基于卷积神经网络与数字图像相关技术的岩石破裂模式识别研究

《Frontiers in Earth Science》:Research on rock fracture pattern recognition based on convolutional neural networks and digital image correlation

【字体: 大 中 小 】 时间:2026年04月28日 来源:Frontiers in Earth Science

编辑推荐:

  为解决岩石破裂模式识别依赖人工、效率低且易主观误判的问题,本文提出了一种融合数字图像相关(DIC)技术与深度学习的自动化识别方法。通过巴西劈裂、单轴/双轴压缩试验获取石膏试件破裂图像,利用U-Net网络精确分割裂缝,并结合DIC提取位移场云图。研究构建了基于DIC云图的裂缝模式数据集,并对比了多种卷积神经网络(CNN)的分类性能。结果表明,所提出的方法能高效、准确地识别拉伸、剪切及拉剪混合三种破裂模式,其中ResNet50模型整体性能最优,为岩土力学实验中破裂模式的自动化分析与工程稳定性评估提供了新方案。

  
地下工程中,围岩破裂是地质灾害的重要前兆,其演化严重威胁着工程结构的安全。准确识别岩石的破裂模式,是评估地质结构稳定性、预测裂纹扩展的关键。然而,传统的识别方法高度依赖专家经验,不仅费时费力,还易受主观因素影响。数值模拟方法则受限于理论假设,难以反映真实破裂过程的随机性与多尺度特征。尽管声发射、微地震等实时监测技术能捕获岩石破裂的动态信号,但在噪声干扰和空间分辨率不足的影响下,往往只能对破裂阶段进行定性评估,难以在单条裂缝层面准确定位破裂模式。面对这些挑战,我们迫切需要一种能够实现自动化、高精度识别的技术。
近日,一项发表在《Frontiers in Earth Science》上的研究,为我们带来了新的解决方案。该研究创新性地将数字图像相关(Digital Image Correlation, DIC)这一光学测量技术与深度学习方法相结合,提出了一种自动化的岩石破裂模式识别方法,成功将岩石破裂识别从定性描述推进到定量、自动化分析的新阶段。
为了开展这项研究,研究人员运用了三个关键的技术方法组合。首先,通过实验室巴西劈裂、单轴压缩和双轴压缩试验,在含预制孔的石膏板状和盘状试件上诱导产生了拉伸、剪切及拉剪混合三种典型的破裂模式,并采集了原始破裂图像。其次,利用自研的高精度岩土变形测量软件系统PhotoInfor,基于DIC原理处理连续变形图像,生成了能够反映全场位移和应变信息的位移矢量云图。最后,研究构建了基于深度学习的双阶段分析框架:第一阶段采用U-Net语义分割模型对原始破裂图像进行精确的裂缝识别与定位;第二阶段则基于裂缝位置,从DIC云图中裁剪出局部变形场图像,构建数据集,并利用包括GoogLeNet、ResNet50等在内的五种卷积神经网络(Convolutional Neural Network, CNN)模型对破裂模式进行分类。
研究结果部分揭示了方法的有效性与优越性。
3.1 裂缝分割数据集的构建
研究人员基于实验收集的破裂后岩石图像,通过人工标注和数据增强,构建了一个包含1350对图像(原始图与标签图)的裂缝语义分割数据集,并按6:2:2的比例划分为训练集、验证集和测试集,为模型训练提供了高质量的数据基础。
3.2 模型选择与训练
研究选用U-Net模型作为裂缝识别的框架。该模型包含编码器(下采样)和解码器(上采样)两部分,通过跳跃连接(skip connections)融合不同尺度的特征,非常适合用于捕获裂缝的全局与局部信息。模型在特定硬件配置下进行训练,损失曲线显示,经过约300轮(epoch)训练后,验证损失收敛至约0.043,表明模型训练良好。
3.4 实验结果与分析
