基于AttentionR2U-net的岩石（体）关键节理智能识别与参数提取

doi:10.12068/j.issn.1005-3026.2024.01.013

摘要/Abstract

摘要：

针对岩石（体）表面复杂节理网中关键节理的智能识别与参数提取问题，提出一种基于AttentionR2U-net网络与节理几何特征模型耦合识别的方法.在R2U-net网络的基础上引入注意门（attention gate）改进网络，通过定性与定量的方法对边坡节理图像和混凝土、龟裂土、常见脆性岩石裂隙图像的识别结果分别作准确性及泛化能力检验；利用AttentionR2U-net网络耦合节理几何特征的方法识别关键节理，提取原始节理和关键节理的几何参数并对其迹长、面积及倾角作差异性分析.研究结果表明：针对岩石（体）节理识别，本文算法的Dice相似系数从U-net网络的0.965提升至0.990，且明显优于传统算法，故本文算法在岩石（体）节理识别上具有更强的可靠性与优越性；针对混凝土、龟裂土和大理岩、花岗岩、砂岩等脆性岩石裂隙的识别，本文算法的Dice相似系数均在0.953以上，故本文算法具有较强的泛化能力.与原始节理网络相比，关键节理网络优势迹长由0.732 m显著增大至1.835 m，节理倾角分布形式和优势倾角组均不变，优势迹长和倾角的节理占比均显著增大.

关键词: 岩石（体）, 关键节理, AttentionR2U-net网络, 智能识别, 参数提取

Abstract:

Aiming at the problem of intelligent identification and parameter extraction of key joints in complex joint networks on surfaces of rock （mass）， a method based on AttentionR2U-net network and joint geometric feature model is proposed. The attention gate was introduced on the basis of R2U-net network to improve the network， and then the accuracy test and generalization ability study of the recognition results of slope joint images and fracture images in concrete， cracked soil and common brittle rocks were carried out by qualitative and quantitative methods. Finally， the AttentionR2U-net network was used to identify the key joints by coupling the geometric features of the joints. The geometric parameters of the original and key joints are extracted， and then the trace length， area and inclination angle are analyzed. The results show that for joint identification of rock （mass）， the Dice similarity coefficient of the proposed algorithm is increased from 0.965 to 0.990 in U-net network， outperforming the traditional algorithm significantly. Therefore， the proposed algorithm has stronger reliability and superiority in joint identification of rock （mass）. For crack identification in concrete， cracked soil and brittle rocks such as marble， granite and sandstone， the similarity coefficientDice of the proposed algorithm is above 0.953， so the proposed algorithm has strong generalization ability. Compared with the original joint network， the dominant trace length of the key joint network increased significantly from 0.732 m to 1.835 m， the distribution pattern of joint dip angle and the dominant dip angle group remained unchanged， and the proportion of joints with dominant trace length and dip angle increased significantly.

Key words: rock （mass）, key joint, AttentionR2U-net network, intelligent recognition, parameter extraction

中图分类号:

TU 45

孙浩, 代宗晟, 金爱兵, 陈岩. 基于AttentionR2U-net的岩石（体）关键节理智能识别与参数提取[J]. 东北大学学报（自然科学版）, 2024, 45(1): 101-110.

Hao SUN, Zong-sheng DAI, Ai-bing JIN, Yan CHEN. Intelligent Identification and Parameter Extraction of Key Joints in Rock （Mass） Based on AttentionR2U-net[J]. Journal of Northeastern University(Natural Science), 2024, 45(1): 101-110.

图/表 15

图1 岩质边坡节理数据集制作过程（a）—节理标注；（b）—数据增强.

Fig. 1 Production process of rock slope joint dataset

图2 AttentionR2U‐net网络模型［23］

Fig. 2 AttentionR2U‐net network model［23］

表1 AttentionR2U‐net网络计算参数

Table 1 Computing parameters of AttentionR2U‐net network

名称	参数	名称	参数
CPU	Intel i5-11400H	GPU	NVIDIA Geforce RTX 3050
系统	Windows 10	语言	Python 3.6
RAM	16 GB	框架	Tensorflow和Keras
Cuda	11.1

