CN110516730B - 基于pso-svm算法和图像识别的围岩质量在线分级方法 - Google Patents
基于pso-svm算法和图像识别的围岩质量在线分级方法 Download PDFInfo
- Publication number
- CN110516730B CN110516730B CN201910769555.5A CN201910769555A CN110516730B CN 110516730 B CN110516730 B CN 110516730B CN 201910769555 A CN201910769555 A CN 201910769555A CN 110516730 B CN110516730 B CN 110516730B
- Authority
- CN
- China
- Prior art keywords
- rock
- slag
- image
- svm
- surrounding rock
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000011435 rock Substances 0.000 title claims abstract description 209
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 239000002893 slag Substances 0.000 claims abstract description 144
- 230000005641 tunneling Effects 0.000 claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000003672 processing method Methods 0.000 claims abstract description 11
- 239000002245 particle Substances 0.000 claims abstract description 9
- 238000009826 distribution Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 31
- 238000013507 mapping Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 230000035515 penetration Effects 0.000 claims description 11
- 239000000843 powder Substances 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000009412 basement excavation Methods 0.000 claims description 8
- 230000000877 morphologic effect Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 3
- 229910052782 aluminium Inorganic materials 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000003562 lightweight material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 239000004576 sand Substances 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 11
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 abstract description 4
- 208000022971 Tuberculous meningitis Diseases 0.000 description 51
- 208000001223 meningeal tuberculosis Diseases 0.000 description 51
- 238000005516 engineering process Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003921 particle size analysis Methods 0.000 description 1
- 235000021178 picnic Nutrition 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration by the use of more than one image, e.g. averaging, subtraction
-
- G06T5/90—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20152—Watershed segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Abstract
本发明提出了一种基于PSO‑SVM算法和图像识别的围岩质量在线分级方法，其步骤为：选择实时获取的围岩地质参数和掘进参数作为输入指标；利用岩渣图像拍摄装置对TBM皮带机上的岩渣进行图像拍摄，利用图像识别处理方法获取岩渣的粒度分布；基于PSO‑SVM智能算法构建围岩分级理论下的SVM学习模型，将学习样本数据输入SVM学习模型；利用PSO算法优化SVM学习模型的参数，利用优化参数建立SVM预测模型，将检验样本数据组成的样本训练集输入到SVM预测模型，得到围岩实时分级输出结果。本发明基于粒子群的支持向量机算法对围岩进行实时分级，可准确预测当前掘进地层的围岩质量，实现掘进参数的适时调整优化，保障安全高效施工。
