關(guān)鍵詞：石窟寺；巖體裂隙識別；深度學(xué)習(xí)；UNet網(wǎng)絡(luò)；裂隙分組；聚類分析

石窟寺生動地書寫著中國璀璨的歷史文化，一直是中國文化遺產(chǎn)保護關(guān)注的重點。然而，在成巖環(huán)境、區(qū)域地質(zhì)活動、溫濕度、可溶鹽、水分運移等多因素耦合作用下，石窟巖體形成和發(fā)育了多種類型的宏細觀裂隙[1?2]，這些裂隙對石窟巖體的宏觀力學(xué)性能起著關(guān)鍵控制作用[3]。石窟頂板作為石窟結(jié)構(gòu)中最易失穩(wěn)的部位，發(fā)育的裂隙相互交切[4]，極易引發(fā)頂板巖體開裂、掉塊、坍塌[5]，直接影響石窟的穩(wěn)定性。因此，如何獲取裂隙的發(fā)育與分布狀態(tài)，成為石窟寺保護的一項基礎(chǔ)工作。

石窟作為重要文物，對其巖體結(jié)構(gòu)的探測應(yīng)避免采用接觸損傷的方法。目前，巖體結(jié)構(gòu)探測中的非接觸式方法，如數(shù)字攝影[6]、三維激光掃描[7?9]和紅外熱成像[10]等，相較傳統(tǒng)方法在信息獲取的全面性、數(shù)字化與客觀性方面優(yōu)勢明顯，已在巖體結(jié)構(gòu)探測領(lǐng)域得到廣泛應(yīng)用。特別是熱紅外技術(shù)，可以無損獲取巖體表面的熱圖像和溫度值，并根據(jù)溫度差異分析巖體結(jié)構(gòu)特征，在巖爆現(xiàn)象的監(jiān)測預(yù)警[11]、監(jiān)測風險巖石塊體的穩(wěn)定性演化[12]、估算巖體結(jié)構(gòu)冷卻速率指數(shù)[13]等方面有重要應(yīng)用。此外，紅外和可見光圖像具備可融合特性[14]，將巖體結(jié)構(gòu)溫度信息和巖體表面可見光圖像信息結(jié)合，更全面地突出源圖像信息[15?16]。然而，在實際應(yīng)用中，熱紅外技術(shù)仍面臨一些挑戰(zhàn)，如巖體結(jié)構(gòu)的熱紅外探測通常需要依賴人工主觀識別裂隙[17]，但這種方式對于復(fù)雜裂隙的識別影響較大。如何在熱紅外信息中提高復(fù)雜巖體結(jié)構(gòu)的識別精度，尚且需要開展進一步的研究工作。隨著大數(shù)據(jù)和人工智能技術(shù)的快速發(fā)展，多種基于機器學(xué)習(xí)技術(shù)的智能算法正逐漸被應(yīng)用到各類復(fù)雜裂隙的解析與識別中。如混凝土表面裂隙識別[18]，隧道巖體裂隙裂隙識別[19]，隧道掌子面的裂隙提取[20]，巖坡坡面裂隙網(wǎng)絡(luò)識別[21]，煤礦巷道掘進迎頭裂隙檢測[22]等，運用機器學(xué)習(xí)模型都達到了較為理想的裂隙識別效果，可見機器學(xué)習(xí)在處理復(fù)雜巖體結(jié)構(gòu)信息時具有一定優(yōu)勢。雖然，機器學(xué)習(xí)方法在裂隙識別方面的研究與應(yīng)用已經(jīng)取得了一定的成果，但結(jié)合熱紅外技術(shù)實現(xiàn)巖體裂隙智能識別的研究相對較少。在石窟巖體中，如何結(jié)合熱紅外技術(shù)和機器學(xué)習(xí)的優(yōu)點，高效完成頂板巖體裂隙識別、提取及分布狀態(tài)分析，正是本文希望解決的問題。

