一种强大的深度学习方法,用于从大规模的3D点云中识别岩石不连续性

科学领域:

• 地质工程是地质工程.
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 岩石不连续性极大地影响岩石质量的行为,影响坡度稳定性,地下挖掘和爆炸.
• 传统的点云分析方法在细度特征表示和参数灵敏度方面扎.
• 准确的不连续性表征对于可靠的地质工程应用是必不可少的.

研究的目的:

• 引入RL-JointNet,这是一个端到端的深度学习模型,用于岩石群体中强大的不连续性细分.
• 增强局部特征提取,以改善空间关系和邻近几何表示.
• 提供可靠的自动化方法,对大规模岩石质量进行详细的描述.

主要方法:

• 开发了RL-JointNet,这是一个端到端的深度学习框架,用于不连续性细分.
• 实现了一个增强的局部特征提取模块,具有相对位置编码和多路径特征融合.
• 在两个岩石斜坡的高分辨率点云数据集上验证了模型.

主要成果:

• RL-JointNet实现了高绩效指标:全球准确度 (GA) 高达98.7%,平均交叉在欧盟 (mIoU) 的98.1%.
• 个人中断类识别准确度始终超过95%.
• 超参数灵敏度分析表明RL-JointNet与传统模型相比具有更高的稳定性.

结论:

• RL-JointNet提供了一个可靠和强大的解决方案,用于自动化岩石不连续性分析.
• 该模型显著改善了复杂,大规模岩石质量的表征.
• 增强的局部特征提取是模型性能和稳定性的关键.