基于光谱成像技术的岩性识别方法及系统

1.本发明属工程地质岩性识别技术领域，尤其涉及一种基于光谱成像技术的岩性识别方法及系统。

背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.岩性识别历来是地质学、资源勘查、隧道与地下工程不良地质识别与防灾减灾等领域非常重要而基础的问题。对不良地质区域进行岩性识别是进行隧洞工程地质预报的前提和基础，对隧洞工程设计方案优化、安全评估与风险评价具有重要的指导意义。传统的岩性识别方法肉眼观察法、薄片鉴定法，过于依赖人工经验，不仅耗时长、专业性强，还易受主观因素影响，导致准确率不理想。地质工作者基于图像开展了岩性识别的研究，但其结果由于相似的岩石成分或纹理导致的图像高相似性、在特征提取过程中岩性的细小特征容易丢失、风化或人类活动破坏了可见的岩石特征、由于拍摄条件或技术差异导致成像质量较差等问题导致识别精度不准确。获取岩石矿物种类及含量信息的方式很多，其中光谱技术是目前比较常用的手段，其中xrf、xrd光谱测试需要接触式测量，磨样处理等，会消耗大量的时间，且仅借助于岩石单一特征，容易产生错分、漏分现象，导致岩性识别误差较大、岩性解译精度较低等问题。
4.发明人发现，借助岩矿的图像信息或光谱信息可以简单地对岩石进行分类，但存在“同物异谱”，“同谱异物”现象，这类方法往往分类精度不高，当今利用光谱信息进行岩性识别大都依赖于接触式或需磨样处理，用于隧道现场具有一定的局限性。

技术实现要素：

5.为了解决上述背景技术中存在的技术问题，本发明提供一种基于光谱成像技术的岩性识别方法及系统，其能够实时识别出掌子面上的岩性以及空间分布情况，做出对隧道前方岩体地质情况的判断，为掌握隧道前方岩体的地质情况提供了重要的参考依据。本发明利用图像光谱技术，采用远距离拍照式获取的图像光谱信息，不仅可以获取图像数据，同时还可以获取图像上每个像素点的光谱数据，即一个三维立方数据体。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明的第一个方面提供一种基于光谱成像技术的岩性识别方法，其包括：
8.获取隧道掌子面的图像光谱数据，并对感兴趣区域进行栅格化处理；
9.利用隧道掌子面的图像数据进行区域迹线检测，判断网格内是否有迹线；
10.对有迹线的网格进行第二次栅格化处理；
11.提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征；
12.将同一网格的光谱特征和图像特征进行融合，再经预先训练的岩性预测模型，识别出每一个网格的岩性；
13.检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性。
14.作为一种实施方式，将最终得到所有网格的岩性采用填图的方式展示在隧道掌子面的图像上。
15.上述技术方案所产生的优点在于，实时直观地识别出掌子面上的岩性以及空间分布情况，做出对隧道前方岩体地质情况的判断，为掌握隧道前方岩体的地质情况提供了重要的参考依据。
16.作为一种实施方式，采用九宫格检验法和区域迹线对第二次栅格化得到的网格的岩性进行约束，修正相应网格的岩性识别结果。
17.其中，九宫格检验法是利用九宫格图检验第二次划分的小网格的异常识别结果的网格；首先标定出九个网格内识别结果不同的网格，以异常网格为中心，建立九宫格，将其归为相邻八个网格中所占比重最大的岩性。
18.上述技术方案所产生的优点在于，修正有区域迹线穿过的小网格岩性识别结果的误差，提高第二次划分的小网格的岩性识别结果的准确性。
19.作为一种实施方式，将同一网格的光谱特征和图像特征进行融合之前，还包括：
20.将同一网格的光谱特征和图像特征进行归一化处理。
21.上述技术方案所产生的优点在于，确保图像维度的特征向量的维度与光谱维度的特征向量的维度保持一致，最终提高网格的岩性识别结果的准确性。
22.作为一种实施方式，获取隧道掌子面的图像光谱数据之后，还包括：
23.对隧道掌子面的光谱数据进行预处理。
24.其中，利用由于光谱仪采集得到的光谱信号中既包含实验所需的有用信息，同时由于仪器精密度等原因带来随机噪声，预处理的方法有很多，例如卷积平滑、区域归一化、基线校正、一阶导数、标准正态变量变换以及多元散射校正等。最常用的消除噪声的方法(sg)卷积平滑法，将采集到的高光谱曲线进行光谱平滑，既消除噪声又保留了光谱轮廓。
25.作为一种实施方式，所述岩性预测模型为分类器。
26.此处需要说明的是，分类器可以采用极限学习机、偏最小二乘回归、支持向量机等模型。
27.本发明的第二个方面提供一种基于光谱成像技术的岩性识别系统，其包括：
28.初次栅格化模块，其用于获取隧道掌子面的图像光谱数据，并对感兴趣区域进行栅格化处理；
29.区域迹线检测模块，其用于利用隧道掌子面的图像数据进行区域迹线检测，判断网格内是否有迹线；
30.再次栅格化模块，其用于对有迹线的网格进行第二次栅格化处理；
31.特征提取模块，其用于提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征；
