CN112348014A - 基于机器视觉的隧道掌子面围岩级别快速识别方法 - Google Patents
基于机器视觉的隧道掌子面围岩级别快速识别方法 Download PDFInfo
- Publication number
- CN112348014A CN112348014A CN202011210582.8A CN202011210582A CN112348014A CN 112348014 A CN112348014 A CN 112348014A CN 202011210582 A CN202011210582 A CN 202011210582A CN 112348014 A CN112348014 A CN 112348014A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- image
- tunnel face
- machine vision
- tunnel
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003708 edge detection Methods 0.000 claims abstract description 7
- 238000013135 deep learning Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 230000001502 supplementing effect Effects 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 238000003707 image sharpening Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 abstract description 13
- 239000013589 supplement Substances 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration by the use of local operators
-
- G06T5/73—
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本发明涉及一种基于机器视觉的隧道掌子面围岩级别快速识别方法及系统,属于图像识别技术领域。该方法包括以下步骤:S1、给予专用平板电脑执行处理的指令;S2、使用专用平板电脑通过接口发送指令使补光设备补光,并通过摄像头采集图像;S3、对采集到的图像进行预处理(小波包);S4、图像锐化;S5、边缘检测;S6、采用深度学习对图像进行学习,提取识别特征,并描述掌子面围岩的地层和节理;S7、根据识别的结果,判断围岩岩石种类和破碎程度,进而输出掌子面围岩级别,并输出判断依据的相关文档。本发明解决了公路隧道掌子面围岩级别高效、智能识别的关键技术问题,能提升隧道施工界面的安全性与高效性。
Description
技术领域
本发明属于图像识别技术领域,涉及一种基于机器视觉的隧道掌子面围岩级别快速识别方法。
背景技术
隧道工程已成为山区高速公路建设的控制性工程。隧道围岩分级是隧道设计和施工的基础,在隧道工程中起着十分重要的作用。新的《公路隧道设计规范》(JTG D70-2014)围岩分级法,缺点:其定性方法非常宏观,在实际工程中很难达到具体的指导作用,而其定量分级方法虽然简单可行,但在施工中需结合隧道的实际情况,采取快速的指标获取方法。因此,建立一套符合施工实际、便于操作和应用的公路隧道施工阶段的围岩分级方法和系统变得尤为迫切。而在建公路隧道多集中在地质条件恶劣、环境气候多变、施工结构复杂等山区,施工技术难度高。因此,随着在建项目日益增多,对公路隧道的建设工作提出了严峻挑战。
目前对公路隧道开挖掌子面围岩级别识别大多数采用有先验知识的技术人员人工进行识别,耗时较长、且识别具有较大的不确定性。因此,本发明提出一种基于机器视觉的隧道掌子面围岩级别快速识别方法及系统。
发明内容
有鉴于此,本发明的目的在于提供一种基于机器视觉的隧道掌子面围岩级别快速识别方法。
为达到上述目的,本发明提供如下技术方案:
一种基于机器视觉的隧道掌子面围岩级别快速识别方法,其特征在于:该方法包括以下步骤:
S1、给予电脑执行提取图像中感兴趣区域的指令;
S2、使用电脑通过采集、处理图像的软件上的控制按钮对设备进行补光,并通过摄像头采集图像;
S3、对采集到的图像进行预处理;
S4、图像锐化、边缘检测;
S5、采用深度学习对图像进行学习,提取识别特征,并描述掌子面围岩的地层和节理;
S6、根据识别的结果,判断围岩岩石种类和破碎程度,进而输出掌子面围岩级别,并输出判断依据的相关文档。
可选地,步骤S3具体为采用小波包滤波方法以及对图像感兴趣区域进行局部自适应二值化。
可选地,步骤S4具体为采用拉普拉斯算子。
可选地,步骤S4具体为采用拉普拉斯算子对图像进行锐化,增强边缘信息,采用Canny算子对锐化后的图像进行边缘检测。。
可选地,步骤S5的深度学习用的是基于受限玻尔兹曼机RBM的深度置信网络DBN-DNN。
本发明的有益效果在于:
1、本发明对使用环境要求较低,可在环境恶劣的情况下使用;
2、本发明识别效率高,可在现场实时输出识别结果;
3、本发明可以输出围岩岩石信息,技术人员可根据输出结果进行验证;
4、本发明的自动化处理水平较高,可以极大的降低技术人员工作量,提高工程进度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为特征学习和识别处理流程图;
图2为深度置信网络DBN-DNN的算法流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”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,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,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的具体含义。
请参阅图1~图2,为一种基于机器视觉的隧道掌子面围岩级别快速识别方法,所实现的方法在围岩级别识别过程中完全不依赖人的先验知识,而且施工过程无需长时间暂停。该系统操作简单,能准确、快速地识别出当前隧道掌子面围岩级别,符合保障公路隧道施工进度和安全的需要。
首先用户给予专用平板电脑执行处理提取图像感兴趣区域的指令,专用平板电脑通过采集、处理图像的软件按钮控制补光设备使补光设备补光,并打开摄像头采集图像,对上述图像进行预处理,主要是采用直方图变换的方法来提高图像质量,使图像亮度均匀、成像清晰;进而图像锐化,图像整体效果提高之后,为了突出显示图像边界和细节信息,采用拉普拉斯算子对图像进行锐化,增强边缘信息;然后边缘检测,采用Canny算子对锐化后的图像进行边缘检测,采用深度学习、迁移学习进行图像快速高效学习,提取识别特征,并描述掌子面围岩的地层和节理,根据识别的结果,可判断围岩岩石种类和破碎程度,进而输出掌子面围岩级别,并输出判断依据的相关文档。
RBM训练算法如下:
输入:x0为一训练样本二维矩阵;n,m分别为可视单元和隐含单元个数;ε为学习率;T为最大迭代次数;
输出:W为权值矩阵;a,b分别为可视层和隐含层叠的偏置。
训练过程:
初始化:W,a,b初始化为较小的随机值令可视层的初始状态为v1=x0
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (4)
1.一种基于机器视觉的隧道掌子面围岩级别快速识别方法,其特征在于:该方法包括以下步骤:
S1、给予电脑执行提取图像中感兴趣区域的指令;
S2、使用电脑通过采集、处理图像的软件上的控制按钮对设备进行补光,并通过摄像头采集图像;
S3、对采集到的图像进行预处理;
S4、图像锐化、边缘检测;
S5、采用深度学习对图像进行学习,提取识别特征,并描述掌子面围岩的地层和节理;
S6、根据识别的结果,判断围岩岩石种类和破碎程度,进而输出掌子面围岩级别,并输出判断依据的相关文档。
2.根据权利要求1所述的一种基于机器视觉的隧道掌子面围岩级别快速识别方法,其特征在于:所述步骤S3具体为对采集到的图像采用小波包滤波方法以及对图像感兴趣区域进行局部自适应二值化。
3.根据权利要求1所述的一种基于机器视觉的隧道掌子面围岩级别快速识别方法,其特征在于:所述步骤S4具体为采用拉普拉斯算子对图像进行锐化,增强边缘信息,采用Canny算子对锐化后的图像进行边缘检测。
4.根据权利要求1所述的一种基于机器视觉的隧道掌子面围岩级别快速识别方法,其特征在于:所述步骤S5的深度学习用的是基于受限玻尔兹曼机RBM的深度置信网络DBN-DNN。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210582.8A CN112348014A (zh) | 2020-11-03 | 2020-11-03 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210582.8A CN112348014A (zh) | 2020-11-03 | 2020-11-03 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112348014A true CN112348014A (zh) | 2021-02-09 |
Family
ID=74356362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011210582.8A Pending CN112348014A (zh) | 2020-11-03 | 2020-11-03 | 基于机器视觉的隧道掌子面围岩级别快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348014A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989481A (zh) * | 2021-05-17 | 2021-06-18 | 中国科学院武汉岩土力学研究所 | 复杂地质隧道施工围岩稳定可视化图像数据处理方法 |
CN113781441A (zh) * | 2021-09-13 | 2021-12-10 | 中铁一局集团第二工程有限公司 | 一种应用于节理岩体隧道开挖过程中的注浆范围优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013061785A (ja) * | 2011-09-13 | 2013-04-04 | Kurume Univ | 生死予測装置とその方法、生死予測プログラム及び記録媒体 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
CN110889834A (zh) * | 2019-11-19 | 2020-03-17 | 长沙理工大学 | 一种基于云计算的公路隧道围岩分级方法 |
CN111751394A (zh) * | 2020-04-17 | 2020-10-09 | 山东大学 | 基于图像与xrf矿物反演的岩性识别方法及系统 |
-
2020
- 2020-11-03 CN CN202011210582.8A patent/CN112348014A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013061785A (ja) * | 2011-09-13 | 2013-04-04 | Kurume Univ | 生死予測装置とその方法、生死予測プログラム及び記録媒体 |
CN109736790A (zh) * | 2018-12-28 | 2019-05-10 | 新疆工程学院 | 基于深度信念网络的测井岩性识别方法 |
CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
CN110889834A (zh) * | 2019-11-19 | 2020-03-17 | 长沙理工大学 | 一种基于云计算的公路隧道围岩分级方法 |
CN111751394A (zh) * | 2020-04-17 | 2020-10-09 | 山东大学 | 基于图像与xrf矿物反演的岩性识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
PING ZHONG等: "Learning to Diversify Deep Belief Networks for Hyperspectral Image Classification", IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 55, no. 6, pages 3516 - 3530, XP011650379, DOI: 10.1109/TGRS.2017.2675902 * |
张攀龙等: "基于U-Net深度神经网络的地震数据去噪研究", 金属矿山, no. 01, pages 200 - 208 * |
李宝奇等: "基于DBN的隧道地质超前预报自动解释算法", 长安大学学报(自然科学版), no. 03, pages 90 - 96 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112989481A (zh) * | 2021-05-17 | 2021-06-18 | 中国科学院武汉岩土力学研究所 | 复杂地质隧道施工围岩稳定可视化图像数据处理方法 |
CN113781441A (zh) * | 2021-09-13 | 2021-12-10 | 中铁一局集团第二工程有限公司 | 一种应用于节理岩体隧道开挖过程中的注浆范围优化方法 |
CN113781441B (zh) * | 2021-09-13 | 2024-02-27 | 中铁一局集团第二工程有限公司 | 一种应用于节理岩体隧道开挖过程中的注浆范围优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Caspari et al. | Convolutional neural networks for archaeological site detection–Finding “princely” tombs | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN101950359B (zh) | 一种岩石种类的识别方法 | |
CN109711262B (zh) | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 | |
CN112348014A (zh) | 基于机器视觉的隧道掌子面围岩级别快速识别方法 | |
CN104299009B (zh) | 基于多特征融合的车牌字符识别方法 | |
CN110544293B (zh) | 一种多无人机视觉协同的建筑场景识别方法 | |
CN104899571A (zh) | 一种用于复杂文字识别的随机样本产生方法 | |
CN111931684A (zh) | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 | |
CN104361340A (zh) | 基于显著性检测和聚类的sar图像目标快速检测方法 | |
CN105069774B (zh) | 基于多示例学习与图割优化的目标分割方法 | |
CN104063702A (zh) | 一种基于遮挡修复和局部相似性匹配的三维步态识别方法 | |
CN104050682A (zh) | 一种融合颜色和深度信息的图像分割方法 | |
CN103646246A (zh) | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 | |
CN106709518A (zh) | 基于Android平台的盲道识别系统 | |
Kanaeva et al. | Road pavement crack detection using deep learning with synthetic data | |
CN110619368B (zh) | 行星表面导航特征成像匹配检测方法 | |
CN109117838A (zh) | 应用于无人船感知系统的目标检测方法及装置 | |
CN105184317A (zh) | 一种基于svm分类的车牌字符分割方法 | |
Ok | Automated extraction of buildings and roads in a graph partitioning framework | |
CN107886125A (zh) | 基于局部谱分解打分的modis卫星遥感图像标注方法 | |
CN109740607B (zh) | 字符图像的残缺区域检测和残缺字符图像恢复方法 | |
CN112990237A (zh) | 基于深度学习的地铁隧道图像渗漏检测的方法 | |
CN101894368A (zh) | 基于测地距离的半监督sar图像水域分割方法 | |
CN109740504A (zh) | 一种基于遥感影像提取海域资源的方法 |
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 |