CN109886329A - 围岩破碎等级检测方法、检测系统和掘进设备 - Google Patents

Abstract

本发明提出了一种围岩破碎等级检测方法、检测系统和掘进设备。围岩破碎等级检测方法包括：获取围岩的图片信息，并根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集；对样本集进行预处理；基于深度学习原理搭建卷积神经网络模型，根据经过预处理后的样本集内的图片信息训练卷积神经网络模型，并验证训练后的卷积神经网络模型的准确度；将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。本发明提出的围岩破碎等级检测方法根据围岩的完整性信息对围岩的破碎等级进行分类，基于深度学习原理搭建卷积神经网络模型，为围岩的智能支护和风险预测提供准确依据。

Description

围岩破碎等级检测方法、检测系统和掘进设备

技术领域

本发明涉及工程机械技术领域，具体而言，涉及一种围岩破碎等级检测方法、一种围岩破碎等级检测系统、一种掘进设备。

背景技术

TBM(Tunnel Boring Machine全断面掘进机)通过诸如软岩、断层带和风化岩等软弱围岩时，往往会由于强烈挤压变形和破坏而发生卡机、塌方、突涌水等事故。为了防止在掘进施工过程中围岩变形和破碎，通常需要采用架设拱架、安装锚杆、挂钢筋网、喷射混凝土等支护方法对围岩进行加固。支护不及时或支护来不及时，对施工机械造成损害，甚至引发塌方等事故，对人造成伤害，这不仅增加了建造及维护维修成本，还会影响工期，造成较大的损失。岩体的完整程度，是围岩等级划分的标准之一。隧道围岩是否需要支护，如何支护，需要根据围岩破碎等级确定。隧道破碎情况检测方法主要是：人工观察、雷达探测、专家经验等，更多依赖人工手段，判断风险较为困难。

相关技术中，通过基于深度学习的快速识别来检测隧道裂缝的长度和宽度信息，利用改进的AlexNe神经网络模型(以第一作者Alex Krizhevsky的名字命名的一种神经网络)处理待检测图像，输出预测标签图像，包括图像类别(有无裂缝)、裂缝的坐标信息以及裂缝的像素级宽度值和长度值；根据检测结果输出病害记录结果，获取裂缝的实际宽度值和长度值。但没有考虑围岩的节理发育、围岩裂缝组数、分布的平均间距和结构面的类型等因素，无法获取围岩等级，具有一定的局限性。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。

为此，本发明第一方面提出了一种围岩破碎等级检测方法。

本发明第二方面提出了一种围岩破碎等级检测系统。

本发明第三方面提出了一种掘进设备。

本发明第一方面提出了一种围岩破碎等级检测方法，包括：获取围岩的图片信息，并根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集；对样本集进行预处理；基于深度学习原理搭建卷积神经网络模型，根据经过预处理后的样本集内的图片信息训练卷积神经网络模型，并验证训练后的卷积神经网络模型的准确度；将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。

本发明提出的围岩破碎等级检测方法根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集，并对样本集进行预处理，使得样本集内的图片信息符合卷积神经网络模型的格式要求。具体地，该样本集内存储有不同破碎等级的围岩信息；然后基于深度学习原理搭建卷积神经网络模型，并根据经过预处理后的样本集内的图片信息对卷积神经网络模型进行训练，并验证训练后的卷积神经网络模型的准确度，使得训练后的卷积神经网络模型的准确度得到提高，并可以广泛使用；待验证训练后的卷积神经网络模型的准确度后，将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。具体地，不同分类等级的围岩对应不同的破碎情况，不同的破碎情况对应不同的风险概率和支护等级。在获得围岩的分类等级后，便可根据其破碎情况和风险概率确定是否需要进行支护及支护等级。