表2 模型优越性评估指标

Table 2 Model superiority evaluation index

指标	含义及作用	公式
二分类交叉损失函数（Loss）	标签图像和预测图像相似程度；用于评估二分类问题中网络分割结果与给定标准结果的相似程度，也可运用反向传播算法对网络的参数进行优化.	$L o s s = - y · l g y ∧ + 1 - y · l g 1 - y ∧$
准确率（Accuracy，Acc）	正确预测出节理和背景的像素占总像素的百分比；反映分类器的分类效果.	$A c c = T P + T N T P + T N + F P + F N$
查准率（Precision，P）	预测像素中真实的节理像素占所有预测为节理像素的百分比；反映被预测为节理的结果中正确的概率.	$P = T P T P + F P$
查全率（Recall，R）	预测像素中真实的节理像素占所有真实节理像素百分比；反映节理被预测出的概率.	$R = T P T P + F N$
灵敏度（Sen）	数值上等于R值，值越大，假负例越少；体现模型对节理的敏感程度.	$S e n = T P T P + F N$
特异性（Spe）	预测出的背景像素占真实背景像素的百分比；体现模型判别背景的能力.	$S p e = T N T N + F P$
Dice相似系数（Dice）	标签图像和预测图像的相似度程度；更直观地反映模型的优劣程度.	$D i c e = 2 × T P (T P + F N) + (T P + F P)$

表2 模型优越性评估指标

Table 2 Model superiority evaluation index

指标	含义及作用	公式
二分类交叉损失函数（Loss）	标签图像和预测图像相似程度；用于评估二分类问题中网络分割结果与给定标准结果的相似程度，也可运用反向传播算法对网络的参数进行优化.	$L o s s = - y · l g y ∧ + 1 - y · l g 1 - y ∧$
准确率（Accuracy，Acc）	正确预测出节理和背景的像素占总像素的百分比；反映分类器的分类效果.	$A c c = T P + T N T P + T N + F P + F N$
查准率（Precision，P）	预测像素中真实的节理像素占所有预测为节理像素的百分比；反映被预测为节理的结果中正确的概率.	$P = T P T P + F P$
查全率（Recall，R）	预测像素中真实的节理像素占所有真实节理像素百分比；反映节理被预测出的概率.	$R = T P T P + F N$
灵敏度（Sen）	数值上等于R值，值越大，假负例越少；体现模型对节理的敏感程度.	$S e n = T P T P + F N$
特异性（Spe）	预测出的背景像素占真实背景像素的百分比；体现模型判别背景的能力.	$S p e = T N T N + F P$
Dice相似系数（Dice）	标签图像和预测图像的相似度程度；更直观地反映模型的优劣程度.	$D i c e = 2 × T P (T P + F N) + (T P + F P)$

图3 模型评估指标变化曲线

Fig. 3 Evolution curves of model evaluation index

图4 基于不同算法的节理识别结果对比（a）—样品1；（b）—样品2；（c）—样品3；（d）—样品4.

Fig. 4 Comparison of joint recognition results of different algorithms

表3 基于AttentionR2U-net预测不同节理图像的定量结果

Table 3 Quantitative results of predicting different joint images based on AttentionR2U‐net

指标	样品1	样品2	样品3	样品4
TP	4022	10921	3923	4570
TN	58404	51487	58501	57857
FN	19	69	11	34
FP	55	23	65	38
Sen	0.995	0.994	0.997	0.992
Spe	0.999	0.999	0.998	0.999
P	0.986	0.998	0.984	0.992
Dice	0.991	0.996	0.990	0.992

表4 测试集各指标计算结果

Table 4 Calculation results of each index in the test set

指标	Acc	Sen	Spe	P	Dice
平均	0.997	0.991	0.998	0.990	0.990
最高	0.999	0.998	0.999	0.998	0.997

图5 不同算法结果的各项指标

Fig. 5 Indicators of the results of different algorithms

图6 不同领域裂隙识别情况对比

Fig. 6 Comparison of fracture identification in different fields

表5 其他领域裂隙识别的Dice结果

Table 5 Diceresults for fracture identification in other fields

算法	混凝土	大理岩	花岗岩	砂岩	龟裂土
本文算法	0.985	0.953	0.974	0.983	0.963
大津法	0.879	0.867	0.375	0.258	0.785
边缘检测法	0.263	0.341	0.185	0.157	0.438
区域生长法	0.846	0.367	0.735	0.786	0.579
血管增强法	0.564	0.459	0.708	0.723	0.738

图7 外接最小矩形的原理

Fig. 7 Principle of enclosing minimum rectangle

表6 两种耦合甄别关键节理方法的结果比较

Table 6 Comparison of results of two coupling methods for critical joint identification

方法	关键节理识别率	关键节理精度	单条节理精度
原模型	0.568	0.842	0.990
方法1	0.738	0.916	0.953
方法2	1.000	0.990	0.990
方法3	1.000	0.953	0.953

图8 关键节理智能识别过程（a）—岩石边坡真实图像；（b）—原始节理图像；（c）—关键节理图像.

