CN113836999A - 基于探地雷达的隧道施工风险智能识别方法及系统 - Google Patents
基于探地雷达的隧道施工风险智能识别方法及系统 Download PDFInfo
- Publication number
- CN113836999A CN113836999A CN202110936938.4A CN202110936938A CN113836999A CN 113836999 A CN113836999 A CN 113836999A CN 202110936938 A CN202110936938 A CN 202110936938A CN 113836999 A CN113836999 A CN 113836999A
- Authority
- CN
- China
- Prior art keywords
- ground penetrating
- penetrating radar
- risk
- data
- training
- 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
- 230000000149 penetrating effect Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010276 construction Methods 0.000 title claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005553 drilling Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 50
- 201000010099 disease Diseases 0.000 claims description 39
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000005755 formation reaction Methods 0.000 claims 1
- 238000012876 topography Methods 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000013210 evaluation model Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002759 z-score normalization Methods 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Security & Cryptography (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于探地雷达的隧道施工风险智能识别方法及系统,包括:获取实时探地雷达数据,并进行预处理;将预处理后的图像输入至训练好的卷积神经网络模型中,得到探地雷达图像识别结果;获取地质分析数据,将所述地址分析数据和探地雷达图像识别结果数据输入至训练好的风险等级识别模型,输出风险识别结果。本发明有益效果:本发明基于地质、物探与钻探相结合的“三结合”的原则,并结合人工智能的应用,建立科学合理的智能化隧道施工风险决策体系。
Description
技术领域
本发明涉及超前地质预报技术领域,尤其涉及一种基于探地雷达的隧道施工风险智能识别方法及系统。
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。
近年来,随着我国隧道里程的不断增加,施工期间的地质灾害问题日益严重。超前地质预报作为隧道信息化管理的一部分,愈加受到广大隧道工作者的重视。在众多隧道超前地质预报方法中,探地雷达因为效率高、对目标无破坏性、探测资料分辨率高和抗干扰能力较强等特点被广泛的应用。
在应用中随着工程量的增长,会生成大量探地雷达数据,传统方法依靠人工对数据进行解译,数据解译的正确与否往往过度依赖于检测人员的专业知识水平和工程经验,存在误差大的问题,而且依靠人工数据解译需要花费大量的时间与精力,拖长探测周期。
发明内容
为了解决上述问题,本发明提出了一种基于探地雷达的隧道施工风险智能识别方法及系统,采用深度学习的方法,实现了集病害智能识别和风险智能评估为一体的全过程智能化管控,最大限度地减少施工事故,保障隧道的安全、高效和智能施工。
