3D岩石结构面粗糙度智能提取方法及应用

　　摘要：针对岩石结构面粗糙度现场测量操作不方便和测量结果人为因素影响大的难题，提出一种3D岩石结构面粗糙度智能提取方法。该方法首先运用3DOne工具构建标准结构面轮廓线的三维结构面模型，其次利用图像获取设备获取结构面图像并进行格式化处理，最后基于深度学习算法和RNN深度学习网络，对结构面数字化图像进行学习训练及分类处理，估算岩体结构表面的粗糙度系数。将此方法应用于焦家金矿取得了较好的效果，弥补了传统方法工作量繁重，受环境及主观影响大的缺陷，促进了矿山岩石力学现场调查工作的智能化。

　　关键词：岩石结构面;粗糙度;数字化图像;RNN;智能提取

　　0引言

　　工程岩体显著特征就是被各种尺度和形态的结构面所切割，在很多情况下结构面的力学特性很软弱，在此情况下，岩体的强度主要由结构面决定，主要结构面剪切强度[1-2]的微小变化都可能引起岩体或建筑于岩体上的结构出现不稳定，因此，准确确定岩体结构面的强度对于岩体工程非常重要。岩体结构面的粗糙度是决定结构面强度的一个关键参数，但目前进行岩体结构面粗糙度的测量及统计工具多适用于实验室条件，现场岩体结构面粗糙程度的测量方法和工具还比较粗糙，受人为因素干扰大，难以达到较为满意的结果。

　　岩石工程论文： 地质岩石矿物分析测试技术研究

　　岩石结构面粗糙度的提取按照测量方式[3-4]不同分为接触式测量和非接触式测量两类。接触式测量方式多为传统的测量手段，需要测量人员手工进行测量，而非接触式测量方式是近几年来摄影测量技术和激光扫描技术快速发展下新的测量手段。接触式测量：接触式测量方式所采用的设备多以机械结构为主。其测量原理主要是利用单根或多根测量探针与结构面进行物理接触，并通过配套的辅助结构将结构面的起伏形态绘制出来，从而达到逐点测量结构面二维或三维轮廓坐标数据的目的。

　　非接触式测量：非接触式测量法的出现相较接触式测量要晚一些，使用该测量方式进行现场结构面粗糙度测量时不需要与结构面近距离接触，保持适当的距离即可获得一定区域范围内的出露结构面表面情况。非接触式测量方法包括摄影测量法，三维激光扫描法，全站仪法。非接触测量方式相比传统的测量方法，测量速度快，一次测量可获得控制区域范围内的全部数据，缩短了测量周期;测量精度高，随着相机像素的提高和激光点直径的减小及激光密度的加强，部分室内三维激光扫描仪的精度可以达到微米级水平，使得建模结果和实际的岩面情况基本保持一致。非接触测量方式也有其不足之处。

　　一是激光测量设备价格昂贵，对于小型工程而言成本太高不利于开展，另外由于这些设备多为精密仪器，现场运输要求严格，同时对于测量环境要求较高，湿度较大情况下极易造成设备损坏。测量设备很难既兼顾现场操作的方便快捷又保证测量精度，二是后期数据的处理量较大，计算过程较为繁琐。

　　深度学习相比于其他机器学习算法(SVM，GMM等)并没有优势，因此，学者们大都转向诸如支持向量机(SVM)、boosting等机器学习方法的研究，但是，这些模型无法有效利用越来越多的数据。而DNN能更好地利用大数据，能自动提取特征且非常容易在各个任务之间迁移使用。在当前多个深度模型中，基于长短期记忆单元的递归神经网络模型[5-8]，被认为特别适合序列数据的处理。为此，本文基于RNN深度学习及岩体粗糙度[9-11]对光线敏感性差异的原理，建立一种岩石结构面起伏形态精确提取算法，弥补传统绘制手段精度低、受环境影响限制大的问题，实现现场岩体结构面的准确采集及智能处理。