本发明提出的围岩破碎等级检测方法根据围岩的完整性信息对围岩的破碎等级进行分类，以获得围岩不同的分类等级；基于深度学习原理搭建卷积神经网络模型，为围岩的智能支护和风险预测提供了有效且准确的依据。整个过程中围岩图片通过相机动态采集，通过图片识别，无需人工识别，降低施工人员受伤害的风险，对安全科学施工、提高工作效率有重大效果；促进智能化支护技术发展，降低施工成本。

根据本发明上述的围岩破碎等级检测方法，还可以具有以下附加技术特征：

在上述技术方案中，优选地，基于深度学习原理搭建卷积神经网络模型，根据经过预处理后的样本集内的图片信息训练卷积神经网络模型，并验证卷积神经网络模型的准确度的步骤，包括:按预设比例将样本集分为训练集和测试集；将训练集内的图片信息输入至卷积神经网络模型进行训练，以得到围岩的分类等级的预测值；将预测值与训练集内的图片信息的实际值进行比较，获取每次训练的损失函数，并根据损失函数及卷积神经网络模型的准确度调节卷积神经网络模型的参数信息及网络结构；根据测试集内的图片信息对卷积神经网络模型进行性能评估，以得到训练后的卷积神经网络模型的准确度。

在该技术方案中，在搭建卷积神经网络模型训练并验证其准确度的过程中，按照4：1的比例将符合格式的图片信息分为训练集和测试集，以使得4/5的图片信息形成训练集，1/5的图片信息形成测试集。值得注意的是，在该过程中要保证训练集和测试集中各分类等级的图片数量均匀；然后将训练集内的图片信息输入至卷积神经网络模型进行训练，以得到围岩的分类等级的预测值；将预测值与训练集内的图片信息的实际值进行比较，然后根据比较结果对卷积神经网络模型的参数信息及网络结构进行调整，减小损失函数值，提高卷积神经网络模型的准确度；根据测试集内的图片信息对卷积神经网络模型进行性能评估，以得到卷积神经网络模型的准确度，选出效果最好的、泛化能力最佳的卷积神经网络模型，不仅适用于测试集内的图片信息，更适用于其他图片信息。

在上述任一技术方案中，优选地，对样本集内的图片信息进行预处理的步骤，包括：遍历样本集内的全部图片信息，根据围岩的完整性信息对已经分类完成的图片信息进行标记，并对标记进行编码处理；对标记后的图片信息进行压缩并转化为像素矩阵；按照预设公式对像素矩阵进行归一化处理，以使得像素矩阵内的像素值处于[0，1]内，保证后续模型运行的收敛加快。

在上述任一技术方案中，优选地将预测值与训练集内的图片信息的实际值进行比较，获取每次训练的损失函数，并根据损失函数及卷积神经网络模型的准确度调节卷积神经网络模型的参数信息及网络结构的步骤，包括：基于深度学习原理搭建顺序网络模型；利用顺序网络模型提取训练集内图片信息的围岩完整性特征；根据围岩完整性特征确定围岩的分类等级的预测值；选取目标函数，并将预测值与实际值输入至目标函数，以得到预测值及实际值的偏差值；根据偏差值确定卷积神经网络模型的准确度；根据偏差值和卷积神经网络模型的准确度调节卷积神经网络模型的参数信息及网络结构，以减小损失函数值，提高模型分类准确度。

具体地，待获取到围岩完整性特征后，可对特征进行放大处理，以便于提高围岩破碎等级预测值的准确性。

在上述任一技术方案中，优选地，根据测试集内的图片信息对卷积神经网络模型进行性能评估，以得到训练后的卷积神经网络模型的准确度的步骤，包括：利用测试集内的图片信息验证训练后的卷积神经网络模型的性能，并记录训练后的不同卷积神经网络模型的准确度，以找到最佳卷积神经网络模型；利用测试集内的图片信息衡量最佳卷积神经网络模型的性能和分类能力。

在上述任一技术方案中，优选地，将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类结果和概率，以得到围岩的破碎等级的步骤，包括：对待检测图片进行压缩和归一化处理，并修改待检测图片的图片格式；读取并加载验证后的卷积神经网络模型；将修改图片格式后的待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。