Fig. 8 Intelligent identification process of key joints

图9 节理的几何参数及概率密度曲线（a）—节理迹长；（b）—节理面积；（c）—节理倾角.

Fig. 9 Histogram of geometrical parameters andprobability density curves of joints

参考文献 30

1	黄润秋.20世纪以来中国的大型滑坡及其发生机制［J］.岩石力学与工程学报，2007，26（3）：433-454.
	Huang Run‐qiu.Large‐scale landslides and their sliding mechanisms in China since the 20th century［J］.Chinese Journal of Rock Mechanics and Engineering，2007，26（3）：433-454.
2	Chen S W， Walske M L， Davies I J.Rapid mapping and analysing rock mass discontinuities with 3D terrestrial laser scanning in the underground excavation［J］.International Journal of Rock Mechanics and Mining Sciences，2018，110：28-35.
3	Ismail A， Ahmad‐Safuan A R， Sa'ari R，et al.Application of combined terrestrial laser scanning and unmanned aerial vehicle digital photogrammetry method in high rock slope stability analysis：a case study［J］.Measurement，2022，195：111161.
4	Agar Ozbek A S， Weerheijm J， van Breugel K.High speed photography technique for measuring impact strength of porous concrete［J］.Construction and Building Materials，2018，186：1092-1104.
5	Sturzenegger M， Stead D.Close‐range terrestrial digital photogrammetry and terrestrial laser scanning for discontinuity characterization on rock cuts［J］.Engineering Geology，2009，106（3/4）：163-182.
6	金爱兵，陈帅军，赵安宇，等.基于无人机摄影测量的露天矿边坡数值模拟［J］.岩土力学，2021，42（1）：255-264.
	Jin Ai‐bing， Chen Shuai‐jun， Zhao An‐yu，et al.Numerical simulation of open‐pit mine slope based on unmanned aerial vehicle photogrammetry［J］.Rock and Soil Mechanics，2021，42（1）：255-264.
7	贾曙光，金爱兵，赵怡晴.无人机摄影测量在高陡边坡地质调查中的应用［J］.岩土力学，2018，39（3）：1130-1136.
	Jia Shu‐guang， Jin Ai‐bing， Zhao Yi‐qing.Application of UAV oblique photogrammetry in the field of geology survey at the high and steep slope［J］.Rock and Soil Mechanics，2018，39（3）：1130-1136.
8	Talab A M A， Huang Z C， Xi F，et al.Detection crack in image using Otsu method and multiple filtering in image processing techniques［J］.Optik，2016，127（3）：1030-1033.
9	Kheradmandi N， Mehranfar V.A critical review and comparative study on image segmentation‐based techniques for pavement crack detection［J］.Construction and Building Materials，2022，321：126162.
10	Nhat‐Duc H， Nguyen Q L， Tran V D.Automatic recognition of asphalt pavement cracks using metaheuristic optimized edge detection algorithms and convolution neural network［J］.Automation in Construction，2018，94：203-213.
11	Wang L T， Gu X Y， Liu Z，et al.Automatic detection of asphalt pavement thickness：a method combining GPR images and improved Canny algorithm［J］.Measurement，2022，196：111248.
12	Kang C C， Wang W J， Kang C H.Image segmentation with complicated background by using seeded region growing［J］.AEU-International Journal of Electronics and Communications，2012，66（9）：767-771.
13	Tang Y D， He L， Lu W，et al.A novel approach for fracture skeleton extraction from rock surface images［J］.International Journal of Rock Mechanics and Mining Sciences，2021，142：104732.
14	Zhu J S， Song J B.Weakly supervised network based intelligent identification of cracks in asphalt concrete bridge deck［J］.Alexandria Engineering Journal，2020，59（3）：1307-1317.
15	Cui X N， Wang Q C， Dai J P，et al.Pixel‐level intelligent recognition of concrete cracks based on DRACNN［J］.Materials Letters，2022，306：130867.
16	柳厚祥，李汪石，查焕奕，等.基于深度学习技术的公路隧道围岩分级方法［J］.岩土工程学报，2018，40（10）：1809-1817.