　　1体系结构

　　系统主要由步进丝杠定位套装、镭射激光灯、四面体外壳、CCD摄像机、三维结构面模型、标准数据库6部分组成。(1)步进丝杠定位套装由3个步进丝杠定位装置组成，是系统带动点光源，实现空间移动的装置。其组成包括，X(Y、Z)三轴、固定(支撑)端、滚珠丝杠、滚珠螺母及滚珠螺母座，点光源安装在步进丝杠定位套装X轴的步进丝杠定位装置的螺母座上。

　　(2)镭射激光灯，作为点光源，随步进电机移动，为数字图像的获取及标准数据库的构建提供基础。(3)粗糙度三维结构面模型，实现模拟岩石试验结构面条件的作用，四面体外壳则起到保护及防止外界环境干扰的作用。(4)标准数据库的构建，为后续构建深度学习网络模型进行模型训练与测试提供数据支持。

　　2方法及关键技术

　　系统总体分6个阶段，包括粗糙度三维结构面的构建、模型3D打印、数字图像获取、深度学习网络模型建立、模型训练与图像识别。

　　2.1粗糙度模型建立

　　运用3Done软件构建已知标准粗糙度模型，即建立标准结构面轮廓线的三维结构面模型，用于数据库的构建。此过程在photoshop软件中将不同JRC值的标准结构面轮廓线等比例放大并测量各点间距以得到准确数据，运用已知数据在3Done软件中画出各标准结构面轮廓线平面图形，之后对各轮廓线进行拉伸以得到不同的粗糙度系数(简称JRC)的三维结构面标准模型，详细步骤为：运用3D建模软件构建N个不同已知粗糙度的三维结构面标准模型，并将相应标准模型的粗糙度定义为{类型1，类型2，…，类型N｝;将不同JRC的标准结构面轮廓线等比例放大并测量各点间距以得到准确数据;在3D制图软件中画出各标准结构面轮廓线平面图形;对各轮廓线进行拉伸以得到不同JRC的三维结构面标准模型;将不同标准模型的粗糙度定义为{类型1，类型2，…，类型N｝。运用3D打印技术，将构建的N个不同粗糙度的三维结构面标准模型打印出来。

　　2.3数据库构建与模型训练学习

　　RNN模型隐藏层设计的最大特点是一条自连接边，这使得RNN所有时刻的隐藏层都是相互连接的;隐藏层的值s会在网络中沿着t一直传播下去，模型某一时刻隐藏层的值，是由上一时刻的输出和当前时刻的输入共同计算得出的，因此RNN具有了学习时间序列的能力。

　　RNN模型展开以后，在横向上，即时间维度上，可以等价为一个多层前馈神经网络。网络的层数就是RNN所处理时间序列数据的长度。本示例数据集制作：新建项目，配置环境。将所获取的结构面数字图像及已知粗糙度模型数字图像按不同粗糙度类别对应放在不同文件夹下。并将所有数据集图片分为两部分，分别用于测试和训练，各部分数据集图片具体数量根据调试结果的准确率进行确定(结构面数字图像数量越多、循环次数越多，所得准确率越高)。

　　测试集制作：新建predict文件夹，将部分已知粗糙度数字图像，放在predict文件夹下。深度学习服务器自动对获取的数字图像进行分析构建结构面数据库，并对数据库中的结构面数字图像进行处理后输入RNN深度学习网络中进行模型训练，得到训练好的最优模型。对数字图像进行预处理，采用随机旋转、随机水平平移、随机竖直平移、数据归一化、随机错切变换、随机放大、水平翻转、填充操作将数字图像处理为模型需要的输入形式。然后使用RNN模型学习数据，训练模型。

　　本示例中，使用RNN模型学习数据，训练模型的过程如下：设定迭代周期和批次大小，训练集存放路径、测试集存放路径、模型保存路径;设定学习率为1×10-4(约等于0.0183)，初始抗拟合值为0;添加一个卷积层，传入固定宽高三通道的图片，以32种不同的卷积核构建32张特征图，卷积核大小为3×3，构建特征图比例和原图相同，激活函数为relu函数(activationfunction);再次构建一个卷积层。构建一个池化层，提取特征，池化层的池化窗口为3×3，步长为3;继续构建卷积层，卷积层卷积核数量为64，池化层卷积核数量为128，使数据扁平化;构建一个具有128个神经元的全连接层后，再构建一个具有64个神经元的全连接层加入dropout，防止过拟合，一共6个神经元，对应6种分类;创建Adam优化器[12-15]。