Description
技术领域
本发明涉及TBM施工中围岩质量分级的技术领域，尤其涉及一种基于基于PSO-SVM算法和图像识别的围岩质量在线分级方法，考虑到围岩分级实时性与便捷性，实现TBM围岩质量实时分级。
背景技术
目前，TBM及盾构机在各类隧道中得到了广泛应用。传统隧道一般通过评价围岩稳定性来确定隧道的围岩分级，显然这种方法不适于TBM隧道的围岩的等级划分，而现有TBM围岩分级方法实时性和普适性不能满足TBM快速施工的需求。主司机无法实时掌握前方围岩分级状况，从而无法适时调整相适应的掘进参数，特别是对于双护盾TBM来说，无法观测到两侧岩壁情况，只能依据自身经验进行掘进作业，机器掘进效率和安全运行没有保障。因此进行TBM隧道的围岩实时分级，实现掘进参数的适时调整优化，并在不良地质发生时及时响应进行超前支护，保障TBM安全高效施工。
国内外学者在基于TBM施工围岩分级方面做了大量研究。N.Barton在1999年基于Q系统分类体系，在考虑TBM机械与岩体参数之间相互关系的基础上提出了QTBM岩体分类系统，但通过M.Sapigni对意大利相关TBM隧道施工地质资料的研究发现在预测TBM贯入度等掘进参数方面，效果并不理想。国内主要有何发亮等基于秦岭隧道提出了TBM施工条件下的围岩分级方法，将岩石单轴抗压强度、岩体完整性系数、岩石硬度和岩石耐磨性等结合考虑；祁生文、伍发权等认为影响TBM施工速度的因素众多，很难用经典数学模型等加以度量，因此将模糊数学、模糊聚类理论等引入建立了基于TBM施工的岩体质量分级方法。在岩渣图像处理方面，国内外学者也做了大量的研究，国外Raina A K研发了一种在运输带在线测量的系统(KTH)。Wang等人提出了一种图像中破碎石块的估算方法；国内北京理工大学的胡刚等人对岩石的节理裂缝进行摄影，经过计算机图像处理，建立岩体天然块度的快速预测方法，实现了岩块级配统计信息的提取；南京大学的刘春等人结合图像处理技术，通过对图像进行二值化、桥接、去杂、智能识别等操作，获取了裂缝的网络节点和裂缝的宽度、长度、方向等形态学参数。但大多数对于TBM施工现场环境下所拍摄照片进行实时渣片粒度分析尚未进行研究，因而无法及时获取掌子面围岩完整性情况。
因此，目前所存在的TBM围岩分级方法的普适性较差，往往不能实时掌握掌子面围岩质量信息，建立适用于TBM施工隧道的围岩实时分类方法显得尤为必要。
发明内容
针对目前TBM掘进参数与地质条件、设备状态等之间关系难以准确表达，现有TBM围岩分级方法的普适性较差的技术问题，本发明提出一种基于PSO-SVM算法和图像识别的围岩质量在线分级方法，通过人工智能算法来对掘进参数的数据进行分析处理，并依据图像识别技术实时识别掘进中岩渣信息获取前方围岩地质信息，建立基于PSO-SVM智能算法分析的TBM施工实时围岩实时质量分级模型，并应用引松引水隧道工程对其进行了验证，分级结果与实际揭露围岩吻合很好，具有较好的实时性和适用性。
为了达到上述目的，本发明的技术方案是这样实现的：一种基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其步骤如下：
步骤一、选择实时获取的围岩地质参数和掘进参数作为输入指标；
步骤二、利用岩渣图像拍摄装置对TBM皮带机上的岩渣进行图像拍摄，利用图像识别处理方法获取岩渣的粒度分布；
步骤三、基于PSO-SVM智能算法构建围岩分级理论下的SVM学习模型，将步骤一和步骤二得到的学习样本数据输入SVM学习模型；
步骤四、利用PSO算法优化SVM学习模型的参数，利用得到的优化参数建立SVM预测模型作为基于TBM施工围岩实时在线分级模型，将步骤一和步骤二实时得到的检验样本数据组成的样本训练集输入到SVM预测模型，得到围岩实时分级输出结果。
所述步骤一中选取掘进参数作为输入指标的方法为：根据现场记录的掘进参数数据，应用spss数据统计分析软件对每天记录的掘进参数包括刀盘推力、刀盘扭矩和贯入度进行统计分析，计算特征参数FPI和TPI值，并将FPI和TPI值分别与岩石单轴抗压强度UCS和完整性系数Kv进行曲线拟合，发现相关系数的拟合度较高；选择的掘进参数指标有TBM刀盘单刀推力Fn、单刀扭矩Tn和贯入度P；
所述步骤一种选取地质参数作为输入指标的方法是：在TBM开挖时，在I、Ⅱ、Ⅲ类围岩中开挖时，岩石为坚硬～硬～中硬，滚刀受力均匀，刀盘挤压切削下的岩渣以片状为主，块状和粉末状次之；在Ⅳ类围岩中开挖时，岩石相应变软，TBM开挖挤压和切削下的岩渣以块状为主，粉末状和片状次之；在V类围岩中开挖，岩石完全变软，TBM开挖时挤压切削下的岩渣仍以块状为主，但粉末状较Ⅳ类围岩增多，而片状更加减少；根据现场主司机所依据的参照信息和与当前所掘地层围岩质量相关性高的地质数据选择为岩渣信息指标，包括片状岩渣含量S1、块状岩渣含量S2、粉状岩渣含量S3。
所述步骤二中在TBM的后配套系统上安装岩渣图像拍摄装置，岩渣图像拍摄装置包括拍照模块、光照模块、测速模块、数据库和数据处理模块，拍照模块、光照模块、测速模块和数据库均与数据处理模块相连接；岩渣图像拍摄装置的外部包裹有壳体，壳体下部设有支架，支架和壳体采用铝材轻量化材料制成；所述拍照模块用于对皮带机上的渣片进行定时拍摄照片并将拍摄图片传输至数据处理模块内；光照模块用于对皮带机上的渣片进行补光；测速模块用于测量皮带机的转动速度，当测速模块检测的皮带机的实时速度超过设定速度，数据处理模块控制内部的拍照模块和光照模块停止工作，当测速模块检测的皮带机的实时速度小于设定速度时，数据处理模块控制拍照模块和光照模块开始工作；数据处理模块接收拍照模块传输的渣片图像并进行水和泥状态的初步筛选，去除掉含有大量水和泥砂的图片，然后将渣片图像传送至数据库，数据库将其中的数据通过无线网络传输至数据存储中心进行保存。
