黃曉紅，李鐵鋒，劉祥鑫，李偉

（1.華北理工大學(xué) 人工智能學(xué)院，河北 唐山 063210；2.華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210）

0 引 言

在深部礦產(chǎn)資源開(kāi)采、交通橋隧工程、水利水電工程中，巖土工程災(zāi)害（如巖爆、巖體崩塌、巖體滑坡等）時(shí)有發(fā)生，給國(guó)家經(jīng)濟(jì)和工人人身安全帶來(lái)巨大損失和威脅，因此，巖體破裂失穩(wěn)問(wèn)題一直都是國(guó)內(nèi)外巖體力學(xué)研究的重點(diǎn)問(wèn)題。

20世紀(jì)90年代初，一些學(xué)者屢次發(fā)現(xiàn)地震前存在巖石熱紅外圖像異?，F(xiàn)象并展開(kāi)了巖石加載過(guò)程中紅外輻射變化規(guī)律研究。劉善軍等［1-3］研究發(fā)現(xiàn)，巖石破裂紅外輻射前兆機(jī)理是巖石熱彈效應(yīng)和摩擦熱效應(yīng)的綜合，并且?guī)r石在破裂前平均紅外輻射溫度（AIRT）與熱像類(lèi)型存在異常前兆；花崗巖的AIRT異常表現(xiàn)為發(fā)生剪切失穩(wěn)破裂前，AIRT迅速上升，而紅外輻射熱像異常表現(xiàn)為沿未來(lái)破裂帶出現(xiàn)熱紅外輻射高溫或低溫條帶；不同性質(zhì)的輻射條帶預(yù)示不同的破裂性質(zhì)，高溫條帶預(yù)示剪性破裂，低溫條帶預(yù)示張性破裂。巖石張裂隙發(fā)育時(shí)，產(chǎn)生熱彈（吸熱）效應(yīng)，導(dǎo)致溫度下降；剪裂隙發(fā)育時(shí)，破裂面間發(fā)生相互錯(cuò)動(dòng)和摩擦，導(dǎo)致溫度上升。對(duì)花崗巖失穩(wěn)破裂前的紅外熱像中高溫和低溫區(qū)域內(nèi)的AIRT分別進(jìn)行了監(jiān)測(cè)，發(fā)現(xiàn)破裂前高溫區(qū)域內(nèi)的AIRT持續(xù)上升，而低溫區(qū)域在破裂前AIRT先急劇下降然后再上升。徐忠印等［4］研究發(fā)現(xiàn)，花崗巖破裂過(guò)程中，目標(biāo)區(qū)域AIRT隨時(shí)間變化曲線持續(xù)上升，直至破裂前夕。這讓越來(lái)越多的學(xué)者意識(shí)到，巖石破裂紅外輻射前兆對(duì)巖石破裂預(yù)警的重要性，同時(shí)也涌現(xiàn)許多基于巖石破裂紅外輻射前兆的機(jī)理分析與預(yù)警方法。張艷博等［5］采用巖石破裂紅外輻射特征與聲發(fā)射信號(hào)的聯(lián)合監(jiān)測(cè)對(duì)巖石破裂的損傷演化進(jìn)行了分析；陳國(guó)慶等［6］對(duì)節(jié)里巖橋裂紋擴(kuò)展的熱紅外輻射前兆信息進(jìn)行了研究。

本文針對(duì)花崗巖單軸壓縮試驗(yàn)中巖石表面裂隙發(fā)展方向的跟蹤預(yù)測(cè)方法進(jìn)行研究?；趲r石失穩(wěn)破裂前的熱紅外輻射前兆具有平均紅外輻射溫度-時(shí)間曲線異常的現(xiàn)象，且裂隙延展往往與內(nèi)部失穩(wěn)破裂有關(guān)，因此在監(jiān)測(cè)到巖石破裂時(shí)，定位巖石裂隙所在紅外熱像圖中的位置，監(jiān)測(cè)紅外熱像圖中巖石裂隙及附近區(qū)域的溫度變化，并繪出紅外輻射溫度-時(shí)間曲線，然后進(jìn)行分析，有助于跟蹤預(yù)測(cè)巖石裂隙發(fā)展方向?；趲r石破裂紅外熱像圖定位巖石裂隙稱(chēng)為目標(biāo)檢測(cè)。為避免裂隙發(fā)展帶來(lái)的部分巖土工程災(zāi)害，必須及時(shí)定位紅外熱像巖石裂隙，所以對(duì)目標(biāo)檢測(cè)精度和實(shí)時(shí)性均有一定要求。傳統(tǒng)圖像處理手段需要根據(jù)特定場(chǎng)景設(shè)計(jì)不同的圖像特征提取方法，但往往在某一場(chǎng)景有很好的表現(xiàn)，換另外一個(gè)場(chǎng)景可能就表現(xiàn)得很差。

