數(shù)字鉆孔圖像巖體結(jié)構(gòu)面自動化識別方法

張占旭 蘇俊輝 呂光祖 駱維斌 許存祿

摘要：數(shù)字鉆孔攝像技術(shù)能準(zhǔn)確獲取鉆孔中巖體結(jié)構(gòu)面特征信息，針對現(xiàn)有數(shù)字鉆孔圖像分析人力需求量大、主觀性強(qiáng)、計算量大的不足，研究提出方案實現(xiàn)數(shù)字鉆孔攝像技術(shù)采集的鉆孔內(nèi)壁圖像自動識別。首先，用二維伽馬函數(shù)光照自適應(yīng)矯算法對圖像進(jìn)行光照均勻處理，利用經(jīng)過預(yù)訓(xùn)練的DexiNed網(wǎng)絡(luò)對矯正后圖像邊緣進(jìn)行特征提??；其次，提出Epremoval方法處理邊緣點(diǎn)噪聲提取感興趣區(qū)域；最后，根據(jù)正弦曲線泰勒展開式對圖像中的表征數(shù)據(jù)進(jìn)行多項式擬合。通過對得到曲線進(jìn)行計算、空間變換和數(shù)理變換得到巖體結(jié)構(gòu)面參數(shù)。以某隧道工程的數(shù)字鉆孔圖像為例，研究提出的算法結(jié)果優(yōu)于人工輔助判讀結(jié)果。

關(guān)鍵詞：數(shù)字鉆孔圖像；巖體結(jié)構(gòu)面；感興趣區(qū)域；泰勒展開式；多項式擬合

中圖分類號：TU45????????? 文獻(xiàn)標(biāo)志碼：A????? 文章編號：1000-582X（2024）02-040-11

Automatic identification of rock structure surface based on digital borehole images

ZHANG Zhanxyu1， SU Junhui 1， LYU Guangzu2， LUO Weibin1， XU Cunlu2

（1. Gansu Road and Bridge Construction Group Co.， Ltd.， Lanzhou 730000， P. R. China; 2. School of Information Science and Engineering， Lanzhou University， Lanzhou 730000， P. R. China）

Abstract： Digital borehole camera technology can accurately acquire information regarding the structural surface characteristics of rock within a borehole. To address the shortcomings such as labor-intensity， subjectivity， and computational intensity associated with existing digital borehole image analysis， this paper introduces a new analysis scheme to automate the recognition of borehole interior images captured by digital borehole camera technology. The proposed scheme begins by uniformly illuminating images using a two-dimensional gamma function light-adaptive correction algorithm. Next， edge features are extracted using a pre-trained DexiNed network. To tackle edge point noise and extract the region of interest， the Epremoval method is employed. Finally， the method performs polynomial fitting on the characterization data in the image utilizing the Taylor expansion of the sine curve. The parameters of the rock structure surface are obtained by calculation， spatial transformation and mathematical transformation of the obtained curves. The algorithm is applied to the digital borehole image of a tunnel project as an illustrative example. The obtained results are compared with the results of manual assisted interpretation， revealing superior recognition capabilities of the proposed method.

Keywords： digital drilling images; rock discontinuities; area of interest; Taylor expansion; polynomial fitting

巖體中結(jié)構(gòu)面的分布和組合特征決定了巖體的工程地質(zhì)、力學(xué)性質(zhì)，是各種巖體地質(zhì)工程問題的重要控制因素，巖體結(jié)構(gòu)面信息是進(jìn)行巖體結(jié)構(gòu)分析和巖體穩(wěn)定性評價的基礎(chǔ)[1]。巖體結(jié)構(gòu)面信息的識別主要研究如何提取巖體內(nèi)部巖體結(jié)構(gòu)面的粗糙度、張開度等幾何特征[2]，是巖體結(jié)構(gòu)面重要研究方向，也是工程地質(zhì)和巖石工程領(lǐng)域的熱點(diǎn)問題[3]。

巖體結(jié)構(gòu)面幾何參數(shù)獲取現(xiàn)有方法包括接觸式測量和非接觸式測量。接觸式測量方法主要使用測線法和測窗法等[4]，需要人工利用皮尺和羅盤等傳統(tǒng)測量工具在現(xiàn)場結(jié)構(gòu)面上進(jìn)行人工測量，現(xiàn)場測量危險性高、效率低，結(jié)果精確度受人為因素影響[5?6]。非接觸式測量技術(shù)包括數(shù)字近距離攝影測量、無人機(jī)低空攝影和三維激光掃描技術(shù)等。其中，數(shù)字近距離攝影測量是以數(shù)字存儲形式從圖像中識別和提取物理信息的方法[7]，是便捷高效獲取巖體結(jié)構(gòu)面幾何參數(shù)的有效技術(shù)方法[8]。

