金属矿山

作者：白万明,赵宇,刘艳彪,马骏,徐帅

单位：(1. 甘肃酒钢集团宏兴钢铁股份有限公司,甘肃 嘉峪关 735100;2. 深部金属矿山安全开采教育部重点实验室,辽宁 沈阳 110819)

关键词：钻孔摄像,结构面,智能提取,U2-Net 卷积神经网络,

结构面对于岩体力学行为和变形破坏机制具有重要影响。快速精确获取结构面分布特征和参数信息对于深部工程岩体稳定性和灾害孕育机制分析具有重要意义。钻孔摄像是一种岩体内部结构面探测新技术,但对钻孔图像中结构面的识别仍以人工辨识为主,存在工作量大、处理速度慢与人为误差大等问题。基于此,开展了基于U2-Net 卷积神经网络的钻孔图像结构面智能识别研究。首先收集20 个钻孔1 013 张钻孔图像;其次,应用图像翻转、色彩抖动、模糊处理和Mixup 等数据扩充方法,将数据集扩充到12 421 张,建立钻孔摄像数据集,解决结构面分割网络训练过程中样本不足的问题;然后,基于深度学习框架PyTorch,设置学习率0. 001,训练批次为4,使用Adam 优化器,在训练过程中自适应调整学习率,建立结构面智能识别模型;模型在置信度阈值为0. 7 时F 度量值达到了最大值0. 749,在召回率大于0. 5 范围内精确率最高可达0. 85,实现了结构面区域的完整分割。与人工识别方式相比,在重合度50%的条件下,U2-Net 网络识别率达到了94. 8%,表明该网络具有较高的识别精确率与一定的泛化性。

来源：2025年第4期

《金属矿山》期刊编辑部

查看金属矿山杂志2025年第4期