信息进行裂隙填充物的识别。
作为可选择的一种实施方式,围岩风化程度的识别过程包括:
根据裂隙的数量和相对面积,采用预训练的围岩破碎程度分类模型,得到围岩破碎程度的分类结果;
根据地层岩性与现有矿物类型及含量的比较,分析是否有矿物成分的变化,采用预训练的矿物风化变异比率模型,得到矿物风化变异比率;
根据不同区域的颜色特征,以用光谱色差来表征不同风化类型及风化程度区域间的表面颜色差异;
对围岩破碎程度、矿物风化变异比率和色差分类结果分别赋权后,得到围岩风化程度。
作为可选择的一种实施方式,根据图像信息采用训练后的出水图像识别模型得到隧道掌子面的出水形态,并确定出水位置;
所述出水图像识别模型是利用掌子面出水图像和掌子面围岩的岩石涌水情况间的关系,使用不同涌水类别的掌子面图像对构建的网络框架进行训练而得;
所述出水形态包括无出水迹象、渗水、滴水、线状、股水和涌水。
作为可选择的一种实施方式,隧道掌子面的地质素描过程包括:
对矿物类型采用不同的颜色进行标注;
对矿物含量采用含量等值线进行标注;
地层岩性采用不同的岩性图例和符号进行标注;
对存在围岩风化的区域标注围岩风化程度;
对裂隙的位置、产状和开度采用线条标注;
对裂隙充填物的种类采用不同的颜色标注;
对出水形态采用线条等标注。
第二方面,本发明提供一种基于图像光谱技术的隧道掌子面地质素描***,包括:
图谱数据体获取模块,被配置为获取待测掌子面的图像与光谱信息;
矿物成分识别模块,被配置为对光谱信息利用混合像元分解法进行矿物端元提取和光谱解混,识别矿物的类型及含量,并确定不同矿物的空间分布;
地层岩性识别模块,被配置为根据光谱信息提取光谱特征向量,根据图像信息提取图像特征向量,根据光谱特征向量和图像特征向量采用训练后的分类器确定地层岩性;
裂隙识别模块,被配置为根据图像信息提取裂隙特征,根据光谱信息识别裂隙填充物,根据裂隙特征与裂隙填充物得到裂隙识别结果;
风化程度识别模块,被配置为根据裂隙识别结果获取裂隙的数量和相对面积,以此得到围岩破碎程度,根据地层岩性与现有矿物类型及含量的比较,得到矿物风化变异比率,根据不同区域的颜色特征,得到不同风化类型及区域的色差分类结果,根据围岩破碎程度、矿物风化变异比率和色差分类结果得到围岩风化程度;
出水识别模块,被配置为根据图像信息识别待测掌子面的出水形态及出水位置;
地质素描模块,被配置为将地层岩性、矿物空间分布和含量以及围岩风化程度整合为第一地质素描图,将裂隙识别结果、出水形态及出水位置整合为第二地质素描图,以此完成对隧道掌子面的地质素描。
第三方面,本发明提供一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成第一方面所述的方法。
第四方面,本发明提供一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成第一方面所述的方法。
与现有技术相比,本发明的有益效果为:
1.本发明提出的基于图像光谱技术的隧道掌子面地质素描方法及***,采用非接触式、原位测量的方式,是一种快速、大面积观测物质组成的重要技术手段,拍摄一次可获取一个三维数据体,在获取待测掌子面的二维空间信息的同时能采集几十到上百个连续波段的一维光谱信息,具有获取数据量丰富,图谱合一的优势。
2.本发明提出一种基于图像光谱技术的隧道掌子面地质素描方法及***,基于图像光谱技术获取待测掌子面的图像信息和每个像素点的光谱信息,融合图像信息和光谱信息对地层岩性进行多源信息融合识别,混合像元解混识别矿物端元、加权处理分析矿物含量,图像信息识别裂隙分布、裂隙产状,光谱检测裂隙填充矿物,借助破碎程度、矿物风化变异比率、色差综合判识围岩风化程度,以及对出水位置、出水形态的水文地质的分析,实现对隧道掌子面地质素描的定量化分析。
3.本发明提出的基于图像光谱技术的隧道掌子面地质素描方法及***,取代了传统地质素描方法,借助图像光谱技术的图像和光谱信息,极大的规避了主观层面判断的定性分析,以及编录内容不够全面,易出现误判漏判现象的问题,极大的提高了地质编录的精度和效率,实现了隧道掌子面的智能化地质素描。
4.本发明提出的基于图像光谱技术的隧道掌子面地质素描方法及***,采用人工智能和数据挖掘的手段进行工程地质信息和水文地质信息的数据处理和预测识别模型的建立,实现从主观层面判断的定性分析到智能化定量分析的跨越。
本发明附加方面的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,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明实施例1提供的基于图像光谱技术的隧道掌子面地质素描方法流程示意图;
图2为本发明实施例1提供的基于图像光谱技术的成像方式示意图;
图3(a)-图3(b)为本发明实施例1提供的地质素描图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1
本实施例提供一种基于图像光谱技术的隧道掌子面地质素描方法,图像光谱技术是一种可以同时获取图像信息和光谱信息的无损原位检测方法,融合图像和光谱信息进行综合分析可以全面精确地对隧道掌子面进行地质编录。
如图1所示,具体包括:
获取待测掌子面的三维图谱数据体,包括图像信息和光谱信息;
根据每个像素点的光谱信息利用混合像元分解法进行矿物端元提取和光谱解混,识别矿物的类型及含量,并确定不同矿物的空间分布;
对待测掌子面的图像与光谱信息进行栅格化处理;
对每个网格中的光谱信息经均值化处理后提取光谱特征向量,对图像信息提取图像特征向量,并将光谱特征向量和图像特征向量归一化后,采用训练后的分类器确定地层岩性;
对每个网格,根据图像信息提取裂隙特征,根据光谱信息识别裂隙填充物,根据裂隙特征与裂隙填充物得到裂隙识别结果,裂隙识别结果包括裂隙位置、产状、开度和填充物;
根据裂隙识别结果获取裂隙的数量和相对面积,以此得到围岩破碎程度,根据地层岩性与围岩现有矿物类型及含量的比较,得到矿物风化变异比率,根据不同区域的颜色特征,得到不同风化类型及区域的色差分类结果,根据围岩破碎程度、矿物风化变异比率和色差分类结果得到围岩风化程度;
根据图像信息识别待测掌子面的出水形态及出水位置;
将地层岩性、矿物空间分布和含量以及围岩风化程度整合为第一地质素描图,将裂隙识别结果、出水形态及出水位置整合为第二地质素描图,以此完成对隧道掌子面的地质素描;其中,根据矿物类型及含量采用不同的颜色和含量等值线进行标注,地层岩性采用不同的图例符号进行标注,围岩风化程度采用区域标注形式,最终将地层岩性、矿物空间分布和含量以及围岩风化程度汇总得到第一地质素描图;同理,汇总裂隙识别结果、出水形态及出水位置得到第二地质素描图。
在本实施例中,利用成像光谱仪对待测掌子面进行图像光谱信息的采集,如图2所示为基于图像光谱技术的成像方式,采用非接触式的无损原位扫描方式,拍摄一次可获取一个三维图谱数据体,三维图谱数据体包括图像信息和光谱信息,在获取待测掌子面的二维空间信息的同时能采集几十到上百个连续波段的一维光谱信息,具有获取数据量大,图谱合一的优势。
基于图像光谱技术获取待测掌子面的图像信息和每个像素点的光谱信息,融合图像信息和光谱信息,对地层岩性、矿物成分、风化程度等地层特征的分析,对裂隙分布、裂隙产状和裂隙填充的地质构造分析,以及对出水位置、出水形态的水文地质分析,从而实现对隧道掌子面的数字化地质素描,解决传统隧道掌子面素描耗时、主观性强、不全面等问题。
在本实施例中,在获取到待测掌子面的图像信息和光谱信息后,对图像和光谱信息进行预处理;所述预处理包括去噪、增强对比度、目标感兴趣空间提取等,根据预处理后的图像和光谱信息分别进行地层特征分析、地质构造分析和水文特征分析,以提取待测掌子面的工程地质信息和水文地质信息;其中,工程地质信息包括地层特征和地质构造,地层特征包括地层岩性、矿物成分和风化程度,地质构造包括裂隙分布、裂隙产状、开度和裂隙填充物,水文地质信息包括出水位置、出水形态。
在本实施例中,矿物光谱解混的过程包括矿物端元的提取、光谱的匹配、矿物类型的识别、矿物含量的反演;首先利用混合像元分解的方法提取矿物检测点的光谱信息,其次根据图像的每个像元标注出矿物组合、矿物端元及其所占含量,将每个像元端元解混的每种矿物的权重与矿物所占像素点做加权处理,得到研究区域的矿物含量;
具体地:
根据不同隧洞地质编录的精度要求,选取矿物检测点分布的距离,并提取相应检测点的光谱信息;
对光谱信息进行水汽吸收去除和去噪平滑处理,以去除各种偶然性误差;这是因为在隧道掌子面进行波谱实测过程中,水汽和大气的影响是不可避免的,波谱在大气或水汽吸收带中呈现不同程度的跳动,需加以分析并去除;去噪平滑可以在一定程度上减少噪声的影响,通常采用的去噪平滑方法包括移动平均法、静态平均法、傅里叶级数求近似法等;
本实施例以混合像元分解方法为例,采用混合像元分解的方法进行围岩矿物类型识别及含量定量分析、加权处理;
根据处理后的光谱信息采用混合像元分解方法进行矿物端元及其光谱的提取;包括以下步骤:矿物端元提取、矿物类型识别、丰度(矿物含量)反演;
对于矿物端元的提取,可以基于图像的端元进行提取,比如纯净像元指数法(PPI)和定点成分分析法(IEA)等;
通过上述的方法提取出矿物端元的信息,然后将矿物端元及其对应的光谱与预构建的参考波谱进行光谱匹配,通过计算相似度确定围岩矿物类型;
其中,光谱匹配方法包括距离相似性度量、角度相似性度量(光谱角)、光谱相关系数、光谱二值编码等方法;以光谱角度量方法为例,通过计算未知矿物端元光谱与参考波谱间的夹角值,来确定两者的相似性,根据相似性阈值对未知矿物端元光谱进行分类。
矿物含量的反演包括:首先将识别出的围岩矿物类型作为端元进行分解,得到每种围岩矿物的百分含量,其次根据图像的每个像元标注出矿物组合、矿物端元及其所占含量,将每个像元端元解混的每种矿物的权重与矿物所占像素点做加权处理,得到研究区域的矿物含量;
不同矿物的数字化情况根据区域含量加权:
在本实施例中,还可以将检测出的围岩矿物成分和含量以简要的点线示意图的形式展示出矿物含量的变化趋势,在地质素描汇总图中矿物含量通过含量等值线进行展示,还可以通过矿物填图的形式展示掌子面的矿物空间分布情况。
在本实施例中,对待测掌子面的图像与光谱信息进行栅格化处理,对每个网格中的光谱信息经均值化处理后提取光谱特征向量,一个网格提取出一条光谱曲线;然后提取网格内图像信息的图像特征向量,并将光谱特征向量和图像特征向量归一化处理后采用训练后的分类器识别地层岩性;
具体地:
对隧道掌子面进行网格划分,提取每个网格的图像信息和光谱信息;
对光谱信息进行的处理包括光谱预处理和提取特征波段光谱;
所述光谱预处理的方法包括有S-G卷积平滑、基线校正、标准正态变量变换、一阶导数、二阶导数、去趋势等;
其中,S-G卷积平滑可以有效提高光谱的平滑性,减少高频噪音干扰;标准正态变量变换主要是减少固体颗粒物大小不均和物体表面散射以及光程变换对光谱数据的影响;去趋势用于处理漫反射光谱基线漂移的问题,一般和标准正态变量变换组合使用;一阶导数和二阶导数的方法用于消除背景干扰和基线校正,来提高分辨率和灵敏度。
所述特征波段光谱的选择方法包括基于主成分分析、最小噪声分离、连续投影算法、边界决策等。
对图像信息提取的图像特征向量包括特征波段的纹理特征;所述纹理特征的提取过程包括:对图像信息进行灰度处理后得到二维灰度图像,采用灰度共生矩阵方法提取二维灰度图像的纹理特征,在0°、45°、90°、135°四个方向计算能量、熵、惯性矩、相关性等特征参数。
