露天矿边坡裂隙智能识别与信息解算

摘要

节理裂隙是影响露天矿边坡稳定性的重要因素之一，随着图像处理技术以及机器视觉技术的发展，采用智能算法进行识别已成为热点.为快速获取节理裂隙几何信息，通过ResNet系列算法对U-net的骨架构网络进行改进，提出了一种露天矿边坡裂隙识别及几何参数解译方法.利用无人机综合考虑视角、距离、重叠率以及飞行速度等因素对露天矿边坡裂隙航拍获取高清图像，使用全局阈值分割技术进行预处理，并运用随机旋转、随机亮度及对比度调整等方式进行数据增广形成裂隙图像数据集；采用残差网络(ResNet)对U-Net网络的骨架构网络进行改进，提出基于改进U-net网络的边坡裂隙识别模型，基于像素二分类问题采用准确率(Accuracy)、交并比(IoU)和F1分数(F1 Score)作为评价指标，结合裂隙图像数据集对提出模型进行训练和评估，输出裂隙二值图，并与传统裂隙识别方法识别结果进行对比；对裂隙二值图进行裂隙几何参数信息解算，获得裂隙长度、宽度统计分布规律和参数.结果表明：ResNet模型对U-net模型改进可以提高模型的评价指标，随着网络层数加深，评价指标有先增高，后趋于稳定的趋势，在网络层次达到101时评价指标达到最优，Res101-Unet模型的Accuracy、IoU、F1 Score分别为95.12%、60.13%、79.53%，对于简单和复杂裂隙的识别完整度都有提升；利用训练好的Res101-Unet模型对目标边坡上的裂隙进行识别，所得裂隙数量与现场测线方式所得结果一致，证明本模型识别结果与工程实际相符.

关键词

露天矿山边坡 / 无人机 / 裂隙识别 / 深度学习 / U-net / 残差网络

基金资助

国家重点研发计划项目(2022YFC2905102); 国家自然科学基金资助项目(52174106)