基于DIC和YOLO算法的复杂裂隙岩石破坏过程 动态裂隙早期智能识别

张庆贺，陈 晨，袁 亮，张 通，方致远，李 翎，蒋博文

(1.安徽理工大学 深部煤矿采动响应与灾害防控国家重点实验室，安徽 淮南 232001；2.合肥综合性国家科学中心 能源研究院，安徽 合肥 230031；3.安徽理工大学 土木建筑学院，安徽 淮南 232001；4.安徽理工大学 计算机科学与工程学院，安徽 淮南 232001)

and recognition

由于地质环境的复杂作用，天然岩体内部存在大量复杂的节理裂隙，裂隙岩体失稳大多由裂隙扩展和贯通引发。裂隙扩展规律和主动监测对裂隙岩体稳定性至关重要。研究表明，含复杂裂隙岩石试件破坏过程中裂隙扩展情况复杂多变，不同位置、不同尺寸的裂隙对试件破坏影响极为不同。外荷载作用下，仅一部分裂隙尖端萌生新裂纹，并在荷载作用下扩展；而另一部分裂隙则基本不参与裂隙扩展过程，复杂裂隙岩石试件的整体失稳由这一部分动态裂隙所主导。因此，超前性的快速精准识别这类动态裂隙对于评估结构整体稳定性十分重要。

数字图像相关技术(Digital Image Correlation，DIC)是一种有效的非接触式无损检测技术，DIC技术使得试件表面应变场测量成为现实，在裂隙岩石试验领域得到了广泛重视和应用。王本鑫等对不同角度预制节理的岩石试件进行了单轴压缩试验，通过DIC技术观测分析试件裂纹萌生、扩展和贯通过程。研究表明，DIC技术能记录和显示普通相机和人眼无法捕捉到的裂隙萌生前兆，并在目标材料上可视化的显示应变集中位置。张科等利用3D打印技术，实现了裂隙网络岩石试件的制备，并结合DIC方法对试件全局应变场进行测量，分析了裂隙网络试件破裂特征。研究发现，在原生裂隙起裂前，裂隙尖端会产生应变集中区域，更加直观的反映出复杂裂隙试件的破裂规律，再次证明DIC技术是对裂隙萌生扩展监测的有效方法。虽然DIC技术在识别裂隙演化方面具有可靠性，但是含复杂裂隙的试件中，裂隙分布广、数量多，在试件加载过程中，多条裂隙可能同时动态扩展和破裂，破坏过程中裂纹复杂多变，动态裂隙的捕捉难以准确高效。仅依赖试验人员观察DIC云图识别裂隙不仅效率低下，并且主观性强、准确性低。

随着计算机技术和人工智能技术的快速发展，基于深度学习的目标检测方法在许多领域展现出卓越的性能。KOU等结合深度神经网络和无锚特征选择开发了基于YOLO-V3的端到端钢带表面缺陷检测模型，通过提高检测模型的特征提取、特征传播等，增强了网络的表征能力，提高了带钢表面缺陷的检测精度和速度。ZHANG等利用深度学习方法和增量随机采样(IRS)方法，提出了一种智能的湿损识别和定位方法，在检测和定位沥青路面湿损方面具有良好的性能和优越性。MAJIDIFARD等采用深度学习方法来预测沥青路面的路面破损，利用谷歌街景图像和深度学习框架来自动检测、分类和分割9种类型的路面破损。在混凝土或岩石类材料裂隙智能识别方面，深度学习也可以从原始图像中自动提取高级语义信息，为裂隙智能识别提供新途径。JU Huyan等提出了路面裂缝深度网络架构(CrackDN)，检测具有复杂道路背景的密封和未密封裂缝，并对比了CrackDN、Faster-RCNN和SSD300三种智能检测算法的性能。CUI Xiaoning，JIANG Yongqing和WEI Fujia等学者运用智能检测技术对混凝土损伤进行分类识别和量化。SONG Ee Park等将深度学习技术与结构光技术结合应用到混凝土结构表面的检测和裂纹量化。在深度卷积神经网络算法的选择上，YOLOv5算法是YOLO家族较新的框架，不少研究学者采用YOLOv5算法模型进行目标的智能检测，研究发现，YOLOv5算法模型比传统模型检测快、精度高，可有效的提高目标物的识别准确率。

