一種基于生成對抗網絡的圍巖裂隙智能識別方法

本發明涉及一種基于生成對抗網絡的圍巖裂隙智能識別方法，屬于裂隙智能識別。

背景技術：

1、在地質工程、巖土工程及采礦工程等領域，圍巖裂隙的準確識別對于評估巖體的穩定性、設計支護結構以及預防地質災害至關重要。在荷載作用下，巖石裂隙的萌生、擴展與貫通常會導致工程巖體開裂與結構失穩，引發山體滑坡、隧道塌方、礦井突涌水等重大事故，對人員生命和財產安全造成嚴重威脅。

2、傳統的巖石裂隙檢測方法主要包括人工實地測量和基于圖像的半自動或自動檢測。人工實地測量雖然準確度高，但存在勞動強度大、效率低、安全風險高等問題，且難以全面覆蓋復雜地質條件下的裂隙情況。而基于圖像的檢測方法，雖然具有非接觸、高效、安全等優點，但在實際應用中仍面臨諸多挑戰，如圖像質量受光照、噪聲等因素影響大，裂隙形態復雜多變導致檢測精度不高，以及數據集規模有限導致模型泛化能力不強等。

3、近年來，隨著計算機視覺、深度學習等技術的快速發展，圖像處理和模式識別技術在巖石裂隙檢測中的應用日益廣泛。生成對抗網絡（gan）作為一種強大的深度學習模型，在圖像生成、數據增強等方面展現出巨大的潛力。通過訓練gan模型，可以生成與真實圖像高度相似的裂隙圖像，從而有效擴充數據集規模，提高模型的泛化能力。同時，結合先進的圖像預處理技術和特征提取算法，可以進一步提高巖石裂隙檢測的準確性和效率。

4、中國專利申請號202410439368.1公開了一種基于圖像智能識別的便攜式鉆孔裂隙識別系統，該系統主要由兩部分組成：鉆孔電視和主體計算機。該系統操作簡單，可自動完成圖像采集和處理。然而，面對復雜地質環境，圖像質量易受光線、噪聲干擾，影響裂隙識別精度。

技術實現思路

1、為了實現巖石裂隙的快速、準確識別，提高檢測效率和準確性，為地質工程、巖石力學等領域的研究和應用提供強有力的技術支持，本發明提供一種基于生成對抗網絡的圍巖裂隙智能識別方法。

2、為達到上述目的，本發明采取的技術方案如下：

3、一種基于生成對抗網絡的圍巖裂隙智能識別方法，其特征在于，包括以下步驟：

4、步驟一：通過室內試驗對巖石進行加載試驗，模擬巖石在地下的真實受力環境，獲取巖石破壞后的裂隙圖作為原始圖像，對原始圖像預處理后轉為巖石裂隙二值化圖像保存為標簽圖；

5、步驟二：通過變分自編碼器（簡稱vae）對實驗數據（也就是原始圖像）進行增強擴充，再將擴充之后的原始圖像轉為巖石裂隙二值化圖像保存為標簽圖，使用隨機劃分對擴充之后的實驗數據按比例分為測試集與訓練集；

6、步驟三：以訓練集中的數據作為生成對抗網絡的輸入訓練模型，計算損失函數并反向傳播，并采用adam優化器優化該模型，對模型迭代訓練，直至達到設定的模型預測精度，保存符合要求的模型文件，從而得到生成的圍巖裂隙圖像，所述的模型預測精度指的是生成的圍巖裂隙圖像與步驟一的標簽圖的誤差小于或等于模型所設定的誤差值；

7、步驟四：使用測試集測試訓練后的生成對抗網絡模型的準確性，如果準確性達到要求，則訓練后的生成對抗網絡模型便為圍巖裂隙智能識別模型，如果準確性達不到要求，重新調整模型參數進行訓練，直到測試出的準確性達到要求；

8、步驟五:將現場采集的巖石裂隙圖像直接輸入到圍巖裂隙智能識別模型中進行裂隙檢測。

9、進一步，步驟一的具體過程如下：

10、1.1標準試件制作：根據工程巖體試驗方法標準將現場取樣的巖塊加工成標準圓柱體試件；

11、1.2室內試驗：對巖石試件進行單軸壓縮或三軸壓縮試驗，以模擬巖石在地下的真實受力環境，在巖石破壞后收集巖石裂隙原始圖像數據；

12、1.3預處理：將獲取的巖石裂隙原始圖像進行預處理后轉換為二值化圖像，在二值化圖像中，對裂隙部分進行標記保存為標簽圖。

13、進一步，步驟1.2中，采用高清相機或專業的圖像采集系統收集巖石裂隙原始圖像數據；

14、進一步：步驟1.3中，選用全局閾值或自適應閾值分割方法將預處理后的原始圖像轉換為二值化圖像。

15、進一步，步驟二的詳細步驟是：

16、2.1使用變分自編碼器（vae）對預處理后的巖石裂隙原始圖像進行訓練：vae通過編碼器將原始圖像映射到潛在空間中的概率分布，然后訓練一個解碼器，實現從潛在空間分布到真實數據分布的映射，從這個分布中采樣重構圖像，在訓練過程中，通過變分推斷方法引入可學習的變分后驗近似真實的后驗分布，從而估計原始圖像分布的參數（均值與標準差），從潛在空間的高斯分布中采樣出潛在變量z，并通過解碼器生成與原始圖像分布相似的圖像；

17、2.2對步驟2.1生成的圖像與步驟1.2的原始圖像進行數據增強擴充得到原始擴充圖像，對擴充之后的實驗數據打亂，按比例分為測試集與訓練集，優選2:8的比例。

18、進一步，步驟三的具體過程；

19、3.1?初始化參數：對生成對抗網絡模型的參數進行初始化，如： lr=1 e-4, batch_ size=4等；

20、3.2?計算損失函數：給定原始擴充圖像及其標簽圖作為輸入數據，原始擴充圖像及其標簽圖表示為{(in,?cn),?n?=?1,?2,?3...,?n}，其中in表示原始擴充圖像，cn?∈{0,?1}表示對應的標簽圖，其中0和1分別對應于被分類為裂隙和非裂隙的像素，將原始擴充圖像及其標簽圖作為模型輸入，輸送到生成對抗網絡模型進行訓練，根據以下公式進行計算損失函數：

21、???????????(1)

22、判別器網絡與生成器交替優化，以解決對抗性極小極大問題，公式（1）表示一個生成模型g，其目標是欺騙一個可微分的判別器d，該判別器被訓練用于區分生成的邊緣與真實邊緣；

23、在公式（1）中，c和分別表示標簽圖和生成的裂隙圖像，而i是生成器輸入的原始擴充圖像；表示生成器生成的圖像與標簽圖之間的誤差越小越好；表示判別器判斷的分數越大越好，也就是讓判別器判斷不出哪個是生成的圖像，哪一個是標簽圖；表示生成器生成的圖像與標簽圖之間的誤差；表示生成器生成的裂隙圖像放入鑒別器之后判斷的誤差；log是計算公式；

24、3.3?反向傳播迭代優化損失函數：使用反向傳播方法更新損失函數中的參數，并迭代計算；

25、3.4?采用adam優化器優化模型：使用adam優化器自適應調整學習率，從而優化模型參數，在生成器中使用silu激活函數，初始化學習率設置為0.0001，訓練輪次選擇為100，將訓練數據輸入到生成對抗網絡模型中進行訓練，判斷最終的生成圖像與真實標簽圖的誤差是否小于模型所設定的誤差值，若符合，則訓練完成，并保存符合要求的模型文件；若不符合，則返回3.3，調整模型的各項參數，直至滿足條件。

26、進一步，步驟四中，使用測試集測試訓練后的生成對抗網絡模型的準確性，如果達不到要求，重新調整模型參數重復步驟3.1-3.4。

27、本發明的有益效果在于：

28、1、提高巖石裂隙檢測的準確性：通過采用高精度的室內力學試驗和專業的圖像采集系統，本發明能夠準確記錄巖石在不同加載方式下的裂隙情況，為后續的裂隙檢測提供了可靠的數據基礎。同時，利用先進的圖像處理技術和生成對抗網絡（gan）模型，能夠進一步提高裂隙圖像的識別精度，減少誤判和漏判的情況。

29、2、增強數據集的多樣性和規模：通過變分自編碼器（vae）進行圖像生成，并結合數據增強技術，本發明能夠顯著擴充巖石裂隙圖像的數據集。這不僅提高了模型訓練的泛化能力，還使得模型在面對未知或復雜地質條件時能夠表現出更強的適應性和穩定性。

30、3、提升模型訓練效率：在模型訓練過程中，本發明采用了adam優化器等先進的優化算法，能夠自適應調整學習率，加快模型的收斂速度。同時，通過合理的初始化參數設置和迭代次數選擇，進一步提高了模型訓練的效率，縮短了研發周期。

31、4、提供巖石裂隙識別新思路：本發明的成功應用將推動巖石裂隙檢測技術的智能化和自動化發展。通過將先進的圖像處理技術和深度學習模型應用于實際工程檢測中，可以實現巖石裂隙的快速、準確識別，提高檢測效率和準確性，降低人工成本和勞動強度。這對于提升巖土工程領域的整體技術水平和競爭力具有重要意義。