本文致力于融合機器學(xué)習(xí)方法和熱紅外探測技術(shù)，以安岳圓覺洞洞窟頂板巖體的熱紅外圖像數(shù)據(jù)集為基礎(chǔ)，通過對原始UNet網(wǎng)絡(luò)模型的改進，提高巖體表面復(fù)雜裂隙網(wǎng)絡(luò)的識別精度和效率。同時，結(jié)合Kmeans聚類算法和GMM算法，從巖體裂隙網(wǎng)絡(luò)分割提取出每條裂隙，并進行結(jié)構(gòu)面產(chǎn)狀分組。該方法實現(xiàn)了石窟頂板巖體復(fù)雜裂隙網(wǎng)絡(luò)的識別，并體現(xiàn)了非接觸、快速、精確的特點，可為石窟寺巖體穩(wěn)定性實時分析和加固方案制定提供數(shù)據(jù)支撐。

1 研究區(qū)概況

1.1 研究區(qū)背景

安岳圓覺洞盛于唐宋2代，位于資陽安岳縣。圓覺洞處于四川盆地東部的云居山上，地質(zhì)構(gòu)造以平緩褶皺為主，地貌類型以丘陵為主，巖層產(chǎn)狀接近于水平。區(qū)內(nèi)巖性主要為侏羅系上統(tǒng)遂寧組（J3sn）厚層-巨厚層、褐紅色-灰黃色粉細砂巖，以絹云母與鈣質(zhì)的膠結(jié)類型為主，形成的水平或交錯層理極為發(fā)育[23]。安岳縣屬中部亞熱帶季風性濕潤氣候，常年氣候溫和，四季分明，雨熱同季，不受寒潮和霜凍的影響。

安岳圓覺洞砂巖的水平沉積使得石窟頂板層理面較為明顯，受人類活動和自然營力的長期作用，頂板裂隙發(fā)育，導(dǎo)致病害問題突出，巖體風化加速，對頂板和側(cè)壁的穩(wěn)定性均產(chǎn)生顯著的影響[24]。

1.2 石窟頂板裂隙發(fā)育特征

在安岳圓覺洞頂板巖體中發(fā)育有較多的中、小尺度的裂隙，并呈現(xiàn)明顯的空間差異性分布特征。如圖1所示，將頂板劃分為北、中、南3個區(qū)域。石窟頂板北側(cè)巖體結(jié)構(gòu)極為發(fā)育，以卸荷裂隙、風化裂隙與層理交互切割為主，致使洞窟頂板局部失穩(wěn)，甚至造成窟頂臺階狀冒落破壞；頂板中部主要為淺表性風化裂隙，裂隙發(fā)育較少；頂板南側(cè)以風化裂隙為主，并受層理與卸荷裂隙影響而形成局部掉塊。石窟頂板在風化作用和自重作用下形成復(fù)雜網(wǎng)狀裂隙，裂隙數(shù)量沿洞底向洞口呈增長趨勢，其中風化裂隙發(fā)育深度范圍為0～9.2cm，主要集中于0～2.3cm。

2 熱紅外探測技術(shù)

為避免探測過程中對頂板巖體的接觸和損傷，本文使用了熱紅外無損探測技術(shù)，以非接觸方式獲取頂板裂隙網(wǎng)絡(luò)的熱紅外圖像，并根據(jù)熱紅外圖像實現(xiàn)石窟寺頂板巖體復(fù)雜裂隙網(wǎng)絡(luò)的提取。如圖2所示，通過紅外熱成像儀捕捉物體表面的紅外輻射，使物體表面的溫度被遠程測量出來，而巖體裂隙如同均質(zhì)材料中的缺陷一樣，會在表面均勻加熱的情況下，產(chǎn)生與巖體裂隙相關(guān)的溫度差異。對這種溫度差異進行分析，即可實現(xiàn)巖體結(jié)構(gòu)的熱紅外無損探測[25]。