近年來(lái)神經(jīng)網(wǎng)絡(luò)快速發(fā)展，其模擬人腦進(jìn)行學(xué)習(xí)分析，實(shí)現(xiàn)數(shù)據(jù)特征分層理解、解釋、表達(dá)，具有強(qiáng)大的信息處理能力。神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)領(lǐng)域應(yīng)用取得了非常好的效果，特別是圖像目標(biāo)檢測(cè)，從而大量的優(yōu)秀算法被提出，其中應(yīng)用比較廣泛的有從R-CNN到Faster R-CNN等［7-9］一系列二階段算法。單階段算法比較常見(jiàn)的有Yolo［10］，SSD［11］等一系列算法。鑒于本文巖石裂隙檢測(cè)對(duì)精度與實(shí)時(shí)性均有一定要求，提出使用基于改進(jìn)的Faster R-CNN巖石裂隙發(fā)展方向跟蹤預(yù)測(cè)方法，并進(jìn)行仿真，最后通過(guò)實(shí)驗(yàn)驗(yàn)證本文方法的有效性。

1 巖石裂隙發(fā)展方向跟蹤預(yù)測(cè)方法

1.1 改進(jìn)的Faster R-CNN算法

巖石裂隙類(lèi)型分為張性裂隙和剪性裂隙，本文針對(duì)這兩類(lèi)裂隙進(jìn)行目標(biāo)檢測(cè)?？紤]到巖石單軸壓縮試驗(yàn)中產(chǎn)生的裂隙尺寸差異較大，且?guī)r石裂隙形態(tài)復(fù)雜，所以對(duì)模型檢測(cè)不同尺寸巖石裂隙性能和模型的擬合能力有一定要求。對(duì)于工程應(yīng)用，對(duì)裂隙檢測(cè)的精度和速度也有一定要求。針對(duì)這些要求，提出使用改進(jìn)的Faster R-CNN算法進(jìn)行裂隙目標(biāo)檢測(cè)。

原始的Faster R-CNN（圖1）引入了區(qū)域建議型網(wǎng)絡(luò)（region proposal network，RPN），將傳統(tǒng)的區(qū)域建議方法用神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)，減少了CPU使用率，利用GPU運(yùn)行神經(jīng)網(wǎng)絡(luò)速度快的特點(diǎn)，加快模型運(yùn)行速度。不僅如此，RPN還讓Faster R-CNN成為二階段目標(biāo)檢測(cè)算法，即對(duì)每張紅外熱像圖的目標(biāo)檢測(cè)經(jīng)過(guò)兩次識(shí)別與回歸，檢測(cè)精度很高。

圖1 Faster R-CNN結(jié)構(gòu)Fig.1 Faster R-CNN structure

1.1.1 深度殘差網(wǎng)絡(luò)

一般而言，卷積神經(jīng)網(wǎng)絡(luò)擁有更多的層數(shù)，即網(wǎng)絡(luò)的深度越深，可提取到的語(yǔ)義特征越豐富，模型的擬合能力越強(qiáng)，從而擁有更好的魯棒性。雖然網(wǎng)絡(luò)寬度即卷積核數(shù)量也影響模型的擬合能力，但其帶來(lái)的影響遠(yuǎn)不及深度，因此本文著重考慮增加卷積神經(jīng)網(wǎng)絡(luò)深度，以提升其擬合能力。考慮到對(duì)模型速度也有一定要求，且網(wǎng)絡(luò)層數(shù)越深，速度越慢，本文將原始Faster R-CNN的特征提取網(wǎng)絡(luò)即VGG16改為ResNet50，而不使用擬合能力更強(qiáng)的ResNet101。