为了实现上述目的,在一些实施方式中,采用如下技术方案:
一种基于探地雷达的隧道施工风险智能识别方法,包括:
获取实时探地雷达数据,并进行预处理;
将预处理后的图像输入至训练好的卷积神经网络模型中,得到探地雷达图像识别结果;
获取地质分析数据,将所述地址分析数据和探地雷达图像识别结果数据输入至训练好的风险等级识别模型,输出风险识别结果。
在另一些实施方式中,采用如下技术方案:
一种基于探地雷达的隧道施工风险智能识别系统,包括:
数据获取模块,用于获取实时探地雷达数据,并进行预处理;
雷达数据识别模块,用于将预处理后的图像输入至训练好的卷积神经网络模型中,得到探地雷达图像识别结果;
风险等级识别模块,用于获取地质分析数据,将所述地址分析数据和探地雷达图像识别结果数据输入至训练好的风险等级识别模型,输出风险识别结果。
在另一些实施方式中,采用如下技术方案:
一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,所述指令适于由处理器加载并执行上述的基于探地雷达的隧道施工风险智能识别方法。
在另一些实施方式中,采用如下技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行上述的基于探地雷达的隧道施工风险智能识别方法。
与现有技术相比,本发明的有益效果是:
(1)本发明将基于Faster R-CNN方法引入隧道超前地质预报中,用于智能识别掌子面前方探地雷达图像,避免传统上过度依赖检测人员的专业知识水平和工程经验,以及时间长花费大量的时间与精力等问题;针对可用数据集少,综合运用多种数据增强技术扩充样本数量,在小规模样本的条件下的训练具有高质量模型。
(2)本发明将PNN引入隧道施工风险评估中,充分发挥其学习过程简单、扩充能力强和收敛速度更快、更稳定的特点,建立隧道施工风险评价模型。
(3)本发明基于地质、物探与钻探相结合的“三结合”的原则,并结合人工智能的应用,建立科学合理的智能化隧道施工风险决策体系。
本发明的其他特征和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,或通过本方面的实践了解到。
附图说明
图1是本发明实施例提供的概率神经网络PNN网络结构示意图;
图2是本发明实施例提供的基于探地雷达的隧道施工风险智能识别方法流程图。
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请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申请的示例性实施方式。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。
实施例一
在一个或多个实施方式中,公开了一种基于探地雷达的隧道施工风险智能识别方法,参照图2,具体包括以下过程:
(1)获取实时探地雷达数据,并进行预处理;
将雷达原始数据转化为JPG格式,并进行数据剪切操作。
(2)将预处理后的图像输入至训练好的Faster R-CNN卷积神经网络模型中,得到探地雷达图像识别结果;
具体地,对于Faster R-CNN卷积神经网络模型的训练过程包括:
将获取的历史雷达数据转化为JPG格式,并进行数据剪切,并利用水平翻转、垂直翻转,旋转,缩放等数据扩增策略增加数据量,用于制作训练和测试Faster R-CNN模型的数据集;
在深度学习中,有时会出现训练集样本不够或者某一类样本较少的情况,这时为了防止过拟合,加强模型鲁棒性,可以采取数据增强这一改进方法。数据增强是采用几何变换的方式让网络模型学习到更多图像不变性特征。因此,图像增强不改变像素值,只改变像素所在的位置。
由于能收集到的样本数量有限,因此综合使用多种数据增强方法扩充病害样本集,提高模型性能。为了能获得理想的模型,利用水平翻转、垂直翻转,旋转,缩放等数据扩增策略增加数据量,确保训练所需的样本数。
将数据集分为两部分:2/3用于训练集,1/3用于测试集,训练集和测试集中的样本是随机分配的;
通过人工标注的方法给样本上目标贴上标签,包括断层、破碎带、溶洞;利用样本数据集对Faster R-CNN进行循环训练,为更快地训练出识别探地雷达中异常体目标的模型,采用了迁移学习的方法。
在具体实施中,Faster R-CNN被细分成如下几个模块:
①RPN模块,用来产生区域推荐,用一个全卷积网络实现,其输入是一副任意大小的图像,输出是一副带有对象得分的矩形目标推荐(建议框),具体流程如下:
1)输入图片经过VGG16生成卷积特征图;
2)使用滑窗在特征图上滑动,找到每个滑窗的中心点在原图映射的像素位置,然后在原图上生成参考框;
3)为每个参考框分配二值类别标签,即根据真实物体的IOU(交并比)确定每个参考框属于前景(IOU大于0.7)还是背景(IOU小于于0.1);
为两种参考框分配正负样本标签,正标签包括和一个真实物体的IoU值最大的那些参考框,以及和任意一个真实物体的IoU大于或等于0.7的参考框。负标签包括和所有真实物体的IoU值小于0.3,其余那些既不是正样本也不是负样本的参考框,不作为训练样本,被忽略。
4)然后对每个正样本参考框对应的真实物体,打上回归的标签,交给该参考框对应的回归器预测;
5)参考框的数量太多不可能全送去训练,需要做一个最小采样。从一张图片当中随机采样256个参考框作为一个最小,正负样本的比例是1:1,如果一张图片中正样本的数量少于128个,就减少负样本的数量和正样本数量相同;
6)构造好正负标签后训练RPN可以转化为最小化一个多任务损失函数,这里使用smooth L1损失函数,相比于L2损失函数,smooth L1可以让损失对于离群点更加鲁棒,控制梯度的量级使训练时不容易震荡。
②ROI模块,经过了RPN网络,得到没有具体类别的可能含有物体的框,不同的建议框的大小是不同的,尺度不唯一就无法固定大小送去分类网络。ROI利用最大池化把任何有效ROI内的特征转变为具有固定空间大小的特征图,以便把他们分类成固定数量的类别。
③R-CNN模块,IoU大于0.5的建议框将分配给对应的真实物体,而那些介于0.1和0.5之间的建议框则标记为背景,忽略IoU小于0.1的建议框。从而将将建议框的物体进行具体分类以及根据预测的类别更好地调整我们的边界框,
使用交叉熵计算分类损失,使用Smooth L1计算回归损失;
本实施例中,由于标注数据集样本数量与一般目标检测任务训练样本量相比较少,所以在模型训练时采用ImageNet预训练模型辅助模型训练,并在此基础上使用标注数据集进行微调,以少量训练样本取得较高的模型识别精度,具体为:
1)用ImageNet预训练一个模型去初始化RPN,并对RPN进行端到端的区域推荐任务微调;
2)用ImageNet预训练一个模型去初始化Fast R-CNN网络,并利用上一步RPN对这个网络进行独立训练;
3)使用前面的FastR-CNN网络参数重新初始化一个新的RPN网络;
4)使用新的RPN网络输出的建议框继续训练FastR-CNN网络。
在训练过程中,持续观察训练的状况,当神经网络模型的训练出现无法计算损失值的情况时,及时中止训练,重新调整初始学习率再开始训练;直到达到设定的迭代次数,训练完毕。
本实施例中,模型训练采用GPU加速模式,训练过程采用交替训练模式。
模型训练完成后,利用测试数据对Faster R-CNN模型的识别效果进行测试和性能评估;
具体的,以准确率P和召回率R作为Faster R-CNN模型评价指标:
式中,准确率是指真正例在预测的正例中的比重;召回率是指真正例在真实的正例中的比重;TP、FP、TN、FN分别指真正例、假正例、真反例和假反例。表1给出了分类结果混淆矩阵。
表1分类结果混淆矩阵
最终,训练完成之后,将实测雷达图像输入已训练好的模型进行检测,输出识别结果,得到如下指标参数:病害个数,病害长度,病害横向跨度,病害上部深度,病害下部深度,病害深度范围,相邻病害最小间距,相邻病害最大间距和含水率。
(3)获取地质分析数据,将所述地址分析数据和探地雷达图像识别结果数据输入至训练好的风险等级识别模型,输出风险识别结果。
本实施例中,选用PNN网络作为风险等级识别模型,在实际使用神经网络进行风险评估时,为了提高评估精度,会不断地追加新的病害样本,而PNN网络无需像BP网络一样重新进行训练,此时其学习过程简单、扩充能力强的特点就会突显出来。
参见图1,PNN网络是一个四层的前馈神经网络,包括输入层、模式层、求和层以及输出层。
输入层接收输入向量并传递给模式层,输入向量的维数即是该层的节点数。模式层也叫径向基层,该层计算输入向量与每个节点中心的距离,并将计算结果传递给求和层,模式层的节点数等同于样本数。求和层将模式层中每一种模式的所有神经元节点的计算结果做加权平均。输出层取求和层中最大的一个作为输出的类别。
评价指标的选取对于风险评价模型的建立至关重要。如果所选指标未能充分反映病害的特征信息,则评价结果会与实际有很大偏差。
本实施例中,将智能识别出的地质不良体特征,包括异常体个数,病害长度,病害横向跨度,病害上部深度,病害下部深度,病害深度范围,相邻病害最小间距,相邻病害最大间距,病害覆跨比和含水率,作为评价模型的物探数据;