综上所述，DIC技术对复杂裂隙岩石变形破坏过程中的早期微裂纹萌生和扩展非常敏感，YOLOv5算法是一种检测快、精度高的智能检测识别算法，因此，DIC和YOLOv5结合可能是一种智能识别复杂裂隙岩石破坏的新方法。为此，笔者设计了含20条随机裂隙的岩石试件破坏试验，采用DIC技术对试件变形破坏全过程进行实时采集，并精细化地分析了每一条裂隙的发育发展过程。进一步地，将试件应变场演化云图作为训练数据集，并基于YOLOv5算法进行二次定义，来自动智能识别试件中动态裂隙演化情况，进而对复杂裂隙岩石破坏过程进行智能预警。

1 裂隙岩石试件破坏试验

1.1 复杂裂隙岩石试件的制备

3D打印技术(3D Printing,3DP)是近年来发展起来的一种快速成型技术，它以数字化模型为基础，运用塑料、膏体或粉末状金属等可黏合材料将三维数字模型通过逐层打印并堆积的方式构造试验样品，又称作“增材制作”技术。在岩石力学试验领域，由于3DP技术具有成型精度高、制样误差小、可制作含复杂结构的试验模型等优势，得到了广泛的应用。在含裂隙岩石试件打印成型方面，3DP技术大致划分为两大类:① 直接打印试件模型。如齐飞飞等采用人造石英砂和呋喃树脂打印了尺寸为100 mm×100 mm×20 mm(高×宽×厚)的平行节理试样；黄娜等采用光敏树脂打印了考虑裂隙开度的三维粗糙裂隙网络DFN模型试样;② 先利用水溶性材料打印裂隙模型，并利用水泥砂浆材料制作试件，再通过水溶性材料溶于水的特性剔除裂隙模型，生成含裂隙的水泥砂浆类岩石试件。如王本鑫等采用该方法制作了含粗糙交叉节理类岩石试件。本文采用第2种方法制作裂隙网络类岩石模型试件。

1.1.1 裂隙网络模型3D打印

研究表明，在实际工程中复杂裂隙网络岩体中的裂隙分布、尺寸往往服从某种统计学规律。为此，笔者以我国西南地区澜沧江上游河段的某水电站坝基岩体为研究原型，并基于蒙特卡洛原理编写了随机裂隙生成的Python程序。利用该程序，在100 mm×100 mm范围内生成了20条随机分布的裂隙。其中，裂隙宽度在0.8～1.0 mm服从正态分布，裂隙长度在10～20 mm服从正态分布。生成后，将2D数字模型导入CAD和Solidworks软件中，利用平面拉伸命令将20条裂隙向轴正向拉伸20 mm，生成3D数字模型。随后，将3D数字模型保存成*.STL格式，得到可用于3D打印的数字模型。将3D打印数字模型导入3D打印机进行裂隙打印。打印耗材为聚乙烯醇(PVA)，打印方法为熔融堆积法，精度为0.1 mm。上述流程如图1(a)所示。

图1 试件制作原理及流程Fig.1 Principle and process of specimen production

1.1.2 裂隙网络岩石相似材料试件制备

水泥砂浆作为一种类岩石材料，具有成分可控、力学性能良好等优点。根据文献[9-11]的研究成果，水泥砂浆材料的力学参数及破坏形态与砂岩比较接近，因此选用水泥砂浆类岩石材料来近似模拟砂岩。制备方法如下：

