CN110889834A - 一种基于云计算的公路隧道围岩分级方法 - Google Patents
一种基于云计算的公路隧道围岩分级方法 Download PDFInfo
- Publication number
- CN110889834A CN110889834A CN201911133442.2A CN201911133442A CN110889834A CN 110889834 A CN110889834 A CN 110889834A CN 201911133442 A CN201911133442 A CN 201911133442A CN 110889834 A CN110889834 A CN 110889834A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- grading
- tunnel
- rock
- surrounding
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20081—Training; 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于云计算的公路隧道围岩分级方法。针对公路隧道围岩岩体性质和赋存条件十分复杂、参数测试数量有限、分级实施时难度较大等特点,本发明开发一种基于云分级方法。数码摄像及深度学习技术获取围岩结构面发育程度参数的方法,可以极大的减少施工阶段围岩分级指标获取时间,同时借助回弹试验确定岩体强度,通过云计算技术确定岩体的完整程度,提高施工阶段围岩分级指标可靠度,并可以将隧道掌子面图片保存于云端,便于类似工程参考交流、核查及协作。
Description
技术领域
本发明涉及一种基于云计算的公路隧道围岩分级方法,属于岩土工程技术领域。
背景技术
公路隧道围岩分级是根据围岩完整程度、破碎程度和地下水发育程度等指标将围岩划分维具有不同稳定程度的类别。围岩分级是确定隧道结构荷载、选择施工方法及支护形式的依据。总结国内外多种围岩分级方法可以看出,围岩分级从单因素逐渐发展为多因素表述方法,从定性描述逐步转化为定量的划分方式,近些年来发展为多种因素复合并加上了各种修正系数来评价。
通常而言,围岩分级不仅对隧道的设计产生影响,还会决定工程的施工和造价。在设计阶段,围岩分级是根据数量有限的钻孔和物理勘探获得的岩石指标结合设计人员的工程经验对围岩初步分级;施工阶段根据施工中所揭示的岩体情况进行动态分级设计。
围岩分级指标的获取方法通常包括掌子面地质素描、室内抗压试验和现场地质调查等方法。虽然这些方法能得围岩进行分级所需参数,但是由于岩体性质和赋存条件十分复杂,仅用少数参数和某个数学公式难以全面准确概括所有情况,而且参数测试数量有限,数据的代表性和抽样的代表性均存在一定的局限,实施时难度较大。数码摄像及深度学习技术获取围岩结构面发育程度参数的方法,可以极大的减少施工阶段围岩分级指标获取时间,同时借助回弹试验确定岩体强度,通过云计算技术确定岩体的完整程度,提高施工阶段围岩分级指标可靠度,并可以将隧道掌子面图片保存于云端,便于类似工程参考交流、核查协作。
发明内容
本发明所要解决的技术问题在于克服现有围岩分级方法的不足,提供一种利用云计算技术自动化判定围岩等级的方法,解决传统分级方法施工成本高、效率低下、实时难度等缺点。
本发明采用以下技术方案解决上述技术问题:
一种基于云计算的公路隧道围岩分级方法,步骤如下:
S1获取公路隧道掌子面高清图像;
S2通过深度学习技术以及围岩图像识别技术,识别掌子面图像关于围岩分级的特征参数;S2.1利用深度学习技术处理掌子面高清图像,获取围岩特征基本参数,描绘结构面主要类型,获取围岩分级完整性系数;
S2.2使用深度学习技术提取岩土边界,利用HIS值进行种类识别,对照普氏硬度系数表得出该种岩土的坚硬程度;
S2.3利用裂隙特征识别提取技术和形态分析方法计算节理组数和间距,获取结构面发育程度;
S2.4判断结构面是否有涌水状态出现及是否考虑地应力影响;
S3利用MySQL技术建立公路隧道围岩特征图像数据库;
S4利用C++语言在Matlab平台上编译公路隧道分级软件;
S5上传掌子面高清图像到云分级系统,得出围岩分级的最终结果。
附图说明
图1主要是公路隧道围岩云分级系统的组成图。
图2是公路隧道围岩云分级具体流程图。
图3掌子面图像识别围岩分级所需的基本参数示意图。
具体实施方案
下面参照附图,对本发明的具体实施方案做进一步说明。
首先,在展开具体说明之前,如前所述,本发明属于(隧道工程)岩土工程中围岩分级识别技术领域,特别是涉及一种应用于公路铁路施工过程中的围岩等级划分,依靠高清掌子面图片自动识别出围岩分级所需的基本参数以及修正系数,最终确定掌子面围岩等级的方法。