在上述任一技术方案中，优选地，围岩的完整性信息包括但不限于以下数据：围岩的节理发育、围岩的结构面类型、围岩的裂缝、裂缝的组数、裂缝的间距。值得注意的是，上述信息可由相机动态采集，使得本发明所提出的围岩破碎等级检测方法不仅单纯考虑隧道表面出现的裂缝情况，还考虑围岩的节理发育、围岩裂缝组数、分布的平均间距和结构面的类型等因素，综合考虑各方面因素，获得围岩的破碎等级，有效地提供施工过程中围岩智能支护依据和风险预测。

本发明第二方面提出了一种围岩破碎等级检测系统，包括相互配合的存储器和处理器，处理器执行存储器所存储的计算机程序，并根据计算机程序获取围岩的图片信息，然后根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集，并对样本集进行预处理，使得样本集内的图片信息符合卷积神经网络模型的格式要求。具体地，该样本集内存储有不同破碎等级的围岩信息；然后基于深度学习原理搭建卷积神经网络模型，并根据经过预处理后的样本集内的图片信息对卷积神经网络模型进行训练，并验证卷积神经网络模型的准确度，使得该卷积神经网络模型的准确度得到提高，选出效果最好的、泛化能力最佳的模型；待验证卷积神经网络模型的准确度后，将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。具体地，不同分类等级的围岩对应不同的破碎情况，不同的破碎情况对应不同的风险概率和支护等级。在获得围岩的分类等级后，便可根据其破碎情况和风险概率确定是否需要进行支护及支护等级。

本发明提出的围岩破碎等级检测系统根据围岩的完整性信息对围岩的破碎等级进行分类，以获得围岩不同的分类等级；基于深度学习原理搭建卷积神经网络模型，为围岩的智能支护和风险预测提供了有效且准确的依据。整个过程中围岩图片通过相机动态采集，通过图片识别，无需人工识别，降低施工人员受伤害的风险，对安全科学施工、提高工作效率有重大效果；促进智能化支护技术发展，降低施工成本。

在上述技术方案中，优选地，处理器具体用于：对待检测图片进行压缩和归一化处理，并修改待检测图片的图片格式；读取并加载验证后的卷积神经网络模型；将修改图片格式后的待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。

本发明第三方面提出了一种掘进设备，包括如本发明第二方面的围岩破碎等级检测系统。

本发明第三方面提出的一种掘进设备，因包括如本发明第二方面的围岩破碎等级检测系统，具有该围岩破碎等级检测系统的全部有益效果，在此不再一一叙述。

本发明的附加方面和优点将在下面的描述部分中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1示出了本发明一个实施例的围岩破碎等级检测方法的流程图；

图2示出了本发明一个具体实施例的围岩破碎等级检测方法的流程图；

图3示出了本发明一个具体实施例的围岩破碎等级检测方法中图片预处理步骤的流程图；

图4示出了本发明一个具体实施例的围岩破碎等级检测方法中模型训练步骤的流程图；

图5示出了本发明一个具体实施例的围岩破碎等级检测方法中图片分类步骤的流程图；

图6示出了本发明一个实施例的围岩破碎等级检测系统的结构框图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1至图6来描述根据本发明一些实施例提出的围岩破碎等级检测方法、围岩破碎等级检测系统、掘进设备和计算机可读存储介质。