(1)选用试件模具内尺寸为100 mm×100 mm×20 mm(长×宽×高)，将3D裂隙实体模型放置于模具内，将材料质量配比为普通硅酸盐水泥∶砂∶水=1.0∶1.0∶0.4的水泥砂浆倒入模具，充分振荡。

(2)27 h后拆除模具，并将试块放入标准养护室中养护28 d。

(3)养护完成后，将试件放入清水中浸泡48 h，PVA材料自行溶解，形成裂隙网络。

(4)将试件在常温下自然干燥，用砂纸将制备好的试件打磨平整，在试块一侧先后喷白漆、黑漆来形成散斑场。其中，白漆为色底，黑漆颗粒自然落在白色底漆上，便于DIC设备采集和计算应变场。

制作的裂隙网络类岩石材料试件如图1(b)所示，它与砂岩试件的力学参数见表1。

1.2 试验仪器

试验系统如图2所示。其中，加载设备为济南时代试金公司生产的伺服万能试验机，对试件施加位移荷载，荷载速率为0.3 mm/min。DIC单元采用VIC-2DSystem，采用双目工业相机实时拍摄加载过程中试件表面散斑场的变化，相机的分辨率为2 560 像素×1 920像素，拍摄速率为10帧/s。拍摄时，采用LED冷光灯对试件表面进行补光，使相机记录的散斑图像具有较高的清晰度。试件加载前，在试件上下两端涂凡士林，以减小端部摩擦对试验的不利影响。

表1 类岩石材料与砂岩力学参数对比

图2 试验系统Fig.2 Test system

1.3 试验结果与分析

1.3.1 试件力学特性

3个材料组分和裂隙分布相同的裂隙网络类岩石试件的应力-应变曲线如图3所示，可以看出，这3个试件的峰值强度和弹性模量基本一致，表明通过3D打印技术制备的试件力学性质稳定，具有很好的可重复性。

各试件的变形破裂特征大致相似，受篇幅所限，本文选取2号试件进行分析。图4(a)给出了应力-应变曲线上标识点～所对应时刻的裂纹扩展情况。此外，将试验全过程中采集的数字散斑图像导入数字图像相关软件Vic-2D中，计算得到图4(b)试件加载过程中的应变场。

图3 应力-应变曲线Fig.3 Stress-strain curves

图4 试件破坏情况及应变场演化Fig.4 Damage to the specimen and strain field evolution

由图3,4可以看出，含复杂裂隙分布的试件变形破裂过程大致可以划分为4个阶段：

(1)初始压密阶段(0～段)，与真实岩石试件类似，该阶段试件内部原生微缺陷被逐渐压密，具有显著的初期非线性变形特征。此时，试件中的预制裂隙未发生扩展，试件应变场相对均匀。

(2)近似线性阶段(～段)，随着荷载的增加，应力-应变曲线呈现近似线性增大。在点处，第17号裂隙处出现应变集中，但对试件整体强度影响不大。

(3)裂纹萌生、扩展阶段(～段)，当应力增加至点，试件第2，3，11，12，14，17号裂隙处发生应变集中和裂隙扩展。点后，试件的应力-应变曲线出现第1次跌落，随即试件内部达到新的应力平衡，应力-应变曲线小幅度上涨。当应力到达点时，左侧裂隙完全贯通，近乎剥落。同时伴随着新裂纹的产生，应力-应变曲线再次出现应力跌落；之后，新的应力平衡建立，应力-应变曲线继续小幅上涨。由于试件内部分布20条复杂裂隙，因此，在应力达到峰值应力之前，应力-应变曲线伴随着多次应力跌落和应力重分布。在这一过程中，虽然试件萌生了一些新裂纹，但未出现贯通破裂面。

(4)峰后阶段(～段)，当应力达到了峰值应力点，新裂隙和原生裂隙贯通试件，试件承载力迅速下降，发生脆性破坏。表明裂隙网络试件的破坏是新生裂纹萌发扩展与原生裂隙搭接、贯通的过程。

