摘要：【目的】岩石质量指标（RQD）是岩土工程中公认的并广泛运用的反映岩石完整性的重要指标，常用于岩石质量分类，同时也是评级系统的重要输入参数。传统的RQD确定方法依赖于人工岩芯测井，但该方法通常费时费力，且易受钻进工艺、取芯质量的影响，往往不能客观获得RQD值。鉴于此，【方法】本研究提出了一种新方法，该方法基于深度学习算法YOLOv5（You Only Look Once version 5），无需采集岩芯，能够直接从钻孔井下电视获得的原位钻孔图像中自动识别和定位结构面，从而避免岩芯取样过程中的破坏性影响，并实现RQD的智能计算。该方法首先对钻孔原始图像进行预处理构建一个具有代表性的数据集，然后采用深度学习算法训练模型，最后结合图像分析方法自动计算RQD。为了验证该方法的准确性，本研究选取了位于中国湖南省永州市某隧道工程。通过对比zk4钻孔得到的RQD智能计算值和RQD人工测量值，【结果】发现根据钻孔图像智能计算的RQD值相较现场人工对于岩芯盒的实测值平均偏高20%，平均绝对误差为9.82%。【结论】证明该方法能够避免钻进和取芯过程对实际RQD造成的影响，提高了RQD数据的准确性，体现了其卓越的可靠性和有效性。
文章目录
1 数据来源介绍
2 研究方法
2.1 原始钻孔图像预处理
2.1.1 钻孔原始图像裁剪处理
2.1.2 构建数据集
2.1.3 数据集扩充增强
2.2 钻孔图像结构面识别定位
2.2.1 YOLOv5算法原理
2.2.2 YOLOv5网络结构
2.2.3 结构面识别定位模型训练
2.2.4 井下电视结构面图片识别定位结果
2.3 基于钻孔图像的RQD智能计算
3 工程实例
3.1工程地质概况
3.2 RQD智能计算应用结果分析
4 结论