　　使用交叉熵代价函数，Adam优化器优化模型，并提取准确率;设置训练集迭代器、训练集存放路径、训练集图片尺寸、训练集批次;设置测试集迭代器、测试集存放路径、测试集图片尺寸、测试集批次，输出迭代器分类;模型拟合，运行训练集迭代器，根据设定的周期迭代数和迭代周期，对测试集及训练集的数据进行迭代训练，并且保存模型。最后将RNN输出的结果，反归一化进行解码过程，然后输出数字图像对应的预测粗糙度;修改RNN深度学习网络的参数，对模型进行多次训练，选取预测结果准确率最高的模型为最优模型。用拍摄设备现场拍摄所需探测粗糙度岩体的表面图像，将所获得图像上传至深度学习服务器，服务器将获得图像输入训练好的最优模型中进行学习，即可得出所需探测岩体的表面粗糙度。

　　3现场应用实例

　　3.1工程背景

　　焦家金矿位于莱州市东北28km处。矿体总体走向为43°，倾向NW，倾角约为28°。区内出露胶东群斜长角闪岩、玲珑花岗岩体和郭家花岗岩体，均系混合岩化作用形成的混合花岗岩。金矿体主要产于断裂破碎带的蚀变岩带中，与围岩界线不清，矿化规模与破碎带的宽度和蚀变的强度有关。围岩蚀变主要为黄铁绢英岩化下部发育碱交代带。

　　3.2试验区域

　　试验巷道位于-490m水平，其主要构造为上盘的控矿主断裂，在矿层内部发育的次级构造主要是共轭状产出的裂隙、节理构造。焦家金矿矿体赋存条件复杂，结构破碎，岩质松软稳定性差，遇水极易膨胀产生变形破坏，对开采和运输作业产生严重影响。为此，针对焦家金矿试验采场的围岩地质条件及开采方法，开展了节理岩体数据结构面的现场调查工作，选取出露较好并具有明显观测特征的测区进行图像获取，既保证足够的样本来源，同时又能代表所调查区域的整体情况。

　　3D建模方面，主要是利用3Done软件建立标准结构面轮廓线的三维结构面模型，用于数据库的构建。此过程需在photoshop软件中将不同JRC的标准结构面轮廓线等比例放大并测量各点间距，运用得到数据在3Done软件中得到不同JRC的三维结构面模型。数字图像的获取方面，利用步进丝杠定位套装、光源、经打印得到的结构面模型及CCD摄像机等设备进行组装，通过人为操作过程得到。

　　本实例中需将所获取的结构面数字图像及已知粗糙度模型数字图像按不同粗糙度类别对应放在不同文件夹下。并 将所有数据集图片分为两部分，分别用于测试和训练。本文采用Keras实现模型预测，激活函数使用Relu函数，采用Adam优化器优化模型，欧氏距离来作为判断函数，加入Dropout，防止过拟合。模型最优化方面，对数据库中的数字图像进行处理后输入RNN深度学习网络中进行模型训练，得到训练好的最优模型;修改RNN深度学习网络的参数，对模型进行多次训练，选取预测结果准确率最高的模型为最优模型。最后用拍摄设备现场拍摄所需探测粗糙度岩体的表面图像，将所获得图像上传至深度学习服务器，服务器将获得图像输入训练好的最优模型中进行学习，得出所需探测岩体的表面粗糙度。

　　3.3现场试验结果及分析

　　模型训练分为3类导入数据库模型，各分类分别导入数字化模型图片100张，实际成功导入分别为42，96，89张，共计227张。基于采用的算法参数，得到的训练数据集训练效果准确率分别为90.91%，96.30%，100%，整体评估准确率为96.5%，整体类别精确率和召回率的调和平均数分别为95.7%和97.2%。