1.3.2 动态裂纹的局部应变响应

为了进一步揭示单条裂隙扩展对试件整体强度的影响，对20条裂隙发育、扩展情况进行精细化统计分析，见表2。

新生裂纹主要从预制裂隙尖端起裂，与附近其他预制裂隙尖端搭接或扩展至试件边缘，新生裂纹与加载方向的夹角见表4，其中轴正向(与加载方向平行)记为0°，角度沿顺时针方向增加。由表3可见，倾角在[0°，360°]随机分布，由于新生裂隙在预制裂隙之间搭接，因此，新生裂纹倾角大小与预制裂隙附近的其他裂隙位置及荷载加载方向有相关性。

表2 裂隙扩展统计

表3 新生裂纹发育角度

结合图4和表2,3可以发现单条裂隙对试件整体强度有重要影响。

(1)在初始压密阶段：试件应变场相对均匀，仅少量原生裂隙尖端发生应变集中，且应变集中不明显,基本不影响试件整体强度。

(2)在近似线性阶段：在点处，预制裂隙2，3，11，12，14，17号裂隙端部开始萌生新裂纹，应变场云图中出现覆盖裂隙的深红色应变集中区域。同时，弹性阶段结束，且多条裂纹是同时萌生的。

(3)裂纹萌生、扩展阶段：在点处，试件的左侧1，2，3号预制裂隙开始互相搭接，左侧接近脱落，同时11号裂隙上端萌发的反翼裂纹与13号裂隙上端萌发的反翼裂纹搭接，11号裂隙下端的翼裂纹与12上端的反翼裂纹搭接，12号上端和14号下端产生的反翼裂纹搭接，17号下端和14号上端产生的翼裂纹搭接。应变场云图中上述裂隙位置都存在显著变化，当裂隙扩展比较显著时，新生裂纹的应变数据丢失，应变云图不再显示颜色。同时，应力-应变曲线也出现小幅度的应力波动。

(4)峰后阶段：在点处，4号裂隙上端萌发向上扩展的翼裂纹，6号裂隙下端产生的倾斜反翼裂纹与7号裂隙上端产生的翼裂纹搭接；点处，裂隙持续发育，4号裂隙上端的新生翼裂纹发育到试件边缘，6号和7号裂隙的上端分别萌发倾斜反翼裂纹，13号裂隙中部萌发倾斜次生裂纹，14号裂隙下端的拉伸翼裂纹沿轴向扩展，应力-应变曲线产生1.14 MPa的应力降；点处，9号裂隙上端产生的翼裂纹与12号裂隙下端产生的反翼裂纹搭接，预制裂隙4，5，6，7，8，9，11，12，13，14，17之间相互搭接，组成一张复杂的裂隙网，产生应力降，最终形成导致试件破坏的宏观贯穿裂隙。

由单条裂隙扩展统计分析、试件的强度规律以及DIC云图可以看出，利用试件应变场的演化规律，可以清楚追踪试件裂纹扩展与破坏的特征。在加载时，含复杂裂隙的试件中，每一条裂隙起裂前，总是首先出现应变集中区域，并且应变集中区域具有前兆性。在裂纹萌生、扩展阶段的初期可能同时有多条裂隙发生扩展，裂纹萌生。扩展阶段的后期应力发生小幅度的波动，并且裂隙扩展十分复杂。在峰后阶段动态裂隙萌发愈加密集，扩展愈加复杂。这都给裂隙监测带来极大的挑战。此外，含复杂裂隙分布的试件弹性阶段结束时的应力与峰值应力比较接近，约为97%(为峰值应力)，到达峰值应力后，试件迅速破坏。因此，基于裂隙扩展情况超前判断试件承载性能非常重要。