所述步骤二中图像识别处理方法基于摄像和数字图像处理的方法对渣片图像进行灰度增强，并利用自适应直方图均衡化，提取渣片图像的纹理特征和粒度分布信息，具体操作步骤如下：
①将岩渣图像拍摄装置的拍照模块获得的实时渣片图像进行筛选，剔除掉含有泥砂较多、含水较多的渣片图像；
②对筛选出的实时渣片图像分别进行多尺度形态学梯度计算，获得最优梯度下的梯度图像；
③对每个梯度图像的灰度值进行FFT变换得到频域图像，再对频域图像进行频谱包络滤波滤除高频部分，从而得到低频图像；抽取低频图像中的一部分进行IFFT变换，得到低频图像的时域部分，利用改进的H-minima算法对时域部分进行处理，得到极小值标定图像；
④将步骤②中的梯度图像和步骤③中的极小值标定图像进行融合，并对融合图像进行分水岭分割；
⑤再对分水岭分割之后的融合图像分别进行连通域提取获得渣片图像的数量、块度、面积，并设置长宽比小于1.5或者宽度尺寸大于8cm的块度为块状渣片，长宽比大于1.5且宽度尺寸大于1.5cm并小于8cm的块度为片状岩渣，其余为粉状岩渣，将拍摄的渣片图像的块状岩渣和片状岩渣的渣片面积分别进行求和，然后与皮带机上渣片拍摄区域总面积作比较，可得出各组渣片比例，即片状岩渣含量S1、块状岩渣含量S2和粉状岩渣含量S3的值。
所述步骤③中改进的H-minima算法为：
H＝α·(M2-M1)，
其中，M0是梯度图像的均值，M1是梯度图像局部极小值的均值，M2是梯度图像局部极大值的均值，α是自适应控制因子，H是改进的H-minima算法处理后的极小值标定图像。
所述步骤三中学习样本数据为选择部分隧道数据的学习样本(xi,yi)，组成样本训练集D＝{(xi,yi)|i＝1,2,…,n},xi∈Rn,yi∈{1,2,3,4,5}，n为样本的数量，xi表示影响岩体分级因素的六维向量，包括单刀推力Fn、单刀扭矩Tn、贯入度P、片状岩渣含量S1、块状岩渣含量S2和粉状岩渣含量S3，yi是输出向量且取值是对应的围岩级别；学习样本的围岩级别yi通过传统围岩分类BQ法得到。
所述SVM学习模型的构建方法为：根据SVM算法将输入变量x进行非线性变换，通过非线性映射把输入空间Rn中的数据映射到一个高维特征空间F中，非线性映射的基本结构为：
其中，F表示特征空间，Φ(x)为输入变量x的非线性映射变换，输入变量x六维向量xi中的任一变量；
分类超平面为：
f(x)＝sign[w·Φ(x)+b]，
其中，w为法向量，b是位移量，sign(·)为符号函数，f(x)为分类超平面的函数；
当w·x+b≥0时，f(x)＝1，当w·x+b≤0时，f(x)＝-1，从而把分类超平面的上下两部分分成两类；
利用学习样本求解二次规划问题，寻找法向量w∈F和位移量b来满足期望风险最小，经过非线性映射变换后将二次规划问题的解带入非线性映射变换中得对偶二次规划问题：
其中，W为目标函数，xi和xj均为输入变量，αi和αj分别为输入变量xi和xj的拉格朗日乘子，j＝1,2,…,n；
由对偶二次规划问题可知，非线性映射变换Φ(xi)和Φ(xj)之间通过内积相互作用，依据Mercer定理，存在一个高维特征空间F和非线性映射变换Φ：使得核函数
k(xi,xj)＝Φ(xi)·Φ(xj)，得到一个非线性决策函数：
通过非线性决策函数得到分类超平面的成果并输出向量y；对于核函数k(x，xi)来说，采用径向基函数：k(x,xi)＝exp(-γ||x-xi||2)，式中，γ是一个控制半径的正数。
所述步骤四中采用Matlab中自带函数RBF核函数对输入的学习样本数据进行归一化处理，将所有输入参数转化为[0,1]之间的数；采用PSO算法优化参数的方法是：采用PSO算法寻找参数bestc和bestg，并优先选择惩罚参数c较小的参数组合bestc和bestg，采用5折交叉验证的方法选取较优的参数组合bestc和bestg。
本发明的有益效果：利用数字图像处理方法对拍摄的TBM皮带机上的渣片图像进行处理，实时获取地质参数，通过PSO-SVM智能算法对实时获取的地质参数和掘进参数进行建模构建围岩实时分级学习模型并优化模型参数，通过优化的模型参数构建基于TBM施工围岩实时在线分级预测模型；针对传统隧道围岩分类以及现有TBM围岩分类方法不能很好适应TBM施工的现状，本发明提出了依据智能算法和图像识别的方法，建立TBM施工条件下的围岩质量实时在线分级方法，旨在准确预测当前掘进地层的TBM围岩质量，实现掘进参数的适时调整优化，并在不良地质发生时及时响应进行超前支护，保障TBM安全高效施工。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其步骤如下：
步骤一、选择实时获取的围岩地质参数和掘进参数，作为围岩实时分级模型的输入指标。
以快速有效为原则，选择能够实时获取的围岩地质参数和掘进参数，作为围岩实时分级模型的输入指标，包括：
1)选取能够实时获取且有效的掘进参数作为输入指标：根据现场记录的掘进参数数据，应用spss数据统计分析软件对每天记录的掘进参数包括刀盘推力、刀盘扭矩和贯入度进行统计分析，计算FPI和TPI值，并将之与岩石单轴抗压强度UCS和完整性系数Kv进行曲线拟合，发现相关系数的拟合度较高，并且可以实时获取，因此选择的掘进参数指标有TBM刀盘单刀推力Fn、单刀扭矩Tn、贯入度P。
