摘要： 结构面对于岩体力学行为和变形破坏机制具有重要影响。快速精确获取结构面分布特征和参数信息 对于深部工程岩体稳定性和灾害孕育机制分析具有重要意义。钻孔摄像是一种岩体内部结构面探测新技术,但对钻 孔图像中结构面的识别仍以人工辨识为主,存在工作量大、处理速度慢与人为误差大等问题。基于此,开展了基于 U2-Net 卷积神经网络的钻孔图像结构面智能识别研究。首先收集20 个钻孔1 013 张钻孔图像;其次,应用图像翻转、 色彩抖动、模糊处理和Mixup 等数据扩充方法,将数据集扩充到12 421 张,建立钻孔摄像数据集,解决结构面分割网 络训练过程中样本不足的问题;然后,基于深度学习框架PyTorch,设置学习率0. 001,训练批次为4,使用Adam 优化 器,在训练过程中自适应调整学习率,建立结构面智能识别模型;模型在置信度阈值为0. 7 时F 度量值达到了最大值 0. 749,在召回率大于0. 5 范围内精确率最高可达0. 85,实现了结构面区域的完整分割。与人工识别方式相比,在重 合度50%的条件下,U2-Net 网络识别率达到了94. 8%,表明该网络具有较高的识别精确率与一定的泛化性。

关键词: 钻孔摄像　结构面　智能提取　U2-Net 卷积神经网络