2 基于YOLOv5的动态裂隙智能检测

从含复杂裂隙试件破坏的试验结果分析中得知，试件整体强度与单条裂隙扩展具有重要关系，统计每一条裂隙的扩展情况可以半定量地判定试件整体强度。然而，在含复杂裂隙的试件中，原生裂隙分布广、数量多，试件在破坏过程中，多条原生裂隙在极短的时间内同时破裂。因此，依赖试验人员肉眼观察DIC云图识别和统计动态裂隙不能满足频率要求，并且主观性强、准确性低。基于深度学习的智能识别方法可以从DIC云图中快速提取高级语义信息，为裂隙破坏智能识别提供新途径。在深度卷积神经网络算法的选择上，YOLOv5算法检测快、精度高，可有效的提高目标物的识别速度和准确率。

2.1 目标检测算法YOLO

YOLO(You Only Look Once)是基于卷积神经网络的目标检测算法。YOLO算法将目标检测任务看作单一的回归预测问题，直接从图像像素中获取边界框坐标和类别概率。它采用组合的卷积神经网络提取图像的多尺度特征，然后经过全连接网络层进行特征融合，并将图像特征传递到预测层，最后处理网络预测结果并对图像特征进行预测，并生成目标边界框和预测类别概率。YOLO算法的具体做法是将输入图像分成×个窗格，每个窗格用来检测一个中心点落在该窗格的物体，因此窗格可以隐式地包含物体类别和背景信息。同时，每个窗格会预测到个边界框(Bounding box)以及边界框的置信度(Confidence score)。其中，边界框是指以该窗格向外延伸的边界框，若边界框内检测到有目标物体，则要预测其各类物体的概率。

2.2 YOLOv5算法框架和开发

YOLOv5算法是YOLO系列中推理速度最强、模型大小最轻量的目标检测模型，其模型结构如图5所示。YOLOv5的Backbone阶段采用Focus和CSPDarknet53结构。其中，Focus结构对输入目标的维度进行切片处理，减少目标原始特征信息的丢失，并提高模型的计算速度，经过一系列卷积操作得到不同尺寸的特征图像。Neck特征融合阶段采用FPN+PAN的结构，对不同尺寸的特征图像进行采样，将特征图像处理成相同大小，然后进行特征融合及卷积，得到3个具有更强特征表现能力的特征层。Prediction预测阶段通过用Head模型预测最终结果，在网格中根据特征标记锚定框，通过损失计算得出目标类的概率和边框最终位置。此外，YOLOv5使用GIOU loss作为边界框的损失函数，使边框的收敛效果既快又好。特征提取结构CSPDarknet53是YOLOv5算法的核心，可识别输入目标类别和输出位置，是图像分类与定位相结合的算法。

图5 YOLOv5算法模型结构Fig.5 Structure diagram of YOLOv5 algorithm model

笔者提出了一种基于YOLOv5算法的智能检测模型，结合DIC云图和YOLOv5算法实现动态裂隙的智能识别，目标检测过程如图6所示。

图6 试件动态裂隙检测识别Fig.6 Dynamic crack detection and identification of specimen

(1)将输入的裂隙网络图划分为×个单元格，每个单元格针对不同大小尺度的目标生成先验框，识别目标的中心落在某一个网格中，则由该网络的先验框负责跟踪识别该目标。采用置信度表示该先验框中目标分类概率及匹配目标的性能。

=Pr(object)×IOU(pred，truth)

(1)

式中，Pr(object)为预测框内对象概率，若预测框内没有目标则为0，否则为1；IOU(pred，truth)为预测框(predicted box)与真实框(ground truth)的交并比。

(2)对划分的裂隙图像进行归一化处理，将归一化后的裂隙数据集送到下层特征提取网络进行特征提取。

(3)设置预测框，分为大小不同的框，针对不同检测目标，计算预测框位置，即中心点坐标。

(4)根据预测坐标的偏移值，计算目标中心点位置及预测框宽度、高度。

(5)输出目标识别结果。

2.3 目标检测试验

2.3.1 软件及硬件条件

所用计算机为台式电脑，AMD Ryzen 9 3900X处理器、主频3.80 GHz，内存32GB，GeForceGTX 2080ti显卡，12G显存。Windows10，64位操作系统，采用python和pytorch搭建YOLOv5算法模型。