2)选取能够实时获取且有效的地质参数作为输入指标：渣片是TBM掘进过程中，刀盘与围岩直接切削作用的产物，其分布的形态、大小、数量等包含了丰富的刀盘系统信息和岩体信息，主司机在以往没有科学量化数据作为参照时都是凭借皮带机上的渣片判断前方的围岩地质。在TBM开挖时，挤压切削下的岩渣按形态可分为片状、块状及粉末状3种：在I、Ⅱ、Ⅲ类围岩中开挖时，由于岩体属完整～较完整，新鲜～微风化，节理构造不发育，岩石为坚硬～硬～中硬，因此在TBM开挖时滚刀受力均匀，刀盘挤压切削下的岩渣以片状为主，块状和粉末状次之；在Ⅳ类围岩中开挖，岩体属较破碎～破碎，节理构造发育，中等风化，岩石也相应变软，因此TBM开挖挤压、切削下的岩渣以块状为主，粉末状和片状次之；TBM在V类围岩中开挖，岩体属强烈破碎，节理构造非常发育，中等-强风化，岩石完全变软，因此，TBM开挖时挤压切削下的岩渣仍以块状为主，但粉末状较Ⅳ类围岩增多，而片状更加减少。因此，根据现场主司机所依据的参照信息和可快速采集到的与当前所掘地层围岩质量相关性高的地质数据选择为岩渣信息指标，包括片状岩渣含量S1、块状岩渣含量S2、粉状岩渣含量S3。
步骤二、利用岩渣图像拍摄装置对TBM皮带机上的岩渣进行图像拍摄，利用图像识别处理方法获取岩渣的粒度分布。
1)设计并安装皮带机岩渣图像拍摄装置：在TBM后配套上选取合适位置安装岩渣图像拍摄装置，岩渣图像拍摄装置包括四个模块和一个数据库，拍照模块、光照模块、测速模块、数据库和数据处理模块，拍照模块、光照模块、测速模块和数据库均与数据处理模块相连接。岩渣图像拍摄装置的支架和壳体采用铝材轻量化材料制成，易于安装和拆卸，且不影响现场施工，可以针对不同的施工工况进行任意组合改装。拍照模块用于对皮带机上的渣片进行定时拍摄照片并将拍摄图片传输至数据处理模块内；光照模块用于对皮带机上的渣片进行补光，确保渣片拍摄的清晰度；测速模块用于测量皮带机的转动速度，当测速模块检测的皮带机的实时速度超过内部设定速度，拍照模块拍摄的渣片图像会模糊达不到图像处理的要求，数据处理模块就会控制内部的拍照模块和光照模块停止工作，当测速模块检测的皮带机的实时速度小于设定速度时，数据处理模块控制拍照模块和光照模块开始工作，数据处理模块就会接收拍照模块传输的渣片图像并进行水、泥等状态的初步筛选，去除掉含有大量水和泥砂的图片，保证图像的分析质量，然后将渣片图像传送至数据库，最后数据库将其中的数据通过无线网络传输至数据存储中心进行保存。
2)提出岩渣图像识别处理新方法：传统人工实地测量方法需要专业人员利用测线等专业工具到实地进行测量，费时费力。本发明基于摄像和数字图像处理的方法，对渣片图像进行灰度增强，并进一步利用自适应直方图均衡化，提取渣片图像的纹理特征和粒度分布信息，进而评价围岩质量。
渣片图像的数据进行图像识别处理的方法的具体操作步骤如下：
①将岩渣图像拍摄装置的拍照模块获得的实时渣片图像进行筛选，剔除掉含有泥砂较多、含水较多的渣片图像。
②对筛选出的实时渣片图像分别进行多尺度形态学梯度计算，获得最优梯度下的梯度图像。
首先提取出实时渣片图片的R分量、G分量和B分量，然后对渣片图像进行多尺度形态学梯度计算：
并筛选出最优梯度：
其中，rl为结构元素l的半径，rmax为结构元素的最大半径，rmin为结构元素的最小半径，ρl为结构元素l的权值，rFl表示结构元素l的形态学梯度，
分别表示R分量、G分量和B分量的梯度，通过渣片图像进行多尺度形态学梯度获得。最优梯度Grad对应的渣片图像的分量即为梯度图像。
③对每个梯度图像的灰度值进行FFT变换得到频域图像，公式为：
其中，xn1为梯度图像第n1个位置的灰度值，k为FFT变换的变换频率，N表示灰度图像的大小。
再对频域图像进行频谱包络滤波，滤除高频部分，从而得到低频图像，公式如下：
S(μ,ν)＝(1-μ)D2k(μ,ν)+μ
其中，D(μ，ν)是频域图像XK中的点(μ，ν)到核函数中心点
的归一化距离。S(μ,ν)为频域图像的低频图像，M、N分别表示频域图像的大小。
抽取低频图像中一部分进行IFFT变换，得到低频图像的时域部分，利用改进的H-minima算法对时域部分进行处理，得到极小值标定图像。
改进的H-minima算法为：
H＝α·(M2-M1)，
其中，M0是梯度图像的均值，M1是梯度图像局部极小值的均值，M2是梯度图像局部极大值的均值，α是自适应控制因子。
④将步骤②中的梯度图像和步骤③中的极小值标定图像进行融合，并对融合图像进行分水岭分割。
⑤再对分水岭分割之后的融合图像分别进行连通域提取获得渣片图像的数量、块度、面积，并设置长宽比小于1.5或者宽度尺寸大于8cm的块度为块状渣片，长宽比大于1.5且宽度尺寸大于1.5cm并小于8cm的块度为片状岩渣，其余为粉状岩渣，将拍摄的渣片图像的块状岩渣和片状岩渣的渣片面积分别进行求和，然后与皮带机上渣片拍摄区域总面积作比较，可得出各组渣片比例，即片状岩渣含量S1、块状岩渣含量S2和粉状岩渣含量S3。
步骤三、基于PSO-SVM智能算法构建围岩分级理论下的SVM学习模型，将步骤一和步骤二得到的学习样本数据输入SVM学习模型。
选择部分隧道数据作为学习样本(xi,yi)，组成样本训练集：D＝{(xi,yi)|i＝1,2,…,n},xi∈Rn,yi∈{1,2,3,4,5}，xi是输入，yi是输出，n为样本的数量，xi表示影响岩体分级因素的六维向量，包括单刀推力Fn、单刀扭矩Tn、贯入度P、片状岩渣含量S1、块状岩渣含量S2和粉状岩渣含量S3，yi是输出向量、其取值对应相应的围岩级别，学习样本中的围岩级别可通过传统围岩分类BQ法得到。
根据SVM算法通常先将输入变量x进行非线性变换，通过非线性映射把输入空间Rn中的数据映射到一个高维特征空间F中，非线性映射的基本结构为：
其中，F表示特征空间，Φ(x)为输入变量x的非线性映射变换，这里的输入变量x可以是六维向量xi中的任一变量。
这样分类超平面就变为下列形式：
f(x)＝sign[w·Φ(x)+b]，
