CN113836997A - 一种隧道内岩体裂隙识别方法、装置及系统 - Google Patents
一种隧道内岩体裂隙识别方法、装置及系统 Download PDFInfo
- Publication number
- CN113836997A CN113836997A CN202110925062.3A CN202110925062A CN113836997A CN 113836997 A CN113836997 A CN 113836997A CN 202110925062 A CN202110925062 A CN 202110925062A CN 113836997 A CN113836997 A CN 113836997A
- Authority
- CN
- China
- Prior art keywords
- rock mass
- image
- mass fracture
- fracture
- identification
- 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 183
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 9
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000009194 climbing Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种隧道内岩体裂隙识别方法、装置及系统，包括：获取岩体裂隙图像；对岩体裂隙图像进行图像分割和数据增强的扩充预处理；采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。实现岩体裂隙图像采集的自动化，实现岩体裂隙识别的全自动化，提高岩体裂隙图像采集效率，提高岩体裂隙识别精度。
Description
技术领域
本发明涉及岩体裂隙识别技术领域，特别是涉及一种隧道内岩体裂隙识别方法、装置及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在隧道地铁工程建设中，获取岩体产状信息，了解前方地质状况是十分必要的。岩体裂隙识别可以获取岩体裂隙的分布方位、长度、宽度、密度等参数，获取岩体裂隙信息是评价岩体物理力学性能，进行岩体分级的重要一环。可以通过已知裂隙参数对前方未开挖岩体裂隙参数进行预测，进而对施工前方工程地质进行初步评价，指导工程施工建设。总而言之，岩体裂隙识别在地铁隧道施工建设中是十分必要的。
早期的岩体裂隙识别，主要通过隧道建设现场施工人员对裸露岩体进行测量，耗费时间且系统误差较大，随着科技的发展，人工测量裂隙的方法已被淘汰，取而代之的是基于图像进行裂隙识别。获取岩体裂隙图像后，经过一些计算机算法，如二值化处理、边缘检测方法等获取岩体裂隙参数，实现岩体裂隙时别，但简单的计算机算法存在裂隙识别问题，难以识别自然条件下较为复杂的岩体裂隙，识别精度很低，对数据集要求高，尤其是隧道内光线较暗时，很容易将裂隙误判断为背景，识别精度进一步降低。并且随着隧道埋深跨度加大，采集隧道中上部位的岩体裂隙图片也称为一大难题，主要面临采集难、机械稳定性差、操作复杂等问题。
发明内容
为了解决上述问题，本发明提出了一种隧道内岩体裂隙识别方法、装置及系统，实现岩体裂隙图像采集的自动化，实现岩体裂隙识别的全自动化，提高岩体裂隙图像采集效率，提高岩体裂隙识别精度。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供一种隧道内岩体裂隙识别方法，包括：
获取岩体裂隙图像；
对岩体裂隙图像进行图像分割和数据增强的扩充预处理；
采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。
作为可选择的实施方式，所述数据增强包括对分割后的岩体裂隙图像进行旋转变换和镜像变换的几何变换；经过几何变换后，对岩体裂隙图像进行色彩调整；最后将岩体裂隙图进行旋转缩放。
作为可选择的实施方式，所述岩体裂隙识别模型包括编码器模块，编码器模块包括编码器、ASPP空洞空间池化模块，通过编码器、ASPP空洞空间池化模块提取岩体裂隙图像不同层的特征，得到多尺度特征。
作为可选择的实施方式，所述ASPP空洞空间池化模块由空洞卷积组成，膨胀率为4、8、12、16。
作为可选择的实施方式，所述岩体裂隙识别模型包括解码器模块，解码器模块通过上采样将编码器模块提取的特征进行融合；具体为：将ASPP空洞空间池化模块提取的深层特征经过1×1降为浅层特征，经过4倍上采样后，与编码器提取的浅层特征进行张量拼接，将拼接后的特征经3×3卷积和4倍上采样得到融合特征。
第二方面，本发明提供一种隧道内岩体裂隙识别装置，包括：
图像接收模块，被配置为获取岩体裂隙图像；
图像预处理模块，被配置为对岩体裂隙图像进行图像分割和数据增强的扩充预处理；
岩体裂隙识别模块，被配置为采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。
第三方面，本发明提供一种隧道内岩体裂隙识别系统，包括：图像采集装置和第二方面所述的隧道内岩体裂隙识别装置；
图像采集装置包括机器人和设于机器人上的摄像装置，所述机器人包括机械臂、圆盘和齿轮，机械臂固定在圆盘上，圆盘与齿轮连接，通过齿轮带动圆盘转动，以此带动机械臂的位移，使机器人移动至目标位置，通过摄像装置获取岩体裂隙图像；
