矿山智能识别技术

1、UNet++分割算法识别岩体结构面 UNet++分割算法通过构建多尺度特征融合的深度卷积神经网络，实现地下 巷道岩体结构面的自动识别与定量分析，其整体原理如图12所示，包括原始岩体 图像、UNet++网络结构以及对应的结构面分割结果。采用原始巷道岩壁图像作 为网络输入，经编码器逐层提取岩体表面的纹理、边缘及结构面等多尺度特征信 息，在解码阶段通过嵌套式跳跃连接结构将高层语义信息与低层空间细节信息进 行逐级融合，从而增强对细长、不连续结构面的识别能力。网络输出为像素级结 构面分割结果，实现结构面的识别、定位与追踪，并同步分割出标尺目标；在此 基础上，结合分割得到的结构面迹线与标尺信息，建立像素尺度与实际空间尺度 之间的对应关系，进而获取结构面的迹长、倾角及间距等几何参数，为岩体结构 特征的定量表征提供可靠数据基础。

在数据与训练层面，该方法依赖高质量标注数据进行监督学习。通过对岩体 图像中结构面与标尺的精确标注，构建像素级语义分割数据集，并通过数据增强 提升模型泛化能力。在训练过程中，采用Dice损失与分类损失的组合函数，有效 平衡前景与背景像素分布不均问题，提高模型对细小目标的敏感性。同时，通过 多尺度输入与归一化处理，使模型能够适应不同分辨率与成像条件下的岩体图像。 结构面训练与识别平台如图13所示。 在推理与结果处理层面，模型输出为结构面与标尺的分割掩膜，通过后处理 步骤，包括阈值筛选、轮廓提取及小区域过滤，得到结构化识别结果。进一步结 合图像处理与几何分析方法，对识别结果进行骨架提取、线段分解与合并，从而 实现结构面几何参数的自动计算，包括倾角、迹长及空间分布特征等（图14）。

2、基于岩石图像深度学习技术的岩体结构智能识别方法 岩石图像深度学习模型具备如下优点：①通过模型自动搜索提取图像特征， 无须通过人工提取；②对图片清晰程度要求较低；③通过适当的训练集能够得到 良好的识别结果，具有较强的鲁棒性。 通过对岩石图像进行特征提取之后，描述全部图片特征的向量被存储到文件 中，依据岩石图像中的向量训练Softmax神经网络进行岩石图像的分类，采用 Inception-v3模型与Softmax模型实现了岩体结构特征提取与图像分类（图15）。 分别对采集的赤铁矿、磁铁矿、金矿石等八类岩石共1000张图像进行了学习、识 别和分类研究。通过训练和学习，建立了这些图像的深度学习模型并对模型进行 了测试和分析。每一种岩石选取四幅图片进行分类测试，八种岩石的岩性分类全 部正确，赤铁矿组图片分类的正确概率超过了90%。为进一步提高分类精确度， 将较低精度的岩石图片剪切并重新训练再次测试，正确概率均达到了90%左右（图 16-图17），表明了在数量足够的前提下该模型已经具备了较强的机器学习能力。 利用U-net、VGG等多种神经网络实现了岩石原位图像、显微镜下矿物图像的快速 识别（图18），准确率超过93%，为地学数据智能化分析研究奠定了技术基础。

3、基于目标检测的岩石图像智能化岩性识别方法 针对岩性原位识别精度低的问题，在改进的SSD模型基础上，引入数据库 （Database）和地理信息系统（Geographic Information System, GIS）技术， 提出了DGS方法。改进后的SSD和DGS的平均精度分别为89.4%和98.4具有较高的 识别精度。另外，基于树莓派硬件开发了一套野外便携式岩性识别设备（图19）， 初步实现了岩性原位识别，并通过建立岩性数据库支持后续的识别需求。岩石图 像深度学习模型具备如下优点：①通过模型自动搜索提取图像特征，无须通过人 工提取；②与其他方法相比，具有较高的识别速度和准确率；③具有较强的鲁棒 性。该方法已应用于中国辽宁兴城地区的12种典型岩石(图20)，测试得到的平均 准确率达到98.4%；其中，多种岩石准确率可达100%。这表明该模型具备较强的 岩石识别能力，为野外岩性原位识别提供新的思路和支撑。

4、基于岩芯图像深度学习的岩石质量指标识别方法 针对人工对钻孔岩芯进行岩石质量指标RQD的编录方法效率低下且受主观因 素影响，为此首先使用Inception-v3深度学习网络从钻孔岩芯图像中自动识别出 单排岩芯，进而从单排岩芯中识别出长度大于等于10cm的岩芯段，进行RQD的计 算（图21）。西岭矿区的应用结果表明深度学习方法可以准确地从岩芯图像中计 算出RQD，计算结果与传统RQD分级方法所得结果误差在2%以内（图22），一致性 较好，准确性较高，提出的方法在矿山工程中具有广泛的应用前景。