其中，w为法向量，决定了超平面方向，b是位移量，可以决定超平面与原点之间的距离，sign(·)为符号函数，f(x)为分类超平面的函数。当w·x+b≥0时，f(x)＝1，当w·x+b≤0时，f(x)＝-1，从而把分类超平面的上下两部分分成两类。
3)根据PSO参数优化方法选择适当的惩罚参数c和核函数，利用学习样本求解以下二次规划问题，寻找法向量w∈F和位移量b来满足期望风险最小，经过非线性映射变换后将二次规划问题的解带入非线性映射中即可得对偶二次规划问题：
其中，W为目标函数，xi和xj均为输入变量，αi和αj分别为输入变量xi和xj的拉格朗日乘子，j＝1,2,…,n。由上式的对偶二次规划问题可知，非线性映射变换Φ(xi)和Φ(xj)之间通过内积相互作用，依据Mercer定理，存在一个空间F和非线性映射变换Φ：使得核函数k(xi,xj)＝Φ(xi)·Φ(xj)，最终得到一个非线性决策函数，通过这些非线性决策函数即可得到分类超平面的成果并输出向量y：
对于以上核函数k(x，xi)来说，采用径向基函数(RBF)，其表现形式为：k(x,xi)＝exp(-γ||x-xi||2)，式中γ是一个控制半径的正数。
步骤四、利用PSO算法优化SVM学习模型的参数，利用得到的优化参数建立SVM预测模型作为基于TBM施工围岩实时在线分级模型，将步骤一和步骤二实时得到的检验样本数据组成的样本训练集输入到SVM预测模型，得到围岩实时分级输出结果。
检验样本数据归一化并进行参数分析：为了提高回归训练模型的学习精度和泛化能力，对于支持向量机中的不敏感系数ε、惩罚参数c和核函数的选取至关重要，同时为了避免支持向量机的过适配现象，采用Matlab中自带函数RBF核函数对输入的检验样本数据进行归一化处理，将所有输入参数转化为[0,1]之间的数，从而消除各维数据间的数量级的差别，消除因量级差别而导致的SVM预测模型的预测误差，在很大程度上能够削弱部分带有主观性的异常数据的影响。采用PSO算法优化参数选择的具体做法是采用PSO算法寻找参数bestc和bestg，并优先选择惩罚参数c较小的参数组合(bestc和bestg)，采用5折交叉验证的方法选取较优的参数组合bestc和bestg，提高样本训练集的分级精度。
围岩分级结果的验证：首先检验岩体训练分类结果，查看样本训练集的分级精度是否达到测试要求，训练精度达到90％为满足测试要求，如果达到要求，将检验样本数据放入该预SVM预测模型进行分类，对比与传统BQ围岩分级的结果，看其准确率是否达到要求。
应用引松引水隧道工程对其进行了验证，在构建的隧道围岩实时分级的评价体系中，分别选取了TBM刀盘单刀推力Fn、单刀扭矩Tn、贯入度P三个TBM掘进参数，以及片状岩渣含量S1、块状岩渣含量S2、粉状岩渣含量S3三个岩渣参数，共计6个参数来作为输入参数进行评价。TBM掘进数据由TBM中PLC自动记录，而岩渣参数则由上述图像处理方法得到。本发明选取了吉林引松的36组掘进数据和对应桩号的岩渣分组数据样本，如表1所示，其中前28组组数据作为训练样本，另外8组数据为测试样本，对训练好的模型进行验证，其中对比围岩样本级别是以BQ法为基础的。采用PSO算法寻找参数bestc和bestg，并优先选择c较小的参数组合，采用交叉验证的方法，提高训练集的分级精度。初选bestc＝2，bestg＝2，经过5折交叉验证，最终选取bestc＝2.8284，bestg＝1.4142。
在训练样本集中第22组数据中BQ法得到的分级为2级，基于本发明得到的围岩分级为3级，与实际揭露不符，该训练模型正确率为96.43％(27/28)，训练集的分级精度达到测试要求。将8组测试样本数据带入SVM预测模型中，将其分类结果与传统的BQ围岩分级结果相比，准确率达到了100％，测试效果较好。
表1本发明的样本数据
在工程应用中，本发明将图像识别技术应用于TBM隧道岩渣识别分类，同时应用基于粒子群的支持向量机算法对其围岩进行实时分级，经过验证该方法能够工程分级应用的要求，为TBM掘进过程中围岩实时分级提供一种全新的途径。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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 (6)
1.一种基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其特征在于，其步骤如下：
步骤一、选择实时获取的围岩地质参数和掘进参数作为输入指标；
所述步骤一中选取掘进参数作为输入指标的方法为：根据现场记录的掘进参数数据，应用spss数据统计分析软件对每天记录的掘进参数包括刀盘推力、刀盘扭矩和贯入度进行统计分析，计算特征参数FPI和TPI值，并将FPI和TPI值分别与岩石单轴抗压强度UCS和完整性系数Kv进行曲线拟合，发现相关系数的拟合度较高；选择的掘进参数指标有TBM刀盘单刀推力Fn、单刀扭矩Tn和贯入度P；
所述步骤一中选取地质参数作为输入指标的方法是：在TBM开挖时，在I、Ⅱ、Ⅲ类围岩中开挖时，岩石为坚硬～硬～中硬，滚刀受力均匀，刀盘挤压切削下的岩渣以片状为主，块状和粉末状次之；在Ⅳ类围岩中开挖时，岩石相应变软，TBM开挖挤压和切削下的岩渣以块状为主，粉末状和片状次之；在V类围岩中开挖，岩石完全变软，TBM开挖时挤压切削下的岩渣仍以块状为主，但粉末状较Ⅳ类围岩增多，而片状更加减少；根据现场主司机所依据的参照信息和与当前所掘地层围岩质量相关性高的地质数据选择为岩渣信息指标，包括片状岩渣含量S1、块状岩渣含量S2、粉状岩渣含量S3；
步骤二、利用岩渣图像拍摄装置对TBM皮带机上的岩渣进行图像拍摄，利用图像识别处理方法获取岩渣的粒度分布；
步骤三、基于PSO-SVM智能算法构建围岩分级理论下的SVM学习模型，将步骤一和步骤二得到的学习样本数据输入SVM学习模型；