ResNet由 多 組 殘 差 塊［12］（residual block）（式（1），圖2）堆疊而成，旨在解決深層神經(jīng)網(wǎng)絡(luò)存在的梯度消失問(wèn)題，使深層神經(jīng)網(wǎng)絡(luò)的層數(shù)可以更多，精度更高，訓(xùn)練更容易。

圖2 殘差塊Fig.2 Residual block

式中：Ouput為輸出；relu為激活函數(shù)；f（x）為殘差塊中‘⊕’之前的輸出；x為殘差塊的輸入。

1.1.2 優(yōu)化建議框與巖石裂隙特征的空間對(duì)應(yīng)關(guān)系

由于RPN產(chǎn)生的建議框大小包含的多種特征圖區(qū)域尺寸各異，而后面分類(lèi)器與回歸器使用的全連接層要求每次輸入的特征尺寸相同，針對(duì)上述問(wèn)題，原始Faster R-CNN引入了ROIPooling結(jié)構(gòu)［9］。

ROIPooling結(jié)構(gòu)將每個(gè)建議框包含的特征圖尺寸統(tǒng)一為后面回歸器與分類(lèi)器需要的大小，包含了兩次量化操作，從而引入了兩次量化誤差。對(duì)于尺寸較小的巖石裂隙，由于其本身所占圖像像素個(gè)數(shù)較少，因此量化誤差可能會(huì)導(dǎo)致檢測(cè)框誤差較大。針對(duì)此問(wèn)題，本文將ROIPooling結(jié)構(gòu)改為ROIAlign［13］結(jié)構(gòu)。

ROIAlign結(jié)構(gòu)將ROIPooling結(jié)構(gòu)的發(fā)生兩次量化誤差的操作改為保持原有的浮點(diǎn)數(shù)不量化，并用雙線性插值法填充特征圖目標(biāo)像素點(diǎn)，從而盡量避免量化誤差的產(chǎn)生。ROIAlign結(jié)構(gòu)如圖3所示。

圖3 ROIAlign結(jié)構(gòu)Fig.3 ROIAlign structure

圖3所示為ROIAlign結(jié)構(gòu)利用雙線性插值法求特征圖的過(guò)程。橫向虛線落在像素點(diǎn)上，說(shuō)明其并未直接量化，而是保留了浮點(diǎn)數(shù)對(duì)應(yīng)關(guān)系，然后用雙線性插值法求出圖中‘×’位置的像素值，盡量避免產(chǎn)生量化誤差。

1.1.3 多尺度特征融合

原始Faster R-CNN僅用頂層特征圖做分類(lèi)與邊框回歸，隨著網(wǎng)絡(luò)層數(shù)加深，特征圖尺寸被壓縮，并伴隨有信息丟失，若巖石裂隙在原圖中尺寸較小，可能會(huì)在中間層丟失特征信息，導(dǎo)致漏檢。本文引入FPN（feature pyramid networks）結(jié)構(gòu)［14］，將特征提取網(wǎng)絡(luò)中多個(gè)不同層特征圖進(jìn)行融合，由于不同層特征圖感受野不同，故稱(chēng)多尺度特征融合。

圖4 FPNFig.4 Feature pyramid networks

1.2 平均紅外輻射溫度-時(shí)間曲線

裂隙發(fā)展方向預(yù)測(cè)方法主要是基于花崗巖加載過(guò)程中表面紅外輻射溫度場(chǎng)的定量分析。通常是選定目標(biāo)區(qū)域，即神經(jīng)網(wǎng)絡(luò)模型檢測(cè)到的裂隙及附近區(qū)域，將區(qū)域內(nèi)的平均紅外輻射溫度（AIRT）作為分析指標(biāo)，觀察AIRT隨時(shí)間的變化過(guò)程。AIRT（式3）考慮了溫度場(chǎng)內(nèi)所有像素的溫度值，能夠反映巖石溫度表面紅外輻射的整體強(qiáng)度［15］。

