机器学习(ML)算法在科学领域的应用持续拓展，尤其在地质特征识别方面取得新进展。首尔科技大学(SEOULTECH)的研究人员成功开发了一种名为粗糙度-CANUPO-Dip-Facet (R-C-D-F) 的自主地质评估工具，旨在提高大型建筑项目如隧道和矿山的地质评估精度和安全性。该工具由Hyungjoon Seo教授领导的研究团队开发，针对传统ML模型在区分岩石节理带和节理嵌入点方面的不足，提出了一套多步骤的过滤技术。

R-C-D-F方法通过精细的过滤步骤，有效去除了节理带，同时保留了关键的节理嵌入点，从而实现了对岩石刻面倾角和方向的高精度测量。研究团队的成果于2024年9月11日在线发布，并在同年12月1日正式发表在《隧道与地下空间技术》杂志上。实验结果显示，R-C-D-F方法在各种真实隧道人脸图像上的准确率高达97%至99.4%，且成功去除了100%的节理带，同时保留了81%的节理嵌入点。

Seo教授表示：“通过自动化过滤和分割岩石特征的过程，R-C-D-F方法减少了人为错误和计算效率低下的问题，使其成为现代基础设施项目的理想选择。”他进一步指出，该方法结合了ML和深度学习技术，确保了地质数据处理的可靠性和准确性，有望直接提升隧道和地下结构等大型工程项目的安全性。此外，R-C-D-F方法的完全自主性质也是其重要优势之一，无需人工干预即可完成地质特征的识别和测量。这不仅降低了人为因素导致的误差，还提高了数据处理效率，为开发更智能、更快速的地质分析工具提供了可能。