所述步骤三中学习样本数据为选择部分隧道数据的学习样本(xi,yi)，组成样本训练集D＝{(xi,yi)|i＝1,2,…,n},xi∈Rn,yi∈{1,2,3,4,5}，n为样本的数量，xi表示影响岩体分级因素的六维向量，包括单刀推力Fn、单刀扭矩Tn、贯入度P、片状岩渣含量S1、块状岩渣含量S2和粉状岩渣含量S3，yi是输出向量且取值是对应的围岩级别；学习样本的围岩级别yi通过传统围岩分类BQ法得到；
步骤四、利用PSO算法优化SVM学习模型的参数，利用得到的优化参数建立SVM预测模型作为基于TBM施工围岩实时在线分级模型，将步骤一和步骤二实时得到的检验样本数据组成的样本训练集输入到SVM预测模型，得到围岩实时分级输出结果；
采用PSO算法优化参数的方法是：采用PSO算法寻找参数bestc和bestg，并优先选择惩罚参数c较小的参数组合bestc和bestg，采用5折交叉验证的方法选取较优的参数组合bestc和bestg。
2.根据权利要求1所述的基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其特征在于，所述步骤二中在TBM的后配套系统上安装岩渣图像拍摄装置，岩渣图像拍摄装置包括拍照模块、光照模块、测速模块、数据库和数据处理模块，拍照模块、光照模块、测速模块和数据库均与数据处理模块相连接；岩渣图像拍摄装置的外部包裹有壳体，壳体下部设有支架，支架和壳体采用铝材轻量化材料制成；所述拍照模块用于对皮带机上的渣片进行定时拍摄照片并将拍摄图片传输至数据处理模块内；光照模块用于对皮带机上的渣片进行补光；测速模块用于测量皮带机的转动速度，当测速模块检测的皮带机的实时速度超过设定速度，数据处理模块控制内部的拍照模块和光照模块停止工作，当测速模块检测的皮带机的实时速度小于设定速度时，数据处理模块控制拍照模块和光照模块开始工作；数据处理模块接收拍照模块传输的渣片图像并进行水和泥状态的初步筛选，去除掉含有大量水和泥砂的图片，然后将渣片图像传送至数据库，数据库将其中的数据通过无线网络传输至数据存储中心进行保存。
3.根据权利要求1或2所述的基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其特征在于，所述步骤二中图像识别处理方法基于摄像和数字图像处理的方法对渣片图像进行灰度增强，并利用自适应直方图均衡化，提取渣片图像的纹理特征和粒度分布信息，具体操作步骤如下：
①将岩渣图像拍摄装置的拍照模块获得的实时渣片图像进行筛选，剔除掉含有泥砂较多、含水较多的渣片图像；
②对筛选出的实时渣片图像分别进行多尺度形态学梯度计算，获得最优梯度下的梯度图像；
③对每个梯度图像的灰度值进行FFT变换得到频域图像，再对频域图像进行频谱包络滤波滤除高频部分，从而得到低频图像；抽取低频图像中的一部分进行IFFT变换，得到低频图像的时域部分，利用改进的H-minima算法对时域部分进行处理，得到极小值标定图像；
④将步骤②中的梯度图像和步骤③中的极小值标定图像进行融合，并对融合图像进行分水岭分割；
⑤再对分水岭分割之后的融合图像分别进行连通域提取获得渣片图像的数量、块度、面积，并设置长宽比小于1.5或者宽度尺寸大于8cm的块度为块状渣片，长宽比大于1.5且宽度尺寸大于1.5cm并小于8cm的块度为片状岩渣，其余为粉状岩渣，将拍摄的渣片图像的块状岩渣和片状岩渣的渣片面积分别进行求和，然后与皮带机上渣片拍摄区域总面积作比较，可得出各组渣片比例，即片状岩渣含量S1、块状岩渣含量S2和粉状岩渣含量S3的值。
4.根据权利要求3所述的基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其特征在于，所述步骤③中改进的H-minima算法为：
H＝α·(M2-M1)，
其中，M0是梯度图像的均值，M1是梯度图像局部极小值的均值，M2是梯度图像局部极大值的均值，α是自适应控制因子，H是改进的H-minima算法处理后的极小值标定图像。
5.根据权利要求1或4所述的基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其特征在于，所述SVM学习模型的构建方法为：根据SVM算法将输入变量x进行非线性变换，通过非线性映射把输入空间Rn中的数据映射到一个高维特征空间F中，非线性映射的基本结构为：
其中，F表示特征空间，Φ(x)为输入变量x的非线性映射变换，输入变量x六维向量xi中的任一变量；
分类超平面为：
f(x)＝sign[w·Φ(x)+b]，
其中，w为法向量，b是位移量，sign(·)为符号函数，f(x)为分类超平面的函数；
当w·x+b≥0时，f(x)＝1，当w·x+b≤0时，f(x)＝-1，从而把分类超平面的上下两部分分成两类；
利用学习样本求解二次规划问题，寻找法向量w∈F和位移量b来满足期望风险最小，经过非线性映射变换后将二次规划问题的解带入非线性映射变换中得对偶二次规划问题：
其中，W为目标函数，xi和xj均为输入变量，αi和αj分别为输入变量xi和xj的拉格朗日乘子，j＝1,2,…,n；
由对偶二次规划问题可知，非线性映射变换Φ(xi)和Φ(xj)之间通过内积相互作用，依据Mercer定理，存在一个高维特征空间F和非线性映射变换Φ：使得核函数k(xi,xj)＝Φ(xi)·Φ(xj)，得到一个非线性决策函数：
通过非线性决策函数得到分类超平面的成果并输出向量y；对于核函数k(x，xi)来说，采用径向基函数：k(x,xi)＝exp(-γ||x-xi||2)，式中，γ是一个控制半径的正数。