将特征波段光谱和纹理特征经归一化处理后,采用训练后的分类器确定地层岩性;分类器包括反向传播神经网络、线性判别分析、极限学习机、随机森林、非线性偏最小二乘支持向量机等。
在本实施例中,根据图像信息识别裂隙骨架和边界轮廓,进而在素描图上标记出裂隙位置、裂隙产状和开度的裂隙特征;然后以裂隙骨架和边界轮廓为基准,进行栅格化处理,使网格覆盖矿物填充的位置,提取每个网格内的光谱信息,根据光谱信息识别裂隙网格内的裂隙填充物,将裂隙特征与裂隙填矿物进行补充,进而完善裂隙信息。
具体地:
采用图像分割法区***隙与背景;所述图像分割法包括阈值分割法、基于边界的分割法、基于区域的分割法以及结合特定理论工具的分割方法等;
剔除图像中除裂隙外的其他元素,对裂隙的骨架和轮廓进行提取;
对于裂隙骨架的提取,可以采用二值图骨架细化算法,如Zhang Suen细化算法、Thining-Algorithm的算法等,其包括图像骨架细化和剪枝算法清除旁支;
对于裂隙轮廓的提取,可以采用轮廓提取法、边界跟踪法等;
待圈定出裂隙之后,以裂隙骨架为中心、裂隙轮廓为边界,进行栅格化处理,在每个网格内进行填充矿物的识别;
对每个网格内的矿物识别的方法使用上述围岩矿物成分检测的方法一致,即利用混合像元分解的方法对矿物进行识别,其包括光谱信息中端元的确定、每个端元的光谱特征、光谱匹配、识别矿物类型等;
最后将裂隙特征与裂隙填充物的识别结果进行补充,得到完整的裂隙识别结果,裂隙识别结果包括裂隙的位置、产状、开度、填充物。
风化岩体的岩体表面在长期风化作用下结构构造会发生改变,裂隙发育,破碎化程度增加,其表面矿物成分会发生改变,黏土矿物或其他次生矿物增多,原生矿物减少,相应的光谱特征也会发生改变,岩体表面颜色也会发生改变,例如其表面岩体中的钙、镁等氢氧化物在空气中二氧化碳的长期作用下,使得岩体表面颜色变为白色,风化程度越深,颜色表征越为明显,即不同风化程度区域表面颜色的不同,导致不同风化程度区域与基准间的色差存在较大差异。
所以,基于以上分析,在本实施例中,通过裂隙的数量、相对面积得到围岩破碎程度,通过分析地层岩性与现有矿物类型及含量得到矿物风化变异比率,以及根据不同风化区域的色差,从而判识围岩风化程度。
具体地,根据裂隙识别结果计算裂隙数量和相对面积,来表征岩体的破碎程度,对裂隙数量和相对面积采用预训练的围岩破碎程度分类模型,得到围岩风化的岩石破碎程度分类结果;
根据地层岩性以及围岩现有矿物类型、含量,分析是否有矿物成分的变化,计算矿物风化的变异比率,来表征围岩风化矿物的变化,采用预训练的矿物风化变异比率模型,得到围岩风化的矿物分类结果;
利用每个像素点的图像光谱数据反映不同风化类型及风化程度区域的颜色信息;根据不同区域的颜色特征,计算每个像素点与基准点颜色的差异,对每个像素点的风化程度进行评估,采用预训练的不同风化类型及风化程度区域的色差分类模型,得到围岩风化的色差分类结果,对表面不同风化类型及区域进行有效表征;
提取表征围岩风化的破碎分类结果、矿物分类结果、色差分类结果特征向量,输入融合分析模块分别赋权后,得到最终的围岩风化程度的识别结果。
作为可选择的实施方式,基于光谱的颜色测量通过对不同的风化类型及风化程度区域的反射光谱进行颜色空间的线性变换,以基准点为标准,计算不同风化类型及风化程度间的光谱色差值。
作为可选择的实施方式,相对面积为裂隙面积/目标岩样面积,裂隙面积可由对裂隙区域采用区域生长算法计算得到。
作为可选择的实施方式,训练后的各类分类模型是根据已采集的各类不同风化等级的岩石图像,通过建立裂隙特征-岩体破碎程度、矿物成分变异比率-风化程度、色差-风化程度的映射关系而构建,且随着隧道扫描识别分类的数据积累,不断更新、优化对应的分类模型。
作为可选择的实施方式,各类不同围岩风化等级的划分依据风化程度分级表,根据组织结构破坏程度、矿物成分是否发生变化、颜色变化等情况对围岩风化程度进行分类,包括未风化、微风化、中等风化、强风化以及全风化;
其中,对于未风化的风化程度等级其判识特征为岩质新鲜,未见风化痕迹;
微风化的识别特征为组织结构基本未变,仅节理面有铁锰质渲染或矿物略有变色,有少量风化裂隙;
中等风化的特征为组织结构部分破坏,矿物成分发生变化,节理面附件的矿物风化成土状,风化裂隙发育,岩体被切割;
强风化的特征为组织结构大部分被破坏,矿物成分已显著变化,含大量粘土质粘土矿物,风化裂隙很发育,岩体被切割为碎块;
若组织结构已全部被破坏,矿物成分已全部改变并已风化成土状,则分为全风化。
在本实施例中,将上述的不同特征训练得到多个分类器分别赋权,对风化程度识别结果做一个决策级的融合,最终在共同作用下得到围岩风化程度的最终识别结果。
在本实施例中,通过图像信息识别待测掌子面的出水形态及出水位置,出水形态包括无出水迹象、渗水、滴水、线状、股水和涌水;
具体地:
对图像信息进行数据增强处理;所述数据增强处理包括随机模糊、局部放大、随机水平翻转、高斯采样和通道缩放等,缓解不同出水量掌子面图像之间的不平衡问题,实现图像块内平滑降噪、去细节,并最大程度保留图像边缘;
将处理后的图像信息采用训练后的出水图像识别模型得到隧道掌子面的出水形态,并确定出水位置;其中,出水图像识别模型是利用掌子面出水图像和隧道掌子面围岩的岩石涌水情况间的关系,使用不同涌水类别的隧道掌子面图像对构建的网络框架进行训练、验证和测试。
在本实施例中,根据上述过程得到的待测掌子面的工程地质信息和水文地质信息形成数字化的隧道掌子面地质素描图,输出的隧道掌子面地质素描图中含有数字化地质信息和掌子面地质素描图;
其中,数字化地质信息用于简述隧道掌子面的工程地质信息和水文地质信息,具体包括“里程、围岩矿物类型以及含量分布情况、地层岩性、裂隙发育程度以及裂隙充填物、裂隙的形态以及分布、围岩风化程度,岩体富水程度以及洞内出水里程、部位、出水形态”等。