32.岩性识别模块，其用于将同一网格的光谱特征和图像特征进行融合，再经预先训练的岩性预测模型，识别出每一个网格的岩性；
33.岩性修正模块，其用于检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性。
34.作为一种实施方式，所述基于光谱成像技术的岩性识别系统还包括：
35.识别结果展示模块，其用于将最终得到所有网格的岩性采用填图的方式展示在隧道掌子面的图像上。
36.作为一种实施方式，在所述岩性修正模块中，采用九宫格检验法和区域迹线对第二次栅格化得到的网格的岩性进行约束，修正相应网格的岩性识别结果。
37.作为一种实施方式，在所述岩性识别模块中，将同一网格的光谱特征和图像特征进行融合之前，还包括：
38.将同一网格的光谱特征和图像特征进行归一化处理。
39.作为一种实施方式，在所述初次栅格化模块中，获取隧道掌子面的图像光谱数据之后，还包括：
40.对隧道掌子面的光谱数据进行预处理。
41.作为一种实施方式，在所述岩性识别模块中，所述岩性预测模型为分类器。
42.本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于光谱成像技术的岩性识别方法中的步骤。
43.本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于光谱成像技术的岩性识别方法中的步骤。
44.与现有技术相比，本发明的有益效果是：
45.(1)由于图像光谱技术获取的三维数据的数据量大，样本的全波段光谱数据量大、信息混杂，本发明利用获取的隧道掌子面的图像光谱数据对感兴趣区域进行栅格化处理，对每个网格内光谱图像的像素点的全波段求取平均值，将网格内的图像特征与平均光谱融合去识别岩性，既能确保掌子面信息的全部获取，又能降低模型运算量、提高模型稳健性和工作效率。
46.(2)本发明融合掌子面的图像数据和光谱数据，通过栅格化处理，提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征并经过特征融合，识别出每一个网格的岩性；再通过检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性，实现了在隧道现场对掌子面岩性进行识别，只需通过高光谱成像技术收集掌子面的信息，经过数据处理与分析，能够实时识别出掌子面上的岩性以及空间分布情况，做出对隧道前方岩体地质情况的判断，为掌握隧道前方岩体的地质情况提供了重要的参考依据。
47.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
48.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
49.图1是本发明实施例的基于光谱成像技术的岩性识别方法流程图；
50.图2是本发明实施例的掌子面网格划分的示意图；
51.图3是本发明实施例的基于光谱成像技术的岩性识别系统结构示意图。
52.其中，1、标准白板；2、光谱成像仪；3、成像镜头；4、电池；5、可伸缩台；6、伸缩杆；7、数据分析平台；8、光源；9、云台。
具体实施方式
53.下面结合附图与实施例对本发明作进一步说明。
54.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
55.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
56.实施例一
57.参照图1，本实施例提供一种基于光谱成像技术的岩性识别方法，其具体包括如下步骤：
58.步骤1：获取隧道掌子面的图像光谱数据，并对感兴趣区域进行栅格化处理。
59.在具体实施过程中，隧道掌子面的图像光谱数据可采用数据采集存储系统来实现，其结构如图3所示。其中，数据采集存储系统包括高光谱成像相机、云台9、标准白板1、电池4和光源8。其中，高光谱成像相机包括光谱成像仪2和成像镜头3。所述云台9固定在机器人上，用于安装、固定高光谱成像相机，云台9可以任意旋转，方便实际现场的操作。云台9底部还设置有可伸缩台5。所述光源8固定在机器人上，位于高光谱成像相机的周围，其类型为卤素灯，光源8高度及角度可调。所述标准白板1主要是用于光谱分析的光学校准测量。
60.本实施例利用成像高光谱仪具有“图谱合一”的优势，进行掌子面岩石扫描不但能同步获取岩石图像，还能够获取整个岩石面上的矿物光谱信息，通过高光谱三维数据的分析与融合，弥补了单一数据的不足，可以快速高效的获取掌子面岩性的空间分布信息。
61.为了减少照明不均匀以及相机暗电流的影响，需要对所采集的原始高光谱数据进行黑白校正，在相同的环境下，利用标准白板采集白参考，再将光源关闭后盖上镜头盖，采集暗参考，获得校正后的高光谱图像。
62.根据不同隧道环境调试机器人与掌子面的距离、云台的角度、成像光谱仪的高度，主要看目标的细节需要在什么样的空间分辨尺度下能够清晰的看到、分辨出来，不被其他干扰.
