项目背景：

中铁二院成立至今，承担了建设领域中多个重点工程的地质勘察工作，积累了大量宝贵的地质勘查数据，其具有量大、复杂多变的特性。地质专业信息化的普及也给资料的收集、归档、存储带来了极大困难。利用地质信息化成果进行数据分析，需要建立一套强大的大数据平台。另一方面，钻孔数据为地质的三维建模提供了基础和来源，可以加强对地下地质体的认识。

目前对钻孔图像结构面的分割分块处理停留在人工操作和主观识别的基础上，当钻孔图像数据量庞大、岩体结构复杂时，难以短期内进行正确有效的分割分块处理，迫切需要一种有效方法加以解决。

西南财经大学统计研究中心解决方案：

（1）首先对地勘图像数据预处理，将地勘图像进行缩放和锐化处理；

（2）对边界框真值和类别进行标注，并生成训练集和测试集；

（3）用k均值聚类法生成anchors；

（4）训练基于Darknet-53的深度学习网络架构，采取批量标准化、带泄露修正线性单元层的方法加快学习收敛速度和训练速度，通过卷积核连接三种尺度的yolo层，实现特征映射的交互；

（5）对新传入的地勘图像进行目标检测，预测图像中所出现地质的边界框和类别。

项目成果：

该项目采用信息系统和大数据技术结合的方式，完成了地勘大数据智慧检索应用和地勘外业数据采集移动端应用，建设了支撑智慧检索系统的地勘大数据平台，并首次建立了地质勘查专用的语料库，首次引入深度学习和目标检测技术对钻孔岩芯的命名和风化程度进行识别，对多种地质类别的平均识别准确率达到73.02%，且对泥岩和砂岩的识别准确率达到80%，达到了工程需要的精度，随着数据量的增加，识别的精度有望进一步提高，进而从根本上解决了工程地质勘察资料采集难、存储难、分析难的问题。该项目还实现了对钻孔图像识别算法和趋势面建模算法的分析研究。