隧道掌子面地质素描图中包括地层岩性分布情况、围岩矿物分布及含量情况、裂隙信息、出水信息等,经过多个不同类型的地质水文信息传感器观测某个特定目标后得到的信息在相应的传感器上完成本地处理,形成各自的地质素描图,将同一场景、信息互补的图像进行融合,融合判决形成信息量更丰富的图像。
如图3(a)-图3(b)所示,在隧道掌子面地质素描图中,对于矿物类型、空间分布及含量;矿物类型选用不同的颜色表示不同的矿物类型,对于矿物的含量采用含量等值线反应每种矿物在不同位置处含量的差异,同理不同的矿物用不同颜色的等值线表示;比如,矿物Ⅰ的分布采用颜色1进行标注,矿物II的分布采用颜色2进行标注……;分析不同位置处矿物Ⅰ的含量值为Z1、矿物II的含量值为Z2……,同时矿物Ⅰ的含量等值线的线条颜色为颜色1,矿物II的含量等值线的线条颜色为颜色2……将同种矿物含量数值的个点连接成曲线,含量等值线可以反映出特定矿物的含量变化情况。
对于地层岩性,不同的岩性用地质学的岩性图例和符号进行标注;例如花岗岩用“+”填充、页岩用“—”填充、辉绿岩用“X”填充;
对于掌子面不同的围岩风化程度,若存在风化区域,则在风化的部位标注出风化的程度;
将矿物识别结果叠加到岩性分类结果上,最终将表示掌子面的工程地质信息,即将地层岩性、矿物空间分布及含量以及围岩风化程度的符号和标注汇合在第一地质素描图上。
对于裂隙识别结果的标注,根据识别出的裂隙骨架、轮廓以及填充物,用线条标注裂隙的位置、产状、开度,用不同的颜色标注裂隙充填矿物的种类;对于掌子面的水文地质信息,用线条等表示出水的形态;从而将表示掌子面裂隙特征和水文特征的信息的标注汇合在第二地质素描图上。
实施例2
本实施例提供一种基于图像光谱技术的隧道掌子面地质素描***,包括:
图谱数据体获取模块,被配置为获取待测掌子面的图像与光谱信息;
矿物成分识别模块,被配置为对光谱信息利用混合像元分解法进行矿物端元提取和光谱解混,识别矿物的类型及含量,并确定不同矿物的空间分布;
地层岩性识别模块,被配置为根据光谱信息提取光谱特征向量,根据图像信息提取图像特征向量,根据光谱特征向量和图像特征向量采用训练后的分类器确定地层岩性;
裂隙识别模块,被配置为根据图像信息提取裂隙特征,根据光谱信息识别裂隙填充物,根据裂隙特征与裂隙填充物得到裂隙识别结果;
风化程度识别模块,被配置为根据裂隙识别结果获取裂隙的数量和相对面积,以此得到围岩破碎程度,根据地层岩性与现有矿物类型及含量的比较,得到矿物风化变异比率,根据不同区域的颜色特征,得到不同风化类型及区域的色差分类结果,根据围岩破碎程度、矿物风化变异比率和色差分类结果得到围岩风化程度;
出水识别模块,被配置为根据图像信息识别待测掌子面的出水形态及出水位置;
地质素描模块,被配置为将地层岩性、矿物空间分布和含量以及围岩风化程度整合为第一地质素描图,将裂隙识别结果、出水形态及出水位置整合为第二地质素描图,以此完成对隧道掌子面的地质素描。
此处需要说明的是,上述模块对应于实施例1中所述的步骤,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1中所述的方法。
实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于图像光谱技术的隧道掌子面地质素描方法,其特征在于,包括:
获取待测掌子面的图像与光谱信息;
对光谱信息利用混合像元分解法进行矿物端元提取和光谱解混,识别矿物的类型及含量,并确定不同矿物的空间分布;
根据光谱信息提取光谱特征向量,根据图像信息提取图像特征向量,根据光谱特征向量和图像特征向量采用训练后的分类器确定地层岩性;
根据图像信息提取裂隙特征,根据光谱信息识别裂隙填充物,根据裂隙特征与裂隙填充物得到裂隙识别结果;
根据裂隙识别结果获取裂隙的数量和相对面积,以此得到围岩破碎程度,根据地层岩性与现有矿物类型及含量的比较,得到矿物风化变异比率,根据不同区域的颜色特征,得到不同风化类型及区域的色差分类结果,根据围岩破碎程度、矿物风化变异比率和色差分类结果得到围岩风化程度;
根据图像信息识别待测掌子面的出水形态及出水位置;
将地层岩性、矿物空间分布和含量以及围岩风化程度整合为第一地质素描图,将裂隙识别结果、出水形态及出水位置整合为第二地质素描图,以此完成对隧道掌子面的地质素描。
2.如权利要求1所述的一种基于图像光谱技术的隧道掌子面地质素描方法,其特征在于,识别矿物的类型及含量的过程包括:
提取矿物端元,将矿物端元及其对应的光谱与预构建的参考波谱进行光谱匹配,以确定矿物类型;
将识别出的矿物类型作为端元进行分解,得到每种矿物的百分含量,根据每个像元标注出矿物组合、矿物端元及其所占含量,将每个像元端元解混的每种矿物的权重与矿物所占像素点做加权处理,得到矿物含量。
3.如权利要求1所述的一种基于图像光谱技术的隧道掌子面地质素描方法,其特征在于,对待测掌子面的图像与光谱信息进行栅格化处理,对网格内的光谱信息均值化处理后提取光谱特征向量;
所述图像特征向量包括特征波段的纹理特征,纹理特征的提取过程包括:对图像信息进行灰度处理后得到二维灰度图像,采用灰度共生矩阵方法提取二维灰度图像的纹理特征,在0°、45°、90°、135°四个方向计算特征参数。
4.如权利要求1所述的一种基于图像光谱技术的隧道掌子面地质素描方法,其特征在于,所述裂隙识别结果包括裂隙的位置、产状、开度和裂隙填充物;
裂隙识别过程包括:采用图像分割法区***隙与背景,剔除除裂隙外的其他元素,获取裂隙骨架和裂隙轮廓;以裂隙骨架为中心、裂隙轮廓为边界,进行栅格化处理,根据网格内的光谱信息进行裂隙填充物的识别。
5.如权利要求1所述的一种基于图像光谱技术的隧道掌子面地质素描方法,其特征在于,围岩风化程度的识别过程包括:
根据裂隙的数量和相对面积,采用预训练的围岩破碎程度分类模型,得到围岩破碎程度的分类结果;
