考虑浆液干扰的掌子面岩性识别方法及系统

本发明涉及掌子面岩性识别，尤其涉及一种考虑浆液干扰的掌子面岩性识别方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、在地质勘探与隧道施工中，准确识别原生矿物类型及含量是评估围岩稳定性和预防地质灾害的核心环节。

3、传统的地质编录常采用人工点测或激光诱导击穿光谱（libs）对矿物组分进行测量，但这些方法存在严重的局限性：在注浆加固后的掌子面，原生矿物往往被浆液覆盖或与之混合，传统的接触式点测方法难以剥离浆液信号的干扰，导致获取的矿物组分数据包含大量浆液噪声，无法真实反映原生岩体的矿物种类和丰度。

4、随着无人机遥感与高光谱成像技术的发展，远程感知矿物组成成为可能。然而，现有的无人机光谱系统多集中在可见光和近红外波段，对其他波段（比如中红外区域3μm至15μm）的光谱特征采集不足。此外，实际隧道环境中光照、尘埃、湿度等干扰严重，导致光谱识别精度受限；并且，传统光谱处理算法在面对浆液大面积覆盖原生岩面时，无法实现浆液和原生矿物光谱像素的有效分离。

技术实现思路

1、为了解决上述问题，本发明提出了一种考虑浆液干扰的掌子面岩性识别方法及系统，借助无人机搭载的全波段光谱传感器，通过中红外波段捕获矿物分子振动产生的特征辐射，提供反映物质化学组分的唯一性光谱信息，结合机器学习降噪算法以及混合调谐匹配滤波（mtmf）技术，识别并剔除浆液的光谱特征与空间图像干扰，还原被浆液覆盖后的原生矿物真实丰度与分布情况。

2、在一些实施方式中，采用如下技术方案：

3、一种考虑浆液干扰的掌子面岩性识别方法，包括：

4、获取掌子面空间几何点云并建立掌子面三维几何模型；

5、获取掌子面多波段光谱数据，所述多波段光谱数据包括：近红外、中红外和热红外光谱数据；

6、基于热红外光谱数据和掌子面三维几何模型，得到第一浆液区域识别结果；

7、利用图卷积神经网络对第一浆液区域多波段光谱数据进行去噪处理；将去噪后的多波段光谱数据中各像元的波谱曲线与标准浆液曲线进行对比，初步识别含浆区域；对所述含浆区域执行混合调谐匹配滤波算法，通过计算每个像元与浆液端元光谱的匹配得分，以及单个像元内浆液丰度，得到第二浆液区域识别结果；

8、结合第二浆液区域识别结果，将掌子面划分为原生岩石区与浆液遮蔽区，并分别进行矿物丰度反演；生成矿物与浆液空间填图，进行地质稳定性量化评估。

9、作为进一步的实施方式，基于热红外光谱数据和掌子面三维几何模型，得到第一浆液区域识别结果，具体为：

10、计算掌子面三维几何模型中局部区域单元网格的曲率变化率，当曲率变化率低于原生岩面平均曲率变化率预定范围，并且图像视觉纹理表现为高一致性的无特征块时，所述区域即被界定为几何形态上的浆液平滑区；

11、通过全波段光谱中短波红外与中红外波段的特定吸收强度圈定水分富集区；

12、将识别出的浆液平滑区与水分富集区进行空间坐标对齐，将同时满足浆液平滑区和水分富集区的区域，判定为浆液区域，将这些区域的像素点标记为0，其余区域的像素点标记为1。

13、作为进一步的实施方式，利用图卷积神经网络对第一浆液区域多波段光谱数据进行去噪处理，具体为：

14、将第一浆液区域的网格化像素定义为图节点，并利用像素间的空间邻接关系及光谱相似性建立边连接，将离散的采样点转化为拓扑图结构；将所述拓扑图结构作为图卷积神经网络的输入，利用图卷积神经网络的特征聚合算子，在每一层卷积迭代中，目标像元会自动吸收其空间邻域内相关像素的光谱信息，通过拉普拉斯平滑过滤及权重过滤，识别并抵消掉孤立的粉尘散射点及随机电磁噪声，结合光谱相似性，保留岩石与浆液的边缘锐度；

15、其中，利用像素间的空间邻接关系及光谱相似性建立边连接，具体为：当两个像素点之间的物理距离小于设定阈值时，建立两个像素点之间的空间邻接边；计算两个像素点光谱矢量之间的夹角或相关性得分，根据所述夹角或得分确定是否建立两个像素点之间的光谱相似边。

