CN110889834A

CN110889834A - 一种基于云计算的公路隧道围岩分级方法

Info

Publication number: CN110889834A
Application number: CN201911133442.2A
Authority: CN
Inventors: 柳厚祥; 朱性彬; 李汪石; 李易承; 蒋婷婷; 查焕奕
Original assignee: Changsha University of Science and Technology
Current assignee: Changsha University of Science and Technology
Priority date: 2019-11-19
Filing date: 2019-11-19
Publication date: 2020-03-17

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

一种基于云计算的公路隧道围岩分级方法

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

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；

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；

S2.4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。

4.标准如下：

。