根据地层岩性与现有矿物类型及含量的比较,分析是否有矿物成分的变化,采用预训练的矿物风化变异比率模型,得到矿物风化变异比率;
根据不同区域的颜色特征,以用光谱色差来表征不同风化类型及风化程度区域间的表面颜色差异;
对围岩破碎程度、矿物风化变异比率和色差分类结果分别赋权后,得到围岩风化程度。
6.如权利要求1所述的一种基于图像光谱技术的隧道掌子面地质素描方法,其特征在于,根据图像信息采用训练后的出水图像识别模型得到隧道掌子面的出水形态,并确定出水位置;
所述出水图像识别模型是利用掌子面出水图像和掌子面围岩的岩石涌水情况间的关系,使用不同涌水类别的掌子面图像对构建的网络框架进行训练而得;
所述出水形态包括无出水迹象、渗水、滴水、线状、股水和涌水。
7.如权利要求1所述的一种基于图像光谱技术的隧道掌子面地质素描方法,其特征在于,隧道掌子面的地质素描过程包括:
对矿物类型采用不同的颜色进行标注;
对矿物含量采用含量等值线进行标注;
地层岩性采用不同的岩性图例和符号进行标注;
对存在围岩风化的区域标注围岩风化程度;
对裂隙的位置、产状和开度采用线条标注;
对裂隙充填物的种类采用不同的颜色标注;
对出水形态采用线条等标注。
8.一种基于图像光谱技术的隧道掌子面地质素描***,其特征在于,包括:
图谱数据体获取模块,被配置为获取待测掌子面的图像与光谱信息;
矿物成分识别模块,被配置为对光谱信息利用混合像元分解法进行矿物端元提取和光谱解混,识别矿物的类型及含量,并确定不同矿物的空间分布;
地层岩性识别模块,被配置为根据光谱信息提取光谱特征向量,根据图像信息提取图像特征向量,根据光谱特征向量和图像特征向量采用训练后的分类器确定地层岩性;
裂隙识别模块,被配置为根据图像信息提取裂隙特征,根据光谱信息识别裂隙填充物,根据裂隙特征与裂隙填充物得到裂隙识别结果;
风化程度识别模块,被配置为根据裂隙识别结果获取裂隙的数量和相对面积,以此得到围岩破碎程度,根据地层岩性与现有矿物类型及含量的比较,得到矿物风化变异比率,根据不同区域的颜色特征,得到不同风化类型及区域的色差分类结果,根据围岩破碎程度、矿物风化变异比率和色差分类结果得到围岩风化程度;
出水识别模块,被配置为根据图像信息识别待测掌子面的出水形态及出水位置;
地质素描模块,被配置为将地层岩性、矿物空间分布和含量以及围岩风化程度整合为第一地质素描图,将裂隙识别结果、出水形态及出水位置整合为第二地质素描图,以此完成对隧道掌子面的地质素描。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281307.4A CN115761038B (zh) | 2022-10-19 | 2022-10-19 | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** |
PCT/CN2023/128809 WO2024083261A1 (zh) | 2022-10-19 | 2023-10-31 | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211281307.4A CN115761038B (zh) | 2022-10-19 | 2022-10-19 | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115761038A true CN115761038A (zh) | 2023-03-07 |
CN115761038B CN115761038B (zh) | 2023-06-30 |
Family
ID=85353896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211281307.4A Active CN115761038B (zh) | 2022-10-19 | 2022-10-19 | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115761038B (zh) |
WO (1) | WO2024083261A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117436695A (zh) * | 2023-10-26 | 2024-01-23 | 中铁二院工程集团有限责任公司 | 一种隧道突涌塌方风险的评估方法及*** |
CN117828397A (zh) * | 2023-12-26 | 2024-04-05 | 山东大学 | 协同多元光谱的隧道岩石矿物识别方法及*** |
WO2024083261A1 (zh) * | 2022-10-19 | 2024-04-25 | 山东大学 | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389527A (zh) * | 2013-08-01 | 2013-11-13 | 中国建筑第四工程局有限公司 | 隧道地质的预报方法和*** |
CN103698817A (zh) * | 2013-12-27 | 2014-04-02 | 上海川海信息科技有限公司 | 基于图像的地下洞室掌子面快速安全预测方法 |
CN104502990A (zh) * | 2015-01-06 | 2015-04-08 | 中国地质大学(武汉) | 一种基于数码图像的隧道掌子面地质调查方法 |
CN106596896A (zh) * | 2016-12-30 | 2017-04-26 | 山东大学 | 一种现场隧道实时围岩分级***及方法 |
CN106651893A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