2.3.2 数据集

(1)数据集预处理。通过复杂裂隙试件破坏试验得到的应变场演化云图来建立深度学习数据集。共采集到应变场云图1 000张，约20 000条裂隙破坏形态的数据。智能算法对20 000条裂隙进行训练和测试，其中，16 000条裂隙作为训练集，2 000条作为测试集。为了丰富数据集，本文在输入端使用了Mosaic数据增强技术，如图7所示。通过随机缩放、随机裁剪、随机排布进行拼接补充，增强了很多目标物体样本数据。Mosaic数据增强技术会把目标物体变得更小，但最后会使得小尺寸的大目标物体检测的更加精准，让网络的鲁棒性更好，能够有效的解决动态裂隙检测样本中小目标物体不足的问题。

图7 Mosaic数据增强原理Fig.7 Mosaic data enhancement principle

(2)裂隙分类。试验结果分析已经得出某一条裂隙的初次起裂也会很大程度的影响整个岩体的强度，所以同步监测全体裂隙并捕捉动态裂隙是本文主要解决的问题。为此，将不同阶段的裂隙分为原生裂隙(Original Fissures,OF)、应变集中区(Strain Concentration Areas,SCA)、新生裂隙(Emerging Fissures,EF)、交叉裂隙(Cross Fissure,CF)4类。4种类型如图8所示，图8(a)为试件中预制的原生裂隙；图8(b)为在试件受载过程中应变集中的区域，是新裂纹萌生的前兆；图8(c)为在原生裂隙尖端新生的裂纹；图8(d)为当新生裂隙扩展并与原生裂隙搭接而出现的交叉裂隙。

图8 裂隙分类情况Fig.8 Classification of fissures

2.3.3 检测结果

利用数据集进行迭代训练。训练过程中，使用随机梯度下降算法，批量大小为64，动量为0.937，衰减为0.000 5，学习速率初始化为0.01。训练完成后，将测试集图像输入到已训练好的模型中，神经网络算法输出目标物预测框和置信度，得到了动态裂隙检测结果，如图9所示。

由于试件整体强度与单条裂隙扩展具有重要关系，特别是新生裂隙和交叉裂隙对试件整体强度影响最大。为此，智能识别算法重点识别并统计这两大类裂隙，当新生裂隙和交叉裂隙数量较多时，试件即将破坏。由此可以对试件整体强度和破坏进行半定量的预警。

注：预测框4种颜色：橙、蓝、紫、红，分别对应4种不同阶段下的裂隙：原生裂隙(OF)、应变集中区(SCA)、新生裂隙(EF)、交叉裂隙(CF)；预测框内的数值为置信度。图9 试件破坏过程中动态裂隙检测结果Fig.9 Dynamic crack detection results during specimen failure

2.4 算法评估

2.4.1 模型识别精度衡量指标

本文选用、平均精度均值()和损失函数作为模型精度衡量指标。其中,指标都依赖于混淆矩阵(Confusion Matrix)、精确率(Precision)和召回率(Recall)的计算，网络模型训练所得混淆矩阵如图10所示。

图10 识别模型混淆矩阵Fig.10 Identification of the model confusion matrix

分数为结合精确率和召回率的一个综合指标，可以避免精确率和召回率相差较大的极端情况，能较好的反映整体，精确率为所有判别为正的样品中实际为真的占比率，衡量模型对负样本的识别能力；召回率为每一类分类的精确率，衡量模型对正样本的识别能力，计算公式如式(2)～(4)所示。

(2)

(3)

(4)

