УДК 622.35
, канд. техн. наук,
Житомирский государственный технологический университет (Украина)
ОЦЕНКА ПРОСТРАНСТВЕННОЙ ОРИЕНТАЦИИ ПРИРОДНОЙ ТРЕЩИНОВАТОСТИ МЕСТОРОЖДЕНИЙ БЛОЧНОГО КАМНЯ НА ОСНОВЕ ФОТОГРАММЕТРИЧЕСКОГО НЕЙРОСЕТЕВОГО АНАЛИЗА
При разработке месторождений блочного камня оценка пространственной ориентации природной трещиноватости позволяет выполнять эффективное планирование горных работ и значительно повышать качество добываемого сырья. Учитывая сложные условия формирования трещиноватости большинства месторождений, получение достоверной модели природных отдельностей требует использования высокопроизводительных и точных методов.
Этим критериям отвечает фотограмметрический способ, обеспечивающий сочетание высокого быстродействия с высокой точностью измерений. Однако, для достижения высокой точности измерений при использовании цифровых неметрических камер, которые характеризуются наличием довольно значительных аберраций оптической системы, необходимо использовать сложные модели. Использование же сложных моделей принуждает к сложной многопараметрической оптимизации, в результате чего, необходимо искать компромисс между быстродействием и точностью измерений. Ещё более сложной задачей является оперативный анализ полученных изображений, обеспечивающий быстрое обнаружение, измерение и классификацию образов дефектов. Решение всех вышеперечисленных задач возможно на основе применения нейросетевого анализа, позволяющего с высокой эффективностью решать поставленные задачи.
Цель – разработка методики оценки пространственной ориентации природной трещиноватости месторождений блочного камня на основе фотограмметрического нейросетевого анализа.
Определением длины, формы и ширины раскрытия отдельных трещин на основе использования цифровой фото- или видеокамеры и опорных реперных алюминиевых рамок исследовано в [1] . Процесс измерения осуществляется в полностью автоматизированном режиме с точностью, которая для разных неметрических камер оценивается в ± 5-20 мкм.
В работе [2] рассмотрено использование цифровых неметрических камер и технология компьютерной обработки данных о трещиноватости и их интерпретация для получения скорректированных параметров, которые используются при моделировании устойчивости бортов карьеров.
Использование фотограмметрических методов для изучения параметров трещиноватости и их развития под действием приложенных сил для точной характеристики процесса локализации трещин, в том числе определение корреляции между ними, на основе анализа тестового объекта нанесённого на отдельный элемент конструкции описано в [3].
Методики автоматическое определение трещин и других дефектов на основе использования нейронных сетей получили своё развитие в работах Lawson S. W., Parker G. A., Nacereddine N., Drai R., Benchaala A. и др.
Так в статье [4] Лавсон и Паркер доказали эффективность использования нейронной сети для автоматического определения дефектов на рентгеновских снимках. Метод основан на создании бинарного изображения из тестового изображения, где каждый пиксель имеет значение либо 0 или 1, когда дефект обнаружен. Это лежит в основе контролируемого обучения многослойного персептрона, для присвоения весов используется алгоритм обратного распространения.
В работе [5] выделение дефектов происходит с помощью нейронной сети. Сеть обучается с помощью небольших фрагментов изображений. Выходной слой содержит один нейрон, по которому определяются края дефекта, и создается сегментированное изображение.
В работе [6] доказана эффективность использования нейронной сети, в которой для обучения использовался алгоритм Левенберга-Марквардта, который позволил значительно увеличить эффективность распознавания дефектов. Выборка анализировалась таким образом, что 60% было использовано для обучения, 10% для проверки и 30% для тестирования. Входной слой содержит 5 нейронов и больше.
Высокая производительность и точность анализа параметров трещиноватости возможна лишь при использовании измерительной системы, систематические ошибки которой характеризуются минимальными значениями.
Большинство трещин характеризуются сложной формой, для описания которой необходимо использовать сложные методы обработки цифровых изображений. Можно выделить основные критерии, позволяющие определить трещины:
1. Наличие зон изменённого цвета (диапазоны яркостей по красной, зеленой и синей составляющей цветного изображения (RGB-составляющим) или диапазону яркостей в оттенках серого, если изображение не цветное).