图1主要是介绍公路隧道围岩云分级系统的组成,由图可以看出系统主要分为专家端、客户端、管理端,主要是通过对客户端中输入的高清掌子面图片识别计算来实现公路隧道围岩的等级;若是使用者认为客户端识别结果不够精确,可使用联网模式登陆专家端,通过专家进一步确认后获取隧道围岩的结果;最后通过系统中的管理端来实现隧道围岩分级案例的多样化和数据化。其中客户端主要由三部分组成:图片的储存、图片通过云端进行传输、图片的计算;管理端主要是对隧道围岩分级案例进行处理、统计和储存,以便遇到相似的隧道掌子面图片,可以对两者进行对比分析,形成隧道围岩数据的多样化和数据化,并进一步组成公路隧道围岩云分级系统大数据库。
图2中展示的是公路隧道围岩云分级具体流程。
图3中展示了高清掌子面图片自动识别出围岩分级所需的基本参数的基本示意图。需要了解的是掌子面基本参数是节理的数量及间距。岩石节理裂隙是常见的一类结构面,具有分布广、粗细各异等特点,岩石表面残留部分挖机破坏痕迹,增加了裂隙图像处理的难度。基本的围岩分级需获取节理组数、间距两个指标来确定结构面完整程度。根据图1还需对岩石种类进行分类。主要是依据HIS值描述颜色特征,即按照掌子面图像中的一些HIS值特征将具有相似特征的像素的掌子面图像组成一个像素集 ,将其所代表的含义识别出来,并得到隧道围岩的岩石种类。综合以上的岩石种类、结构面完整程度、考虑地下水修正系数,得出围岩分级的最终结果。
图3中围岩分级中围岩特征模块分为以下几个步骤。
1.利用卷积神经网络alexnet模型对隧道采集的10000张掌子面图片分析。
(1)利用收集的代表签开挖掌子面图片进行训练,图片集由10000张掌子面高清图像组成,共7大类围岩形态。其中2000张作为测试集,8000张作为训练集,训练集中单一裂隙1100张,溶洞1100张,粗糙且成份单一1100张,平整1200张,成份复杂1100张,碎石1200张,密集节理1200张,测试集中单一裂隙裂隙300张,溶洞300张,粗糙且成份单一300张,平整300张,成份复杂300张,碎石300张,密集节理200张,由于本文模型修改自ImageNet模型,因此图片基本采用Imagenet模型所设大小和模式来进行训练和测试,图片的大小固定为256*256大小,储存为RGB格式JPG文本,原图像经过一些预处理将台车等干扰因素去除,收集的环境较好,大探照灯照射,光线较为充足,空气中粉尘颗粒较为稀少。高清的图片有利于获得较为准确的结果。
(2)利用MATLAB软件中图像识别技术对10000张掌子面图片进行分割识别。主要对掌子面中围岩进行分类及识别掌子面围岩中的节理; 图像识别就是根据隧道围岩一些基本特征对图像进行分类和识别, 具体地说, 就是按照掌子面图像中的一些固有的特征将具有相似特征的像素的掌子面图像组成一个像素集 ,将其所代表的含义识别出来,并得到隧道围岩的一些基本参数, 其目的是研究出能够对隧道围岩图片自动进行识别分类的机器系统以完成人类模式识别功能 。
2. 图像识别过程可分为2个阶段, 即图像分割、特征提取及分类。
(1)图像分割:即利用MATLAB软件中的图像分割技术对图片进行预处理,分离出掌子面中的岩石与土。
(2)特征提取与分类:由(1)中分离出的岩石图片,利用颜色参量的统计特征法对关于岩土进行分类,具体分类方法步骤如下:
提取隧道围岩的RGB 颜色空间 ;RGB 颜色空间是一种根据人眼对不同波长的红、绿、蓝光做出锥状体细胞的敏感度描述的基础彩色模式,R、G、B 分别为图像红、绿、蓝的亮度值,大小限定在 0~1 或者在 0~255;
提取隧道围岩的HIS 颜色空间;HIS 颜色空间是指颜色的色调、亮度和饱和度,H表示色调,描述颜色的属性,如黄、红、绿,用角度 0~360度来表示;S 是饱和度,即纯色程度的量度,反映彩色的浓淡,如深红、浅红,大小限定在 0~1;I 是亮度,反映可见光对人眼刺激的程度,它表征彩色各波长的总能量,大小限定在 0~1;
提取颜色特征,对颜色参量进行分析、统计、处理, RGB 和 HIS 颜色空间在颜色参量的统计特征中具有重要的作用;
提取每个类别中和围岩分级相关的基本参数并记录。
(3)识别掌子面围岩中的节理,得出节理的数量及间距的相关参数并记录。操作步骤如下:
a.把原图(彩色)二值化;
b.运用形态学闭运算对其进行处理;
c.对二值图像进行中值滤波来降低噪声;
d.提取滤波后图像中的小连通区域并与原图进行色彩比较, 然后根据比较结果来填充需要填充的区域;
e.用形态学细化算法细化;
f.需要的话将较短的节理擦除, 来研究主要节理;
g.得出掌子面图片中节理的数量及间距,并确定围岩等级参数。
3.综合以上的分类表格,考虑地下水修正系数,得出围岩分级的最终结果。
Claims (4)
1.一种基于云计算的公路隧道围岩分级方法,步骤如下:
S1获取公路隧道掌子面高清图像;