图1示出了本发明一个实施例的围岩破碎等级检测方法的流程图。

如图1所示，该围岩破碎等级检测方法包括：

S102,获取围岩的图片信息，并根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集；

S104，对样本集进行预处理；

S106，基于深度学习原理搭建卷积神经网络模型，根据经过预处理后的样本集内的图片信息训练卷积神经网络模型，并验证训练后的卷积神经网络模型的准确度；

S108，将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。

在该实施例中，根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集，并对样本集进行预处理，使得样本集内的图片信息符合卷积神经网络模型的格式要求。具体地，该样本集内存储有不同破碎等级的围岩信息；然后基于深度学习原理搭建卷积神经网络模型，并根据经过预处理后的样本集内的图片信息对卷积神经网络模型进行训练，并验证卷积神经网络模型的准确度，使得该卷积神经网络模型的准确度得到提高，并可以广泛使用；待验证卷积神经网络模型的准确度后，将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。具体地，不同分类等级的围岩对应不同的破碎情况，不同的破碎情况对应不同的风险概率和支护等级。在获得围岩的分类等级后，便可根据其破碎情况和风险概率确定是否需要进行支护及支护等级。

在本发明的一个实施例中，优选地，围岩的完整性信息包括：围岩的节理发育、围岩的结构面类型、围岩的裂缝、裂缝的组数、裂缝的间距。

在该实施例中，围岩的完整性信息包括但不限于以下数据：围岩的节理发育、围岩的结构面类型、围岩的裂缝、裂缝的组数、裂缝的间距。值得注意的是，上述信息可由相机动态采集，使得本发明所提出的围岩破碎等级检测方法不仅单纯考虑隧道表面出现的裂缝情况，还考虑围岩的节理发育、围岩裂缝组数、分布的平均间距和结构面的类型等因素，综合考虑各方面因素，获得围岩的破碎等级，有效地提供施工过程中围岩智能支护依据和风险预测。

图2示出了本发明一个具体实施例的围岩破碎等级检测方法的流程图。

如图2所示，该围岩破碎等级检测方法包括：

S202，获取围岩的图片信息，并根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集；

S204，遍历样本集内的全部图片信息，根据围岩的基本信息对图片信息进行标记，并对标记进行编码处理；

S206，对标记后的图片信息进行压缩并转化为像素矩阵；

S208，按照预设公式对像素矩阵进行归一化处理，以使得像素矩阵内的像素值处于[0，1]内；

S210，归一化处理后的图片信息打乱顺序并按预设比例进行划分，以得到训练集和测试集；

S212，基于深度学习原理搭建顺序网络模型；

S214，用顺序网络模型提取训练集内图片信息的裂缝特征；

S216，根据裂缝特征确定围岩破碎等级的预测值，与训练集图片的实际值比较，获取差值；

S218，选取目标函数，并将预测值及实际值输入至目标函数，以得到预测值及实际值的偏差值；

S220，根据偏差值通过优化器调节网络参数，提高模型准确度；

S222，根据测试集内的图片信息评估训练模型的性能，选出效果最好的、泛化能力最佳模型；

S224，对待检测图片进行压缩处理，并修改待检测图片的图片格式；

S226，读取并加载验证后的卷积神经网络模型；

S228，将经压缩处理并修改图片格式后的待检测图片输入至验证后的卷积神经网络模型，以得到围岩的破碎等级。

在该具体实施例中，首先根据围岩的完整性信息将图片分为五类，然后对图片信息进行预处理，归一化处理后的图片信息打乱顺序并按4：1的比例分为训练集和测试集；基于深度学习原理搭建顺序网络模型，并利用训练集训练卷积神经网络模型，利用测试集验证卷积神经网络模型的准确性，调节网络参数，提高模型准确度，选出效果最好的、泛化能力最佳的练卷积神经网络模型；最后是将待检测图片压缩并修改数据，将其输入至验证后的练卷积神经网络模型，以得到待检测图片的分类结果及相应的概率。

下面分阶段对本发明所提出的围岩破碎等级检测方法做进一步解释说明：

第一阶段是图像分类：

构建样本数据集。首先参照《水利水电工程地质勘察规范》中围岩完整性划分标准和施工情况，对采集围岩破碎情况的图片划分为五类。

A类：围岩完整，没有裂缝，岩体结构为整体状或巨厚层结构。此类岩体在规范中分级一般为一类，不需要进行支护。

B类：围岩较完整，节理不发育，岩体结构为块状或巨厚层状结构。此类岩体在规范中分级一般为二类，不需要进行支护。

C类：围岩较破碎，节理发育，岩体结构为裂隙块状或中厚层结构、镶嵌碎裂结构或中、薄层状结构。此类岩体在规范中分级一般为三类，进行选择性支护，较好的三类不支护，较差的三类支护。