通过与阈值分割、边缘检测等传统方法对比,U-Net模型在裂缝识别任务中展现出显著优势。特别是在亮度高、裂缝细微(第一类),或背景干扰强、存在人工散斑噪声(第二类)的图像中,U-Net能准确分割出人眼难以察觉的微裂缝,并有效消除背景干扰。定量评估指标显示,U-Net的精确率(Precision)和召回率(Recall)均高于0.8,F1分数和交并比(IoU)超过70%,远优于传统方法。此外,为解决大尺寸图像中细节丢失的问题,研究采用了滑动窗口识别方法,确保了对整张图像中细微裂缝的完整检测。
4.1 位移矢量云图的特征分析
利用DIC技术获得的位移矢量云图,直观地展示了不同破裂模式下的变形场特征。根据岩石临界应力状态,破裂模式可分为拉伸破坏、剪切破坏和拉剪混合破坏三类。云图中位移矢量的方向关系是区分模式的关键:沿接触面法向相对运动指示拉伸破坏;沿切向相对运动指示剪切破坏;同时包含法向和切向分量则指示拉剪混合破坏。
4.2 数据预处理
研究从位移矢量云图中,以每条裂缝骨架点为中心,裁剪出80×80像素的局部变形场云图,最终构建了包含419个样本的数据集,涵盖142个剪切破坏、157个拉伸破坏和120个拉剪混合破坏样本。数据集按试件ID以约7:3的比例划分为训练集和测试集,避免了数据泄露。
4.3 CNN模型
研究采用了迁移学习策略,对比了五种预训练的CNN模型(GoogLeNet, Xception, ResNet50, InceptionV3, MobileNetV2)在破裂模式分类任务上的性能。这些模型的卷积层保留了在ImageNet数据集上预训练的权重,仅将最终的分类层替换为3类全连接层,并进行全网络微调。
4.4 识别结果与模型评估
五种CNN模型在识别位移矢量点云图代表的裂缝加载模式时均表现出色,其中对拉伸破坏的识别准确率最高,均超过99%。综合比较下,ResNet50模型性能最佳,对剪切破坏、拉剪混合破坏和拉伸破坏的识别准确率分别为97.89%、98.33%和99.36%。训练过程曲线显示损失持续下降并趋于稳定。通过受试者工作特征(ROC)曲线分析,ResNet50模型对拉伸破坏和拉剪混合破坏的曲线下面积(AUC)值均超过0.95,表明其强大的判别能力。混淆矩阵进一步显示,在全部419个测试样本中,仅6个被误判,且所有误判均发生在相邻类别(如剪切与拉剪混合)之间,符合岩石破裂力学机制的连续性过渡特点。此外,研究还在大理石和砂岩试件上进行了验证实验,表明该方法对于未训练过的材料也具有良好的泛化识别能力。
讨论部分 通过t-SNE降维可视化对ResNet50模型提取的深度特征进行分析,发现三种破裂模式的样本在特征空间中形成了符合其物理机理的有序聚类结构:拉伸破坏簇独立且紧凑,与剪切破坏簇距离最远,拉剪混合破坏簇位于两者之间。这表明CNN模型自发地学习了与破裂物理机制相关的特征,而非图像伪影。对少数误判样本的个案分析发现,其位移场往往同时具备两种模式的弱特征,且模型的预测置信度较低,说明模型能在决策边界合理表达不确定性。这些结果共同证明了模型分类决策的物理意义。该研究可扩展应用于隧道围岩稳定性监测、高陡边坡安全评估等现场工程场景,通过实时、准确地识别破裂模式及其演化趋势,为工程安全预警(如岩爆、滑移风险)提供技术支撑。
研究结论与意义
本研究成功将DIC与深度学习技术相结合,用于岩石破裂模式的识别。主要结论如下:首先,通过实验室试验和DIC分析,成功构建了基于变形场的破裂模式数据集。其次,基于U-Net模型建立的裂缝识别方法,能有效消除背景干扰并识别微裂缝,优于传统方法。最后,在五种CNN模型的对比中,ResNet50展现了最高的分类精度。该研究为岩土力学实验中的岩石破坏模式识别与分析提供了一种自动化、高效的方法,对于预测裂缝发展和评估工程稳定性具有重要意义,推动了该领域从人工定性判断向智能定量分析的跨越。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号