Картирование трещиноватости бортов карьера с использованием возможностей нейронных сетей

Исследование возможностей сверточных нейронных сетей для автоматического распознавания трещиноватости в прибортовом массиве горных пород представлено на примере обработки материалов аэрофотосъемки мраморного карьера «Перевал» в Иркутской области. Использованы программные продукты Pix4DMapper, АСНИ Облако 3D, Геомикс, а также разработаны собственные скрипты на языке Python с применением библиотек Pillow, Ultralytics, Scipy и Numpy. Использование методов компьютерного зрения в целях картирования трещиноватости, в сравнении с ручным выделением трещин по облаку точек, позволяет получить более точное и полное представление о трещиноватости бортов карьеров. Рассмотрены вопросы, связанные с предварительной обработкой изображений перед детекцией нейронной сетью, включая правку географической привязки. Предложена методика координирования распознанных нейронной сетью трещин в вертикальной проекции ортоснимка и определения их координат в трехмерном пространстве через плотное облако точек. В разделе обсуждения описаны сложности, с которыми столкнулись авторы при построении вертикальной проекции ортофотоплана, и приведены возможные направления для дальнейших исследований. Результаты исследования показывают возможность использования сверточных нейронных сетей для автоматического картирования трещиноватости, что ведет к улучшению безопасности и оптимизации горных работ.

Скоробогатько М. Р., Батугин А. С., Беляев Е. Н. Картирование трещиноватости бортов карьера с использованием возможностей нейронных сетей // Горный информационно-аналитический бюллетень. – 2024. – № 11. – С. 75–87. DOI: 10.25018/0236_1493_2024_11_0_75.

Скоробогатько Михаил Романович¹ — научный сотрудник, e-mail: mikhailskorobogatko@gmail.com, ORCID ID: 0009-0001-6517-6424,
Батугин Андриан Сергеевич — д-р техн. наук, профессор, НИТУ МИСИС, e-mail: batugin.as@misis.ru, ORCID ID: 0000-0002-9227-1160,
Беляев Евгений Николаевич¹ — старший преподаватель, e-mail: belyaeven@ex.istu.edu,
¹ Иркутский национальный исследовательский технический университет, Центр маркшейдерско-геодезических инноваций.

Скоробогатько М.Р., e-mail: mikhailskorobogatko@gmail.com.

1. Сашурин А. Д., Панжин А. А. Роль геомеханики в обеспечении безопасного и эффективного недропользования // Современные проблемы механики. — 2018. — № 33(3). — С. 92—101.

2. Chen Na, Wu Xiaochan, Xiao Henglin, Yao Chi, Cheng Yuke Semi-automatic recognition of rock mass discontinuity based on 3D point clouds // Discover Applied Sciences. 2024, vol. 6. DOI: 10.1007/ s42452-024-05876-4.

3. Jalalian Mohammad Hossein, Bagherpour Raheb, Khoshouei Esfahani Mehrbod Environmentally sustainable mining in quarries to reduce waste production and loss of resources using the developed optimization algorithm // Scientific Reports. 2023, vol. 13. DOI: 10.1038/s41598-023-49633-w.

4. Боос И. Ю., Косолапов А. И., Юнаков Ю. Л., Абдуллаева А. А., Редькин Д. В. Структурное картирование откосов с применением мультикоптеров и сравнительный анализ современных методов изучения трещиноватости // Маркшейдерский вестник. — 2021. — № 5-6(144-145). — С. 105—111.

5. Боос И. Ю., Руденко Е. А., Разин А. И., Гришин А. А., Гуща Д. И., Абдуллаева А. А. Определение элементов залегания трещин с применением БПЛА // Московский экономический журнал. — 2020. — № 9. — С. 15. — DOI: 10.24411/2413-046X-2020-10640.

6. Cheng Z., Gong W., Tang H., Juang CH., Deng Q., Chen J., Ye X. UAV photogrammetrybased remote sensing and preliminary assessment of the behavior of a landslide in Guizhou China // Engineering Geology. 2021, vol. 289, article 106172. DOI: 10.1016/j. enggeo.2021.106172.