D类：围岩破碎，有较多裂缝，岩体结构为裂隙块状结构或碎裂状结构。此类岩体在规范中分级一般为四类，需要进行快速支护。

E类：围岩极破碎，岩体碎裂，碎石状态，岩体结构为散体状结构。此类岩体在规范中分级一般为五类，需要进行快速支护。

掘进过程中，通过安装在TBM上的相机抓拍围岩图片，并存储到搭建的TBM施工数据库中，从数据库中提取图片，依照上述分类标准，人工分成五类，形成样本集。

第二阶段是图片预处理：

图3示出了本发明一个具体实施例的围岩破碎等级检测方法中图片预处理步骤的流程图。

如图3所示，图片预处理的步骤包括：

S302，相机采集图片存储到数据库；

S304，创建样本集(包括5类围岩图片)；

S306，通过enumerate函数打标签；

S308，利用opencv压缩图片；

S310，图片转化成像素矩阵；

S312，样本集和标签随机打乱顺序；

S314，样本集按4:1分割，其中，4/5为训练集，1/5为测试集；

S316，图片归一化处理；

S318，分类标签进行one-hot编码。

在该阶段，首先通过enumerate函数(一种用于将一个可遍历的数据对象组合为一个索引序列，同时列出数据和数据下标的函数)遍历样本集，根据索引为5类图片打0～4标签；利用opencv(一种用于图像处理、分析、机器视觉方面的开源函数库)将打完标签的样本集图片压缩；利用numpy(一种用于存储和处理大型矩阵的科学计算库)将压缩后样本集图片转化成像素矩阵；将样本集和标签随机打乱顺序，保持对应关系；将打乱的样本集和标签按4:1的比例分成训练集和测试集；归一化处理，其中，x_i为图像像素点的像素值。归一化是图片转化为像素矩阵后，将像素值从[0，255]映射到[0，1]之间。保证后续分类模型运行时收敛加快；分类标签进行one-hot(独热编码、一位有效编码)编码。

第三阶段是训练卷积神经网络模型：

将第二阶段预处理得到的训练集和测试集改成模型输入数据要求格式(batch_size，rows，cols，channels)，batch_size是每次输入的图片数量，rows和cols是图片尺寸，channels是图片的通道数。

搭建训练模型：使用Keras(基于Python语言的深度学习库)深度学习库来搭建Sequential(序贯模型，keras的一种网络模型，多个网络层的线性堆叠)顺序网络模型，提取图像裂缝特征，包括两个卷积层，两个赤化层，三个Dropout(一种预防卷积神经网络模型过拟合的正则化方法，指在深度学习网络的训练过程中，对于神经网络单元，按照一定的概率将其暂时从网络中丢弃)层，一个扁平层，两个全连接层。

训练模型：输入修改格式后的训练集数据进行训练。设置每次输入数据的大小、迭代次数等参数，用测试集作为验证数据进行模型效果验证，输出每次训练过程的准确度和验证的准确度。