式中，为模型预测为正的正样本数量；为模型预测为正的负样本数量；为模型预测为负的正样本数量。

与平均精度()相关，其中@0.5为当混淆矩阵IoU阈值取0.5时，针对某一类具有个正例的样本，所有检测结果按置信度进行降序排列，每增加一个正例将对应一个精确率()，对个求平均值即得该类的@0.5，计算公式为

(5)

@0.5定义为所有类的@0.5求均值，@0.5衡量模型精确率随召回率变化趋势，@0.5越高意味着模型越容易在高召回率下保持高准确率，计算公式为

(6)

式中，为类别数。

采用广义损失参数GIoU来评价模型，该特征反应了检测框与实际标注框的重合率，其中GIoU损失值越小表示检测收敛效果越好，计算公式如式(7)，(8)所示。

(7)

GIoU=1-GIoU

(8)

式中，GIoU为损失值；为输出框(predict box)的面积；为真实框(ground truth)的面积；为2个框的最小闭包区域面积。

2.4.2 评价结果分析

基于构建的动态裂隙智能识别算法得到了精确率、召回率和曲线，如图11所示。随着迭代训练次数的增加，精确率和召回率逐渐增加，在迭代接近100次时，精确率和召回率曲线达到了平衡，平衡后的精确率和召回率都达到了80%以上，精确率均值为84%，召回率均值为89%。表明本算法检测速度快、精度高。从衡量网络整体性能的可以发现，都处于80%以上，最高达到了91%，表明模型高精度边界拟合能力较强，表明本算法检测效果较优。

GIoU损失参数随着迭代训练次数变化曲线如图12所示。从训练结果可以看出，GIoU损失函数呈现下降趋势，500次迭代训练后，GIoU损失值趋于拟合达到0.01左右，模型趋于稳定，达到了整体最优解。表明了该网络模型的检测收敛效果较优。为了验证模型的识别效果，采用测试样本集进行训练，得到得分情况。4种类型相对应的值分别为83%，89%，87%和85%，识别频率为111 fps。在全局统计意义上来说，4种裂隙类型识别的平均值达到86%，证明本算法能够比较精准的智能识别这4类动态裂隙。

图11 模型训练曲线Fig.11 Model training curves

图12 GIoU损失函数曲线Fig.12 GIoU loss function curves

3 结 论

(1)含复杂裂隙试件破坏过程中往往伴随多条动态裂隙扩展和贯通。DIC技术能够实现含复杂裂隙试件应变场的定量获取，实现对每条裂隙的直观监测。在每条原生裂隙起裂前，总是首先出现应变集中区域，并且应变集中区域具有前兆性，预示着新裂纹的萌生。

(2)试件整体强度与单条裂隙扩展具有重要关系，新生裂纹产生后试件的弹性变形阶段结束，弹性阶段结束时的应力与峰值应力比较接近，约为97%(为峰值应力)。裂隙扩展阶段出现多次应力波动，应力波动与交叉裂隙有重要关系。试件到达峰值应力后，试件迅速破坏。统计每条裂隙的扩展情况可以半定量的评估试件的整体强度。

(3)结合DIC方法对裂隙网络岩石试件加载过程进行全局应变场测量，获取的试件应变场云图作为样本数据集，并结合试验得到的强度规律对裂隙破坏模式进行了分类：原生裂隙、应力集中区、新生裂隙和交叉裂隙。其中，交叉裂隙对试件整体强度影响最大。

(4)基于YOLOv5搭建了适用于识别复杂裂隙岩石试件动态裂隙的智能检测算法，检测结果表明，该模型可以对动态裂隙可以进行智能精准识别，基于裂隙类型可以智能判定每条裂隙的状态，也可对动态裂纹数量进行智能统计。

(5)建立的动态裂隙智能检测模型检测速度快、精度高，4种裂隙类型相对应的分别为83%，89%，87%和85%，总体识别精度可达86%。本方法可以为含复杂裂隙岩石破坏的智能监测和破坏预警提供新思路、新方法。