S2通过深度学习技术以及围岩图像识别技术,识别掌子面图像关于围岩分级的特征参数;
S3利用MySQL技术建立公路隧道围岩特征图像数据库;
S4利用C++语言在Matlab平台上编译公路隧道分级软件;
S5上传掌子面高清图像到云分级系统,得出围岩分级的最终结果。
2.根据权利要求书1所述基于云计算的公路隧道围岩分级方法,其特征在于,在步骤S2,其具体步骤如下:S2.1利用深度学习技术处理掌子面高清图像,获取围岩特征基本参数,描绘结构面主要类型,获取围岩分级完整性系数;
S2.2使用深度学习技术提取岩土边界,利用HIS值进行种类识别,对照普氏硬度系数表得出该种岩土的坚硬程度;
S2.3利用裂隙特征识别提取技术和形态分析方法计算节理组数和间距,获取结构面发育程度;
S2.4判断结构面是否有涌水状态出现及是否考虑地应力影响。
3.根据权利要求书2中S2.2对掌子面中围岩进行分类的主要方法是利用HIS颜色空间对相关岩土进行分类,主要方法是:
(1)提取隧道围岩的RGB空间;
(2)换算隧道围岩的HIS空间;
(3)提取颜色特征,对颜色产量进行分析、统计、处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133442.2A CN110889834A (zh) | 2019-11-19 | 2019-11-19 | 一种基于云计算的公路隧道围岩分级方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911133442.2A CN110889834A (zh) | 2019-11-19 | 2019-11-19 | 一种基于云计算的公路隧道围岩分级方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889834A true CN110889834A (zh) | 2020-03-17 |
Family
ID=69747935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911133442.2A Pending CN110889834A (zh) | 2019-11-19 | 2019-11-19 | 一种基于云计算的公路隧道围岩分级方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889834A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348014A (zh) * | 2020-11-03 | 2021-02-09 | 招商局重庆公路工程检测中心有限公司 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
KR102344741B1 (ko) * | 2020-06-30 | 2021-12-29 | 주식회사 대림 | 인공지능을 이용한 터널의 막장면 자동분석방법 및 이를 이용한 전방 막장면 예측 방법 |
CN114140448A (zh) * | 2021-12-06 | 2022-03-04 | 广西路信云信息技术有限公司 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842168A (zh) * | 2016-03-17 | 2016-08-10 | 河海大学 | 一种基于激光扫描技术的围岩分级方法 |
CN106570292A (zh) * | 2016-11-14 | 2017-04-19 | 中建山东投资有限公司 | 一种基于超大断面隧道的围岩分级方法 |
CN106596896A (zh) * | 2016-12-30 | 2017-04-26 | 山东大学 | 一种现场隧道实时围岩分级系统及方法 |
CN109852165A (zh) * | 2019-01-29 | 2019-06-07 | 长沙理工大学 | 超疏水泥岩改性剂及其制备方法和泥岩改良方法 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
-
2019
- 2019-11-19 CN CN201911133442.2A patent/CN110889834A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105842168A (zh) * | 2016-03-17 | 2016-08-10 | 河海大学 | 一种基于激光扫描技术的围岩分级方法 |
CN106570292A (zh) * | 2016-11-14 | 2017-04-19 | 中建山东投资有限公司 | 一种基于超大断面隧道的围岩分级方法 |