CN108089237A (zh) * | 2017-12-13 | 2018-05-29 | 中国铁建大桥工程局集团有限公司 | 一种隧道底部基础多层岩溶溶洞的探测方法 |
CN109191521A (zh) * | 2018-12-05 | 2019-01-11 | 中国铁建重工集团有限公司 | 一种隧道点云数据分析方法及*** |
CN109187548A (zh) * | 2018-07-24 | 2019-01-11 | 西南交通大学 | 一种岩体裂隙识别方法 |
CN110221341A (zh) * | 2019-07-03 | 2019-09-10 | 武汉中科岩土工程有限责任公司 | 一种隧道施工不良地质超前预报方法 |
CN110514126A (zh) * | 2019-09-30 | 2019-11-29 | 西南石油大学 | 一种基于机器视觉的隧道掌子面位移监测的方法 |
CN110850435A (zh) * | 2019-11-11 | 2020-02-28 | 山东大学 | 车载式隧道地质素描装置及使用方法 |
CN110988992A (zh) * | 2019-12-23 | 2020-04-10 | 中铁十二局集团第二工程有限公司 | 一种矿山法施工超前地质预报方法 |
CN111267984A (zh) * | 2020-01-21 | 2020-06-12 | 山东大学 | 基于高光谱技术分析的隧道内不良地质体识别***与方法 |
CN111505733A (zh) * | 2020-04-30 | 2020-08-07 | 山东科技大学 | 一种地下工程裂隙岩体赋存特殊地质体多源异构信息融合分析与动态预测方法 |
CN111626358A (zh) * | 2020-05-27 | 2020-09-04 | 大连海事大学 | 一种基于bim图片识别的隧道围岩分级方法 |
CN111638200A (zh) * | 2020-04-22 | 2020-09-08 | 山东大学 | 基于拉曼光谱分析的地质预报***及方法 |
CN111677530A (zh) * | 2020-06-04 | 2020-09-18 | 中铁六局集团太原铁路建设有限公司 | 隧道贯通段三台阶临时仰拱安全施工工法 |
CN113074695A (zh) * | 2021-04-06 | 2021-07-06 | 西南交通大学 | 一种基于掌子面三维变形监测的隧道稳定性判释方法 |
CN113177302A (zh) * | 2021-04-14 | 2021-07-27 | 北京科技大学 | 一种裂隙岩石颗粒流模型构建及新生裂纹产状分析方法 |
CN113256082A (zh) * | 2021-05-07 | 2021-08-13 | 中交第二航务工程局有限公司 | 一种隧道掌子面智能地质素描及地质评价方法 |
CN113484910A (zh) * | 2021-06-28 | 2021-10-08 | 西安建筑科技大学 | 基于地震干涉法的隧道超前地质预报方法及*** |
US20210366186A1 (en) * | 2019-09-06 | 2021-11-25 | Shandong University | Tbm-mounted virtual reconstruction system and method for surrounding rock structure of tunnel |
CN113936110A (zh) * | 2021-10-15 | 2022-01-14 | 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) | 一种基于数字地图的造山带填图方法及*** |
CN114076552A (zh) * | 2021-07-16 | 2022-02-22 | 中交一公局集团有限公司 | 一种隧道智能***方法及*** |
CN114419088A (zh) * | 2022-01-24 | 2022-04-29 | 重庆中环建设有限公司 | 一种基于数字图像的隧道围岩信息提取方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110989024B (zh) * | 2019-12-17 | 2021-10-08 | 山东大学 | 基于岩石矿物分析的tbm隧道断层破碎带预报***及方法 |
CN111220616B (zh) * | 2020-01-21 | 2021-06-01 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别***与方法 |
CN114067094A (zh) * | 2021-11-11 | 2022-02-18 | 山东大学 | 用于凿岩台车的多光谱摄像***及围岩智能判识方法 |
CN114926101B (zh) * | 2022-07-18 | 2022-10-28 | 石家庄铁道大学 | 一种面向施工速度与安全的tbm适应性围岩分级方法 |
CN115761038B (zh) * | 2022-10-19 | 2023-06-30 | 山东大学 | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** |
-
2022
- 2022-10-19 CN CN202211281307.4A patent/CN115761038B/zh active Active
-
2023
- 2023-10-31 WO PCT/CN2023/128809 patent/WO2024083261A1/zh unknown