　　4预测结果和讨论

　　(1)模型结构方面。学习率过大，虽然加快了学习速度，但产生的副作用为易损失值爆炸，易震荡或过拟合;学习率过小，易欠拟合，且收敛速度慢，甚至无法学习。在训练过程中，综合序列长度、迭代轮数以及配置等因素对学习率选择的影响，本文学习率设定为1×10-4(约等于0.0183)。构建一个具有128个神经元的全连接层后，再构建一个具有64个神经元的全连接层加入dropout，防止过拟合。

　　(2)优化方法方面。

　　忽略极端条件下函数不收敛，分别调查了Adam、AdaGrad和RMSProp算法，Adam算法具有对一阶矩均值计算以适应性参数学习率和对梯度的二阶矩均值充分利用的优点，创建Adam优化器，使用交叉熵代价函数。调整内部参数从而快速收敛速度，同时最大程度地最小化损失函数，Adam在测试中表现效果较好，本文采用Adam算法训练模型。综合迭代轮数、训练时间、学习率设定以及配置等因素对模型精度影响的情况下，学习率设定为1×10-4(约等于0.0183)，采用Adam优化算法，加入dropout防止过拟合，使用Relu激活函数，更有益于模型的训练。

　　5结论

　　(1)提出了一种基于RNN深度学习及岩体粗糙度对光线敏感性差异的原理，利用3D建模及数字图像等技术，研究了一种岩石结构面起伏形态即岩石表面粗糙度的智能提取方法，弥补传统测量手段操作繁琐、受环境及人为因素影响大的问题，实现现场岩体结构面的准确采集及粗糙度智能处理。(2)现场结构面数据试验表明，随着循环次数的增多，模型测试与训练结果基本趋于一致。初始的学习率过大则导致模型不收敛，过小则导致模型收敛特别慢或者无法学习。随着学习率的增加，损失会慢慢变小，而后增加，而最佳的学习率就可以从其中损失最小的区域选择，通过记录模型的损失变化可以确定最终的初始学习率。

　　(3)优化方法方面，本文采用Adam模型预测方法，忽略极端条件下函数不收敛的情况下，相比AdaGrad和RMSProp算法，Adam算法可快速收敛，并最大程度地最小化损失函数。虽然RNN深度学习网络对于岩石表面粗糙度的获取是有效的，但是目前的预测准确率仍有待提高。(4)该研究建立的标准数据库不够庞大，在未来的研究工作中，将扩大数据库的容量，构建更多的不同JRC的三维结构面模型，以减小实际测量岩石表面粗糙的误差，提高精度。

　　参考文献(References)：

　　[1]刘溪鸽，朱万成，周靖人，等.双粗糙结构面剪切试验与数值模拟研究[J].岩石力学与工程学报，2017，36(S2)：3831-3840.

　　[2]宋磊博，江权，李元辉，等.不同采样间隔下结构面形貌特征和各向异性特征的统计参数稳定性研究[J].岩土力学，2017，38(4)：1121-1132+1147.

　　[3]陈世江，朱万成，王创业，等.岩体结构面粗糙度系数定量表征研究进展[J].力学学报，2017，49(2)：239-256.

　　[4]王述红，钟山，高轩麟，等.楔块滑落试验分析及其判别方法[J].东北大学学报(自然科版)，2015，36(4)：557-559+570.

　　[5]冯志平.节理岩体结构面空间表征及其模型优化[D].沈阳：东北大学，2013.

　　[6]丁文其，郑康成，李晓冉，等.基于3D打印技术的岩体结构面三维抗剪强度计算方法研究[J].岩土力学，2020，41(S2)：1-9.

　　[7]莫平.岩体结构面粗糙度系数的三维表征与评价[J].矿业研究与开发，2021，41(1)：73-80.

　　[8]胥勋辉，张国彪，包含，等.基于3D打印技术的岩体结构面各向异性剪切力学行为[J].煤田地质与勘探，2020，48(1)：154-159+167.

　　作者：王运森，陆健，贾庸凡