6.根据权利要求5所述的基于PSO-SVM算法和图像识别的围岩质量在线分级方法，其特征在于，所述步骤四中采用Matlab中自带函数RBF核函数对输入的学习样本数据进行归一化处理，将所有输入参数转化为[0,1]之间的数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769555.5A CN110516730B (zh) | 2019-08-20 | 2019-08-20 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769555.5A CN110516730B (zh) | 2019-08-20 | 2019-08-20 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110516730A CN110516730A (zh) | 2019-11-29 |
| CN110516730B true CN110516730B (zh) | 2022-09-23 |
Family
ID=68627014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910769555.5A Active CN110516730B (zh) | 2019-08-20 | 2019-08-20 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516730B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111220616B (zh) | 2020-01-21 | 2021-06-01 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 |
| CN111626358B (zh) * | 2020-05-27 | 2023-07-18 | 大连海事大学 | 一种基于bim图片识别的隧道围岩分级方法 |
| CN111852486B (zh) * | 2020-08-07 | 2022-03-25 | 中国电建集团成都勘测设计研究院有限公司 | 一种预测tbm掘进适宜性的方法 |
| CN112396590B (zh) * | 2020-11-25 | 2022-07-15 | 中南大学 | 一种半自磨入磨矿石块度检测方法、设备及介质 |
| CN113159061B (zh) * | 2021-03-10 | 2022-02-08 | 哈尔滨工业大学 | 一种基于实例分割的实际隧道围岩碴片识别方法 |
| CN113158561B (zh) * | 2021-04-14 | 2023-02-03 | 山东大学 | 适用于多种岩体条件的tbm操作参数优化方法及系统 |
| CN113324581B (zh) * | 2021-04-26 | 2022-07-15 | 北京中关村智连安全科学研究院有限公司 | 一种高精度的非接触式边坡危岩监测预警方法 |
| CN113685188B (zh) * | 2021-08-16 | 2023-01-31 | 中铁十八局集团有限公司 | 一种基于岩渣物理特征的tbm掘进优化方法 |
| CN113836999A (zh) * | 2021-08-16 | 2021-12-24 | 山东大学 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
| CN114320316A (zh) * | 2022-01-14 | 2022-04-12 | 重庆邮电大学 | 一种盾构机施工预警方法及装置 |
| CN116059704B (zh) * | 2023-01-10 | 2024-02-02 | 扬州新河水工业设备有限公司 | 一种链板式刮泥机 |
| CN116840042A (zh) * | 2023-05-15 | 2023-10-03 | 山东大学 | 一种多源数据融合的实时围岩分级装置及使用方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217124A (zh) * | 2014-09-15 | 2014-12-17 | 天津大学 | 以工程样本数据为依托的tbm施工围岩分级方法 |
| CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
| CN108182440A (zh) * | 2018-01-09 | 2018-06-19 | 中铁工程装备集团有限公司 | 一种基于渣片图像识别获取围岩类别的方法 |
| CN108519284A (zh) * | 2018-03-30 | 2018-09-11 | 山东大学 | 地下工程围岩数字钻探实时分级方法 |
| CN108648190A (zh) * | 2018-05-15 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
| CN109725129A (zh) * | 2019-01-25 | 2019-05-07 | 黄河勘测规划设计有限公司 | Tbm隧洞岩体分级方法 |
-
2019
- 2019-08-20 CN CN201910769555.5A patent/CN110516730B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217124A (zh) * | 2014-09-15 | 2014-12-17 | 天津大学 | 以工程样本数据为依托的tbm施工围岩分级方法 |
| CN107577862A (zh) * | 2017-08-30 | 2018-01-12 | 中铁工程装备集团有限公司 | 一种tbm在掘岩体状态实时感知系统和方法 |
| CN108182440A (zh) * | 2018-01-09 | 2018-06-19 | 中铁工程装备集团有限公司 | 一种基于渣片图像识别获取围岩类别的方法 |