63.通过与标准白板1相连的伸缩杆5调节并校准成像光谱仪的标准白板1，将标准白板1的位置移动到相机的前方，相机探头垂直对准标准白板，进行校准。
64.其中，数据采集存储系统与数据分析平台7相连，数据采集存储系统获取的图像光谱传送至数据分析平台7进行相应栅格化等处理。
65.因为图像光谱系统采集的图像数据像素众多，每个像元均可以提取一条完整的高分辨率光谱曲线，数据量大，波段的增多会导致信息的冗余和数据处理复杂性的提升。若对整个掌子面所有的光谱数据均值化处理，会降低整体的识别精度，本实施例对掌子面进行网格划分，即将小网格内n个像素点的同一波段下的光谱值取均值，最终每个网格可以提取
一条完整的光谱曲线。
66.网格的划分根据实际隧道工程环境划分(取决于掌子面拍摄范围，掌子面的面积大小)，在其他设置正确的情况下，网格越密，求解精度越高；但网格越密，数量越多，求解时间越长；因此需要在求解效率和求解精度间做一个权衡。例如：初次调试网格划分时，可以将单个网格的面积大约设置为0.1平方米，如果一个掌子面的面积为40平方米，将掌子面均等的划分为400个网格。
67.作为一种具体实施方式，获取隧道掌子面的图像光谱数据之后，还包括：
68.对隧道掌子面的光谱数据进行预处理。
69.其中，利用由于光谱仪采集得到的光谱信号中既包含实验所需的有用信息，同时由于仪器精密度等原因带来随机噪声，预处理的方法有很多，例如卷积平滑、区域归一化、基线校正、一阶导数、标准正态变量变换以及多元散射校正等。最常用的消除噪声的方法(sg)卷积平滑法，将采集到的高光谱曲线进行光谱平滑，既消除噪声又保留了光谱轮廓。
70.对隧道掌子面的光谱数据进行预处理的效果包括具有黑白校正、光谱平滑等功能。为了克服光源强度在各波段下的不均匀性的影响以及高光谱图像采集过程中存在暗电流的影响，并将采集到的高光谱曲线进行光谱平滑，既消除噪声又保留了光谱轮廓。
71.步骤2：利用隧道掌子面的图像数据进行区域迹线检测，判断网格内是否有迹线。
72.在具体实施过程中，利用隧道掌子面的图像数据进行区域迹线检测，检测结果包括网格内无迹线和网格内有迹线这两种情况，如图2所示。
73.当检测结果为网格内无迹线时，网格不需要再次进行栅格化处理。
74.步骤3：对有迹线的网格进行第二次栅格化处理。
75.步骤4：提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征。
76.具体地，光谱特征包括光谱值均值化、特征波段提取、光谱波段数量。光谱均值化，小网格内所有像素点同一波段的光谱值均值，最终一个网格提取出一条光谱曲线。特征波段的提取，对特征波长进行筛选和提取。
77.具体地，光谱均值化，小网格内所有像素点同一波段的光谱值均值，即每个网格高光谱图像是n
×n×
p的三维张量，其中n
×
n是空间维，p是光谱维，将这个三维张量沿着第三维展开得到(n*n)
×
p表示每个波段对应n*n个像素点，然后对这些像素带点求平均得到1
×
p的向量，也可以理解为m为网格内像
78.—素点的个数，iij为第i个像素在第j波段下的光谱值，ij为一个网格内的第j波
79.—段下的平均光谱值，这些ij(j＝1、2
……
)构成了一条完整的光谱曲线，最终一个网格提取出一条光谱曲线。
80.特征波段的提取，由于光谱数据变量多，可能存在冗余的信息，若将每个光谱值都代入模型分析，不仅影响识别预测的准确率，也会增加系统处理分析的运算量，降低模型的运算速度，因此有必要对特征波长进行筛选和提取。光谱学在高光谱图像实际应用分析中要求在所选择特征波段的光谱曲线中有明显的波峰或波谷，即待测目标会吸收或者反射特征波段的光，对原始数据进行主成分分析，去除波段之间的多余信息、将多波段的图像信息压缩到比原波段更有效的少数几个转换波段下。可根据该主成分与原特征之间的因子载荷得到原特征中与该主成分相关性最大的特征，从而实现特征波长提取。最终选择特征波段b1,b2,b3
……
组成特征空间，得到特征空间下的样本的平均光谱曲线。
81.其中，图像特征非常丰富，各个特征之间也有着密切联系，各类特征之间的信息融合是进行识别的重要因素。可以采用灰度共生矩阵等方法分别以0
°
、45
°
、90
°
、135
°
四个角度从图像中计算纹理特征，提取图像光谱图像的能量、熵、惯性矩、相关性等特征值作为纹理特征。
82.步骤5：将同一网格的光谱特征和图像特征进行融合，再经预先训练的岩性预测模型，识别出每一个网格的岩性。
83.具体地，将同一网格的光谱特征和图像特征进行融合之前，还包括：
