[发明专利]一种基于声谱图深度学习的岩石表面强度测定方法

权利要求书

1.一种基于声谱图深度学习的岩石表面强度测定方法，其特征在于，包括以下步骤：

A.使用回弹仪采集岩石表面强度数据，得到回弹值数据集用以表示岩石表面强度；

B.用地质锤敲击岩石，并用录音笔采集敲击声音数据集；

C.对回弹值数据进行处理，最终形成岩石表面强度数据集；

D.将同一岩石对象的声音数据集与岩石表面强度数据集一一对应；即将对应着同一回弹值的敲击声数据统一放在一个文件夹，并将该文件夹名称设置为该回弹值，以便后续处理；

E.对敲击声音数据集的音频文件进行切割声音片段集，并用短时傅立叶变换将声音片段集制作成声谱图数据集；具体如下：

E1.读取敲击声音的音频文件；

E2.提取音频文件左声道；

E3.设置参数，利用短时傅立叶变换制作该音频文件的声谱图；

E4.对步骤E3中的声谱图数据进行频率上的积分；

E5.在步骤E4得到的数据中，根据积分曲线的变化幅度，寻找并提取敲击开始时对应的一系列时间点；

E6.以敲击开始的时间点为起点，设置持续时间长度，循环截取音频文件，生成一系列声音片段，至此，一个音频中的所有敲击声便可全部被分离出来；

E7.设置参数，用短时傅立叶变换将步骤E6中一系列声音片段生成一系列声谱图数据集；

E8.对于步骤E7中的声谱图，裁剪掉高频段对应的部分，以增加图像的辨识度；

F.用声谱图对GoogleNet系列的深度学习模型—Inception-v3网络模型进行训练，用以对岩石强度进行预测；

G.建立概率矩阵，以使离散的预测结果连续化；概率矩阵的行数为回弹值的个数，也即文件夹的个数，列数为待预测的一组声谱图的个数；

H.拟合误差函数，提高预测精准性；

步骤H1：分别在不同回弹值所对应的声谱图数据集中随机读取9张声谱图；

步骤H2:将每一个回弹值对应的一组声谱图，输入深度学习网络模型，计算出预测值，并利用概率矩阵求出该组声谱图中每一张的预测出来的回弹值，并将这9个回弹值求平均；

步骤H3：步骤H2中的第一个平均值对应一个真实回弹值，求出其中的误差，可得到一系列“平均值-误差值”数据，用一元三次函数曲线拟合出平均值与误差值之间的关系曲线；

I.对于一个未知强度的岩石，用地质锤敲击，获取待预测敲击声音，输入训练好的深度学习模型，再通过概率矩阵和误差函数对岩石强度进行预测。

2.根据权利要求1所述的基于声谱图深度学习的岩石表面强度测定方法，其特征在于，步骤A中的岩石表面强度通过回弹仪冲击岩石表面测得。

3.根据权利要求1或2所述的基于声谱图深度学习的岩石表面强度测定方法，其特征在于，步骤A中岩石为自然环境下体积在0.05m³以上的完整岩石，每个岩石对象中设定3个测点，测点处的岩石表面平整，每个测点测出5个回弹值数据，同时对每个测点在测定前先敲去其表面的风化层以保证结果准确性。

4.根据权利要求1所述的基于声谱图深度学习的岩石表面强度测定方法，其特征在于，步骤B中获取声音数据的方式为：对应于每个测点，用地质锤在测点处敲击60～80次，并用录音笔记录敲击的声音，敲击速率为2次/秒，并在每敲击20～30次时增加或减小敲击力度以保证敲击强度的多变性。

5.根据权利要求1所述的基于声谱图深度学习的岩石表面强度测定方法，其特征在于，步骤C中的处理方式为：对于每个测点测得的回弹值数据，去除其中的最大值和最小值，再计算该组数据的平均值，作为最终结果，并以此来表示岩石表面强度。

6.根据权利要求1所述的基于声谱图深度学习的岩石表面强度测定方法，其特征在于，步骤F进一步包括：

F1.将每一个回弹值所对应的声谱图分为训练集、验证集和测试集；

F2.采用GoogleNet系列的Inception-v3模型作为预训练模型，设置参数，进行模型训练，得出最终瓶颈层张量及各项训练效果指标，形成深度学习模型。

7.根据权利要求1所述的基于声谱图深度学习的岩石表面强度测定方法，其特征在于，步骤I中所述的预测步骤进一步包括：

步骤I1：连续敲击待预测的岩石，并获得敲击声；

步骤I2：根据步骤E，将每一下敲击声裁剪出来；

步骤I3：将所有的敲击声片段制成声谱图；

步骤I4：将所有声谱图输入模型，再通过概率矩阵和误差函数计算得出最终预测的回弹值；

步骤I5：将预测的回弹值代入回弹值与岩石表面强度的关系式，得出岩石表面强度值。