岩石岩性Mask R-CNN智能识别方法与应用研究

摘要：

岩性是决定岩石强度的主要因素,对隧道围岩分级等工程岩体分级至关重要,而岩性判定的关键为矿物成分的鉴定和含量的统计.目前,关于岩性判定多以专业人员镜下鉴定为主,严重依赖于操作人员的经验且无法准确统计出岩石各成分的含量.在对比分析当前盛行的几种目标检测算法适用性的基础上,优选Mask R-CNN模型并进行针对性改进,提出一种岩石薄片矿物识别与含量量化统计的智能检测方法,并基于采集获得的85块花岗岩薄片共850张原始图像开展模型深度学习训练、实例识别实验和模型参数优化分析.研究结果表明:Mask R-CNN模型可从像素级别识别出目标物轮廓,并基于像素占比分析实现各矿物成分含量的量化统计,在95％置信度下含量识别误差率仅为6.9％,相对于现有方法具有优越性和可靠性;实际工作中,采用该方法进行岩性智能识别时,IOU阈值设置在50％～70％之间;识别样本取3～5个为1组,并将其平均值作为识别的最终结果可保证智能识别结果的可靠性.该方法可为诸如隧道围岩分级等工作中的岩性智能化判定提供一种有效的技术途径.

关键词：岩性判定、矿物识别、组分量化、实例分割、深度学习

所属期刊栏目：19

分类号：U451.2(隧道工程)

资助基金：国家自然科学基金;国家自然科学基金;湖南省自然科学基金资助项目;贵州省交通运输厅科技项目;贵州路桥集团有限公司科技计划项目;湖南铁院土木工程检测有限公司开放课题

在线出版日期：2022-12-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：3372-3382