7. Калугина А. М., Кириков Д. А., Скоробогатько М. Р. Применение фотограмметрии для исследования структурных особенностей массива // Проблемы разработки месторождений углеводородных и рудных полезных ископаемых. — 2023. — Т. 2. — С. 52—56.

8. Сергунин М. П., Еременко В. А. Обучение нейронной сети предсказывать параметры сдвижения горных пород налегающей толщи на основании данных о трещиноватости массива на примере рудника «Заполярный» // Горный информационно-аналитический бюллетень. — 2019. — № 10. — С. 106—116. DOI: 10.25018/0236-1493-2019-10-0-106-116.

9. Сергунин М. П., Еременко В. А. Обработка структурных геологических моделей алгоритмами искусственного интеллекта // Горный информационно-аналитический бюллетень. — 2023. — № 9. — С. 2—13. DOI: 10.25018/0236_1493_2023_9_0_2.

10. Семухин М. В., Ядрышникова О. А., Серкин М. Ф., Чертина К. Н. Разработка системы распознавания трещин для получения экспериментальных данных по снимкам петрографических шлифов керна // Нефтяное хозяйство. — 2017. — № 5. — С. 27—31. DOI: 10.24887/00282448-2017-5-27-31.

11. Chen Jiayao, Huang H., Zhou Mingliang, Chaiyasarn Krisada Towards semi-automatic discontinuity characterization in rock tunnel faces using 3D point clouds // Engineering Geology. 2021, vol. 291, article 106232. DOI: 10.1016/j.enggeo.2021.106232.

12. Денисенко А. А. Решение задачи бинарной классификации при помощи свeрточных нейронных сетей с использованием фреймворка Tensorflow / Актуальные вопросы технических наук: Материалы V Международной научной конференции. — СПб., 2019.

13. Николаев Е. И., Захаров В. В., Захарова Н. И. Технология обучения глубоких моделей на синтезированном наборе данных для распознавания и детектирования жестов // Вестник СевКавГТИ. — 2017. — № 4(31). — С. 237—240.

14. Lee Chung-Hong, Yang Hsin-Chang, Wang Shih-Hao An image annotation approach based on bag-of-keypoints for geospatial location search / 25th International Conference on Computers and Their Applications, 2010, CATA. 2010, pp. 37—42.

15. Liu Xiangquan, Huang Xiaoming Weakly supervised salient object detection via boundingbox annotation and SAM model // Electronic Research Archive. 2024, vol. 32, pp. 1624—1645. DOI: 10.3934/era.2024074.

16. Van den Broeck Wouter, Goedemé Toon Combining deep semantic edge and object segmentation for large-scale roof-part polygon extraction from ultrahigh-resolution aerial imagery // Remote Sensing. 2022, vol. 14, article 4722. DOI: 10.3390/rs14194722.

17. Пчелинцев С. Ю., Ляшков М. А., Ковалева О. А. Метод создания синтетических наборов данных для обучения нейросетевых моделей распознаванию объектов // Информационноуправляющие системы. — 2022. — № 3. — С. 9—19. DOI: 10.31799/16848853-2022-3-9-19.

18. Молин А. Е., Блеканов И. С., Митрофанов Е. П., Митрофанова О. А. Методы генерации синтетических данных для обучения нейросетей в задаче сегментации уровня азотного режима растений на снимках беспилотных летательных аппаратов на сельскохозяйственном поле // Вестник Санкт-Петербургского университета. Прикладная математика. Информатика. Процессы управления. — 2024. — Т. 20. — № 1. — С. 20—33. DOI: 10.21638/11701/spbu10.2024.103.

19. Куракин А. В., Абрамов Н. С., Карпеш С. В., Хачумов В. М. Метод синтеза улучшенного изображения по серии снимков дистанционного зондирования Земли // Современные наукоемкие технологии. — 2019. — № 10-2. — С. 268—272. DOI: 10.17513/snt.37735.

20. Панищев В. С. Алгоритм восстановления пикселей изображения на основе нейронной сети // Известия Юго-Западного государственного университета. — 2018. — Т. 22. — № 6(81). — С. 183—188. DOI: 10.21869/2223-1560-2018-22-6-183-188.