将训练好的分类模型保存，保存为HDF5(Hierarchical Data Format分级数据格式)格式文件，选出效果最好的、泛化能力最佳的模型。

图4示出了本发明一个具体实施例的围岩破碎等级检测方法中模型训练步骤的流程图。

如图4所示，模型训练的步骤包括：

S402，相机采集围岩图片存储到数据库；

S404，参照分类标准，从数据库中选取图片人工分类，形成样本集；

S406，样本集预处理；

S408，搭建CNN训练模型(keras深度学习库)；

S410，模型训练及保存；

S412，加载模型测试。

在施工过程中，通过安装在主梁的工业相机1分钟抓拍一张围岩图片，图片存储到数据库中。从数据库中选取不同地层的围岩图片参照分类标准分成5类。选取图片时需要剔除停机状态的图片，只选取一张，防止停机时拍摄的相同图片影响训练效果，并且需要保证5类图片的数量平衡。经过筛选，选取A类图片5000张，B类图片5000张，C类图片5000张，D类图片5000张，E类图片5000张，按类别放入5个文件夹，构建样本集。对样本集进行预处理，得到随机的20000张训练集和5000测试集，训练集和测试集中各类图片数量保持均匀，标签也一一对应进行划分。在Keras中搭建Sequential顺序模型：第一层为卷积层，神经元数目为32，神经元矩阵尺寸3*3，根据图片设置数据输入格式，选取ReLU(Rectified Linear Unit，ReLU，线性整流函数，又称修正线性单元)为激活函数，ReLU在输入为正数的时候，不存在梯度饱和问题，计算速度快。用卷积层进行图片特征提取。第二层为池化层，采用最大值池化，池化矩阵尺寸2*2，提取图片特征的局部最大值。第三层为Dropout层，设置更新网络权值参数的比例0.25，随机地让一部分网络层节点失效，防止对参数全部更新时训练过拟合，导致训练效果好，测试效果差。第四层为卷积层，神经元数目为64。第五层为池化层。第六层为Dropout层。第七层为Dropout层，随机更新参数的比例0.5。第八层为扁平层，将前一层输出的矩阵一维化，即多维数据转化为以为数据，作为卷积层到全连接层的过渡。第八层为全连接层，神经元数目为128，神经元尺寸为1*1,激活函数为ReLU。第九层为Dropout层，更新参数的比例0.5。第十层为全连接层，神经元数目为分类数，神经元尺寸为1*1，激活函数为softmax(soft maximum归一化函数)，公式为：

其中，y_i为对应类别的概率，z_i为全连接层输出矩阵的第i个元素，将多个神经元的输出，映射到[0，1]区间内，实现多分类。模型搭建后，先对模型进行编译，选取目标函数categorical_crossentropy(多分类交叉熵函数，亦称作多类的对数损失)和优化器Adadelta(一种自适应学习率算法，能够随时间跟踪平方梯度并自动适应每个参数的学习率，是基于梯度下降的深度学习模型优化方法)。模型进行训练，输入修改格式后的训练集数据进行训练。设置每次输入数据的大小128、迭代次数50次等参数，用测试集作为验证数据进行模型效果验证，根据训练结果更改每层神经元数目、神经元尺寸、目标函数和优化器等参数，选取最好训练效果的参数，选出效果最好的、泛化能力最佳的模型。训练完成后将模型和权重保存在一个HDF5文件。然后模型测试，从数据库中选取不同地质的围岩图片，每类5张，测试模型效果。通过预处理后，加载保存的HDF5文件获取模型，进行测试，得到25*5的矩阵，每一行为一张图片对应5类的概率，概率最大的类别即为该围岩的类别。

第四阶段是模型预测：

采集几张待检测图片，并将待检测图片压缩，修改数据格式；然后读取HDF5文件，加载模型，并将待检测图片输入模型，进行预测，以得到输出分类结果及相应的概率。

具体实施例中，TBM施工工程在区域构造上处于准噶尔坳陷带和北天山优地槽褶皱带内，隧洞从现有掌握的地质情况来看，围岩总体较好，强度范围适中，以二级、三级围岩为主，较为适合TBM施工，但部分地段也存在泥质砂岩等软岩，以及断层破碎带、高地应力岩爆等不良条件。施工过程中判断围岩是否需要支护，需要围岩破碎情况进行识别。