84.将同一网格的光谱特征和图像特征进行归一化处理。
85.上述技术方案所产生的优点在于，确保图像维度的特征向量的维度与光谱维度的特征向量的维度保持一致，最终提高网格的岩性识别结果的准确性。
86.将归一化处理的光谱特征和图像特征进行融合，将融合后的特征送入预先训练的岩性预测模型后进行岩性分类。
87.其中，所述岩性预测模型为分类器。
88.此处需要说明的是，分类器可以采用极限学习机、偏最小二乘回归、支持向量机等模型。
89.步骤6：检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性。
90.通过前期建立的模型，模型会将目标数据通过一定规则进行特征描述，进而根据特征对数据进行定性分类或定量预测，识别出每个小网格的岩性。同时采用九宫格检验法，借助图像信息处理出的区域迹线检测结果共同决定，可以减少局部区域识别对整体识别结果的影响。
91.在一些实施例中，采用九宫格检验法和区域迹线对第二次栅格化得到的网格的岩性进行约束，修正相应网格的岩性识别结果。
92.其中，九宫格检验法是利用九宫格图检验第二次划分的小网格的异常识别结果的网格；首先标定出九个网格内识别结果不同的网格，以异常网格为中心，建立九宫格，将其归为相邻八个网格中所占比重最大的岩性。
93.一般有区域迹线穿过的小网格岩性识别结果存在误差，因为此网格内可能存在两种岩性，此时继续对有迹线穿过的网格进行网格再次划分，此次划分的面积大约为0.01m2(即划分为9个网格)，采用上述相同的方法将提取的一条光谱曲线融合小网格内的图像特征，进行岩性的识别。对第二次划分的小网格，利用九宫格检验法进行识别结果的修正。
94.所述九宫格检验法是利用九宫格图检验第二次划分的小网格的异常识别结果的网格；首先标定出九个网格内识别结果不同的网格，以异常网格为中心，建立九宫格，将其归为相邻八个网格中所占比重最大的岩性。
95.上述技术方案所产生的优点在于，修正有区域迹线穿过的小网格岩性识别结果的误差，提高第二次划分的小网格的岩性识别结果的准确性。
96.在一个或多个实施例中能够，将最终得到所有网格的岩性采用填图的方式展示在隧道掌子面的图像上。
97.上述技术方案所产生的优点在于，实时直观地识别出掌子面上的岩性以及空间分布情况，做出对隧道前方岩体地质情况的判断，为掌握隧道前方岩体的地质情况提供了重
要的参考依据。
98.实施例二
99.本实施例提供了一种基于光谱成像技术的岩性识别系统，其包括初次栅格化模块、区域迹线检测模块、再次栅格化模块、特征提取模块、岩性识别模块和岩性修正模块。
100.(1)初次栅格化模块，其用于获取隧道掌子面的图像光谱数据，并对感兴趣区域进行栅格化处理。
101.具体地，在所述初次栅格化模块中，获取隧道掌子面的图像光谱数据之后，还包括：
102.对隧道掌子面的光谱数据进行预处理。
103.(2)区域迹线检测模块，其用于利用隧道掌子面的图像数据进行区域迹线检测，判断网格内是否有迹线。
104.(3)再次栅格化模块，其用于对有迹线的网格进行第二次栅格化处理。
105.(4)特征提取模块，其用于提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征。
106.(5)岩性识别模块，其用于将同一网格的光谱特征和图像特征进行融合，再经预先训练的岩性预测模型，识别出每一个网格的岩性。
107.具体地，在所述岩性识别模块中，将同一网格的光谱特征和图像特征进行融合之前，还包括：
108.将同一网格的光谱特征和图像特征进行归一化处理。
109.具体地，在所述岩性识别模块中，所述岩性预测模型为分类器。
110.例如：分类器可以采用极限学习机、偏最小二乘回归、支持向量机等模型。
111.(6)岩性修正模块，其用于检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性。
112.具体地，在所述岩性修正模块中，采用九宫格检验法和区域迹线对第二次栅格化得到的网格的岩性进行约束，修正相应网格的岩性识别结果。
113.在一个或多个实施例中，所述基于光谱成像技术的岩性识别系统还包括：
114.识别结果展示模块，其用于将最终得到所有网格的岩性采用填图的方式展示在隧道掌子面的图像上。
115.此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
116.实施例三
117.本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于光谱成像技术的岩性识别方法中的步骤。
