CN114387328B 基于深度学习模型和岩心图像的rqd计算方法 （西安理工大学）_第1页
CN114387328B 基于深度学习模型和岩心图像的rqd计算方法 （西安理工大学）_第2页
CN114387328B 基于深度学习模型和岩心图像的rqd计算方法 （西安理工大学）_第3页
CN114387328B 基于深度学习模型和岩心图像的rqd计算方法 （西安理工大学）_第4页
CN114387328B 基于深度学习模型和岩心图像的rqd计算方法 （西安理工大学）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于深度学习模型和岩心图像的RQD计算方法本发明公开了基于深度学习模型和钻孔岩像素波形图中确定完整岩心的数量及其所在的2步骤4、应用Canny边缘检测算法提取所述单单个像素所代表的真实长度为岩心盒的物理长度比矫正后钻孔岩心图像长度方向的像素首部或尾部第一个岩心区域像素到边界间的岩心区域像素的总长；则RQD为进尺中长度大2.根据权利要求1所述的基于深度学习模型和钻孔岩心图3.根据权利要求2所述的基于深度学习模型和钻孔岩心3[0001]本发明属于图像处理方法技术领域，涉及一种基于深度学习模型和岩心图像的[0002]大中型的水利水电工程多处于地质条件较为复杂的高山峡谷之中，断层构造发[0003]RQD作为一项重要的岩体质量评价指标，在水利工程中应用广泛，RQD同时也是[0004]本发明的目的是提供一种基于深度学习模型和岩心图像的RQD计算方法，解决了现有技术中存在的人工测量RQD造成地质勘4[0020]本发明基于深度学习模型和岩心图像的RQD计算方法，采用深度模型迁移算法实[0022]图2是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法的图像矫正过程[0023]图3是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中UNet模型结构[0024]图4是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中EUNet模型训练[0025]图5是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中钻孔岩心图像[0026]图6a是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中单排岩心图像[0027]图6b是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中单排岩心分割[0028]图7是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中单排岩心语义[0030]图9是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中研究区域确定[0031]图10是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中研究区域中拟5[0032]图11是本发明基于深度学习模型和钻孔岩心图像的RQD计算方法中岩心长度确定的模型可以应用于钻孔岩心图像的分割，本实施例中F1_score收敛到0.973，IoU收敛到6[0047]步骤5、从像素波形图中确定完整岩心的数量及其所在的位置，同时确定研究区[0049]步骤7、钻孔岩心图像中单个像素所代表的真实长度为岩心盒的物理长度比矫正钻进次序装入标准岩心盒中并拍照记录，方便地质工程人员后续进行RQD的编录和岩性等[0053]采用本发明的方法对测试集的40张钻孔岩心图像的RQD进行计算，累计计算1302789

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论