| CN108519284A (zh) * | 2018-03-30 | 2018-09-11 | 山东大学 | 地下工程围岩数字钻探实时分级方法 |
| CN108648190A (zh) * | 2018-05-15 | 2018-10-12 | 中铁工程装备集团有限公司 | 一种基于分水岭的渣片彩色图像分析装置及方法 |
| CN109725129A (zh) * | 2019-01-25 | 2019-05-07 | 黄河勘测规划设计有限公司 | Tbm隧洞岩体分级方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于改进向量机的岩体质量分级研究";何云松等;《水利水电技术》;20171231;第48卷(第1期);第133-138页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110516730A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516730B (zh) | 基于pso-svm算法和图像识别的围岩质量在线分级方法 | |
| Kulatilake et al. | Mean particle size prediction in rock blast fragmentation using neural networks | |
| Lai et al. | Reconstructing granular particles from X-ray computed tomography using the TWS machine learning tool and the level set method | |
| Jerram et al. | 3D crystal size distributions: A case study on quantifying olivine populations in kimberlites | |
| CN108182440B (zh) | 一种基于渣片图像识别获取围岩类别的方法 | |
| CN108253938A (zh) | Tbm破岩矿渣数字近景摄影测量识别及反演方法 | |
| WO2020125682A1 (zh) | 一种应用随钻数据计算岩石强度的方法和系统 | |
| Shi et al. | A fuzzy c-means algorithm guided by attribute correlations and its application in the big data analysis of tunnel boring machine | |
| Erharter et al. | Application of artificial neural networks for Underground construction–Chances and challenges–Insights from the BBT exploratory tunnel Ahrental Pfons | |
| CN110725679B (zh) | 利用岩层破裂指数判别非常规油气层压裂改造潜力的方法 | |
| CN106680557A (zh) | 一种基于用户行为分析的防窃电方法 | |
| CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
| CN114972384A (zh) | 一种基于深度学习的隧道岩体智能快速区域分级方法 | |
| CN108280289B (zh) | 基于局部加权c4.5算法的冲击地压危险等级预测方法 | |
| CN111178214B (zh) | 一种基于无人机摄影技术的高陡边坡危岩体快速识别方法 | |
| CN116066121A (zh) | 一种tbm掘进隧道围岩实时分级方法、盾构机 | |
| CN110443303B (zh) | 基于图像分割和分类的煤岩显微组分智能识别方法 | |
| Shivhare et al. | Automatic soil classification by using Gabor wavelet & support vector machine in digital image processing | |
| Zhang et al. | Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground | |
| CN112726360B (zh) | 一种机场混凝土道面裂缝修补方法 | |
| Fu et al. | Quantitative ore texture analysis with convolutional neural networks | |
| Tian et al. | Optimization of rock mechanical properties prediction model based on block database | |
| CN111738278A (zh) | 一种水下多源声学图像特征提取方法及系统 | |
| Wu et al. | Deep learning-based crack monitoring for ultra-high performance concrete (UHPC) | |
| CN114818493A (zh) | 一种隧道岩体完整程度定量评价的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |