一种细观可解释的智能岩石多分类方法及装置

本发明涉及岩石力学、地质工程与深度学习交叉，具体涉及一种基于岩石薄片（rts）图像与计算机视觉（cv）的细观可解释的智能岩石多分类方法及装置。

背景技术：

1、近年来，全球范围内矿山、隧道、地铁及水利工程的快速发展，对深部地下工程的风险评估、开挖方法选择及支护参数设计提出了更严格的要求。岩石质量作为连接地质条件与工程决策的关键环节，可通过科学指标量化围岩稳定性的变化。因此，可行且准确的岩石分类方法对于地下工程项目的安全高效执行至关重要。

2、传统岩石分类经历了定性描述、定量指标到多维综合的发展。目前国际上广泛采用的方法包括rmr系统、q系统和gsi系统。然而，上述基于现场工程和经验公式的分类方法存在明显缺陷：rmr系统常忽略岩石的应力效应，q系统参数获取困难且计算复杂，gsi系统在应用中通常需要补充岩石强度数据。总体而言，传统方法高度依赖大量的原位测试和复杂的室内力学试验，耗时长、成本高，且经验建立的分类方法泛化能力有限。

3、随着数据驱动的机器学习与计算机视觉技术的发展，研究者开始利用深度学习模型进行岩石特征识别与分类。当前研究涉及常规数码图像、扫描电子显微镜（sem）图像和rts图像。常规数码图像依赖拍摄条件且只能捕捉宏观特征；sem图像虽能捕捉微观信息，但视野有限且数据获取成本高昂。

4、rts图像作为连接整体岩性与细观结构的桥梁，利用光学细观技术获取，免受多变光照和表面杂质的干扰。然而，目前基于rts图像的深度学习分类大多仅停留在纯粹的岩石类别（如火成岩、沉积岩、变质岩）识别层面，未能将其与岩石的宏观物理力学性能（如单轴抗压强度、杨氏模量）建立深度映射关系；同时，深度学习常被视为黑盒模型，缺乏从岩石力学物理机制角度对其分类逻辑的有效解释。

技术实现思路

1、本发明的目的在于提供一种细观可解释的智能岩石多分类方法及装置，可以克服现有技术中岩石分类依赖宏观原位测试、获取成本高、且现有深度学习方法缺乏力学机制解释的不足，将细观尺度的矿物纹理特征与宏观力学参数相联系，利用深度学习提取岩石强度特征，实现低成本、快速、可解释的智能岩石分类。

2、为了实现上述目的，第一方面，本发明提供一种细观可解释的智能岩石多分类方法，包括：

3、将同一岩石母块加工为两组试样，其中一组试样进行单轴压缩试验获取宏观力学参数；另一组试样加工为岩石薄片，在正交偏光显微镜下采集细观岩石薄片图像；

4、从宏观力学参数中提取核心分类指标，依据核心分类指标为岩石薄片图像赋予对应的强度等级类别标签，构建原始图像父级数据集；

5、将原始图像父级数据集按预设比例划分为训练集和验证集，基于lanczos插值算法对训练集进行处理，生成包含高频特征的增强训练集；

6、基于增强训练集和验证集对预设的计算机视觉分类模型进行训练，训练完成后得到智能岩石分类模型；

7、将待测岩石的岩石薄片图像输入至智能岩石分类模型中，输出待测岩石的强度等级分类。

8、根据本发明提供的一种细观可解释的智能岩石多分类方法，还包括：

9、采用grad-cam算法或saliency maps算法，提取智能岩石分类模型目标层的梯度特征，生成类激活映射图或显著性图。

10、根据本发明提供的一种细观可解释的智能岩石多分类方法， 核心分类指标包括代表岩石峰值承载能力的单轴抗压强度值以及代表岩石弹性应变能储能能力的杨氏模量值。

11、根据本发明提供的一种细观可解释的智能岩石多分类方法，高频特征包括矿物解理、细观裂纹和晶体边界。

12、根据本发明提供的一种细观可解释的智能岩石多分类方法，计算机视觉分类模型包括cnn模型、vgg-16模型、resnet-18模型、bi-lstm模型、vit模型或swin transformer模型。

13、根据本发明提供的一种细观可解释的智能岩石多分类方法，swin transformer模型包括图块合并层和多个堆叠的模块，每个模块包括层归一化、多层感知机、基于窗口的多头自注意力机制以及移动窗口多头自注意力机制。

14、根据本发明提供的一种细观可解释的智能岩石多分类方法，计算机视觉分类模型为cnn模型、vgg-16模型或resnet-18模型；

15、采用grad-cam算法或saliency maps算法，提取智能岩石分类模型目标层的梯度特征，生成类激活映射图或显著性图，包括：

16、采用grad-cam算法，智能岩石分类模型的最后一个卷积块的输出作为目标层，生成类激活映射图。

17、根据本发明提供的一种细观可解释的智能岩石多分类方法，计算机视觉分类模型为bi-lstm模型；

18、采用grad-cam算法或saliency maps算法，提取智能岩石分类模型目标层的梯度特征，生成类激活映射图或显著性图，包括：

19、采用saliency maps算法，智能岩石分类模型的输入梯度为目标层，生成显著性图。

20、根据本发明提供的一种细观可解释的智能岩石多分类方法，计算机视觉分类模型为vit模型或swin transformer模型；

21、采用grad-cam算法或saliency maps算法，提取智能岩石分类模型目标层的梯度特征，生成类激活映射图或显著性图，包括：

22、采用grad-cam算法，智能岩石分类模型的最后一个norm层作为目标层，生成类激活映射图。

23、第二方面，本发明提供一种细观可解释的智能岩石多分类装置，包括：

24、多尺度数据获取模块，用于将同一岩石母块加工为两组试样，其中一组试样进行单轴压缩试验获取宏观力学参数；另一组试样加工为岩石薄片，在正交偏光显微镜下采集细观岩石薄片图像；

25、构建模块，用于从宏观力学参数中提取核心分类指标，依据核心分类指标为岩石薄片图像赋予对应的强度等级类别标签，构建原始图像父级数据集；

26、图像数据增强模块，用于将原始图像父级数据集按预设比例划分为训练集和验证集，基于lanczos插值算法对训练集进行处理，生成包含高频特征的增强训练集；

27、训练模块，用于基于增强训练集和验证集对预设的计算机视觉分类模型进行训练，训练完成后得到智能岩石分类模型；

28、分类模块，用于将待测岩石的岩石薄片图像输入至智能岩石分类模型中，输出待测岩石的强度等级分类。

29、与现有技术相比，本发明至少具备以下技术效果：

30、1. 打破尺度壁垒，低成本高效率。建立起岩石细观纹理特征与“宏观力学参数（

ucs、

e）的高精度非线性映射关系，仅需获取岩石薄片图像即可直接预测岩石的力学强度级别，彻底摆脱了传统分类方法对繁琐宏观参数及原位测试的依赖。

31、2. 高保真数据增强。引入lanczos插值算法进行小样本数据扩充，有效保护了对于岩石力学极为关键的矿物边界和微裂纹等高频特征边缘信息，提高了模型的泛化能力。

32、3. 抗干扰能力强，准确率高。引入的swin transformer模型通过分层滑动窗口注意力机制，具备极强的抗背景干扰能力，如有效忽略数据增强产生的无信息黑色填充区，此外还具备极强的特征解耦能力，在保持极高准确率的同时，对极易混淆的致密结晶岩石表现出卓越的区别能力。

33、4. 决策透明可解释，符合岩石力学机制。通过引入grad-cam等可视化解释工具，克服深度学习模型难以解释的难题。证明了模型的注意力热点与格里菲斯微裂纹理论（岩石破坏通常始于晶界处的应力集中）相吻合，证实了模型具备自主学习岩体力学物理定律的能力。