图5示出了本发明一个具体实施例的围岩破碎等级检测方法中图片分类步骤的流程图。

如图5所示，图片分类的步骤包括：

S502，相机采集图片；

S504，图片预处理；

S506，使用模型检测；

S508，输出围岩等级。

通过相机实时采集围岩图片，读取传输回来的图片，进行opencv图像压缩、转换成像素矩阵、归一化等预处理，按照输入数据的格式要求，转换矩阵，然后输入到模型中进行检测，根据输出的类别和概率，综合分析得到该区域围岩分级结果，提供风险预警和支护依据。

本发明第二方面提出了一种围岩破碎等级检测系统600，如图6所示，包括：存储器602，用于存储计算机程序；处理器604，用于执行存储器602所存储的计算机程序，并根据计算机程序获取围岩的图片信息，然后根据围岩的完整性信息对图片信息进行分类，以得到图片信息的样本集，并对样本集进行预处理，使得样本集内的图片信息符合卷积神经网络模型的格式要求。具体地，该样本集内存储有不同破碎等级的围岩信息；然后基于深度学习原理搭建卷积神经网络模型，并根据经过预处理后的样本集内的图片信息对卷积神经网络模型进行训练，并验证卷积神经网络模型的准确度，使得该卷积神经网络模型的准确度得到提高，并可以广泛使用；待验证卷积神经网络模型的准确度后，将待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。具体地，不同分类等级的围岩对应不同的破碎情况，不同的破碎情况对应不同的风险概率和支护等级。在获得围岩的分类等级后，便可根据其破碎情况和风险概率确定是否需要进行支护及支护等级。

本发明提出的围岩破碎等级检测系统600根据围岩的完整性信息对围岩的破碎等级进行分类，以获得围岩不同的分类等级；基于深度学习原理搭建卷积神经网络模型，为围岩的智能支护和风险预测提供了有效且准确的依据。

在本发明的一个实施例中，优选地，处理器604具体用于：对待检测图片进行压缩和归一化处理，并修改待检测图片的图片格式；读取并加载验证后的卷积神经网络模型；将修改图片格式后的待检测图片输入至验证后的卷积神经网络模型，获取围岩的分类等级和概率，以得到围岩的破碎等级。

本发明第三方面提出了一种掘进设备，包括如本发明第二方面的围岩破碎等级检测系统600，具有该围岩破碎等级检测系统的全部有益效果，在此不再一一叙述。

在本发明的描述中，术语“多个”则指两个或两个以上，除非另有明确的限定，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制；术语“连接”、“安装”、“固定”等均应做广义理解，例如，“连接”可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本说明书的描述中，术语“一个实施例”、“一些实施例”、“具体实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上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。

Claims (10)

1.一种围岩破碎等级检测方法，其特征在于，包括：

获取围岩的图片信息，并根据所述围岩的完整性信息对所述图片信息进行分类，以得到所述图片信息的样本集；

对所述样本集进行预处理；

基于深度学习原理搭建卷积神经网络模型，根据经过预处理后的所述样本集内的图片信息训练所述卷积神经网络模型，并验证训练后的所述卷积神经网络模型的准确度；

将待检测图片输入至验证后的所述卷积神经网络模型，获取所述围岩的分类等级和概率，以得到所述围岩的破碎等级。

2.根据权利要求1所述的围岩破碎等级检测方法，其特征在于，基于深度学习原理搭建卷积神经网络模型，根据所述经过预处理后的所述样本集内的图片信息训练所述卷积神经网络模型，并验证训练后的所述卷积神经网络模型的准确度的步骤，包括：

按预设比例将所述样本集分为训练集和测试集；

将所述训练集内的图片信息输入至所述卷积神经网络模型进行训练，以得到所述围岩的分类等级的预测值；

将所述预测值与所述训练集内的图片信息的实际值进行比较，获取每次训练的损失函数，并根据所述损失函数及所述卷积神经网络模型的准确度调节所述卷积神经网络模型的参数信息及网络结构；