2. Количество пикселей по пиковым диапазонам яркостей (в сущности, этот критерий похож на первый, но он создает порог по количеству значимых пикселей).
3. Геометрические формы, которые образуют пиксели этих диапазонов яркостей.
4. Текстура поверхности
6. Ориентация основных породообразующих минералов
7. Направление неровностей
Эффективное определение наличия трещины и её основных параметров требует максимального учёта всех критериев.
При распознавании дефектов по диапазонам яркости, возникают сложности с идентификацией конкретных трещин, обусловленные наличием следующих факторов:
- на фоне влажной породы распознать трещину очень сложно
- при наличии тени, в этой зоне может быть ложное выделение трещин
- раковины и сколы на поверхности породы сложно отделить от трещин.
Поэтому идентификация трещин только по количеству пикселей выделенных диапазонов яркостей, будет либо очень чувствительной к определенной цветовой гамме породы (что может привести к ложным определениям дефектов), либо будет пропускать существующие дефекты.
Для увеличения эффективности идентификации целесообразно применение предварительной пространственной фильтрации полученного изображения, с целью удаления шумов сформированных стереофотограмметрической системой.
Достаточно сложно оценить эффективность фильтрации изображения. Визуальная оценка эффективности фильтрации шумов позволяет считать медианный фильтр наиболее эффективным. Для количественной оценки воспользуемся термином «показатель адекватности фильтрации», который позволит оценить эффективность процесса с учётом дальнейшей обработки. Учитывая, что для дальнейших стадий работы с изображением нам необходима субпиксельная точность, выражение для показателя адекватности фильтрации:
m, n –количество пикселей изображения по вертикали и по горизонтали
,
– координаты пикселей шумов (к шумам также относятся изменения фактических границ трещин, т. е. добавление или отбрасывание их пикселей)
В результате попиксельного анализа выполненного в GNU Octave получены следующие показатели для линейного, медианного и адаптивного фильтров соответственно РА =0,82; 0,24;0,86. Преимущества медианного фильтра не вызывает никаких сомнений, что и предусматривает его дальнейшее использование при обработке изображений.
Наиболее распространённым подходом на начальном этапе обработки изображения является бинаризация. Её использование позволит значительно сократить количество входов нейронной сети. Наиболее рациональным будет использование адаптивной бинаризации, порог которой наиболее целесообразно рассчитывать по методу Кристиана. На рис. 1 показано изменение эффективности бинаризации в зависимости от размеров адаптивного окна и смещения стандартного порога, реализованное в программе «Детектор трещин». Наиболее важным этапом является выделение (сегментация) трещин. Для решения поставленной задачи предлагается применить метод многослойных нейронных сетей (МНС). Для управляемого обучения МНС, в процессе которого веса корректируются с целью минимизации ошибки. Применяется алгоритм обратного распространения ошибок, использующий два потока в сети: прямой поток от входного слоя к выходному и обратный – от выходного слоя к входному. Сеть обучается с помощью небольших фрагментов изображений размером 3х3, т. е. 9 нейронов на входном слое. Выходной слой содержит один нейрон, по которому определяются края дефекта и создается сегментированное изображения. Затем по найденным контурам дефектов определяют значения параметров - геометрических инвариантных моментов. Семь нормализованных значений моментов применяют для входного слоя нейросети (по одному нейрону на каждый параметр). Выходной слой имеет 2 нейрона, один из которых указывает номер найденного дефекта.
Рис.1. Результаты адаптивной бинаризации цифрового изображения трещин
Минимизация ошибки осуществляется методом Левенберга-Марквардта. Начальные значения весовых коэффициентов МНС формируются случайным образом. Обучение продолжается пока общая ошибка тестовых данных уменьшается, и прекращается, как только она начинает расти. Численные эксперименты целесообразно осуществлялись с помощью пакета программ Matlab.