式中：aij為目標(biāo)區(qū)域?qū)?yīng)溫度矩陣中每個(gè)像素點(diǎn)的溫度值；m為矩陣寬；n為矩陣長(zhǎng)。

部分學(xué)者研究表明［4］，單軸壓縮下巖石在失穩(wěn)破裂前，目標(biāo)區(qū)域的AIRT不斷上升直至發(fā)生失穩(wěn)破裂，隨后AIRT發(fā)生陡降。這是因?yàn)槭Х€(wěn)破裂發(fā)生前，內(nèi)部微小破裂已經(jīng)發(fā)生，由于內(nèi)部微小破裂的摩擦熱效應(yīng)越發(fā)強(qiáng)烈，致使熱量積聚，溫度升高并傳至巖石表面，導(dǎo)致目標(biāo)區(qū)域溫度升高。失穩(wěn)破裂發(fā)生后，巖石內(nèi)部空隙增大，從而熱量開(kāi)始釋放，溫度驟降，且?guī)r石裂隙延展通常與內(nèi)部失穩(wěn)破裂發(fā)生有關(guān)，因此目標(biāo)區(qū)域的AIRT不斷上升可作為裂隙延展的前兆。

2 試驗(yàn)與分析

2.1 巖石試樣制備

試驗(yàn)巖石為花崗巖，均取自沈陽(yáng)，將自然狀態(tài)下的花崗巖加工成50 mm×100 mm×50 mm的標(biāo)準(zhǔn)試樣，試樣兩端平整度誤差小于0.02 mm，試樣制備滿(mǎn)足常規(guī)巖石力學(xué)試驗(yàn)的要求。共制備試樣14塊，編號(hào)分別為GUD-1～GUD-14。

2.2 巖石單軸壓縮試驗(yàn)與方法

巖石單軸壓縮試驗(yàn)采用軸向等位移控制的方式進(jìn)行加載，加載系統(tǒng)為T(mén)AW-3000型常規(guī)三軸試驗(yàn)機(jī)。試驗(yàn)機(jī)的最大軸向壓力3 000 kN，測(cè)量精度±1%。為了保證試樣和加載面完全接觸，先將試樣加載至2 kN，隨后以0.15 mm／min速率加載至破壞。試驗(yàn)中采用德國(guó)Infra Tec Image IR 8 300紅外熱像儀，分辨率為640像素×512像素，光譜為2.0～5.7μm，溫度靈敏度小于25 mK（溫度在30°C時(shí)），試驗(yàn)設(shè)備如圖5所示。

圖5 試驗(yàn)設(shè)備Fig.5 Layout of test system

2.3 數(shù)據(jù)集制備

試驗(yàn)中的巖石裂隙分為張性裂隙和剪性裂隙兩種類(lèi)型（圖6）。由于花崗巖破裂狀態(tài)不可控，加載時(shí)6個(gè)面均可能出現(xiàn)裂隙，但僅可選取1個(gè)面作為觀測(cè)面，因此花崗巖裂隙紅外熱像圖收集具備一定的隨機(jī)性，從而導(dǎo)致收集難度較大。從試驗(yàn)產(chǎn)生的紅外熱像圖中篩選277張差異較明顯的圖像，其中包含張性裂隙203個(gè)、剪性裂隙217個(gè)，圖像格式均統(tǒng)一為jpg格式。

制作訓(xùn)練集。從277張紅外熱像圖中隨機(jī)選取227張，其中包含張性裂隙152個(gè)，剪性裂隙170個(gè)，用于訓(xùn)練集制作。由于數(shù)據(jù)樣本有限，考慮到實(shí)際應(yīng)用場(chǎng)景的復(fù)雜狀況，以及紅外熱像儀拍攝過(guò)程中視角與清晰度的變化，為提高模型泛化能力，采用角度旋轉(zhuǎn)、亮度變換、圖像裁剪、放大縮小和添加高斯噪聲的方法擴(kuò)充訓(xùn)練樣本圖像至3 632張。

制作測(cè)試集。為增加測(cè)試集數(shù)量，更好反映模型性能，使用余下的40張巖石裂隙紅外熱像圖做上下翻轉(zhuǎn)、鏡像翻轉(zhuǎn)、增加高斯噪聲、調(diào)整明暗等操作，將圖像擴(kuò)充至200張。