根据所述测试集内的图片信息对所述卷积神经网络模型进行性能评估，以得到训练后的所述卷积神经网络模型的准确度。

3.根据权利要求1所述的围岩破碎等级检测方法，其特征在于，对所述样本集内的图片信息进行预处理的步骤，包括：

遍历所述样本集内的全部所述图片信息，根据所述围岩的完整性信息对已经分类完成的所述图片信息进行标记，并对所述标记进行编码处理；

对标记后的所述图片信息进行压缩并转化为像素矩阵；

按照预设公式对所述像素矩阵进行归一化处理，以使得所述像素矩阵内的像素值处于[0，1]内。

4.根据权利要求2所述的围岩破碎等级检测方法，其特征在于，将所述预测值与所述训练集内的图片信息的实际值进行比较，获取每次训练的损失函数，并根据所述损失函数及所述卷积神经网络模型的准确度调节所述卷积神经网络模型的参数信息及网络结构的步骤，包括：

基于深度学习原理搭建顺序网络模型；

利用所述顺序网络模型提取所述训练集内图片信息的围岩完整性特征；

根据所述围岩完整性特征确定所述围岩的分类等级的预测值；

选取目标函数，并将所述预测值与所述实际值输入至所述目标函数，以得到所述预测值及所述实际值的偏差值；

根据所述偏差值确定所述卷积神经网络模型的准确度；

根据所述偏差值和所述卷积神经网络模型的准确度调节所述卷积神经网络模型的参数信息及网络结构。

5.根据权利要求4所述的围岩破碎等级检测方法，其特征在于，根据所述测试集内的图片信息对所述卷积神经网络模型进行性能评估，以得到训练后的所述卷积神经网络模型的准确度的步骤，包括：

利用所述测试集内的图片信息验证训练后的所述卷积神经网络模型的性能，并记录训练后的不同所述卷积神经网络模型的准确度，以找到最佳卷积神经网络模型；

利用所述测试集内的图片信息衡量所述最佳卷积神经网络模型的性能和分类能力。

6.根据权利要求2所述的围岩破碎等级检测方法，其特征在于，将待检测图片输入至验证后的所述卷积神经网络模型，获取所述围岩的分类结果和概率，以得到所述围岩的破碎等级的步骤，包括：

对所述待检测图片进行压缩和归一化处理，并修改所述待检测图片的图片格式；

读取并加载验证后的所述卷积神经网络模型；

将修改图片格式后的所述待检测图片输入至验证后的所述卷积神经网络模型，获取所述围岩的分类等级和概率，以得到所述围岩的破碎等级。

7.根据权利要求1至6中任一项所述的围岩破碎等级检测方法，其特征在于，

所述围岩的完整性信息包括：所述围岩的节理发育、所述围岩的结构面类型、所述围岩的裂缝、所述裂缝的组数、所述裂缝的间距。

8.一种围岩破碎等级检测系统，其特征在于，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以：

获取围岩的图片信息，并根据所述围岩的完整性信息对所述图片信息进行分类，以得到所述图片信息的样本集；

对所述样本集进行预处理；

基于深度学习原理搭建卷积神经网络模型，根据经过预处理后的所述样本集内的图片信息训练所述卷积神经网络模型，并验证训练后的所述卷积神经网络模型的准确度；

将待检测图片输入至验证后的所述卷积神经网络模型，获取所述围岩的分类等级和概率，以得到所述围岩的破碎等级；

其中，所述围岩的完整性信息包括：所述围岩的节理发育、所述围岩的结构面类型、所述围岩的裂缝、所述裂缝的组数、所述裂缝的间距。

9.根据权利要求8所述的围岩破碎等级检测系统，其特征在于，所述处理器具体用于：

对待检测图片进行压缩和归一化处理，并修改所述待检测图片的图片格式；

读取并加载验证后的所述卷积神经网络模型；

将修改图片格式后的所述待检测图片输入至验证后的所述卷积神经网络模型，获取所述围岩的分类等级和概率，以得到所述围岩的破碎等级。

10.一种掘进设备，其特征在于，包括如权利要求8或9所述的围岩破碎等级检测系统。