CN111272753B - 基于图像识别与分析的隧道内围岩石英含量预测系统与方法 - Google Patents

基于图像识别与分析的隧道内围岩石英含量预测系统与方法 Download PDF

Info

Publication number
CN111272753B
CN111272753B CN202010070790.6A CN202010070790A CN111272753B CN 111272753 B CN111272753 B CN 111272753B CN 202010070790 A CN202010070790 A CN 202010070790A CN 111272753 B CN111272753 B CN 111272753B
Authority
CN
China
Prior art keywords
quartz
surrounding rock
driving connecting
connecting rod
image
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
Application number
CN202010070790.6A
Other languages
English (en)
Other versions
CN111272753A (zh
Inventor
许振浩
石恒
潘东东
马文
张一驰
余腾飞
谢辉辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong University
Original Assignee
Shandong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong University filed Critical Shandong University
Publication of CN111272753A publication Critical patent/CN111272753A/zh
Priority to PCT/CN2020/113817 priority Critical patent/WO2021043308A1/zh
Priority to AU2020342222A priority patent/AU2020342222B2/en
Application granted granted Critical
Publication of CN111272753B publication Critical patent/CN111272753B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/08—Systems determining position data of a target for measuring distance only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Electromagnetism (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明公开了一种基于图像识别与分析的隧道内围岩石英含量预测系统与方法，包括：用于与隧道掘进机固定的基座、图像采集模块、可伸缩的第一驱动连杆和第六驱动连杆、控制模块，以及石英含量预测模块；其中，所述基座通过第一驱动连杆与图像采集模块连接，所述第一驱动连杆的杆体和基座之间通过第六驱动连杆连杆连接；所述控制模块用于向第一驱动连杆、第六驱动连杆和图像采集模块发送控制指令，以及接收图像采集模块传输的围岩图像，并发送至石英含量预测模块进行石英含量预测。本发明的系统装置灵活性强，能够获取隧道全空间围岩图像，并基于围岩图像快速得到石英含量。

Description

基于图像识别与分析的隧道内围岩石英含量预测系统与方法
技术领域
本发明属于隧道围岩石英含量测试技术领域，尤其涉及一种基于图像识别与分析的隧道内围岩石英含量预测系统与方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
采用隧道掘进机(简称TBM)开挖隧道具有掘进速度快、围岩扰动小、施工安全系数高、综合效益高等优点，TBM已成为隧道掘进最有发展潜力的机械设备，被广泛应用于公路隧道、铁路隧道、引水隧洞等隧洞工程。TBM掘进速度预测、刀具磨损过快是TBM施工逐渐显露的重要问题。岩石掘进机刀具的磨损不仅是材料特征，还与刀具跟岩石之间相互作用的磨损过程及开挖系统特征相关，岩石中的石英类矿物是TBM刀盘磨损、制约TBM掘进速度的主要原因之一，及时掌握围岩状况并对刀具状态、掘进速度做出合理的预测，是TBM掘进隧洞工程质量和施工进度的重要保证。
当前，岩石中石英含量测试主要采用X射线衍射(XRD)或近红外矿物分析仪测量，但是这些测试手段存在如下缺陷：(1)测试范围小，如利用XRD技术测量石英含量时，每次测量样品不到半克，测试样品过少，不能完整反映围岩石英分布情况，近红外矿物分析仪也是如此；(2)耗时久，一次测试需要几分钟，甚至几十分钟，如XRD技术；(3)准备工作繁多，试样制备复杂，利用XRD技术测石英含量前需要将岩石磨成岩粉，颗粒大小有严格限制；(4)人工操作，每次测试都需要手动操作仪器；(5)数据分析处理复杂，测试结果往往不是矿物含量而是矿物谱图，需要专业软件和有经验的工程师进行数据分析。由上可知，现有的石英含量检测技术无法满足隧道实时、无人、快速的石英含量检测需要。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于图像识别与分析的隧道内围岩石英含量预测系统与方法，能够获取隧道全空间围岩图像，并基于围岩图像快速得到石英含量。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
一种基于图像识别与分析的隧道内围岩石英含量预测系统，包括：用于与隧道掘进机固定的基座、图像采集模块、可伸缩的第一驱动连杆和第六驱动连杆、控制模块，以及石英含量预测模块；
其中，所述基座通过第一驱动连杆与图像采集模块连接，所述第一驱动连杆的杆体和基座之间通过第六驱动连杆连接；
所述控制模块用于向第一驱动连杆、第六驱动连杆和图像采集模块发送控制指令，以及接收图像采集模块传输的围岩图像，并发送至石英含量预测模块进行石英含量预测。
进一步地，所述图像采集模块设于保护箱内，所述保护箱通过连接体与所述第一驱动连杆连接。
进一步地，所述图像采集模块包括工业相机、拍摄底座和多个可伸缩的驱动连杆；其中，所述工业相机固定于拍摄底座中心，拍摄底座的下表面通过所述多个可伸缩的驱动连杆与保护箱连接。
进一步地，所述拍摄底座上围绕工业相机还设有多个激光测距仪和多个Led灯。
进一步地，所述保护箱上还设有照度计，通过可伸缩的第三驱动连杆连接。
一个或多个实施例提供了基于所述系统的隧道围岩石英含量预测方法，包括以下步骤：
控制模块向第一驱动连杆、第六驱动连杆以及保护箱内的多个驱动连杆分别发送控制指令，用以调整图像采集模块与围岩之间的位置关系；
控制模块向工业相机发送拍照指令，获取工业相机拍摄的图像并发送至石英含量预测模块，进行石英含量预测。
进一步地，调整图像采集模块与围岩之间的位置关系过程中，控制模块接收多个激光测距仪发送的距离数据，判断拍摄底座与围岩是否保持相对平行，若否，继续调整图像采集模块与围岩之间的位置关系。
进一步地，若拍摄底座与围岩保持相对平行，控制模块向第三驱动连杆发送控制指令，使照度计靠近围岩；控制模块接收照度计采集的光照数据，判断光照强度是否满足预设标准，若不满足，向Led灯发送亮度调整指令；若满足，控制模块向工业相机发送拍照指令。
进一步地，所述激光测距仪有六个，判断拍摄底座与围岩是否保持相对平行包括：
计算min(∑(|δ701-δ706|+|δ702-δ705|+|δ703-δ704|))是否小于设定阈值，若小于，则认为拍摄底座与围岩保持相对平行，其中，δ701-δ706分别为六个激光测距仪检测到的与围岩之间的距离。
进一步地，所述石英含量预测包括以下步骤：
将图像输入Faser R-CNN网络模型，得到石英的候选区域框；
对于石英的每个候选区域框，将灰度值大于阈值的像素点记为石英区域的生长种子点，基于区域生长法得到该候选区域框内的石英区域；
统计各候选区域框内所有石英区域的像素数，结合预先测得的围岩岩石密度，得到该围岩图像的石英特征向量；
将石英特征向量输入预先训练的石英含量预测模型，得到石英含量。以上一个或多个技术方案存在以下有益效果：
本发明提供了一种灵活度高的图像数据采集系统，通过连接在基座和图像获取模块之间的第一驱动连杆实现与围岩的距离调整，通过连接在基座和第一驱动连杆之间的第六驱动连杆实现了角度调整；进一步地，通过在图像获取模块和保护箱之间设置多个驱动连杆，实现了拍摄角度的精细化调整，能够获取高质量图像，为后续石英含量的精确计算提供了保障。
本发明结合TBM施工特点，对刚开挖出来的裸露围岩进行拍照计算，无需采集、二次加工研磨等，可以实现现场拍摄、现场计算；并且实现了自动化操作，无需人工值守，节省了劳动力，减少了施工风险，减少了工程成本。
本发明提出的石英含量预测方法，基于Fast-CNN和区域生长方法准确的提取了图像中的石英所在位置，综合考虑石英数量和围岩的密度构建特征向量，保证了特征向量与石英含量的强关联性，提高了石英含量预测准确度。实现了围岩石英含量实时测试，每次从拍照到针对图像进行计算，耗时不到1分钟，能够满足快速施工对围岩参数获取的需求，且无需对数据进行二次处理，一般施工人员即可快速掌握围岩情况。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明一个或多个实施例中隧道围岩石英含量预测系统框架示意图；
图2为本发明一个或多个实施例中隧道围岩石英含量预测系统中图像采集模块和机械模块示意图；
图3为本发明一个或多个实施例中Led灯、激光测距仪布设示意图；
图4为本发明一个或多个实施例中隧道围岩石英含量预测系统使用时装置与围岩的位置关系示意图；
图5为本发明一个或多个实施例中石英含量预测模块算法流程图。
其中，1.基座，2.第一驱动连杆，3.连接块，4.第二驱动连杆，5.拍摄底座，6.透明钢化玻璃，701.激光测距仪一，702.激光测距仪二，703.激光测距仪三，704.激光测距仪四，705.激光测距仪五，706.激光测距仪六，8.工业相机，9.Led灯，10.照度计，11.第三驱动连杆，12.保护箱，13.第四驱动连杆，14.第五驱动连杆，15.第六驱动连杆，16.围岩。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明的一个或多个实施例公开了一种基于图像识别与分析的隧道内围岩石英含量预测系统，如图1所示，包括：控制模块、固定模块、图像采集模块、石英含量预测模块；
如图2-3所示，所述固定模块包括基座1、第一驱动连杆2、连接块3、第六驱动连杆15。
其中，所述基座1用于将系统主体固定在TBM上；所述保护箱12为一中空壳体，内设有图像采集模块主体，所述保护箱12的上端面为透明盖体，具体为透明钢化玻璃6，能满足工业相机拍摄要求。该保护箱12用于保护图像采集模块部件免受落石损伤。
第一驱动连杆2能够自由伸缩分别与连接块3和基座1相连。具体地，第一驱动连杆2为伸缩杆，本实施例中为两级伸缩杆，由外伸缩杆和内伸缩杆组成。所述第一驱动连杆2的外伸缩杆一端与基座1旋转连接，内伸缩杆一端通过连接块3与保护箱12的底面连接。通过调整第一驱动连杆2的伸缩可以调整保护箱12里的图像采集模块与围岩之间的距离。
所述基座1与第一驱动连杆2之间还设有第六驱动连杆15。第六驱动连杆15也设置为伸缩杆，本实施例中为两级伸缩杆，由外伸缩杆和内伸缩杆组成。第六驱动连杆15的外伸缩杆一端与基座1旋转连接，内伸缩杆一端铰接于第一驱动连杆2的外伸缩杆的杆体上。通过调整第六驱动连杆15的伸缩可以调整保护箱12相对于基座1的角度，使得图像采集模块在隧道横截面内旋转，扩大了可拍摄的范围。
所述保护箱12内部的图像采集模块包括：第二驱动连杆4、拍摄底座5、激光测距仪一701、激光测距仪二702、激光测距仪三703、激光测距仪四704、激光测距仪五705、激光测距仪六706、工业相机8、Led灯9、照度计10、第三驱动连杆11、第四驱动连杆13、第五驱动连杆14。
其中，工业相机8设于拍摄底座5上，所述拍摄底座5通过第二驱动连杆4、第四驱动连杆13、第五驱动连杆14与保护箱12的底面连接。第二驱动连杆4、第四驱动连杆13、第五驱动连杆14均为伸缩杆，本实施例中均为二级伸缩杆，包括外伸缩杆和内伸缩杆。第二驱动连杆4、第四驱动连杆13、第五驱动连杆14的外伸缩杆一端均固定于保护箱12的底面上，内伸缩杆一端铰接与拍摄底座的底面上。通过分别调整三个伸缩杆的伸缩程度可以控制拍摄底座在一定范围内转动。本领域技术人员可以理解，用于连接保护箱和拍摄底座的驱动连杆的数量在此不做限制，只要能够实现这些驱动连杆的伸缩能够调整拍摄底座角度即可。
所述拍摄底座5上围绕工业相机8还设有多个激光测距仪和多个Led灯9。所述多个激光测距仪获取拍摄底座与围岩的距离，多个Led灯用于为工业相机提供光源。本实施例中，所述拍摄底座5为圆盘状，工业相机设于圆盘的圆心处，激光测距仪一701、激光测距仪二702、激光测距仪三703、激光测距仪四704则均匀的设于以工业相机为原点的圆上；Led灯9分两圈均匀地布置在以拍摄底座5中心为圆点的圆上。本领域技术人员可以理解，激光测距仪和Led灯的数量在此不做限制。
所述保护箱12上还通过第三驱动连杆11固定有照度计10，用于感测图像采集模块周围的亮度。
控制模块分别与第一驱动连杆1、第六驱动连杆15、第二驱动连杆4、第四驱动连杆13、第五驱动连杆14、激光测距仪一701、激光测距仪二702、激光测距仪三703、激光测距仪四704、激光测距仪五705、激光测距仪六706、工业相机8、Led灯9、照度计10和第三驱动连杆11连接。
控制模块接收激光测距仪一701、激光测距仪二702、激光测距仪三703、激光测距仪四704、激光测距仪五705和激光测距仪六706、工业相机8、Led灯9、照度计10传来的数据。
上述系统的工作原理如下：
A、控制模块控制第一驱动连杆2和第六驱动连杆15推动图像采集模块靠近围岩，如图4；
B、控制模块控制六个激光测距仪701-706工作测试拍摄底座5与围岩的距离是否符合要求，若不符合执行步骤A、若符合则进行下一步工作；
C、控制模块控制六个激光测距仪701-706工作测试拍摄底座与围岩是否保持相对平行，若不是，控制模块控制第二驱动连杆4、第三驱动连杆13、第四驱动连杆14工作直至拍摄底座与围岩保持相对平行，采用如下公式判断平行情况：
min(∑(|δ701-δ706|+|δ702-δ705|+|δ703-δ704|)) (1)
其中，δ701-δ706分别为激光测距仪701-706检测到的围岩与拍摄底座5间的距离。当该式的大小小于设定阈值时，认为拍摄底座与围岩相对平行。
D、控制模块控制第三驱动连杆11推动照度计10靠近围岩；
E、控制模块控制照度计10工作并检查光照强度是否符合标准，若不符合，控制模块控制Led灯9改变光照强度，直至待测区域光照强度符合标准；
F、控制模块控制工业相机8拍照，并将拍摄的围岩图像传递给控制模块；
G、控制模块会将围岩图像传递给石英含量预测模块。所述石英含量预测模块接收图像采集模块获取的围岩图像后，进行石英含量测试；
H、控制模块控制驱动连杆带动整个装置回到待命位置和待命状态。
所述石英含量预测模块中存储相关算法和文件，包括石英定位算法及相匹配的训练好的模型文件、区域生长算法、石英含量计算算法及相匹配的训练好的模型文件。
如图5所示，所述石英含量预测模块接收到围岩图像后，执行以下处理：
步骤1：对围岩图像进行预处理，参照标准图像进行统一处理；具体地，根据成像原理对图像进行缩放处理，考虑相机和围岩间距离、相片拍摄焦距条件，将围岩图像处理成统一条件(相机和围岩间距离固定、相片拍摄焦距固定)下的围岩图片；
步骤2：将处理后的围岩图像输入Faster R-CNN网络模型，得到石英的候选区域框；
所述步骤2具体包括：
步骤2.1：用一系列卷积层和池化层(CNN网络)将标准图像从步骤(1)处理后的原图中提取出围岩特征图；
步骤2.2：利用RPN网络把围岩特征图分割成多个小区域，识别出哪些小区域是石英，哪些是其他矿物或杂质，并获取石英在岩石图片中的大致位置。
步骤3：将经步骤1处理后的围岩图像进行灰度化；
步骤4：对于石英的每个候选区域框，将灰度值大于阈值的像素点记为石英区域的生长种子点，基于区域生长法得到该候选区域框内的石英区域。
其中，所述阈值是通过统计所述候选区域框内的所有像素的灰度值得到的。所述步骤4具体包括：
步骤4.1：将岩石区域矩形框内的所有像素点的灰度值进行平均，形成筛选阈值B0；对岩石区域框内的所有元素点的灰度值进行判断，如果灰度值大于B0，则判断为石英点，形成初步的石英区域生长种子；
步骤4.2：依次弹出石英区域生长种子点并判断种子点周围8邻域的关系，如果8邻域像素与种子像素的灰度值之差的绝对值小于某个阈值T，则该点可以作为下次生长的种子点；重复该步骤直到石英区域框内的每个点都有归属时，生长结束。
步骤5：统计各候选区域框内所有石英区域的像素数，结合预先测得的围岩岩石密度，得到该围岩图像的石英特征向量；具体地，所述石英特征向量为一维向量，形式为[ρ,n1,n2,...,ni,...,nm]，其中，ρ表示预先测得的围岩岩石密度，ni表示图像中像素数为i的石英区域的数量，m为预设的石英区域可能的最大像素数。
步骤6：将石英特征向量输入预先训练的石英含量预测模型计算石英含量。
其中，所述石英含量预测模型基于全连接神经网络构建，具体地，预先收集大量围岩图像并测得其石英含量，根据步骤1-5得到各围岩图像的特征向量，将这些图像的特征向量和相应的石英含量作为训练数据，训练全连接神经网络得到石英含量预测模型。
以上一个或多个实施例具有以下技术效果：
本发明提供了一种灵活度高的图像数据采集系统，通过连接在基座和图像获取模块之间的第一驱动连杆实现与围岩的距离调整，通过连接在基座和第一驱动连杆之间的第六驱动连杆实现了角度调整；进一步地，通过在图像获取模块和保护箱之间设置多个驱动连杆，实现了拍摄角度的精细化调整，能够获取高质量图像，为后续石英含量的精确计算提供了保障。
本发明结合TBM施工特点，对刚开挖出来的裸露围岩进行拍照计算，无需采集、二次加工研磨等，可以实现现场拍摄、现场计算；并且实现了自动化操作，无需人工值守，节省了劳动力，减少了施工风险，减少了工程成本。
本发明实现了围岩石英含量实时测试，每次从拍照到针对图像进行计算，耗时不到1分钟，能够满足快速施工对围岩参数获取的需求，且无需对数据进行二次处理，一般施工人员即可快速掌握围岩情况。
本发明提出的石英含量预测方法，基于Faster R-CNN和区域生长方法准确的提取了图像中的石英所在位置，综合考虑石英数量和围岩的密度构建特征向量，保证了特征向量与石英含量的强关联性，提高了石英含量预测准确度。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述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。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于图像识别与分析的隧道内围岩石英含量预测系统，其特征在于，包括：用于与隧道掘进机固定的基座、图像采集模块、可伸缩的第一驱动连杆和第六驱动连杆、控制模块，以及石英含量预测模块；
其中，所述基座通过第一驱动连杆与图像采集模块连接，所述第一驱动连杆的杆体和基座之间通过第六驱动连杆连接；
所述控制模块用于向第一驱动连杆、第六驱动连杆和图像采集模块发送控制指令，以及接收图像采集模块传输的围岩图像，并发送至石英含量预测模块进行石英含量预测；
所述图像采集模块包括工业相机、拍摄底座和多个可伸缩的驱动连杆；
所述拍摄底座上围绕工业相机设有多个激光测距仪，所述拍摄底座为圆盘状，工业相机设于圆盘的圆心处，多个激光测距仪均匀的设于以工业相机为原点的圆上；
控制模块控制激光测距仪工作，测试拍摄底座与围岩的距离是否符合要求，若符合要求，判断拍摄底座与围岩是否保持相对平行，包括：
计算min（∑|δ701-δ706|+|δ702-δ705|+|δ703-δ704|）是否小于设定阈值，若小于，则认为拍摄底座与围岩保持相对平行，其中，δ701-δ706分别为六个激光测距仪检测到的与围岩之间的距离；
否则，控制驱动连杆工作直至拍摄底座与围岩保持相对平行；
所述石英含量预测模块中，对石英的每个候选区域框，将灰度值大于阈值的像素点记为石英区域的生长种子点，基于区域生长法得到该候选区域框内的石英区域；统计各候选区域框内所有石英区域的像素数，结合预先测得的围岩岩石密度，得到该围岩图像的石英特征向量；具体地，所述石英特征向量为一维向量，形式为[ρ,n 1,n 2,…,n m]，其中，ρ表示预先测得的围岩岩石密度，n i 表示图像中像素数为i的石英区域的数量，m为预设的石英区域可能的最大像素数。
2.如权利要求1所述的一种基于图像识别与分析的隧道内围岩石英含量预测系统，其特征在于，所述图像采集模块设于保护箱内，所述保护箱通过连接体与所述第一驱动连杆连接。
3.如权利要求2所述的一种基于图像识别与分析的隧道内围岩石英含量预测系统，其特征在于，所述工业相机固定于拍摄底座中心，拍摄底座的下表面通过所述多个可伸缩的驱动连杆与保护箱连接。
4.如权利要求1所述的一种基于图像识别与分析的隧道内围岩石英含量预测系统，其特征在于，所述拍摄底座上围绕工业相机还设有多个Led灯。
5.如权利要求2所述的一种基于图像识别与分析的隧道内围岩石英含量预测系统，其特征在于，所述保护箱上还设有照度计，通过可伸缩的第三驱动连杆连接。
6.基于权利要求5所述系统的隧道围岩石英含量预测方法，其特征在于，包括以下步骤：
控制模块向第一驱动连杆、第六驱动连杆以及保护箱内的多个可伸缩的驱动连杆分别发送控制指令，用以调整图像采集模块与围岩之间的位置关系；
控制模块向工业相机发送拍照指令，获取工业相机拍摄的图像并发送至石英含量预测模块，进行石英含量测试。
7.如权利要求6所述的隧道围岩石英含量预测方法，其特征在于，调整图像采集模块与围岩之间的位置关系过程中，控制模块接收多个激光测距仪发送的距离数据，判断拍摄底座与围岩是否保持相对平行，若否，继续调整图像采集模块与围岩之间的位置关系。
8.如权利要求7所述的隧道围岩石英含量预测方法，其特征在于，若拍摄底座与围岩保持相对平行，控制模块向第三驱动连杆发送控制指令，使照度计靠近围岩；控制模块接收照度计采集的光照数据，判断光照强度是否满足预设标准，若不满足，向Led灯发送亮度调整指令；若满足，控制模块向工业相机发送拍照指令。
9.如权利要求7所述的隧道围岩石英含量预测方法，其特征在于，所述激光测距仪有六个，判断拍摄底座与围岩是否保持相对平行包括：
计算min（∑|δ701-δ706|+|δ702-δ705|+|δ703-δ704|）是否小于设定阈值，若小于，则认为拍摄底座与围岩保持相对平行，其中，δ701-δ706分别为六个激光测距仪检测到的与围岩之间的距离。
10.如权利要求6所述的隧道围岩石英含量预测方法，其特征在于，所述石英含量测试包括以下步骤：
将图像输入Faster R-CNN网络模型，得到石英的候选区域框；
对于石英的每个候选区域框，将灰度值大于阈值的像素点记为石英区域的生长种子点，基于区域生长法得到该候选区域框内的石英区域；
统计各候选区域框内所有石英区域的像素数，结合预先测得的围岩岩石密度，得到该围岩图像的石英特征向量；
将石英特征向量输入预先训练的石英含量预测模型，得到石英含量。
CN202010070790.6A 2019-09-06 2020-01-21 基于图像识别与分析的隧道内围岩石英含量预测系统与方法 Active CN111272753B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/CN2020/113817 WO2021043308A1 (zh) 2019-09-06 2020-09-07 基于图像识别与分析的隧道内围岩石英含量预测系统与方法
AU2020342222A AU2020342222B2 (en) 2019-09-06 2020-09-07 Predicting system and method for quartz content of surrounding rock in tunnel based on image identification and analysis

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2019108431179 2019-09-06
CN201910843117 2019-09-06

Publications (2)

Publication Number Publication Date
CN111272753A CN111272753A (zh) 2020-06-12
CN111272753B true CN111272753B (zh) 2021-04-13

Family

ID=70996915

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010070790.6A Active CN111272753B (zh) 2019-09-06 2020-01-21 基于图像识别与分析的隧道内围岩石英含量预测系统与方法

Country Status (3)

Country Link
CN (1) CN111272753B (zh)
AU (1) AU2020342222B2 (zh)
WO (1) WO2021043308A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111272753B (zh) * 2019-09-06 2021-04-13 山东大学 基于图像识别与分析的隧道内围岩石英含量预测系统与方法
CN113960667A (zh) * 2021-06-09 2022-01-21 新疆建筑科学研究院（有限责任公司） 围岩质量预测方法、预测系统、计算机设备、介质及终端
CN115407046B (zh) * 2022-08-05 2024-04-16 西南石油大学 基于岩石细观结构与等效石英含量的研磨性综合表征方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT14252U1 (de) * 2013-07-30 2015-07-15 Montanuniversität Leoben System zum Ermitteln eines Ortsbrustbilds
CN203661164U (zh) * 2013-11-14 2014-06-18 北京市轨道交通建设管理有限公司 用于暗挖隧道施工掌子面的摄像机防护罩及监控摄像装置
CN104599262A (zh) * 2014-12-18 2015-05-06 浙江工业大学 基于多通道脉冲耦合神经网络的彩色图像分割技术
CN205506703U (zh) * 2016-03-21 2016-08-24 长安大学 一种隧道裂缝图像数据采集仪器固定拖车
CN106161864A (zh) * 2016-07-18 2016-11-23 哈尔滨理工大学 一种多触点图像采集装置
CN205912093U (zh) * 2016-07-22 2017-01-25 深圳亿和源科技有限公司 具有角度可调摄像头的移动终端
CN206016814U (zh) * 2016-09-18 2017-03-15 中铁工程装备集团有限公司 一种记录与分析tbm渣片的装置
CN107784661B (zh) * 2017-09-08 2021-10-08 上海电力学院 基于区域生长法的变电站设备红外图像分类识别方法
CN107563388A (zh) * 2017-09-18 2018-01-09 东北大学 一种基于深度信息预分割的卷积神经网络物体识别方法
CN208248116U (zh) * 2018-06-04 2018-12-18 江西冠翔科技有限公司 车顶升降拍摄装置
CN208836243U (zh) * 2018-08-29 2019-05-07 安徽华磊工程科技有限公司 一种可调节的高清监控摄像机
CN109612943B (zh) * 2019-01-14 2020-04-21 山东大学 基于机器学习的隧洞岩石石英含量测试系统及方法
CN111272753B (zh) * 2019-09-06 2021-04-13 山东大学 基于图像识别与分析的隧道内围岩石英含量预测系统与方法

Also Published As

Publication number Publication date
WO2021043308A1 (zh) 2021-03-11
AU2020342222A1 (en) 2022-04-28
CN111272753A (zh) 2020-06-12
AU2020342222B2 (en) 2023-10-12

Similar Documents

Publication Publication Date Title
CN111272753B (zh) 基于图像识别与分析的隧道内围岩石英含量预测系统与方法
CN108918539B (zh) 一种隧道结构表观病害检测装置及方法
Liang et al. Remote spectral imaging with simultaneous extraction of 3D topography for historical wall paintings
CN110826549A (zh) 基于计算机视觉的巡检机器人仪表图像识别方法及系统
US11796493B2 (en) System and method for identifying lithology based on images and XRF mineral inversion
CN109741271A (zh) 一种检测方法及系统
CN111638200B (zh) 基于拉曼光谱分析的地质预报系统及方法
Härer et al. PRACTISE–Photo rectification and classification software (V. 2.1)
CN112785709A (zh) Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备
CN115753643A (zh) 融合三维扫描与图像光谱的岩体裂隙智能识别方法及系统
Bamford et al. Aerial rock fragmentation analysis in low-light condition using UAV technology
CN109696156A (zh) 基于近景摄影测量的隧道掌子面地质信息快速获取方法
CN113297962B (zh) 无人机搭载式xrf和图像融合的岩性识别系统及方法
Del Pozo et al. Multi-sensor radiometric study to detect pathologies in historical buildings
CN116390885A (zh) 一种系统、用于检测跑道上的异物的检测系统及其方法
CN112734640A (zh) 隧道围岩图像采集装置、处理系统及全景图像拼接方法
CN115901640B (zh) 融合光谱成像与时空分布的不良地质超前预报方法及系统
CN105043544B (zh) 一种图像光谱跟踪方法及系统
CN116879313A (zh) 一种基于雷视超融合的结构裂损实时测定方法
RU2506536C2 (ru) Способ субпиксельного контроля и слежения за перемещением удаленного объекта
CN115713645A (zh) 基于光谱成像技术的岩性识别方法及系统
CN106053466B (zh) 一种基于无人机的土体结构演变实时在线评估装置及方法
Muztaba et al. Deep learning for crescent detection and recognition: Implementation of Mask R-CNN to the observational Lunar dataset collected with the Robotic Lunar Telescope System
CN112801035A (zh) 基于知识与数据双驱动的搭载式岩性智能识别方法及系统
Gaich et al. Reproductible rock mass description in 3D using the JointMetriX3D system

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