《人力資源社會(huì)保障部 食品藥品監(jiān)管總局關(guān)于表彰全國(guó)食品藥品監(jiān)督管理系統(tǒng)先進(jìn)集體和先進(jìn)工作者的決定》影印件

針對(duì)基于改進(jìn)Faster R-CNN算法的巖石裂隙檢測(cè)任務(wù)，利用選取的訓(xùn)練集圖像與測(cè)試集圖像建立標(biāo)準(zhǔn)PASCAL VOC2007格式的巖石熱紅外裂紋圖像數(shù)據(jù)集。

為適應(yīng)ResNet50的模型擬合能力，增加圖像差異，提升學(xué)習(xí)效果，驗(yàn)證方法有效性，訓(xùn)練集和測(cè)試集均未將紅外熱像圖右側(cè)顏色條與背景裁剪掉，如圖6所示。

圖6 巖石紅外熱像裂隙圖像樣本Fig.6 Thermal infrared images samples of rock cracks

2.4 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練試驗(yàn)及結(jié)果

本文仿真試驗(yàn)硬件配置為：Tesla V100 SXM2 GPU，Intel（R）Xeon（R）Gold 6271C CPU＠2.60 GHz×24，32 GB內(nèi)存，100 GB硬盤(pán)。軟件平臺(tái)為：Ubuntu18.04LTS，paddlepaddle1.8.0框架，CUDA 11.0，cuDNN 7.6，Anaconda4.7.5（Python3.7.4）開(kāi)發(fā)環(huán)境。

本文中使用的評(píng)價(jià)指標(biāo)為平均精度均值mAP［16］（mean average precision），該評(píng)價(jià)指標(biāo)兼顧了檢測(cè)準(zhǔn)確率（precision）和召回率［16］（recall），相較于單純使用準(zhǔn)確率，使用此評(píng)價(jià)指標(biāo)能更好地反映模型算法的全局性能。mPA計(jì)算方法如下。

式中：IOU為預(yù)測(cè)框與真實(shí)框重疊部分與其總面積的比值，用于評(píng)估預(yù)測(cè)框與真實(shí)框的重合度，IOU≥0.5，并且模型判斷為T(mén)rue，歸類(lèi)為T(mén)P，其余以此類(lèi)推；AP為平均精度；對(duì)每一類(lèi)AP（式7）求均值，得到mAP。

為縮短訓(xùn)練時(shí)間，增強(qiáng)模型泛化能力，使用預(yù)訓(xùn)練模型的參數(shù)進(jìn)行參數(shù)初始化。預(yù)訓(xùn)練模型均是基于ImageNet［17］的骨架網(wǎng)絡(luò)預(yù)訓(xùn)練模型。所有預(yù)訓(xùn)練模型均通過(guò)標(biāo)準(zhǔn)的Imagenet-1k數(shù)據(jù)集訓(xùn)練得到。訓(xùn)練過(guò)程中，衡量模型預(yù)測(cè)誤差的函數(shù)即損失函數(shù)（loss）總體趨勢(shì)下降，且mAP總體趨勢(shì)上升，表示訓(xùn)練有效，如圖7所示。

圖7 訓(xùn)練過(guò)程中評(píng)價(jià)指標(biāo)及裂隙檢測(cè)結(jié)果Fig.7 Evaluation index and detection results of fissures during training

訓(xùn)練過(guò)程不僅訓(xùn)練了改進(jìn)的Faster R-CNN模型，而且還訓(xùn)練了兩種現(xiàn)有目標(biāo)檢測(cè)模型，即Yolo v3和SSD，并將它們進(jìn)行對(duì)比分析。