利用數(shù)字近距離攝影測量技術(shù)測量得到數(shù)字鉆孔圖像的后續(xù)處理是巖體特性分析的關(guān)鍵[9]，目前主要是人工判讀法和自動識別[10]。人工輔助判讀因個體差異，在計算巖體結(jié)構(gòu)面正弦曲線參數(shù)時存在一定誤差，導(dǎo)致效率低且難快速精準(zhǔn)識別、提取參數(shù)[11]。隨著計算機(jī)視覺技術(shù)的飛速發(fā)展，利用圖像處理算法自動識別巖體結(jié)構(gòu)面成為高效技術(shù)手段。國內(nèi)外學(xué)者在探索巖體結(jié)構(gòu)面的自動識別技術(shù)方面進(jìn)行了大量研究，汪進(jìn)超等[12]結(jié)合鉆孔圖像中巖體結(jié)構(gòu)面的性質(zhì)，采用自適應(yīng)中值濾波法對鉆孔圖像進(jìn)行去噪處理，提出結(jié)合梯度算子與最大類間方差法，對分割后的圖像進(jìn)行Canny算子邊緣檢測，最后使用多項式曲線擬合獲得結(jié)構(gòu)面的正弦曲線。袁浩琪等[13]根據(jù)圖像特征確定面積半徑并采用同心圓展開法得到矩形展開圖，利用SIFT特征點(diǎn)完成與Ransac算法的精確匹配，并采用加權(quán)平均法完成圖像融合。宋琨[14]等提出一種考慮結(jié)構(gòu)面圖像灰度分布特點(diǎn)的智能識別方法，通過對圖像進(jìn)行灰度化、降噪等預(yù)處理操作，根據(jù)特征值獲取特征圖像，并進(jìn)行邊緣檢測、閾值分割及形態(tài)學(xué)處理，對邊緣曲線進(jìn)行擬合實現(xiàn)結(jié)構(gòu)面特征的智能化識別。Zou等[15]提取圖像中的結(jié)構(gòu)面剖面線、分析傾角，將結(jié)構(gòu)面圓形剖面線轉(zhuǎn)換為三維特征進(jìn)行分析。Hough變換或與其他技術(shù)結(jié)合使用是最常用的方法[16-19]，Hough變換對巖體結(jié)構(gòu)面擬合，獲取特征參數(shù)，提高巖體結(jié)構(gòu)面檢測精度和效率。盡管Hough變換方法在結(jié)構(gòu)面圖像分析方面取得較好效果，但其應(yīng)用也面臨著對圖像噪聲、光照變化和曲線形狀的敏感性，以及計算復(fù)雜度較高等問題限制。夏丁等[19]對鉆孔圖像進(jìn)行中值濾波處理、高通增強(qiáng)、拉普拉斯銳化、二次中值濾波處理、灰度均衡和Canny二值化等預(yù)處理操作，使用二次Hough變換識別結(jié)構(gòu)面的正弦曲線。隨著深度學(xué)習(xí)進(jìn)一步發(fā)展，基于深度神經(jīng)網(wǎng)絡(luò)方法被應(yīng)用在巖體結(jié)構(gòu)面識別，取得良好效果。蘇鈺桐等[20]選取煤礦井下鉆孔圖像在VOC2007上制作數(shù)據(jù)集并采用Darknet-53網(wǎng)絡(luò)進(jìn)行訓(xùn)練[21]，實現(xiàn)對鉆孔圖像裂隙的快速準(zhǔn)確識別，但深度神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練需要較大人力物力收集數(shù)據(jù)和細(xì)致標(biāo)注[22]。首先，利用圖像去噪和增強(qiáng)方法對圖像進(jìn)行預(yù)處理，然后，分割圖像，對抽取的紋理或邊緣特征進(jìn)行分析，在巖體結(jié)構(gòu)面幾何特征提取和檢測方面取得進(jìn)展，但在結(jié)構(gòu)面錯綜復(fù)雜且數(shù)量多、結(jié)構(gòu)面圖像受到噪聲污染、及成像現(xiàn)場光照強(qiáng)度不均勻等情況，圖像預(yù)處理流程過于復(fù)雜，且預(yù)處理效果不理想，導(dǎo)致最終結(jié)構(gòu)面自動識別性能較差，無法滿足在工程環(huán)境中的應(yīng)用[23]。

研究提出了一種新的數(shù)字鉆孔圖像巖體結(jié)構(gòu)面自動化識別方法——DET（DexiNed-epremoval-talor）。為應(yīng)對光照強(qiáng)度不均勻問題，DET首先用二維伽馬函數(shù)光照自適應(yīng)矯正算法對圖像進(jìn)行處理；為避免深度神經(jīng)網(wǎng)絡(luò)的模型訓(xùn)練需要大量數(shù)據(jù)和精細(xì)標(biāo)注的問題，DET利用在BIPED數(shù)據(jù)集上訓(xùn)練好的DexiNed[24]（dense extreme inception network for edge detection）網(wǎng)絡(luò)對矯正后數(shù)字鉆孔圖像進(jìn)行邊緣提取。隨后，通過Epremoval方法對提取后的圖像進(jìn)行處理，該方法能在盡可能保留巖體結(jié)構(gòu)面正弦曲線特征的同時去除大部分邊緣點(diǎn)。最后，DET對經(jīng)過預(yù)處理的數(shù)字鉆孔圖像提取感興趣區(qū)域（region of interest，ROI）并根據(jù)正弦曲線的泰勒展開式，對表征數(shù)據(jù)進(jìn)行多項式擬合，得到的曲線計算出正弦曲線的特征參數(shù)。筆者對得到的特征參數(shù)進(jìn)行數(shù)理變換、空間變換得到巖體結(jié)構(gòu)面的幾何信息估計值。

1 數(shù)字鉆孔圖像感興趣區(qū)域的提取

為減少因圖像采集時光照不均的問題，DET使用二維伽馬函數(shù)光照自適應(yīng)矯算法。為降低算法復(fù)雜度，加強(qiáng)對特征區(qū)域的提取，DET使用經(jīng)過預(yù)訓(xùn)練的DexiNed網(wǎng)絡(luò)對數(shù)字鉆孔圖像進(jìn)行邊緣特征提取[24]， 提出Epermoval方法，能有效去除邊緣點(diǎn)噪聲的同時最大限度保留巖體結(jié)構(gòu)面的特征。根據(jù)數(shù)字鉆孔圖像巖體結(jié)構(gòu)面呈分段分布的特性，設(shè)計特征信號CS（characteristic signals），實現(xiàn)對ROI的提取。

1.1 基于DexiNed網(wǎng)絡(luò)的預(yù)處理

工程實踐中采集的數(shù)字鉆孔圖像存在大量噪聲，不利于對巖體結(jié)構(gòu)面特征的識別。按照圖1中的流程對數(shù)字鉆孔圖像進(jìn)行預(yù)處理，減少噪聲對巖體結(jié)構(gòu)面表征的影響，增強(qiáng)感興趣區(qū)域的特征。圖2為各預(yù)處理流程效果圖。

1.1.1 光照矯正

研究使用光照自適應(yīng)校正算法的具體實現(xiàn)過程如圖3所示，方法采用雙邊濾波法提取非均勻光照圖像的光照分量，根據(jù)光照分量分布特性對二維伽馬函數(shù)進(jìn)行自適應(yīng)調(diào)節(jié)，在保持原始圖像中有效信息的同時對非均勻光照圖像進(jìn)行矯正。該方法既能提高圖像視覺效果，又能挖掘出更多黑暗區(qū)域的細(xì)節(jié)[25]。如圖2（b）和圖4所示，該方法使光照更均勻，有效減少因光照問題造成的誤差。

1.1.2 DexiNed網(wǎng)絡(luò)處理

DexiNed可看作是密集端初始網(wǎng)絡(luò)（Dexi）和上采樣塊（UB）2個子網(wǎng)絡(luò)，其模型結(jié)構(gòu)如圖5所示，當(dāng)Dexi輸入RGB圖像時，UB提供來自Dexi每個塊的特征映射，避免深層中遺漏邊緣。在不需要任何預(yù)先訓(xùn)練數(shù)據(jù)情況下，DexiNed可獲得較好效果。如圖2（c）所示，數(shù)字鉆孔圖像經(jīng)過DexiNed網(wǎng)絡(luò)處理，得到較為清晰的特征圖，但仍包含一些噪聲。

1.1.3 Epremoval方法

為有效去除邊緣點(diǎn)噪聲的同時最大限度保留巖體結(jié)構(gòu)面特征，筆者提出Epremoval方法。該方法分為去除小面積邊緣點(diǎn)噪聲和去除大面積邊緣點(diǎn)噪聲。首先，尋找圖像中的邊緣點(diǎn)輪廓信息，計算每個輪廓圍成的圖像面積，得到數(shù)組S_e [i]（i=0，1，…，N_e-1），其中N_e表示檢測出的邊緣點(diǎn)個數(shù)；其次，設(shè)置去除小面積邊緣點(diǎn)噪聲的閾值T_e；最后，將S_e [i]小于T_e的邊緣點(diǎn)對應(yīng)I_b （x，y）中所有（x，y）設(shè)置為背景色。具體公式如下所示

I_b （x，y）={（0??????? ???，if? S_e [i]≤T_e，@I_b （x，y） ，otherwise，）┤ ?? （1）

式（1）中：S_e [i]（x，y）表示邊緣點(diǎn)S_e [i]對應(yīng)圖像I_b （x，y）中所有（x，y）。經(jīng)過上述操作，仍存在一些面積較大位于中間的邊緣點(diǎn)噪聲，對圖像進(jìn)行遍歷，計算每行的表征數(shù)據(jù)DH_b （i）

DH_b （i）=∑_（j=0）^（w-1）?〖E（i，j）〗 ，?? （2）

式（2）中：w表示圖像的寬度。計算不同區(qū)域DH_b （i）≠0的連續(xù)行數(shù)并存儲到數(shù)組L_e [i]（i=0，1，…，N_e-1）中，得到max（L_e [i]）。令ψ=max（L_e [i]），對I_b （x，y）中（i，i+h-ψ-1） 行進(jìn)行遍歷，在第i行的圖像左邊緣形成一個ψ×w?3的矩陣E，右邊緣形成一個矩陣S，對矩陣E和S中圖像的像素點(diǎn)進(jìn)行計算，直到遍歷結(jié)束，得到圖像I_t （x，y），計算公式為

I_t （i）={（I_b （i）? ，if?? ∑_（i=0）^（w/3-1）?〖sgn（∑_（j=0）^（ψ-1）?〖E（i，j）+∑_（j=0）^（ψ-1）?〖S（i，j）〗〗）〗≠0，@0?????? ，otherwise，）┤ （3）

式中：sgn是一類符號函數(shù)，具體應(yīng)用如下

sgn（number）={（-1?? ，?????? （number<0），@0??? ，????? （number=0），@1??? ，?????? （number>0），）┤ ????? （4）

經(jīng)過Epremoval方法處理，效果圖如2（d）所示，去除大量噪聲值，保留巖體結(jié)構(gòu)面的正弦特征。

1.2 感興趣區(qū)域的提取

數(shù)字鉆孔圖像經(jīng)過預(yù)處理后效果如圖2（d）所示，圖像中感興趣區(qū)域的特征明顯。筆者采用的感興趣區(qū)域特征信號提取公式如下所示

CS（i）=1/w ∑_（j=0）^（w-1）?〖（I_b （i，j）-1/N ∑_（i=0）^（h-1）?∑_（j=0）^（w-1）?〖I_b （i，j）〗）〗 ， （5）

式中，h表示圖像的高度。如圖6所示，計算出的特征信號CS（i）能較好表示感興趣區(qū)域的范圍，通過特征信號邊界完成對感興趣區(qū)域的提取。

2 巖體結(jié)構(gòu)面特征參數(shù)

在識別過程中，因交錯結(jié)構(gòu)面相互干擾，結(jié)構(gòu)面破碎是導(dǎo)致未呈現(xiàn)正弦特性的原因，研究僅識別呈現(xiàn)固定單周期特性的單一巖體結(jié)構(gòu)面。在處理巖體結(jié)構(gòu)面的正弦函數(shù)曲線時，函數(shù)曲線公式可以表示為

y=A?sin（ω?x+φ）+K，???? （6）

式中：A為幅度；ω為角速度；K為基線；φ為初始相位。

2.1 線性擬合

如圖6所示，數(shù)字鉆孔圖像被劃分出多個感興趣區(qū)域。對感興趣區(qū)域中的興趣點(diǎn)進(jìn)行分析，曲線y_ta的計算公式為

y_ta （i）={（1/h_ta? ∑_（j=0）^（h_ta）?〖I_ta （i，j）??????????????????? ，if??? I_ta （i，j）≠0，〗@?_ta y_ta （i-1）+?_ta y_ta （i+n）??? ，otherwise，）┤ ? （7）

式中：I_ta代表提取出的感興趣區(qū)域的圖像；h_ta表示I_ta的高；?_tal和?_tar代表y_ta （i-1）和y_ta （i+n）結(jié)合時的權(quán)重，y_ta （i+n）代表y_ta （i）后第一個不為0的點(diǎn)。經(jīng)過上述處理得到曲線y_ta，如圖7所示，該方法將感興趣區(qū)域中的興趣點(diǎn)分布較好表示出來，盡可能保留巖體結(jié)構(gòu)面的正弦特征。

根據(jù)正弦曲線的泰勒展開式

sinx=∑_（n=0）^∞?〖（-1）〗^n/（（2n+1）?。?x^（2n+1）=x-x^3/6+Ο（x^3） ，?? （8）

將正弦曲線近似3次多項式，對y_ta多項式線性擬合，如圖8所示，觀察到擬合效果良好，得到的多項式曲線y_l根據(jù)極點(diǎn)數(shù)目分為2種情況。即多項式曲線y_l包括一個極點(diǎn)情況，即y_l^ （i）=0（?！i）和多項式曲線y_l包括2個及以上極點(diǎn)數(shù)目情況，即y_l^ （i）=0（i_1，i_2，…，i_n∈i，n≥2），這2種情況計算正弦曲線角速度ω、基線K和幅度A是不同的。

2.1.1 確定正弦曲線的角速度

多項式曲線y_l的角速度ω的計算公式

ω={（π/|i_n-i_（n+1） |???? ，if???? y_l^ （i）=0（i_1，i_2，…，i_n∈i，n≥2），@π/w???????????? ，if???? y_l^ （i）=0（?！i），）┤ ? （9）

式中，y_l^ （i）表示y_l在i處的導(dǎo)數(shù)。

2.1.2 確定正弦曲線的基線位置

根據(jù)正弦曲線的性質(zhì)可知計算正弦曲線基線K的公式為

K={（（y_l [j]+y_l [j+π/ω]）/2??? ，if???? 0≤j≤π/ω（y_l^ （i）=0（i_1，i_2，…，i_n∈i，n≥2）），@ y_l 〖[j]〗_min????????????????? ，if???? 0≤j≤w （y_l^ （i）=0（?！i）），）┤ （10）

式中，y_l^ （i）=0（i_1，i_2，…，i_n∈i，n≥2）情況下，采取一種類似于投票機(jī)制方法，將計算的K值保存，得到其中眾數(shù)和最終基線位置[26]。

2.1.3 確定正弦曲線的幅度

根據(jù)正弦曲線的性質(zhì)可知計算位置參數(shù)幅度A的公式為

A={（〖y_l〗_min+K??????? ，if?? y_l^ （i）=0（i_1，i_2，…，i_n∈i，n≥2），@〖y_l〗_max- 〖y_l〗_min??? ，if?? y_l^ （i）=0（?！i）。）┤?? （11）

2.1.4 確定正弦曲線的相位

任選y_l曲線中的一點(diǎn)（x_use，y_use），根據(jù)式（5）可得φ計算公式為

φ=arcsin（（y_use-K）/A）-ωx_use 。??? （12）

2.2 巖體結(jié)構(gòu)面特征參數(shù)的計算

實驗計算出數(shù)字鉆孔圖像感興趣區(qū)域的正弦參數(shù)后，通過數(shù)理變換、空間變換得到巖體結(jié)構(gòu)面的空間參數(shù)。設(shè)二維圖像中的坐標(biāo)為（x_img，y_img），真實三維坐標(biāo)為（x_real，y_real，z_real），鉆孔半徑為R，圖像寬度為W，像素坐標(biāo)轉(zhuǎn)換為空間坐標(biāo)的轉(zhuǎn)換公式如下所示[15]

{（x_real=R?cos（2π x_img/W），@y_real=R?sin（2π x_img/W），@z_real=S?y_img 。）┤ ?? （13）

巖體結(jié)構(gòu)面空間平面單位法向量NV的轉(zhuǎn)換公式如下所示

{（NV_x=（A?S?sin（φ））/√（R^2+A^2 S^2 ），@NV_y=（A?S?cos（φ））/√（R^2+A^2 S^2 ）@NV_z=R/√（R^2+A^2 S^2 ） 。）┤ ，?? （14）

式（13）（14）中S的計算公式為

S=S_real/S_img? ， （15）

式（15）中：S_real代表實際距離，S_img代表圖像距離。得到巖體結(jié)構(gòu)面的單位法向量后，通過數(shù)理轉(zhuǎn)換得到傾向α和傾角β，公式如下所示

{（a={（arctan（（NV_y）/（NV_x ））???????????????? ，if????? NV_x≥0_，NV_y≥0，@arctan（（NV_y）/（NV_x ））+180????? ，if????? NV_x<0，@arctan（（NV_（y@））/（NV_x ））+360????? ，if????? NV_x≥0_，NV_y<0，）┤@b=|arctan（√（NV_x^2+NV_y^2 ）/（NV_z ））|。）┤ ?? （16）

3 實例應(yīng)用

研究使用來自某隧道工程的數(shù)字鉆孔圖像，如圖9所示，鉆孔直徑為90 mm，比例尺S=2.885 1。圖9（a）的鉆孔完整性一般，鉆孔內(nèi)壁中間存在豎直方向干擾源，造成原因是存在豎直大裂縫、過度曝光或者黃色干擾源，識別難度較大；圖9（b）和圖9（c）的鉆孔完整性較好，但中間存在橫條噪聲。

利用提出的一系列算法，對圖9進(jìn)行DexiNed網(wǎng)絡(luò)處理，提取其邊緣特征，使用Epremoval方法減少邊緣點(diǎn)噪聲，如圖10所示。對ROI進(jìn)行提取，如圖11所示，可較好提取出每個巖體結(jié)構(gòu)面，共提取出6個ROI。最后，對圖像中的表征數(shù)據(jù)進(jìn)行多項式擬合，對每個ROI中的圖像進(jìn)行處理，如圖12所示，得到其多項式擬合曲線。

通過擬合的曲線計算得到相應(yīng)正弦曲線參數(shù)，數(shù)理變換和空間變換獲得傾向、傾角等參數(shù)，如表1所示，發(fā)現(xiàn)偏差較小，大部分巖體結(jié)構(gòu)面取得了良好效果。其中，對于識別得到的Img1-ROI2感興趣區(qū)域，2條巖體結(jié)構(gòu)面裂縫相距太近且中間存在豎直干擾源將2條裂縫交叉在一起；Img1-ROI1的結(jié)果偏差較大，如圖9（a）所示，感興趣區(qū)域的正弦特征不夠明顯，且受中間豎直干擾源影響較大。

4 結(jié) 論

研究對數(shù)字鉆孔圖像中巖體結(jié)構(gòu)面的自動識別展開研究。主要結(jié)論如下：

1）在數(shù)字鉆孔圖像實際采集過程中，由于光照變化、陰影及物體表面反射特性差異，造成成像場景光照不均勻。利用二維伽馬函數(shù)光照自適應(yīng)矯正算法對圖像進(jìn)行處理，采用雙邊濾波方法提取非均勻光照圖像的光照分量，根據(jù)光照分量分布特性對二維伽馬函數(shù)進(jìn)行自適應(yīng)調(diào)節(jié)，保持原始圖像有效信息，實現(xiàn)對圖像亮度的自適應(yīng)校正處理得到增強(qiáng)圖像。

2）使用神經(jīng)網(wǎng)絡(luò)對數(shù)字鉆孔圖像進(jìn)行預(yù)處理并提出Epremoval方法處理邊緣噪聲。使用經(jīng)過預(yù)訓(xùn)練的DexiNed網(wǎng)絡(luò)對數(shù)字鉆孔圖像進(jìn)行邊緣特征提取。DexiNed提取邊緣后，提出Epremoval方法對邊緣點(diǎn)噪聲進(jìn)行處理，取得較好效果。該方法極大簡化數(shù)字鉆孔圖像的預(yù)處理步驟，同時獲得更好效果和廣泛應(yīng)用，不僅在保留巖體結(jié)構(gòu)面表征的同時顯著減少噪聲，便于獲取巖體結(jié)構(gòu)面的特征數(shù)據(jù)。通過設(shè)計簡單特征信號，能對圖像中感興趣的區(qū)域進(jìn)行有效分割，使后續(xù)詳細(xì)識別的部分被分割出來，降低計算量。

3）研究沒有使用傳統(tǒng)Hough變換方法對圖像正弦特征參數(shù)進(jìn)行提取，而是借鑒正弦函數(shù)泰勒展開式，對圖像進(jìn)行多項式擬合得到光滑曲線，計算巖體結(jié)構(gòu)面的正弦參數(shù)，對巖體結(jié)構(gòu)面的特征參數(shù)進(jìn)行空間和數(shù)理變換，得到圖像幾何信息。該過程顯著降低了計算需求，更加快速識別巖體結(jié)構(gòu)面，準(zhǔn)確率高。

參考文獻(xiàn)

［1］? Lan H X， Zhang Y X， Macciotta R， et al. The role of discontinuities in the susceptibility， development， and runout of rock avalanches： a review[J]. Landslides， 2022， 19（6）： 1391-1404.

［2］? Ge Y F， Cao B， Tang H M. Rock discontinuities identification from 3D point clouds using artificial neural network[J]. Rock Mechanics and Rock Engineering， 2022， 55（3）： 1705-1720.

［3］? 葛云峰， 夏丁， 唐輝明， 等. 基于三維激光掃描技術(shù)的巖體結(jié)構(gòu)面智能識別與信息提取[J]. 巖石力學(xué)與工程學(xué)報， 2017， 36（12）： 3050-3061.

Ge Y F， Xia D， Tang H M， et al. Intelligent identification and extraction of geometric properties of rock discontinuities based on terrestrial laser scanning[J]. Chinese Journal of Rock Mechanics and Engineering， 2017， 36（12）： 3050-3061.（in Chinese）

［4］? 趙萌， 唐輝明， 詹紅兵， 等. 求解巖體裂隙產(chǎn)狀三維概率分布的數(shù)值方法[J]. 地球科學(xué)， 2022， 47（4）： 1470-1482.

Zhao M， Tang H M， Zhan H B， et al. A numerical method for solving three-dimensional probability distribution of rockmass fracture orientations[J]. Earth Science， 2022， 47（4）： 1470-1482.（in Chinese）

［5］? Lv H T， Bao H， Lan H X， et al. Detection method of buried depth of single crack in rock mass based on thermal infrared response[J]. Journal of Earth Sciences and Environment， 2022， 44（06）： 1048-1065.

［6］? 宣程強(qiáng)， 章楊松， 徐文濤. 基于數(shù)字表面模型的巖體結(jié)構(gòu)面產(chǎn)狀獲取[J]. 水文地質(zhì)工程地質(zhì)， 2022， 49（1）： 75-83.

Xuan C Q， Zhang Y S， Xv W T. Extraction of the discontinuity orientation from a digital surface model[J]. Hydrogeology & Engineering Geology， 2022， 49（1）： 75-83. （in Chinese）

［7］? Wu F Q， Wu J， Bao H， et al. Rapid intelligent evaluation method and technology for determining engineering rock mass quality[J]. Rock Mechanics Bulletin， 2023， 2（2）： 100038.

［8］? Xu X H， Bao H， Lan H X， et al. Sampling interval-size effects and differential sensitivities of different morphology parameters of rock joint[J]. Journal of Structural Geology， 2022， 155： 104530.

［8］? ZouX J， SongH， WangC. A high-precision digital panoramic borehole camera system for the precise analysis of in situ rock structures[J]. Rock Mechanics and Rock Engineering， 2021， 54（11）： 5945-5952.

［10］? MohanArun P S. Crack detection using image processing： a critical review and analysis[J]. Alexandria Engineering Journal， 2018， 57（2）： 787-798.

［11］? 黃達(dá)， 鐘助. 基于單個鉆孔孔壁電視圖像確定地下巖體結(jié)構(gòu)面產(chǎn)狀的普適數(shù)學(xué)方法[J]. 地球科學(xué)， 2015， 40（6）： 1101-1106.

Huang D， Zhong Z. A universal mathematical method for determining occurrence of underground rock discontinuity based on TV picture of wall of a single borehole[J]. Earth Science， 2015， 40（6）：1101-1106. （in Chinese）

［12］? 汪進(jìn)超， 王川嬰， 胡勝， 等. 孔壁鉆孔圖像的結(jié)構(gòu)面參數(shù)提取方法研究[J]. 巖土力學(xué)， 2017， 38（10）： 3074-3080.

Wang J C， Wang C Y， Hu S， et al. A new method for extraction of parameters of structural surface in borehole images[J]. Rock and Soil Mechanics， 2017，38（10）：3074-3080. （in Chinese）

［13］? Yuan H Q， Xu F X， Fu P L. Research on the processing algorithm of drilling image[C]//Eighth International Conference on Electronic Technology and Information Science （ICETIS 2023）. May 24-26， 2023. Dalian， China： SPIE， 2023.

［14］? 宋琨， 孫馳， 安冬， 等。數(shù)字鉆孔全景影像中結(jié)構(gòu)面特征智能識別方法[J]. 地質(zhì)科技通報， 2020， 39（5）： 17-22.

Song K， Sun C， An D， et al. Intelligent identification method for rock discontinuities properties by digtial borehole panoramic images[J]. Bulletin of Geological Science and Technology， 2020， 39（5）： 17-22. （in Chinese）

［15］? Zou X J， Wang C Y， Wang Y T， et al. Morphological feature description method of structural surface in borehole image during in-situ iInstrumentation[J]. Rock Mechanics and Rock Engineering， 2020， 53： 2947-2956.

［16］? Zhao K， Han Q， Zhang C B， et al. Deep hough transform for semantic line detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 44（9）： 4793-4806.

［17］? Vijayarajeswari R， Parthasarathy P， Vivekanandan S， et al. Classification of mammogram for early detection of breast cancer using SVM classifier and Hough transform[J]. Measurement， 2019， 146： 800-805.

［18］? Wang J， Fu P， Gao R X. Machine vision intelligence for product defect inspection based on deep learning and Hough transform[J]. Journal of Manufacturing Systems， 2019， 51： 52-60.

［19］? 夏丁， 葛云峰， 唐輝明， 等. 數(shù)字鉆孔圖像感興趣區(qū)域分割與巖體結(jié)構(gòu)面特征識別[J]. 地球科學(xué)， 2020， 45（11）： 4207-4217.

Xia D， Ge Y F， Tang H M， et al. Segmentation of interest region of digital drilling image and recognition of rock mass structural surface features[J]. Journal of Earth Science， 2020， 45（11）： 42074217. （in Chinese）

［20］? 蘇鈺桐， 楊煒毅， 李俊霖. 基于YOLO v3的煤巖鉆孔圖像裂隙智能識別方法[J]. 煤礦安全， 2021， 52（4）：156-161.

Su Y T， Yang W Y， Li J L. Intelligent fracture identification method for coal rock borehole images based on YOLO v3[J]. Coal Mine Safety， 2021， 52（4）： 156-161. （in Chinese）

［21］? Redmon J ， Farhadi A .YOLOv3： an incremental Improvement[EB/OL].（2018-04-08）[2021-11-20]. https：//arxiv.org/abs/1804.02767..

［22］? Corbane C， Syrris V， Sabo F， et al. Convolutional neural networks for global human settlements mapping from Sentinel-2 satellite imagery[J]. Neural Computing and Applications， 2021， 33： 6697-6720.

［23］? 張夢原， 陳俊智. 基于數(shù)字圖像處理的巖體結(jié)構(gòu)面跡線檢測[J]. 化工礦物與加工， 2023， 52（1）： 29-33.

Zhang M Y， Chen J Z. Rock mass discontinuity trace detection based on digtial image processing[J]. Industrial Minerals & Processing， 2023， 52（1）： 29-33. （in Chinese）

［24］? Xavier S， Edgar R， Angel S. Dense rxtreme inception network： towards a robust CNN model for edge detection[J]. 2020 IEEE Winter Conference on Applications of Computer Vision （WACV）， 2020：1912-1921.

［25］? 劉志成， 王殿偉， 劉穎， 等. 基于二維伽馬函數(shù)的光照不均勻圖像自適應(yīng)校正算法[J]. 北京理工大學(xué)學(xué)報， 2016， 36（2）： 191-196.

Liu Z C， Wang D W， Liu Y， et al. Adaptive correction algorithm for illumination in homogeneous images based on two-dimensional gamma function[J]. Journal of Beijing Institute of Technology， 2016， 36（2）： 191-196. （in Chinese）

［26］? 鄒長春， 史謌. 一類正弦曲線的Hough變換快速檢測方法[J]. 計算機(jī)工程與應(yīng)用， 2002（4）： 1-3.

Zou C C， Shi G. A fast detection method for the Hough transform of a class of sinusoidal curves[J]. Computer Engineering and Applications， 2002（4）： 1-3. （in Chinese）

（編輯? 侯湘）