	Liu Hou‐xiang， Li Wang‐shi， Zha Huan‐yi，et al.Method for surrounding rock mass classification of highway tunnels based on deep learning technology［J］.Chinese Journal of Geotechnical Engineering，2018，40（10）：1809-1817.
17	梁世豪.基于深度学习的野外露头区岩石裂缝识别方法研究［D］.大庆：东北石油大学，2020.
	Liang Shi‐hao.Research on identification method of rock fractures in outcrop area based on deep learning［D］.Daqing：Northeast Petroleum University，2020.
18	Chaiyasarn K， Buatik A， Mohamad H，et al.Integrated pixel‐level CNN‐FCN crack detection via photogrammetric 3D texture mapping of concrete structures［J］.Automation in Construction，2022，140：104388.
19	Chen J Y， Zhou M L， Huang H W，et al.Automated extraction and evaluation of fracture trace maps from rock tunnel face images via deep learning［J］.International Journal of Rock Mechanics and Mining Sciences，2021，142：104745.
20	张紫杉，王述红，王鹏宇，等.岩坡坡面裂隙网络智能识别与参数提取［J］.岩土工程学报，2021，43（12）：2240-2248.
	Zhang Zi‐shan， Wang Shu‐hong， Wang Peng‐yu，et al.Intelligent identification and extraction of geometric parameters for surface fracture networks of rocky slopes［J］.Chinese Journal of Geotechnical Engineering，2021，43（12）：2240-2248.
21	Xie Z Y， Asari V K， Haritashya U K.Evaluating deep‐learning models for debris‐covered glacier mapping［J］.Applied Computing and Geosciences，2021，12：100071.
22	Obeso A M， Benois‐Pineau J， García Vázquez M S，et al.Visual vs internal attention mechanisms in deep neural networks for image classification and object detection［J］.Pattern Recognition，2022，123：108411.
23	于文玲，刘波，刘华，等.基于Attention Gates和R2U‐net的遥感影像建筑物提取方法［J］.地理与地理信息科学，2022，38（3）：31-36，42.
	Yu Wen‐ling， Liu Bo， Liu Hua，et al.Building extraction from remote sensing images based on the R2U‐net model and attention gates［J］.Geography and Geo-Information Science，2022，38（3）：31-36，42.
24	Turkan Y， Hong J， Laflamme S，et al.Adaptive wavelet neural network for terrestrial laser scanner‐based crack detection［J］.Automation in Construction，2018，94：191-202.
25	Zheng M J， Lei Z J， Zhang K.Intelligent detection of building cracks based on deep learning［J］.Image and Vision Computing，2020，103：103987.
26	Zhao Y X， Sun B， Liu S M，et al.Identification of mining induced ground fissures using UAV and infrared thermal imager：temperature variation and fissure evolution［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2021，180：45-64.
27	Tang C A， Webb A A G， Moore W B，et al.Breaking earth’s shell into a global plate network［J］.Nature Communications，2020，11：3621.
28	Shi Y， Cui L M， Qi Z Q，et al.Automatic road crack detection using random structured forests［J］.IEEE Transactions on Intelligent Transportation Systems，2016，17（12）：3434-3445.
29	金爱兵，陆通，王本鑫，等.基于力学等效的岩体关键节理迹长阈值研究［J］.岩石力学与工程学报，2022，41（5）：904-915.
	Jin Ai‐bing， Lu Tong， Wang Ben‐xin，et al.Study on the threshold of key joint trace length in rock mass based on mechanical equivalence［J］.Chinese Journal of Rock Mechanics and Engineering，2022，41（5）：904-915.
30	Domínguez C， Heras J， Pascual V.IJ‐OpenCV：combining ImageJ and OpenCV for processing images in biomedicine［J］.Computers in Biology and Medicine，2017，84：189-194.

[1]	郭俊¹, 印万忠¹, 杨斌², 朱张磊³. 酸蚀对白云石可浮性的影响及其作用机理[J]. 东北大学学报（自然科学版）, 2024, 45(1): 93-100.
[2]	贾蓬, 毛松泽, 钱一锦, 卢佳亮. 不同加载速率下冻融砂岩的动态劈裂特性[J]. 东北大学学报（自然科学版）, 2024, 45(1): 111-119.