不同模型在測(cè)試集上的測(cè)試結(jié)果見(jiàn)表1。每項(xiàng)改進(jìn)對(duì)于Faster R-CNN的mAP均有較明顯提升，以ResNet50為特征提取網(wǎng)絡(luò)的Faster R-CNN其mAP達(dá)到80.31%，檢出率一般，有一定的漏檢率。改用ROIAlign后的Faster R-CNN，其mAP達(dá)到84.95%，上升了4.64%，表明提高了檢出率，這是因?yàn)榻ㄗh框與巖石裂隙特征的空間對(duì)應(yīng)關(guān)系更加準(zhǔn)確。引入FPN結(jié)構(gòu)后的Faster R-CNN，其mAP達(dá)到88.81%，上升了3.86%，表明檢出率進(jìn)一步提升，這是因?yàn)镕PN結(jié)構(gòu)對(duì)模型特征進(jìn)行了多尺度融合，提升了模型對(duì)不同尺寸巖石裂隙的檢測(cè)能力。最終改進(jìn)后的Faster R-CNN的mAP可以達(dá)到88.81%，平均每秒能處理26.07張紅外熱像圖。由上述分析可見(jiàn)，改進(jìn)后的Faster RCNN對(duì)紅外熱像圖中的巖石裂隙有著良好的檢測(cè)效果，但實(shí)時(shí)性一般，Yolo v3和SSD雖然實(shí)時(shí)性良好，準(zhǔn)確度卻遠(yuǎn)低于前者。實(shí)際應(yīng)用場(chǎng)景下，改進(jìn)后的Faster R-CNN平均每秒處理26.07張圖像的速度基本可以滿(mǎn)足應(yīng)用需求，并且其達(dá)到88.81%的mAP表明模型可以適用大部分情況下的巖石裂隙檢測(cè)任務(wù)。

表1 測(cè)試結(jié)果Tab.1 Test results

為了更加直觀地對(duì)比模型檢測(cè)性能，挑選一張未添加到數(shù)據(jù)集且尺寸不同、裂隙形態(tài)復(fù)雜的紅外熱像圖，送入改進(jìn)后的Faster R-CNN，及Yolo v3、SSD進(jìn)行處理，然后觀察檢測(cè)結(jié)果。為了清晰顯示檢測(cè)結(jié)果，僅截取巖石部分，如圖8所示。由圖8可知，改進(jìn)后的Faster R-CNN漏檢較少，而Yolo v3與SSD漏檢較多，表明改進(jìn)后的Faster RCNN巖石裂隙檢測(cè)性能明顯優(yōu)于Yolo v3與SSD模型。綜合試驗(yàn)結(jié)果與實(shí)際應(yīng)用情況，本文選用改進(jìn)后的Faster R-CNN。

圖8 檢測(cè)結(jié)果對(duì)比Fig.8 Comparisons of detection results

2.5 巖石裂隙方向發(fā)展跟蹤預(yù)測(cè)仿真實(shí)驗(yàn)及結(jié)果分析

利用通過(guò)訓(xùn)練獲得的神經(jīng)網(wǎng)絡(luò)模型，即改進(jìn)后的Faster R-CNN，對(duì)本文獲得的單軸壓縮花崗巖試驗(yàn)過(guò)程中的紅外熱像圖依次進(jìn)行處理。當(dāng)神經(jīng)網(wǎng)絡(luò)模型檢測(cè)到花崗巖破裂裂隙時(shí)，獲得裂隙位置坐標(biāo)，并開(kāi)始監(jiān)測(cè)該坐標(biāo)區(qū)域內(nèi)AIRT隨時(shí)間的變化，從而繪出監(jiān)測(cè)區(qū)域內(nèi)裂隙坐標(biāo)時(shí)間之前1秒為起點(diǎn)的AIRT隨時(shí)間變化曲線。為清晰顯示檢測(cè)結(jié)果，僅截取圖中巖石部分。限于篇幅，選取典型試樣，如圖9～10所示。

由圖9（a）可知，花崗巖剪性裂隙出現(xiàn)，在內(nèi)部失穩(wěn)破裂進(jìn)一步延展前，表面裂隙尺寸較小，改進(jìn)后的Faster R-CNN模型可以準(zhǔn)確識(shí)別并定位它在圖中的坐標(biāo)位置，由于兩個(gè)裂隙坐標(biāo)太近，故取兩個(gè)框坐標(biāo)的最左上與最右下坐標(biāo)組成目標(biāo)區(qū)域坐標(biāo)監(jiān)測(cè)，并繪出AIRT隨時(shí)間變化曲線。圖9（b）為花崗巖張性裂隙出現(xiàn)且未進(jìn)一步延展時(shí)，由于其僅檢測(cè)出一個(gè)框，故可直接以該框?yàn)槟繕?biāo)區(qū)域進(jìn)行監(jiān)測(cè)，其余同理。