За основу для анализа получаемых характеристик при распознавании дефектов можно взять предложенный в [7] показатель эффективности определения дефектов Az.
Достаточно большой проблемой является оценка эффективности распознавания трещин. Применение классического подхода теории математической обработки результатов измерений для данной задачи весьма затруднительно. Проблемы обусловлены тем, что распознавание дефектов сопровождается как не выявлением зон дефектов или их частей, так и идентификация отдельных шумов или их совокупностей в качестве дефектов. Это важно как на стадии определения элементов пространственного положения трещин, так и обобщающих характеристик трещиноватости.
Для случая оценки эффективности определения площади трещин при определении площадной трещиноватости, которая наиболее широко используется для оценки дефектности породного массива, за основу для анализа получаемых характеристик при распознавании дефектов можно взять предложенный [7] показатель эффективности определения дефектов.
TP – количество корректно распознаных дефектов, шт;
FN – количество не выявленных и фантомных дефектов, шт.
Выводы. Применение нейронных сетей на стадии сегментации трещин позволяет значительно повысить достоверность определения параметров трещиноватости, что также способствует значительному повышению эффективности планирования горных работ при добыче блочного камня. Возможность применения фотограмметрического нейросетевого анализа для определения большинства показателей качества месторождений декоративного камня, позволяет считать данную методику основой для разработки универсальной гибкой автоматизированной системы планирования горных работ. Повышение эффективности обработки возможно также на основе применения элементов геостатистического анализа, в частности вариограммный анализ позволит выделить наиболее перспективные направления по наличию дефектов. Это позволит значительно сократить время обработки изображений.
Литература
1.Luigi Barazzetti, Marco Scaioni Crack measurement: Development, testing and applications of an automatic image-based algorithm// ISPRS Journal of Photogrammetry and Remote Sensing Volume 64, Issue 3, May 2009, Pages 285–296.
2. Изучение связи блочности массива и кусковатости горной массы по фотоснимкам при помощи методов компьютерной обработки// Записки Горного Института, –№ 000. –2011. –С.301-303.
3. D. Dias-da-Costaa, Jonatas Valencab, Eduardo N. B.S. Julioa Laboratorial test monitoring applying photogrammetric post-processing procedures to surface displacements /Measurement Volume 44, Issue 3, March 2011, Pages 527–538.
4. S. W. Lawson, G. A. Parker Intelligent segmentation of industrial radiographic images using neural networks/ In Machine
Vision Applications and Systems Integration III, Proc. of SPIE, volume 2347, pages 245–255, November 1994.
5. N. Nacereddine, R. Drai, A. Benchaala Weld defect extraction and identification in radiograms based neural networks // in Proc. IASTED International Conference on Signal Processing, Pattern Recognition, and Applications, Crete, Greece, June 2002, pp 38-43.
6. Ryszard Sikora, Piotr Baniukiewicz, Tomasz Chady, Przemyslaw Lopato, Grzegorz Psuj Artificial Neural Networks and Fuzzy Logic in Nonde structive Evaluation // 18th World Conference on Nondestructive Testing, 16-20 April 2012.
7. M. A. Carrasco, D. Mery Segmentation of welding defects using a robust algorithm/ / Materials Evaluation, vol. 62, no. 11, pp. 1142-1147(2004).
УДК 622.35
Оценка пространственной ориентации природной трещиноватости месторождений блочного камня на основе фотограмметрического нейросетевого анализа // Добыча, обработка и применение природного камня. Сб. науч. тр. – Магнитогорск: МагГТУ, 2015. – с.
Рассмотрена методика оценки пространственной ориентации трещин отдельности и микротрещин для месторождений блочного камня на основе нейросетевого анализа фотограмметрических изображений отделых элементов массива.
Sobolevskyi R. V. Evaluation of the spatial orientation of the natural fractures of block stone deposits on the basis of photogrammetric neural network analysis - Magnitogorsk: Magnitogorsk State technical university, 2015. – p.
Discusses the methodology of estimating the spatial orientation of cracks and microcracks for block stone deposits is based on neural network analysis of photogrammetric images are separated elements of the array.
