清华大学学报(自然科学版)

作者：吴金, 吴顺川, 王焘, 席雅允

单位：1. 北京科技大学 土木与资源工程学院, 北京 100083;<br>2. 昆明理工大学 国土资源工程学院, 昆明 650093;<br>3. 自然资源部高原山地地质灾害预报预警与生态保护修复重点实验室, 昆明 650093;<br>4. 云南省高原山地地质灾害预报预警与生态保护修复重点实验室, 昆明 650093

关键词：钻孔图像,结构面识别,深度学习,U-Net神经网络,注意力机制

基金：国家自然科学基金项目(51934003); 云南省重大科技专项(202102AF080001); 云南省创新团队资助项目(202105AE160023)

基于钻孔电视图像的结构面调查是一种应用广泛的勘测方法, 可为岩体质量评价和工程设计提供基础数据支撑。 然而, 复杂地层中结构面形态各异, 宽度差异大且对比度低, 传统算法难以准确完整地识别。 为此, 该文提出一种基于改进的U-Net网络模型的钻孔电视图像结构面识别方法。 首先, 采用更深层次的编码-解码网络结构, 处理对比度低导致的结构面局部断裂问题, 并结合通道注意力机制和残差模块提高编码阶段各层级对结构面特征的提取能力。 其次, 在较低层级跳跃连接中引入多尺度空间注意力模块, 提高对复杂形态结构面处理能力, 丰富编码层结构面语义特征; 同时, 通道注意力也被用于充分融合来自编码层和解码层的多通道结构面信息。 然后, 通过利用与地质作用下地层变形类似的透视变形等方式扩增钻孔图像数据, 并结合焦点损失和Dice损失进行联合训练, 以减轻图像数据不平衡问题, 增强网络泛化能力。 最后, 将同一钻孔图像作为训练集, 邻近钻孔图像作为测试集进行消融和对比实验。 结果表明, 相比于已有相关网络模型, 该文所提方法能更有效地针对复杂地层钻孔图像, 较准确、 完整地识别各类岩体结构面, 精确率和召回率均超过77.00%, 比改进前的U-Net网络分割效果分别提高了7.96%和14.99%。 该文方法可为现场结构面钻孔调查以及岩体质量评价提供技术支撑。

来源：2024年第7期

《清华大学学报(自然科学版)》期刊编辑部

查看清华大学学报(自然科学版)杂志2024年第7期