圖9 檢測(cè)結(jié)果Fig.9 Detection results

圖10（a）中劇烈陡降點(diǎn)為GUD-4監(jiān)測(cè)區(qū)域巖體內(nèi)部發(fā)生失穩(wěn)破裂導(dǎo)致巖石裂隙延展的時(shí)刻，這印證了前人的研究結(jié)果［4］，即花崗巖發(fā)生失穩(wěn)破裂時(shí)，AIRT隨時(shí)間變化曲線會(huì)發(fā)生陡降，且在失穩(wěn)破裂前，該區(qū)域巖體表面溫度持續(xù)上升，這同樣符合前人的研究結(jié)論［4］。從監(jiān)測(cè)改進(jìn)后的Faster R-CNN模型定位的裂隙區(qū)域繪制的AIRT隨時(shí)間變化曲線觀測(cè)到的在花崗巖發(fā)生失穩(wěn)破裂前期AIRT持續(xù)上升的特征，可作為花崗巖失穩(wěn)破裂導(dǎo)致巖石裂隙延展的前兆信息。

圖10 AIRT隨時(shí)間變化曲線Fig.10 AIRT curves with time

圖10（b）中劇烈抖動(dòng)點(diǎn)為GUD-5監(jiān)測(cè)區(qū)域內(nèi)巖體發(fā)生失穩(wěn)破裂致使裂隙延展的時(shí)刻。圖10中AIRT多次出現(xiàn)陡降并再次升溫，這是因?yàn)閹r體內(nèi)部多次發(fā)生失穩(wěn)破裂，導(dǎo)致內(nèi)部空隙增大從而釋放內(nèi)部熱量，致使溫度降低，但內(nèi)部仍持續(xù)發(fā)生微小破裂，并再次積聚熱量，升高溫度，孕育新的失穩(wěn)破裂，通過(guò)觀測(cè)破裂過(guò)程也印證了這一點(diǎn)。圖10中最后溫度急劇下滑不再上升，預(yù)示該區(qū)域?qū)?yīng)巖體內(nèi)部微小破裂很少或不再發(fā)生，失穩(wěn)破裂致使裂隙延展再次發(fā)生概率也急劇下降。

3 結(jié) 語(yǔ)

巖石裂隙因內(nèi)部失穩(wěn)破裂而進(jìn)一步導(dǎo)致裂隙延展前，表面會(huì)出現(xiàn)尺寸較小的裂隙，改進(jìn)的Faster R-CNN模型可有效并準(zhǔn)確地檢測(cè)出裂隙位置并獲得其坐標(biāo)，較Yolo v3和SSD模型有更好的檢測(cè)效果。模型還考慮了mAP評(píng)價(jià)指標(biāo)、模型的運(yùn)行速度和運(yùn)行環(huán)境等。在本文自建測(cè)試集上，改進(jìn)的Faster R-CNN模型的mAP達(dá)到88.81%，且在Tesla V100 GPU下運(yùn)行速度達(dá)到26.07 f／s，表明模型可以檢測(cè)出大多數(shù)巖石裂隙，綜上可知，模型性能一定程度上可滿(mǎn)足應(yīng)用需求。

利用改進(jìn)后的Faster R-CNN模型處理花崗巖裂隙紅外熱像圖，對(duì)獲得的裂隙坐標(biāo)區(qū)域進(jìn)行AIRT監(jiān)測(cè)，結(jié)果表明，AIRT隨時(shí)間變化曲線符合前人研究規(guī)律，即花崗巖內(nèi)部失穩(wěn)破裂前目標(biāo)區(qū)域溫度持續(xù)上升，表明對(duì)花崗巖裂隙因內(nèi)部失穩(wěn)破裂而延展帶來(lái)的災(zāi)害在一定程度上可以預(yù)測(cè)，證明了本文方法的有效性。

本文巖石裂隙發(fā)展方向跟蹤預(yù)測(cè)方法有其局限性，不適用于所有情況，未來(lái)會(huì)完善。巖石裂隙紅外熱像圖像稀缺，相信以后有更多的數(shù)據(jù)參與到模型訓(xùn)練中，從而進(jìn)一步提升模型性能。