隧道内岩体裂隙识别装置根据岩体裂隙图像得到岩体裂隙的识别结果。
作为可选择的实施方式，在圆盘相对位置180度处设置通过螺丝固定机械臂，在机械臂上设有抓手，且机械臂同步运动。
第四方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
第五方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
与现有技术相比，本发明的有益效果为：
本发明提供一种基于爬壁机器人的岩体裂隙图像智能识别方法，不仅可以实现岩体裂隙图像采集工作的自动化，也实现岩体裂隙识别的全自动化，并且利用深度学习技术实现裂隙识别的自我学习，提高岩体裂隙图像采集效率，提高岩体裂隙识别精度。
本发明借助深度学习技术实现岩体裂隙图像像素级语义分割，采用deeplabv3+神经网络模型的岩体裂隙识别模型，实现自我学习、自我反馈、自我提升，真正实现图像裂隙智能化识别；并且可以不经过二值化处理等操作，在不损图像的条件下，满足裂隙识别要求。
本发明的岩体裂隙识别模型由deeplabv3+神经网络模型构成，通过Resnet编码器提取岩体裂隙图像特征信息，加入ASPP模块扩大感受野，有助于提取尺度较小的岩体裂隙特征，克服传统神经网络模型无法提取目标多尺度特征信息的难点。
本发明的图像采集装置实现在隧道侧壁和掌子面上任意位置的移动，可以采集隧道内任意范围的岩体裂隙图像，解决隧道内因高度限制，较高范围的侧壁无法采集岩体裂隙图像的问题。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
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为本发明实施例1提供的爬壁机器人结构图；
图2为本发明实施例1提供的识别模型算法流程图；
图3为本发明实施例1提供的deeplabv3+网络结构图；
图4为本发明实施例1提供的ASPP空间金字塔结构示意图；
其中，1、齿轮，2、机械臂，3、圆盘，4、抓手，5、相机支架，6、螺丝。
具体实施方式：
下面结合附图与实施例对本发明做进一步说明。
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，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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。
实施例1
本实施例提供一种隧道内岩体裂隙识别系统，包括：
图像采集装置，包括机器人和设于机器人上的摄像装置，所述机器人包括机械臂、圆盘和齿轮，机械臂固定在圆盘上，圆盘与齿轮连接，通过齿轮带动圆盘转动，以此带动机械臂的位移，使机器人移动至目标位置，通过摄像装置获取岩体裂隙图像；
图像预处理模块，被配置为对岩体裂隙图像进行图像分割和数据增强的扩充预处理；
岩体裂隙识别模块，被配置为采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。
在本实施例中，如图1所示，图像采集装置包括爬壁机器人和摄像装置，
所述爬壁机器人包括齿轮1、机械臂2、圆盘3、抓手4、螺丝6；齿轮1与圆盘3相连，机械臂2固定在圆盘3上，在圆盘3相对位置180度处设置螺丝6，通过螺丝6固定机械臂2，在机械臂2下方配置抓手4；
爬壁机器人由电机提供动力，带动齿轮1转动，齿轮1包含大小3个齿轮，3个齿轮协调转动，带动侧面圆盘3转动，继而圆盘3转动，带动机械臂2转动，圆盘3对角处两个机械臂2保持同步运动，四个机械臂满足爬壁机器人向前移动。
优选地，抓手4由斜向下45度的类似于铁钉的构造构成，采用硬度较高、摩擦力较大的材质，可以为爬壁机器人攀爬提供足够的阻力。
所述摄影装置设置于爬壁机器人下方的相机支架5上，紧贴岩体表面，配置滚轴可以左右摆动，相机自身可以伸缩，以满足拍摄角度的需求；在爬壁机器人移动过程中，摄影装置协助寻找拍摄位置，且通过左右摆动和伸缩，拍摄岩体裂隙图像。
优选地，摄影装置上配置闪光灯，解决隧道阴暗环境的问题。
在本实施例中，由摄像机的拍摄照片通过蓝牙传输到图像预处理模块中，还可通过U盘对数据进行备份。
在本实施例中，图像预处理模块将采集的岩体裂隙图像进行图像预处理，具体包括：
将采集的岩体裂隙图像进行分割，得到尺寸一致的图像块，尺寸设为1024×1024，以扩充数据集；
把分割后的岩体裂隙图像进行数据增强处理，包括几何变换、色彩调整、旋转缩放；
所述几何变换通过旋转变换和镜像变换等操作实现；其中，旋转变换将岩体裂隙图像旋转过一定角度，此时长短边均有部分图像大于原来尺寸，将超过原来尺寸部分的图像裁减掉，缺少图像的部分用0像素值填充；镜像变换通过镜像操作得到原图像的镜像图；
经过几何变换后，对岩体裂隙图像进行色彩调整，调整色调、饱和度，在不改变像素的条件下，对数据集进行增强；
最后将图像进行旋转缩放，进一步增强数据集，降低图像角度对岩体裂隙识别的影响。
在本实施例中，经图像预处理后得到的数据集，按照一定比例随机分为3部分，即训练集、测试集和验证集；训练集用来调整模型参数，得到较优模型，防止模型过拟合，测试集对模型泛化能力进行评价，验证集用来对模型的能力进行初步评估验证，均输出岩体裂隙识别准确率和识别效果。模型算法流程图如图2所示。
在本实施例中，岩体裂隙识别模型由deeplabv3+神经网络组成，网络结构如图3所示，deeplabv3+为编码-解码结构，编码器模块采集岩体裂隙图像特征，解码器模块将图像特征进行融合，以减少岩体裂隙空间信息的损失。
编码器模块包含ResNet50(可替换为ResnNet100和ResnNet34)编码器、ASPP空洞空间池化模块；采用ResNet50编码器提取岩体裂隙图像浅层特征，通过ASPP模块提取多尺度更深层次的岩体裂隙语义特征，最后通过解码器模块通过上采样将ASPP提取的岩体裂隙图像深层次信息与Resnet50编码器提取岩体裂隙图像浅层特征进行融合，恢复岩体裂隙的空间信息。
因为岩体裂隙特征信息难以提取，为了更好地实现像素级语义分割，本实施例将普通卷积结构替换为空洞卷积，加入ASPP模块，可以在不改变岩体裂隙特征图大小的情况下，扩大感受野，提取更深层次的岩体裂隙特征信息。
其中，空洞卷积示意图如图4所示，标准卷积核采样率为1，空洞卷积膨胀率可以成倍增加，图4中展示采样率为2的空洞卷积，卷积核大小为3，当空洞卷积扩张率与填充宽度一样时，输入岩体裂隙图像和输出相同，但感受野增大，因此可以提取更多尺度的特征信息。
空洞卷积计算公式(1)如下：
式中：x为输入二维特征图；y为输出二维特征图；ω为卷积核大小；k为卷积核尺寸；r为膨胀率。
ASPP由4个空洞卷积组成，传统ASPP膨胀率分别为1、6、12、18，为了提取更细节信息，本实施例将膨胀率更改为4、8、12、16；图像经过空洞深度可分离卷积后，进行全局池化，得到6个1/6大小，尺寸为256×256的特征图像，将其进行拼接融合后，得到ASPP输出的特征图。
解码器模块通过上采样将编码器模块提取的深层特征与浅层特征融合，恢复岩体裂隙的空间信息；具体为：
首先将编码器模块提取的深层特征经过1×1降为浅层特征，经过4倍上采样(双线性插值法)操作后，与浅层特征进行张量拼接；然后拼接后的特征信息经过3х3卷积和4倍上采样，恢复其空间尺寸信息，最终输出岩体裂隙预测信息。
应用上述系统进行隧道内岩体裂隙识别方法具体包括以下步骤：
1)将爬壁机器人放置在预定采集岩体裂隙图像的区域，打开爬壁机器人和摄像装置，遥控器控制爬壁机器人移动，爬壁机器人齿轮依靠发动机提供动力，齿轮带动侧面圆盘转动，圆盘上的机械臂随之摆动，三者协调，直到到达采集岩体裂隙图像的位置；
2)摄像装置左右摇摆，以寻找岩体裂隙图片的方位，并通过相机自身伸缩进行聚焦，拍摄岩体裂隙图像，必要时闪光灯辅助拍摄，增加亮度；
3)将拍摄得到岩体裂隙图像导入图像预处理模块中，经过图像分割、几何变换、色彩调整、旋转缩放来增强数据，扩充数据集；
4)采用Pixel Annotation Tool图像标注工具进行标注，得到标注数据集；
5)将原图数据集和标注图数据集均输入到Deeplabv3+神经网络模型中，经过编码块提取岩体裂隙图像特征和解码块恢复岩体裂隙图像尺寸信息，实现对岩体裂隙的识别。
上述实施例1中的图像预处理模块和岩体裂隙识别模块可通过程序实现，即还可提供一种隧道内岩体裂隙识别方法，包括：
获取岩体裂隙图像；
对岩体裂隙图像进行图像分割和数据增强的扩充预处理；
采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。
在更多实施例中，还提供一种隧道内岩体裂隙识别装置，包括：
图像接收模块，被配置为获取岩体裂隙图像；
图像预处理模块，被配置为对岩体裂隙图像进行图像分割和数据增强的扩充预处理；
岩体裂隙识别模块，被配置为采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。
此处需要说明的是，上述模块对应于隧道内岩体裂隙识别方法所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述方法所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
在更多实施例中，还提供：
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成隧道内岩体裂隙识别方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成隧道内岩体裂隙识别方法。
隧道内岩体裂隙识别方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
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)
1.一种隧道内岩体裂隙识别方法，其特征在于，包括：
获取岩体裂隙图像；
对岩体裂隙图像进行图像分割和数据增强的扩充预处理；
采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。
2.如权利要求1所述的一种隧道内岩体裂隙识别方法，其特征在于，所述数据增强包括对分割后的岩体裂隙图像进行旋转变换和镜像变换的几何变换；经过几何变换后，对岩体裂隙图像进行色彩调整；最后将岩体裂隙图进行旋转缩放。
3.如权利要求1所述的一种隧道内岩体裂隙识别方法，其特征在于，所述岩体裂隙识别模型包括编码器模块，编码器模块包括编码器、ASPP空洞空间池化模块，通过编码器、ASPP空洞空间池化模块提取岩体裂隙图像不同层的特征，得到多尺度特征。
4.如权利要求3所述的一种隧道内岩体裂隙识别方法，其特征在于，所述ASPP空洞空间池化模块由空洞卷积组成，膨胀率为4、8、12、16。
5.如权利要求3所述的一种隧道内岩体裂隙识别方法，其特征在于，所述岩体裂隙识别模型包括解码器模块，解码器模块通过上采样将编码器模块提取的特征进行融合；具体为：将ASPP空洞空间池化模块提取的深层特征经过1×1降为浅层特征，经过4倍上采样后，与编码器提取的浅层特征进行张量拼接，将拼接后的特征经3×3卷积和4倍上采样得到融合特征。
6.一种隧道内岩体裂隙识别装置，其特征在于，包括：
图像接收模块，被配置为获取岩体裂隙图像；
图像预处理模块，被配置为对岩体裂隙图像进行图像分割和数据增强的扩充预处理；
岩体裂隙识别模块，被配置为采用训练后的岩体裂隙识别模型对扩充预处理后的岩体裂隙图像进行岩体裂隙识别，岩体裂隙模型通过不同特征提取层对扩充预处理后的岩体裂隙图像进行多尺度特征提取，并将不同特征提取层提取的图像特征进行融合后，基于得到的融合特征得到岩体裂隙的识别结果。
7.一种隧道内岩体裂隙识别系统，其特征在于，包括：图像采集装置和权利要求6所述的隧道内岩体裂隙识别装置；
图像采集装置包括机器人和设于机器人上的摄像装置，所述机器人包括机械臂、圆盘和齿轮，机械臂固定在圆盘上，圆盘与齿轮连接，通过齿轮带动圆盘转动，以此带动机械臂的位移，使机器人移动至目标位置，通过摄像装置获取岩体裂隙图像；
隧道内岩体裂隙识别装置根据岩体裂隙图像得到岩体裂隙的识别结果。
8.如权利要求7所述的一种隧道内岩体裂隙识别系统，其特征在于，在圆盘相对位置180度处设置通过螺丝固定机械臂，在机械臂上设有抓手，且机械臂同步运动。
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110925062.3A CN113836997A (zh) | 2021-08-12 | 2021-08-12 | 一种隧道内岩体裂隙识别方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110925062.3A CN113836997A (zh) | 2021-08-12 | 2021-08-12 | 一种隧道内岩体裂隙识别方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113836997A true CN113836997A (zh) | 2021-12-24 |
Family
ID=78960447
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110925062.3A Pending CN113836997A (zh) | 2021-08-12 | 2021-08-12 | 一种隧道内岩体裂隙识别方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113836997A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546113A (zh) * | 2022-09-15 | 2022-12-30 | 山东大学 | 掌子面裂隙图像与前方三维结构参数预测方法及系统 |
| CN115861848A (zh) * | 2023-03-01 | 2023-03-28 | 成都理工大学 | 一种对岩体图像处理的方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205819363U (zh) * | 2016-05-09 | 2016-12-21 | 燕山大学 | 新型仿生爬壁机器人 |
| CN112132200A (zh) * | 2020-09-17 | 2020-12-25 | 山东大学 | 基于多维岩石图像深度学习的岩性识别方法及系统 |
| CN112785709A (zh) * | 2021-01-15 | 2021-05-11 | 山东大学 | Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备 |
-
2021
- 2021-08-12 CN CN202110925062.3A patent/CN113836997A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN205819363U (zh) * | 2016-05-09 | 2016-12-21 | 燕山大学 | 新型仿生爬壁机器人 |
| CN112132200A (zh) * | 2020-09-17 | 2020-12-25 | 山东大学 | 基于多维岩石图像深度学习的岩性识别方法及系统 |
| CN112785709A (zh) * | 2021-01-15 | 2021-05-11 | 山东大学 | Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备 |
Non-Patent Citations (4)
| Title |
|---|
| JIAYAO CHEN 等: "Automated extraction and evaluation of fracture trace maps from rock tunnel face images via deep learning", 《INTERNATIONAL JOURNAL OF ROCK MECHANICS AND MINING SCIENCES》, pages 1 - 16 * |