本文使用了美國FlukeTi480pro紅外熱像儀，該紅外熱像儀具有307200像素的紅外輻射探測器和可見光相機，拍攝出的圖片大小為1280×958，拍攝完成后可調(diào)整熱紅外圖像與可見光圖像的融合度，使得巖體表面較小的細節(jié)清晰可見，其主要特性如表1所示。試驗過程中，采用的鹵素燈功率約2000w，加熱距離約為1m，加熱時間為15min，并使用分區(qū)測試的方式逐步獲得整個頂板的熱紅外圖像。本文利用熱紅外技術(shù)的低光熱靈敏特性，在幽暗的石窟內(nèi)獲取頂板裂隙的熱紅外圖像，使用熱紅外成像儀自帶軟件的IR-Fusion技術(shù)，將熱紅外照片與可見光照片進行融合，使巖體表面的結(jié)構(gòu)信息相比單一圖像更加突出（如圖3所示）。

3 機器學(xué)習(xí)模型

3.1 改進UNet網(wǎng)絡(luò)模型

熱紅外技術(shù)對光照條件較差的石窟頂板有更好的效果，熱紅外圖像結(jié)合機器學(xué)習(xí)方法的卷積神經(jīng)網(wǎng)絡(luò)可以實現(xiàn)對裂隙的識別。在實現(xiàn)圖像語義分割任務(wù)的神經(jīng)網(wǎng)絡(luò)中，UNet網(wǎng)絡(luò)模型具備特征提取-分類功能和跳躍連接結(jié)構(gòu)[26]，相比傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)具有較少的參數(shù)量和較好的特征提取能力。然而，針對不同的數(shù)據(jù)集和分割任務(wù)，UNet網(wǎng)絡(luò)模型的實際性能可能會產(chǎn)生一些差異，模型潛力并未完全激發(fā)。

因此，本研究致力于改進UNet網(wǎng)絡(luò)模型，使其實現(xiàn)精準識別頂板紅外圖片中的裂隙網(wǎng)絡(luò)，模型的整體框架如圖4所示。首先，應(yīng)用UNet的上采樣及下采樣主體結(jié)構(gòu)，在下采樣的基干網(wǎng)絡(luò)上采用了ResNet34基干網(wǎng)絡(luò)結(jié)構(gòu)提取特征，有效降低模型的參數(shù)量；其次，在UNet下采樣的底部添加了堆疊式的空洞卷積，增加了模型的局部感受野；最后，在每層下采樣特征輸出與上采樣輸入的跳躍連接中引入了注意力模塊，使得模型每層的利用性能達到最大。

3.1.1 基干網(wǎng)絡(luò)的替換

石窟頂板普遍存在的小尺度裂隙，對裂隙識別分割的實時性和精準度提出了較高要求。因此，在對石窟頂板裂隙網(wǎng)絡(luò)數(shù)據(jù)集進行模型訓(xùn)練時，需要對UNet網(wǎng)絡(luò)下采樣的特征提取能力進行增強，使模型從有限的數(shù)據(jù)集中提取更多的裂隙網(wǎng)絡(luò)特征信息。同時，參數(shù)量越小的模型所需計算資源越少，過擬合的風險越低，模型識別速度越快。如圖5所示，本文對UNet網(wǎng)絡(luò)下采樣的基干網(wǎng)絡(luò)部分進行了替換，引入具有殘差結(jié)構(gòu)的ResNet34基干網(wǎng)絡(luò)[27]。該基干網(wǎng)絡(luò)使用了跳躍連接的結(jié)構(gòu)，使得模型前后的梯度可以一直存在，模型擁有一部分的恒等變換能力，在加強特征提取能力的同時降低了模型參數(shù)量。具體而言，該基干網(wǎng)絡(luò)由1層7×7卷積層和4層殘差結(jié)構(gòu)組成，殘差結(jié)構(gòu)先經(jīng)過一個最大池化層（maxpool），提取的特征譜分辨率逐層降低，第五層之后舍棄了后面平均池化層（avgpool）及密集連接層，每層的輸出再通過跳躍連接與解碼器相應(yīng)的層數(shù)相接，既能保留UNet網(wǎng)絡(luò)對于多尺度特征的保留，又能利用ResNet34的深度學(xué)習(xí)能力，提高模型的準確率。

3.1.2 空洞卷積的加入

石窟頂板裂隙網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，待測裂隙網(wǎng)絡(luò)在圖中像素占比較少，為了進一步提升數(shù)據(jù)集的特征提取效率，提高全局特征的感受能力，本研究使用ResNet34基干網(wǎng)絡(luò)提取特征后，進一步引入了堆疊式空洞卷積算法（如圖6）?？斩淳矸e是在卷積核元素中用空洞（零元素）占位來擴大卷積核的方法，兩相鄰核元素被占位的長度n稱為空洞率（dilationrate，DR）。在常規(guī)的下采樣過程中，圖像樣本的分辨率會依次降低，對識別精度帶來影響。通過控制空洞率a，可以有效地增加卷積核感受野范圍，捕獲更多不同尺度的特征信息。本文在對特征提取的最深層圖像樣本進行卷積運算時，分別引入了空洞率為1，2，4，8的4種卷積核，通過級聯(lián)模式堆疊4次空洞卷積運算，使得下采樣后的結(jié)果可以包含更多維度的特征信息。尤其在探測石窟頂板巖體裂隙網(wǎng)絡(luò)時，更多維度的特征采集可以弱化尺寸效應(yīng)，使得較小尺寸裂隙被模型識別，顯著地提高分割結(jié)果的準確率。

3.1.3 注意力機制的引入

引入注意力機制可以提升圖像中語義分割部分的關(guān)注度[28]，減少較小尺度裂隙的誤差和漏檢，提高石窟頂板熱紅外圖像裂隙分割的精度。UNet網(wǎng)絡(luò)模型每層的跳躍連接是前后直接加和，添加注意力機制模塊可以提高網(wǎng)絡(luò)模型對每層裂隙特征的關(guān)注度，提高對圖像的裂隙邊緣細節(jié)的特征提取能力[29]。

本研究針對圖像語義分割模型的特點，在UNet網(wǎng)絡(luò)模型的基礎(chǔ)上，對3處跳躍連接部分加入了GC自注意力模塊。GC自注意力模塊如圖7所示，該模塊由Non-Localneuralnetworks（NL）模塊簡化而來。作為自注意力機制在圖像語義分割上的實際應(yīng)用，NL模塊用于捕獲時間（一維時序信號）、空間（圖片）和時空（視頻序列）的長距離依賴關(guān)系[30]，但是在特征圖較大時，NL模塊中存在的矩陣乘法在計算時占用大量內(nèi)存，為簡化NL模塊，只保留更為關(guān)鍵的Wk和Wv參數(shù)矩陣，并將原先2個矩陣相乘變成了矩陣和列向量的相乘，降低了參與矩陣乘法的像素量。

3.2 數(shù)據(jù)集及標簽

本文所使用的數(shù)據(jù)集主要由石窟頂板北側(cè)和中測區(qū)域的熱紅外圖像構(gòu)成，如圖8所示。在主動加熱過程中，使用紅外熱像儀進行等時間間隔拍攝，然后將獲取的石窟頂板熱紅外圖片進行初步篩選，去除由各種因素導(dǎo)致的內(nèi)容無法辨識的圖片。以非裂隙部分為背景，裂隙網(wǎng)絡(luò)部分為前景，通過與可見光對比及人工驗證的方法得到石窟頂板標簽圖。

在數(shù)據(jù)集制作過程中，將頂板劃分為11個區(qū)域，分區(qū)拍攝熱紅外照片。為了利于模型訓(xùn)練并增加圖像訓(xùn)練集的樣本數(shù)量，將每張圖片按照640×640大小進行分割，得到有效熱紅外圖片數(shù)量為580張，經(jīng)過旋轉(zhuǎn)和反轉(zhuǎn)處理共得到包含4640張圖片的數(shù)據(jù)集。

4 結(jié)果與分析

4.1 試驗參數(shù)設(shè)置

考慮試驗平臺性能，本文在試驗訓(xùn)練中設(shè)置模型的學(xué)習(xí)率為1×10-4，設(shè)置迭代次數(shù)為300，批處理大小為4，采用具有動量更新的Adam（adaptivemomentestimation）優(yōu)化器對網(wǎng)絡(luò)模型進行優(yōu)化。當模型輸出與標簽之間的損失值在連續(xù)的3個迭代回合中小于2×10-7，則后面訓(xùn)練的學(xué)習(xí)率為之前的一半，直到更新4次后，停止訓(xùn)練并保存損失值最小的模型權(quán)重。本文所有的試驗依托Pytorch框架進行，所用的計算設(shè)備具體參數(shù)見表2。

損失函數(shù)是度量模型預(yù)測的分割結(jié)果與真實分割圖之間的差異，通過定義并最小化損失函數(shù)，可以引導(dǎo)模型學(xué)習(xí)到更準確、更符合任務(wù)要求的分割結(jié)果。由式（1）所示，文中模型訓(xùn)練采用的損失函數(shù)HybridLoss由式（2）（3）組成。其中，BceLoss又叫二分類交叉熵損失，它是用來做二分類的損失函數(shù)，取值范圍在0～100之間。DiceLoss是一種評估2個樣本相似性的度量函數(shù)[31]，取值范圍在0～1之間，取值越小表示越相似。一般來說，BceLoss和DiceLoss結(jié)合可以緩解分類兩邊數(shù)據(jù)不平衡的問題，提升網(wǎng)絡(luò)的收斂能力[32?33]，削弱了背景對分割占比的影響。

式中：輸入圖像是由m×m矩陣組成，y?ab指模型預(yù)測圖像的第a行第b列像素點是裂隙的概率，y?ab是對應(yīng)的標簽矩陣第a行第b列的像素點的值，若該像素點代表裂隙則值取1，反之值取0；|X∩Y|表示X和Y集合的交集，|X|和|Y|表示其元素個數(shù)，對于分割任務(wù)而言，|X|和|Y|表示分割的標簽和模型預(yù)測輸出。

4.2 模型訓(xùn)練結(jié)果

為檢驗改進UNet網(wǎng)絡(luò)模型在石窟頂板熱紅外圖像數(shù)據(jù)集的收斂能力，將該模型與原始的UNet網(wǎng)絡(luò)模型、D-LinkNet34網(wǎng)絡(luò)模型[34]、使用Vgg16基干網(wǎng)絡(luò)的UNet網(wǎng)絡(luò)模型（以下簡稱Vgg16-UNet）等現(xiàn)有常用的網(wǎng)絡(luò)模型進行對比，對各模型在石窟頂板熱紅外數(shù)據(jù)集上的訓(xùn)練過程進行分析。

模型訓(xùn)練損失函數(shù)值曲線如圖9所示。隨著模型訓(xùn)練輪次的增加，改進UNet網(wǎng)絡(luò)模型的損失函數(shù)值曲線呈現(xiàn)出平穩(wěn)下降的趨勢，最終達到了0.4353。而UNet網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，在第59輪迭代更新中即達到了停止條件，損失函數(shù)值僅降至0.5932，模型捕捉到的裂隙特征可能較少。對比之下，D-LinkNet34網(wǎng)絡(luò)模型在71～72輪迭代更新中出現(xiàn)較大的波動，最終損失函數(shù)值降至0.4875。另外，Vgg16-UNet網(wǎng)絡(luò)模型在43輪次左右經(jīng)歷了幅度相對較大的震蕩，但隨后開始快速收斂，可能是由于震蕩后學(xué)習(xí)率的改變促使其迅速學(xué)習(xí)到圖像特征，最終損失值僅下降到0.4583?？傮w而言，雖然各模型的損失函數(shù)曲線均為下降趨勢，但UNet網(wǎng)絡(luò)模型、D-LinkNet34網(wǎng)絡(luò)模型和Vgg16-UNet模型在訓(xùn)練集的擬合程度與改進UNet網(wǎng)絡(luò)模型有一定差距，最終損失函數(shù)值與改進UNet網(wǎng)絡(luò)模型分別相差36.27%、11.99%和5.02%，這體現(xiàn)出了改進UNet網(wǎng)絡(luò)模型在熱紅外圖像上具有較好的實用性能。

4.3 模型性能評價

4.3.1 評價指標

為驗證模型的收斂性與準確性，本文采用Dice相似系數(shù)、準確度（Accuracy）、查準率（Precision）、查全率（Recall）和模型推理速度等指標對模型進行評價。若n為圖像總像素點數(shù)，i代表裂隙，j代表背景，Aii指預(yù)測裂隙正確的像素個數(shù)，Ajj指預(yù)測背景正確的像素個數(shù)，Aij指模型將背景錯誤地預(yù)測為裂隙（將j預(yù)測為i）的像素個數(shù)，Aji指模型將裂隙錯誤地預(yù)測為背景（將i預(yù)測為j）的像素個數(shù)。各指標的計算公式如下。

1）Dice相似系數(shù)用于計算裂隙網(wǎng)絡(luò)的分割結(jié)果和真實標簽之間的相似性，其值越大，分割效果越好，數(shù)學(xué)表達式為

2）準確度（Accuracy）用于計算模型預(yù)測正確的像素點在圖像總像素中的占比，其值越接近100%，分割效果越好，數(shù)學(xué)表達式為

3）查準率（Precision）衡量了模型在預(yù)測圖像的裂隙像素點中預(yù)測正確比例，關(guān)注模型預(yù)測裂隙的精準度，其值越大，分割效果越好，數(shù)學(xué)表達式為

4）查全率（Recall）用于計算模型在標簽圖像的裂隙像素點中預(yù)測正確比例，強調(diào)了模型在實際裂隙網(wǎng)絡(luò)像素點中的召回能力，與查準率只在分母上有一定差別，其值越大，分割效果越好，數(shù)學(xué)表達式為

4.3.2 不同網(wǎng)絡(luò)模型效果對比分析

為了檢驗本文改進的UNet網(wǎng)絡(luò)模型在石窟頂板熱紅外圖像數(shù)據(jù)集的實際應(yīng)用效果，引入了一些常用的網(wǎng)絡(luò)模型進行對比試驗，各個網(wǎng)絡(luò)模型的性能指標情況如表3所示。其中，Vgg16-UNet網(wǎng)絡(luò)模型是采用Vgg16基干網(wǎng)絡(luò)提取圖像特征，與改進UNet網(wǎng)絡(luò)模型相比，模型的Dice系數(shù)、Precision和Recall分別降低了3.18%、3.01%和2.66%，這說明ResNet34基干網(wǎng)絡(luò)比Vgg16基干網(wǎng)絡(luò)的圖片特征提取效果更好，對裂隙邊緣細節(jié)和整體性把控能力更好。D-LinkNet34網(wǎng)絡(luò)模型沒有自注意力模塊，與改進UNet網(wǎng)絡(luò)模型相比，模型的Dice系數(shù)、Precision和Recall分別下降了5.04%、4.12%和4.98%，這表明自注意力機制有助于模型更好地關(guān)注圖像中的重要區(qū)域，從而提高模型分類的準確率和分割性能，并且在衡量分割結(jié)果的查準率和查全率方面起到了一定作用，最終使得整體的Dice系數(shù)有所提高。將UNet網(wǎng)絡(luò)模型改進前后的模型性能進行對比，可以明顯地發(fā)現(xiàn)改進模型的各項指標有大幅增長，Dice系數(shù)增長率更是達到了22.58%，突顯了這3種方法對UNet網(wǎng)絡(luò)改進后的綜合性能的巨大提升。由于裂隙網(wǎng)絡(luò)相對于背景占比很小，因此，4種模型的Accurary均在98%以上，但改進UNet網(wǎng)絡(luò)模型的準確度最高。除此之外，改進UNet網(wǎng)絡(luò)模型推理時間為0.84（幀·s-1），與其他網(wǎng)絡(luò)模型相比達到了最快，表現(xiàn)出本方法在識別速度的優(yōu)越性。

除此之外，隨機選擇一些石窟頂板熱紅外圖像作為測試集，在測試集上進行裂隙分割預(yù)測，獲得的裂隙網(wǎng)絡(luò)分割對比結(jié)果如圖10所示。由圖10可知，改進UNet網(wǎng)絡(luò)模型的實際識別效果更接近于標簽，識別的裂隙網(wǎng)絡(luò)更加精準和全面，而其他3種網(wǎng)絡(luò)對石窟頂板都存在不同程度的誤判和漏判。具體而言，UNet模型對紅色人工結(jié)構(gòu)和煙熏黑斑的誤判都相對比較嚴重，而D-LinkNet34網(wǎng)絡(luò)模型在UNet基礎(chǔ)上使用了ResNet34基干網(wǎng)絡(luò)和空洞卷積方法，識別裂隙的精準度有所提升，識別過程中排除了背景黑斑的影響，但是對紅色人工結(jié)構(gòu)仍有誤判。Vgg16-UNet網(wǎng)絡(luò)模型與D-LinkNet34網(wǎng)絡(luò)模型情況類似，二者對裂隙數(shù)量漏判相比改進UNet網(wǎng)絡(luò)模型增加了10%左右。

在裂隙網(wǎng)絡(luò)像素點占比較小的情況下，本文方法沒有受到黑斑和人工結(jié)構(gòu)物等的干擾，在噪點較多的紅外圖像中較為準確地檢測標識出了裂隙網(wǎng)絡(luò)的形態(tài)與位置。由此可見，改進UNet網(wǎng)絡(luò)模型對石窟頂板裂隙識別的綜合性能最優(yōu)。

4.4 石窟頂板裂隙走向分析

模型識別的裂隙網(wǎng)絡(luò)二值圖中每一個像素只有2個值0和1，其中0和1分別代表圖像背景和裂隙。為快速高效地分割出頂板巖體二維裂隙網(wǎng)絡(luò)的每條裂隙，并完成裂隙分組，使用了K-means聚類和高斯混合模型（Gaussianmixedmodel，GMM）算法。其中，K-means聚類算法將相似的對象歸到同一個簇中，主要思想是在樣本中隨機選取k個樣本的均值作為簇中心，并計算所有樣本與這簇中心的距離，然后將每個樣本劃入距離最近的簇并更新簇中心，最后一直重復(fù)上述過程直至簇中心不移動[35]。而GMM是多個高斯分布函數(shù)的線性組合，可以看作K-means聚類算法的一種擴展使用，將簇范圍形狀從圓形擴展到了橢圓。

考慮到層狀頂板裂隙多為陡傾狀，在進行裂隙產(chǎn)狀分組時只需要考慮裂隙走向。為分析裂隙走向，首先將石窟頂板巖體的熱紅外圖像導(dǎo)入訓(xùn)練好的改進UNet網(wǎng)絡(luò)模型中，得到頂板裂隙網(wǎng)絡(luò)二值圖，如圖11（a）～（b）所示；其次，建立裂隙網(wǎng)絡(luò)像素點平面坐標集合，通過GMM模型算法提取每條裂隙，如圖11（c）所示；然后，使用不同顏色的方框?qū)⒚織l裂隙標記，對每條裂隙包含的像素點進行線性回歸，獲得每條裂隙的方向向量，如圖11（d）所示；最后，通過K-Means聚類算法對所有裂隙的方向向量進行聚類分組，如圖11（e）所示，并最終得到整個石窟頂板裂隙走向的玫瑰花圖，如圖11（f）所示。石窟頂板中部和北部共識別出154條裂隙，經(jīng)過K-Means算法聚類后的裂隙優(yōu)勢走向是NW327.19°和NE55.20°，2組走向相差近90°，這在玫瑰花圖上也得到了相似結(jié)果。相比之下，劉長青等[24]通過其他方法識別的圓覺洞頂板中部和北部區(qū)域裂隙條數(shù)為135條，優(yōu)勢走向近NW330°，體現(xiàn)出本文方法識別裂隙條數(shù)更多，對裂隙優(yōu)勢走向分組更全面。

使用改進UNet網(wǎng)絡(luò)模型識別巖體裂隙網(wǎng)絡(luò)，可以很好地反映出石窟頂板巖體裂隙情況，對于張開度較大的裂隙，解算精度更佳，并且人工結(jié)構(gòu)物和煙熏黑斑對模型識別幾乎沒有影響。同時注意到，部分閉合裂隙和紅外特征不明顯的區(qū)域在識別過程中容易被忽視，應(yīng)合理設(shè)置模型結(jié)構(gòu)和訓(xùn)練時的超參數(shù)，提高對裂隙的識別精度。

5結(jié)論

為提高石窟頂板裂隙非接觸識別的精度和效率，本文在熱紅外探測裂隙的基礎(chǔ)上，提出了一種基于改進UNet網(wǎng)絡(luò)模型的裂隙網(wǎng)絡(luò)識別方法，并與其他模型對比，驗證了方法的優(yōu)越性，并以安岳圓覺洞為例開展應(yīng)用，得到了以下主要結(jié)論：

1）引入ResNet34基干網(wǎng)絡(luò)、空洞卷積方法以及注意力機制，對傳統(tǒng)UNet網(wǎng)絡(luò)進行改進，加強了網(wǎng)絡(luò)模型的特征提取能力、全局特征的感受能力以及模型結(jié)構(gòu)的利用能力。該網(wǎng)絡(luò)模型在石窟頂板熱紅外數(shù)據(jù)集上訓(xùn)練時的最終擬合程度相較于UNet網(wǎng)絡(luò)模型、D-LinkNet34網(wǎng)絡(luò)模型和Vgg16-UNet網(wǎng)絡(luò)模型提升了36.27%，11.99%和5.02%，表現(xiàn)了改進UNet網(wǎng)絡(luò)模型在熱紅外圖像上的適用性。

2）改進UNet網(wǎng)絡(luò)模型在Dice相似系數(shù)達到71.63%，準確度達到99.37%，查準率達到64.74%，查全率達到62.51%，模型推理速度達到0.84幀/s，與其他網(wǎng)絡(luò)模型相比性能指標達到了最優(yōu)，且實際分割圖像中受到黑斑和紅色人工結(jié)構(gòu)的干擾較小，凸顯了該方法運算速度快、提取精度高、模型結(jié)構(gòu)利用率高等特點。

3）使用GMM和K-means聚類方法對二值圖進行處理，成功識別了石窟頂板中部和北部的154條裂隙，并分割出了兩組裂隙的優(yōu)勢走向為NW327.19°和NE55.20°。相較于其他方法，本文使用的方法得到了更為全面的結(jié)果。

本文方法為文物巖體結(jié)構(gòu)的熱紅外解譯提供一種新思路，有著良好的應(yīng)用前景。未來進一步的研究重點是：熱紅外探測精度應(yīng)不斷提高，使模型獲得更準確的圖源信息；使用更多的數(shù)據(jù)增強方法，提高模型的泛化能力；結(jié)合熱紅外圖像的特性，加強模型結(jié)構(gòu)的研究，進一步實現(xiàn)識別的準確性。