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103389527A (zh) * | 2013-08-01 | 2013-11-13 | 中国建筑第四工程局有限公司 | 隧道地质的预报方法和*** |
CN103698817A (zh) * | 2013-12-27 | 2014-04-02 | 上海川海信息科技有限公司 | 基于图像的地下洞室掌子面快速安全预测方法 |
CN104502990A (zh) * | 2015-01-06 | 2015-04-08 | 中国地质大学(武汉) | 一种基于数码图像的隧道掌子面地质调查方法 |
CN106651893A (zh) * | 2016-12-23 | 2017-05-10 | 贵州电网有限责任公司电力科学研究院 | 一种基于边缘检测的墙体裂缝识别方法 |
CN106596896A (zh) * | 2016-12-30 | 2017-04-26 | 山东大学 | 一种现场隧道实时围岩分级***及方法 |
CN108089237A (zh) * | 2017-12-13 | 2018-05-29 | 中国铁建大桥工程局集团有限公司 | 一种隧道底部基础多层岩溶溶洞的探测方法 |
CN109187548A (zh) * | 2018-07-24 | 2019-01-11 | 西南交通大学 | 一种岩体裂隙识别方法 |
CN109191521A (zh) * | 2018-12-05 | 2019-01-11 | 中国铁建重工集团有限公司 | 一种隧道点云数据分析方法及*** |
CN110221341A (zh) * | 2019-07-03 | 2019-09-10 | 武汉中科岩土工程有限责任公司 | 一种隧道施工不良地质超前预报方法 |
US20210366186A1 (en) * | 2019-09-06 | 2021-11-25 | Shandong University | Tbm-mounted virtual reconstruction system and method for surrounding rock structure of tunnel |
CN110514126A (zh) * | 2019-09-30 | 2019-11-29 | 西南石油大学 | 一种基于机器视觉的隧道掌子面位移监测的方法 |
CN110850435A (zh) * | 2019-11-11 | 2020-02-28 | 山东大学 | 车载式隧道地质素描装置及使用方法 |
CN110988992A (zh) * | 2019-12-23 | 2020-04-10 | 中铁十二局集团第二工程有限公司 | 一种矿山法施工超前地质预报方法 |
CN111267984A (zh) * | 2020-01-21 | 2020-06-12 | 山东大学 | 基于高光谱技术分析的隧道内不良地质体识别***与方法 |
CN111638200A (zh) * | 2020-04-22 | 2020-09-08 | 山东大学 | 基于拉曼光谱分析的地质预报***及方法 |
CN111505733A (zh) * | 2020-04-30 | 2020-08-07 | 山东科技大学 | 一种地下工程裂隙岩体赋存特殊地质体多源异构信息融合分析与动态预测方法 |
CN111626358A (zh) * | 2020-05-27 | 2020-09-04 | 大连海事大学 | 一种基于bim图片识别的隧道围岩分级方法 |
CN111677530A (zh) * | 2020-06-04 | 2020-09-18 | 中铁六局集团太原铁路建设有限公司 | 隧道贯通段三台阶临时仰拱安全施工工法 |
CN113074695A (zh) * | 2021-04-06 | 2021-07-06 | 西南交通大学 | 一种基于掌子面三维变形监测的隧道稳定性判释方法 |
CN113177302A (zh) * | 2021-04-14 | 2021-07-27 | 北京科技大学 | 一种裂隙岩石颗粒流模型构建及新生裂纹产状分析方法 |
CN113256082A (zh) * | 2021-05-07 | 2021-08-13 | 中交第二航务工程局有限公司 | 一种隧道掌子面智能地质素描及地质评价方法 |
CN113484910A (zh) * | 2021-06-28 | 2021-10-08 | 西安建筑科技大学 | 基于地震干涉法的隧道超前地质预报方法及*** |
CN114076552A (zh) * | 2021-07-16 | 2022-02-22 | 中交一公局集团有限公司 | 一种隧道智能***方法及*** |
CN113936110A (zh) * | 2021-10-15 | 2022-01-14 | 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) | 一种基于数字地图的造山带填图方法及*** |
CN114419088A (zh) * | 2022-01-24 | 2022-04-29 | 重庆中环建设有限公司 | 一种基于数字图像的隧道围岩信息提取方法 |
Non-Patent Citations (6)
Title |
---|
YI HONGYAN;CHEN SUOZHONG: "Design and implementation of roadway geological sketch picture drawing system based on MapGIS", 《THE 2ND INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND ENGINEERING》 * |