16、作为进一步的实施方式，将去噪后的多波段光谱数据中各像元的波谱曲线与标准浆液曲线进行对比，初步识别含浆区域，具体为：

17、将去噪后的多波段光谱数据中各像元的波谱曲线与标准浆液曲线的斜率、截距及峰值位置进行对比，若同时满足以下条件：

18、各像元的波谱曲线与标准浆液曲线斜率的相对偏差低于设定阈值；

19、各像元的截距项与标准浆液基准值的差异控制在预定范围内；

20、各像元在水分敏感吸收带的吸收峰中心位置，与标准浆液吸收峰中心波长的偏差小于光谱仪的单波段分辨率；

21、则初步识别为含浆区域。

22、作为进一步的实施方式，计算每个像元与浆液端元光谱的匹配得分，具体为：

23、；

24、其中，

x表示待测像元的光谱矢量，

s表示标准浆液端元的光谱矢量，

μ表示全场背景光谱的平均值矢量。

25、作为进一步的实施方式，通过计算每个像元与浆液端元光谱的匹配得分，以及单个像元内浆液丰度，得到第一浆液区域识别结果，具体为：

26、若像元与浆液端元光谱的匹配得分大于设定的第一阈值，并且，所述像元内浆液丰度值大于设定的第二阈值，则所述像元对应的区域识别为高置信度浆液区；

27、同时，提取浆液丰度梯度变化最剧烈的等值线，结合匹配得分，确定浆液区域的物理边界。

28、作为进一步的实施方式，还包括：对于所有匹配得分大于设定的第一阈值的像元，通过不可行性得分对所述像元进行二次核验，将不可行性得分大于设定值的像元识别为伪特征信号并剔除。

29、作为进一步的实施方式，结合第二浆液区域识别结果，将掌子面划分为原生岩石区与浆液遮蔽区，具体为：

30、将识别得到的第一浆液区域和第二浆液区域中重合的区域标记为浆液遮蔽区，剩余区域标记为原生岩石区。

31、作为进一步的实施方式，对原生岩石区与浆液遮蔽区分别进行矿物丰度反演，具体为：

32、对于原生岩石区，直接计算矿物丰度；

33、对于浆液遮蔽区，计算浆液丰度作为权重，将所述权重与标准浆液光谱相乘；利用浆液遮蔽区的实测光谱矢量减去权重与标准浆液光谱的乘积，所得结果经过系数补偿后，计算矿物丰度。

34、在另一些实施方式中，采用如下技术方案：

35、一种考虑浆液干扰的掌子面岩性识别系统，包括：

36、模型构建模块，用于获取掌子面空间几何点云并建立掌子面三维几何模型；

37、数据获取模块，用于获取掌子面多波段光谱数据，所述多波段光谱数据包括：近红外、中红外和热红外光谱数据；

38、图像维度浆液识别模块，用于基于热红外光谱数据和掌子面三维几何模型，得到第一浆液区域识别结果；

39、光谱维度浆液识别模块，用于利用图卷积神经网络对第一浆液区域多波段光谱数据进行去噪处理；将去噪后的多波段光谱数据中各像元的波谱曲线与标准浆液曲线进行对比，初步识别含浆区域；对所述含浆区域执行混合调谐匹配滤波算法，通过计算每个像元与浆液端元光谱的匹配得分，以及单个像元内浆液丰度，得到第二浆液区域识别结果；

40、矿物反演模块，用于结合第二浆液区域识别结果，将掌子面划分为原生岩石区与浆液遮蔽区，并分别进行矿物丰度反演；生成矿物与浆液空间填图，进行地质稳定性量化评估。

41、与现有技术相比，本发明的有益效果是：

42、（1）掌子面上一些平整的岩石平面或受水浸湿的区域，在图像和热红外下可能与浆液高度相似，从而可能导致误识别；本发明集成近红外、中红外和热红外多光谱数据，从图像和光谱两个维度分别识别浆液区域；首先利用三维几何模型（表面平滑度）和热红外数据（水分富集特征）识别出浆液可能存在的疑似区域，然后利用中红外光谱波段对物质化学组分的唯一性识别能力，确认疑似区域是否真的含有浆液成分；解决了复杂环境下矿物与浆液识别精度低的难题，同时提高了识别效率。

43、（2）本发明在光谱维度利用中红外波段（3μm至15μm）对矿物分子振动及浆液化学组分的高度敏感性，提取浆液特有的吸收/发射特征峰。通过混合调谐匹配滤波算法计算像元内浆液丰度，通过矢量减法有效去除了浆液的光谱干扰；相比传统探测技术，它能穿透注浆覆盖层，提取被掩盖区域的原生矿物特征，彻底解决了注浆施工后地质真相被人工材料“物理屏蔽”的难题。

44、（3）本发明通过机器学习降噪预处理，有效剔除了隧道粉尘与水汽产生的非线性干扰；利用混合调谐匹配滤波算法的“不可行性”评估机制，显著提升了掌子面地质数字化填图的准确性与可靠性。

45、本发明的其他特征和附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本方面的实践了解到。