| 杨敏: "基于深度学习级联技术的隧道裂缝识别与分析算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 1 - 67 * |
| 路长伟: "《强大的智能机器人》", 中国传媒大学出版社, pages: 60 - 62 * |
| 钟跃崎: "《人工智能技术原理与应用》", 30 September 2020, 中国传媒大学出版社, pages: 215 - 216 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115546113A (zh) * | 2022-09-15 | 2022-12-30 | 山东大学 | 掌子面裂隙图像与前方三维结构参数预测方法及系统 |
| CN115861848A (zh) * | 2023-03-01 | 2023-03-28 | 成都理工大学 | 一种对岩体图像处理的方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112270249B (zh) | 一种融合rgb-d视觉特征的目标位姿估计方法 | |
| Fathi et al. | Automated as-built 3D reconstruction of civil infrastructure using computer vision: Achievements, opportunities, and challenges | |
| CN113836997A (zh) | 一种隧道内岩体裂隙识别方法、装置及系统 | |
| CN107240129A (zh) | 基于rgb‑d相机数据的物体及室内小场景恢复与建模方法 | |
| CN101556696B (zh) | 基于阵列摄像机的深度图实时获取算法 | |
| CN114693615A (zh) | 一种基于域适应的深度学习混凝土桥梁裂缝实时检测方法 | |
| CN110363770B (zh) | 一种边缘引导式红外语义分割模型的训练方法及装置 | |
| O’Byrne et al. | An underwater lighting and turbidity image repository for analysing the performance of image-based non-destructive techniques | |
| CN109035327B (zh) | 基于深度学习的全景相机姿态估计方法 | |
| WO2024021194A1 (zh) | 激光雷达点云分割方法、装置、设备及存储介质 | |
| CN111046856A (zh) | 基于动静态特征提取并行位姿跟踪与地图创建的方法 | |
| CN104156965A (zh) | 一种矿井监控图像自动快速拼接方法 | |
| Dan et al. | Application of deep learning-based image recognition technology to asphalt–aggregate mixtures: Methodology | |
| Li et al. | A deep learning-based fine crack segmentation network on full-scale steel bridge images with complicated backgrounds | |
| CN112766136A (zh) | 一种基于深度学习的空间车位检测方法 | |
| CN104469170A (zh) | 双目摄像装置、图像处理方法及装置 | |
| CN111612786A (zh) | 基于全卷积神经网络的混凝土缺陷检测方法、装置及存储介质 | |
| CN103900504A (zh) | 纳米尺度下的实时三维视觉信息反馈方法 | |
| CN114565675A (zh) | 一种在视觉slam前端去除动态特征点的方法 | |
| CN114049356A (zh) | 一种结构表观裂缝检测方法、装置及系统 | |
| Armagan et al. | Semantic segmentation for 3D localization in urban environments | |
| CN111145203B (zh) | 车道线提取方法及装置 | |
| Li et al. | Exposed aggregate detection of stilling basin slabs using attention U-net network | |
| Lu et al. | Image-based 3D reconstruction for Multi-Scale civil and infrastructure Projects: A review from 2012 to 2022 with new perspective from deep learning methods | |
| CN111709991B (zh) | 一种铁路工机具的检测方法、系统、装置和存储介质 |
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 |