原小帅;张庆松;许振浩;张霄;: "基于层次分析法的隧道综合地质预报优化", 工程地质学报 * |
张庆松;李术才;孙克国;许振浩;: "公路隧道超前地质预报应用现状与技术分析", 地下空间与工程学报 * |
许振浩, 马文, 林鹏, 石恒, 刘彤晖, 潘东东: "基于岩石图像迁移学习的岩性智能识别", 《应用基础与工程科学学报》 * |
高伟;何宏林;邹俊杰;石峰;: "三维图像建模在古地震探槽研究中的应用", 地震地质 * |
黄鑫;许振浩;林鹏;刘斌;聂利超;刘彤晖;苏茂鑫;: "隧道突水突泥致灾构造识别方法及其工程应用", 应用基础与工程科学学报 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024083261A1 (zh) * | 2022-10-19 | 2024-04-25 | 山东大学 | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** |
CN117436695A (zh) * | 2023-10-26 | 2024-01-23 | 中铁二院工程集团有限责任公司 | 一种隧道突涌塌方风险的评估方法及*** |
CN117828397A (zh) * | 2023-12-26 | 2024-04-05 | 山东大学 | 协同多元光谱的隧道岩石矿物识别方法及*** |
Also Published As
Publication number | Publication date |
---|---|
WO2024083261A1 (zh) | 2024-04-25 |
CN115761038B (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115761038B (zh) | 一种基于图像光谱技术的隧道掌子面地质素描方法及*** | |
Zakeri et al. | Image based techniques for crack detection, classification and quantification in asphalt pavement: a review | |
CN100547438C (zh) | 一种油气勘探方法及*** | |
CN104050252B (zh) | 一种高光谱遥感蚀变信息提取方法 | |
Shackelford et al. | Automated 2-D building footprint extraction from high-resolution satellite multispectral imagery | |
CN107798294A (zh) | 检测森林斑块变化的方法和装置 | |
CN112766075A (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
CN110188716B (zh) | 一种矿化信息提取方法及*** | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN114279982A (zh) | 水体污染信息获取方法及装置 | |
CN114581764B (zh) | 基于深度学习算法的地下结构裂纹病害判别方法 | |
CN109635733A (zh) | 基于视觉显著性和队列修正的停车场和车辆目标检测方法 | |
CN115346141B (zh) | 天-空-地-隧-孔一体化不良地质识别方法及*** | |
Omran | Rapid prediction of soil mineralogy using imaging spectroscopy | |
CN107169467B (zh) | 一种多源时序影像的稀土矿区土地毁损与恢复分析方法 | |
CN112669363A (zh) | 城市绿地三维绿量测算方法 | |
Liu et al. | Extraction of earthquake-induced collapsed buildings from bi-temporal VHR images using object-level homogeneity index and histogram | |
CN117491293A (zh) | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 | |
CN116385593A (zh) | 基于定量半监督学习的高光谱遥感矿物填图方法 | |
CN106023166A (zh) | 微波图像中人体隐藏危险物体的检测方法和装置 | |
CN115713645A (zh) | 基于光谱成像技术的岩性识别方法及*** | |
Tusa et al. | Extraction of structural and mineralogical features from hyperspectral drill-core scans | |
Bochow et al. | Automatic shadow detection in hyperspectral VIS-NIR images | |
Lemy et al. | A digital face mapping case study in an underground hard rock mine | |
CN117828525B (zh) | 基于多源信息融合分析的隧道围岩应力监测方法与*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |