本发明涉及岩石裂隙预测，具体涉及一种基于卷积神经网络的岩石裂隙自动识别方法。
背景技术：
1、节理、裂隙作为结构面的一种，其发育方向、长度、张开度、规模及交错程度较为复杂，其空间分布具有很强的随机性、各向异性与隐蔽性。岩石节理裂隙特征的特定分析与研究是工程岩体分级与岩体质量评价的重要指标之一。
2、目前，在岩土工程勘察领域中，针对钻探取芯中岩石节理裂隙识别与产状测量的记录主要通过人工对岩芯进行节理裂隙查找、判别，同时采用传统测量工具量取裂隙中轴角并手工记录。该方式严重依赖技术经验，识别、测量速度慢，产状获取效率低，浪费大量的人力资源。并且，在钻探成孔的过程中，受钻探操作工人技术水平及钻探工艺影响，岩芯的机械破碎、地层原始应力释放及人为主观因素等原因使得岩石节理裂隙识别困难、发育形态特征及产状测量误差较大。
3、而使用基于卷积神经网络的计算机人工智能的方式代替大量重复性的人工工作，缩短工作完成时间，同时提高识别的准确度，达到降本增效的目的，对于工程勘察领域具有非常重要的意义。经文献检索发现，行业内对于该项技术涉及到的人工智能技术处于纯理论的研究，与实际工程结合应用还处于空缺状态，亟待相关人员进行研究与应用。
技术实现思路
1、本发明的目的是提供一种基于卷积神经网络的岩石裂隙自动识别方法，以解决现有技术中的上述不足之处。
2、为了实现上述目的，本发明提供如下技术方案：一种基于卷积神经网络的岩石裂隙自动识别方法，包括以下步骤：
3、收集大量钻孔孔壁岩石图像；
4、使用图像标注工具标注出所述钻孔孔壁岩石图像中的节理裂隙，得到节理裂隙形态图像，和由节理裂隙形态图像组成的节理裂隙形态数据集；其中图像标注工具可为labelme软件。
5、基于深度学习模型，对节理裂隙形态图像进行分割处理，构建裂隙识别模型；
6、基于所述裂隙识别模型自动识别钻孔孔壁岩石图像中的节理裂隙，并自动对节理裂隙部分进行切割，得到对应的节理裂隙形态图像，得到的节理裂隙图像用于作为后续工作的基础数据使用；
7、对钻孔孔壁岩石图像进行归一化处理，提取裂隙骨架，得到裂隙骨架的裂隙骨架化曲线坐标点数据；
8、利用正弦曲线形态对裂隙线骨架化曲线进行刻画、处理，重建岩石结构面；
9、以三角函数、偏函数对节理裂隙进行倾向、倾角计算，得到节理裂隙产状。
10、进一步的，在使用图像标注工具标注出所述钻孔孔壁岩石图像中的节理裂隙时，嵌入正态分布模型，使得所述节理裂隙形态数据集满足正态分布，有利于在训练深度学习模型时提高学习和模型收敛的速度。
11、进一步的，所述构建裂隙识别模型，具体包括以下步骤：
12、选择并确定深度学习模型，即选择合适的深度学习模型，使得基于该模型训练出的裂隙识别模型的准确率较高，本申请并不限制具体深度学习模型，优选的，本申请采用maks r-cnn算法模型即实例分割模型；
13、将所述节理裂隙形态数据集均分为训练集和测试集；
14、利用所述训练集训练所述深度学习模型，得到深度学习模型的各项参数；
15、利用所述测试集测试训练后的深度学习模型的准确率；
16、若测试集测试出的准确率满足设置准确率，则确定参数得到裂隙识别模型，否则，调整参数重新测试，直至测试出的准确率满足设置准确率。
17、进一步的，所述方法还包括对所述节理裂隙形态图像进行预处理。
18、进一步的，所述预处理包括将所述节理裂隙形态图像二值化，用于将彩色的节理裂隙形态图像转化为黑白图像，其中白色部分表示节理裂隙，黑色部分表示岩石以及其余无关部分。
19、进一步的，对钻孔孔壁岩石图像进行归一化处理，提取裂隙骨架，得到裂隙骨架的裂隙骨架化曲线坐标点数据，具体包括以下步骤：
20、将所述钻孔孔壁岩石图像进行归一化；
21、提取节理裂隙在归一化后的钻孔孔壁岩石图像中的像素值，得到节理裂隙在钻孔孔壁岩石图像中的相对坐标，所述相对坐标即为裂隙骨架化曲线坐标点数据。
22、进一步的，利用正弦曲线形态对裂隙线骨架化曲线进行刻画、处理，重建岩石结构面，具体包括以下步骤：
23、通过将钻孔孔壁岩石图像中粗细不均的节理裂隙曲线，细化为粗细均匀的节理裂隙曲线；
24、基于节理裂隙曲线的变化趋势，使用正弦曲线进行拟合，得到拟合曲线及拟合曲线函数。
25、以三角函数、偏函数对节理裂隙进行倾向、倾角计算，得到节理裂隙产状，具体包括以下步骤：
26、基于三角函数、偏函数，计算所述拟合曲线各点的斜率；
27、基于所述斜率的得到节理裂隙的倾角，基于所述斜率的正负得到节理裂隙的倾向；
28、基于拟合曲线函数得到节理裂隙各点的坐标，结合拟合曲线原点的深度得到节理裂隙各点的深度，及节理裂隙的深度。
29、1、与现有技术相比，本发明提供的一种基于卷积神经网络的岩石裂隙自动识别方法，通过引入深度神经网络，可以对钻孔孔壁岩石图像中存在的节理裂隙快速准确检测识别，使得裂隙的识别与确认不受次要因素影响，野外采集数据速度快，降低了该工作准入门槛，提高了完成岩石、节理裂隙识别的效率。
30、2、与现有技术相比，本发明提供的一种基于卷积神经网络的岩石裂隙自动识别方法，通过将裂隙曲线拟合正弦曲线，可快速计算出裂隙的倾角、倾向等产状和裂隙的深度。
1.一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：在使用图像标注工具标注出所述钻孔孔壁岩石图像中的节理裂隙时，嵌入正态分布模型，使得所述节理裂隙形态数据集满足正态分布。
3.根据权利要求1所述的一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：所述构建裂隙识别模型，具体包括以下步骤：
4.根据权利要求1所述的一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：所述方法还包括对所述节理裂隙形态图像进行预处理。
5.根据权利要求4所述的一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：所述预处理包括将所述节理裂隙形态图像二值化，用于将彩色的节理裂隙形态图像转化为黑白图像。
6.根据权利要求5所述的一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：对钻孔孔壁岩石图像进行归一化处理，提取裂隙骨架，得到裂隙骨架的裂隙骨架化曲线坐标点数据，具体包括以下步骤：
7.根据权利要求6所述的一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：利用正弦曲线形态对裂隙线骨架化曲线进行刻画、处理，重建岩石结构面，具体包括以下步骤：
8.根据权利要求7所述的一种基于卷积神经网络的岩石裂隙自动识别方法，其特征在于：以三角函数、偏函数对节理裂隙进行倾向、倾角计算，得到节理裂隙产状，具体包括以下步骤：
