露天矿边坡裂隙智能识别与信息解算

• Published in: 工程科学学报 Vol. 46; no. 6; pp. 1041 - 1053
• Main Authors: 赵怡晴, 黄晢航, 刘宏发, 金爱兵, 陆通, 刘金博
• Format: Journal Article
• Language: Chinese
• Published: 北京科技大学土木与资源工程学院,北京 100083 01.06.2024; 金属矿山高效开采与安全教育部重点实验室,北京 100083%湖南柿竹园有色金属有限责任公司,郴州 423037
• Subjects: open-pit slope; deep learning; unmanned aerial vehicle; crack recognition; U-net; 深度学习; 无人机; 裂隙识别; 残差网络; 露天矿山边坡; ResNet
• ISSN: 2095-9389
• DOI: 10.13374/j.issn2095-9389.2023.07.31.002

TD166; 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.