CN106596896A (zh) * | 2016-12-30 | 2017-04-26 | 山东大学 | 一种现场隧道实时围岩分级系统及方法 |
CN109852165A (zh) * | 2019-01-29 | 2019-06-07 | 长沙理工大学 | 超疏水泥岩改性剂及其制备方法和泥岩改良方法 |
CN110109895A (zh) * | 2019-03-29 | 2019-08-09 | 山东大学 | 适用于tbm掘进隧道的围岩分级联合预测方法及应用 |
Non-Patent Citations (1)
Title |
---|
李汪石: ""公路隧道围岩云分级系统的开发与应用"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102344741B1 (ko) * | 2020-06-30 | 2021-12-29 | 주식회사 대림 | 인공지능을 이용한 터널의 막장면 자동분석방법 및 이를 이용한 전방 막장면 예측 방법 |
CN112348014A (zh) * | 2020-11-03 | 2021-02-09 | 招商局重庆公路工程检测中心有限公司 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
CN114140448A (zh) * | 2021-12-06 | 2022-03-04 | 广西路信云信息技术有限公司 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN110889834A (zh) | 一种基于云计算的公路隧道围岩分级方法 | |
CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
CN107807387B (zh) | 基于神经网络的地震初至波走时获取方法 | |
CN110414341A (zh) | 一种基于无人机技术的露天矿爆堆测量统计方法 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
Matikainen et al. | Multispectral airborne laser scanning for automated map updating | |
CN105243387A (zh) | 一种基于无人机影像的露天矿典型地物分类方法 | |
CN111626358B (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
CN115330664A (zh) | 基于图像识别的围岩风化程度全自动识别方法及装置 | |
CN114219773A (zh) | 一种桥梁裂缝检测数据集预筛选与标定方法 | |
CN110443303B (zh) | 基于图像分割和分类的煤岩显微组分智能识别方法 | |
CN115272826A (zh) | 一种基于卷积神经网络的图像识别方法、装置及系统 | |
CN118648021A (zh) | 用于分割岩石颗粒实例的系统和方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
JP2021183774A (ja) | 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム | |
CN116343071B (zh) | 基于深度学习算法的地表采动裂缝无人机影像识别方法 | |
CN110111376B (zh) | 一种采煤沉陷水域面积计算方法 | |
CN117011756A (zh) | 一种基于迁移学习方法的视频雨量反演方法 | |
CN116109813A (zh) | 一种钻锚孔识别方法、系统、电子设备及介质 | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
CN112906528B (zh) | 一种融合多源卫星遥感数据的城市建筑物材质分类方法 | |
Grigillo et al. | Classification based building detection from GeoEye-1 images | |
CN114140703A (zh) | 一种森林松材线虫病害智能识别方法及系统 | |
CN110348404B (zh) | 一种农村道路景观视觉评价分析方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200317 |
|
WD01 | Invention patent application deemed withdrawn after publication |