118.实施例四
119.本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于光谱成像技术的岩性识别方法中的步骤。
120.本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程
和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
121.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：

1.一种基于光谱成像技术的岩性识别方法，其特征在于，包括：获取隧道掌子面的图像光谱数据，并对感兴趣区域进行栅格化处理；利用隧道掌子面的图像数据进行区域迹线检测，判断网格内是否有迹线；对有迹线的网格进行第二次栅格化处理；提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征；将同一网格的光谱特征和图像特征进行融合，再经预先训练的岩性预测模型，识别出每一个网格的岩性；检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性。2.如权利要求1所述的基于光谱成像技术的岩性识别方法，其特征在于，将最终得到所有网格的岩性采用填图的方式展示在隧道掌子面的图像上。3.如权利要求1所述的基于光谱成像技术的岩性识别方法，其特征在于，采用九宫格检验法和区域迹线对第二次栅格化得到的网格的岩性进行约束，修正相应网格的岩性识别结果。4.如权利要求1所述的基于光谱成像技术的岩性识别方法，其特征在于，将同一网格的光谱特征和图像特征进行融合之前，还包括：将同一网格的光谱特征和图像特征进行归一化处理。5.如权利要求1所述的基于光谱成像技术的岩性识别方法，其特征在于，获取隧道掌子面的图像光谱数据之后，还包括：对隧道掌子面的光谱数据进行预处理。6.如权利要求1所述的基于光谱成像技术的岩性识别方法，其特征在于，所述岩性预测模型为分类器。7.一种基于光谱成像技术的岩性识别系统，其特征在于，包括：初次栅格化模块，其用于获取隧道掌子面的图像光谱数据，并对感兴趣区域进行栅格化处理；区域迹线检测模块，其用于利用隧道掌子面的图像数据进行区域迹线检测，判断网格内是否有迹线；再次栅格化模块，其用于对有迹线的网格进行第二次栅格化处理；特征提取模块，其用于提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征；岩性识别模块，其用于将同一网格的光谱特征和图像特征进行融合，再经预先训练的岩性预测模型，识别出每一个网格的岩性；岩性修正模块，其用于检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性。8.如权利要求7所述的基于光谱成像技术的岩性识别系统，其特征在于，所述基于光谱成像技术的岩性识别系统还包括：识别结果展示模块，其用于将最终得到所有网格的岩性采用填图的方式展示在隧道掌子面的图像上；或
在所述岩性修正模块中，采用九宫格检验法和区域迹线对第二次栅格化得到的网格的岩性进行约束，修正相应网格的岩性识别结果；或在所述岩性识别模块中，将同一网格的光谱特征和图像特征进行融合之前，还包括：将同一网格的光谱特征和图像特征进行归一化处理；或在所述初次栅格化模块中，获取隧道掌子面的图像光谱数据之后，还包括：对隧道掌子面的光谱数据进行预处理；或在所述岩性识别模块中，所述岩性预测模型为分类器。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于光谱成像技术的岩性识别方法中的步骤。10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于光谱成像技术的岩性识别方法中的步骤。

技术总结

本发明属工程地质岩性识别技术领域，提供了一种基于光谱成像技术的岩性识别方法及系统。其中，该方法包括获取隧道掌子面的图像光谱数据，并对感兴趣区域进行栅格化处理；利用隧道掌子面的图像数据进行区域迹线检测，判断网格内是否有迹线；对有迹线的网格进行第二次栅格化处理；提取所有无迹线的网格及再次栅格化得到的网格的光谱特征和图像特征；将同一网格的光谱特征和图像特征进行融合，再经预先训练的岩性预测模型，识别出每一个网格的岩性；检验第二次栅格化得到的网格的岩性识别结果并进行修正，最终得到所有网格的岩性。最终得到所有网格的岩性。最终得到所有网格的岩性。