将已有勘察成果和补充地质调查,包括地形地貌,气候水文,地质构造和地层岩性,作为评价模型的地质分析数据;
将施工风险等级划分为低度风险、中度风险、高度风险和极高风险四种等级;
构建训练样本数据集,对原始数据进行归一化处理,形成训练样本集和测试样本集;
由于所选择的病害评价指标具有不同的量纲,如果不进行归一化处理会影响神经网络的输出结果。
具体的,采用Z-score标准化方法对原始数据进行归一化处理。计算公式为:
式中,X为评价指标的原始数据;μ为评价指标的均值;σ为评价指标的标准差;X*为归一化后的数据。经过归一化处理的原始数据符合标准正态分布,且各指标处于同一数量级,适于进行数据分析。
使用Matlab的神经网络工具箱建立风险评价模型,进行训练和验证;
具体的,从病害数据集中随机选取经过验证的50组具有不同发育程度的病害构成训练集,其中40组作为训练样本集,10组作为测试样本集,并将不同风险等级的样本在两个样本集中均匀分布;
通过使用Matlab的神经网络工具箱建立风险评价模型,并进行训练和验证;
循环调整Spread(概率神经网络的扩散速度)进行测试和训练,根据仿真结果确定最佳的Spread值,并将训练数据回代,查看网络的分类效果;
利用测试集对训练好的模型进行测试,在准确率达到85%以上说明模型建立完成。
训练完成后,将FastR-CNN网络模型智能识别出的评价指标的数值输入风险等级识别模型,就可进行风险评价。
(4)基于得到的风险识别结果,确定是否进行超前钻探验证。
具体地,本实施例先通过探地雷达探测前方地质情况,利用Faster R-CNN识别大量探地雷达数据,识别出的异常体参数作为物探指标,包括异常体个数,病害长度,病害横向跨度,病害上部深度,病害下部深度,病害深度范围,相邻病害最小间距,相邻病害最大间距,病害覆跨比和含水率;
通过地质分析宏观确定所要预报隧道掌子面前方的地质情况作为地质指标,包括地形地貌,气候水文,地质构造和地层岩性;
将物探指标和地质指标结合输入PNN智能评估模型中,确定前方施工风险;
根据施工风险等级确定是否需要进行钻探验证,若前方有危险则采取措施进行处理,若前方危险等级不高可继续施工,保障施工过程不发生大的地质灾难。
实施例二
在一个或多个实施方式中,公开了一种基于探地雷达的隧道施工风险智能识别系统,包括:
数据获取模块,用于获取实时探地雷达数据,并进行预处理;
雷达数据识别模块,用于将预处理后的图像输入至训练好的卷积神经网络模型中,得到探地雷达图像识别结果;
风险等级识别模块,用于获取地质分析数据,将所述地址分析数据和探地雷达图像识别结果数据输入至训练好的风险等级识别模型,输出风险识别结果。
需要说明的是,上述各模块的具体实现方式已经在实施例一中进行了详细的说明,此处不再详述。
实施例三
在一个或多个实施方式中,公开了一种终端设备,包括服务器,所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例一中的基于探地雷达的隧道施工风险智能识别方法。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。
在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例四
在一个或多个实施方式中,公开了一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行实施例一中所述的基于探地雷达的隧道施工风险智能识别方法。
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)
1.一种基于探地雷达的隧道施工风险智能识别方法,其特征在于,包括:
获取实时探地雷达数据,并进行预处理;
将预处理后的图像输入至训练好的卷积神经网络模型中,得到探地雷达图像识别结果;
获取地质分析数据,将所述地址分析数据和探地雷达图像识别结果数据输入至训练好的风险等级识别模型,输出风险识别结果。
2.如权利要求1所述的一种基于探地雷达的隧道施工风险智能识别方法,其特征在于,在得到风险识别结果之后,还包括:基于得到的风险识别结果,确定是否进行超前钻探验证。
3.如权利要求1所述的一种基于探地雷达的隧道施工风险智能识别方法,其特征在于,所述卷积神经网络模型选用Faster R-CNN卷积神经网络。
4.如权利要求3所述的一种基于探地雷达的隧道施工风险智能识别方法,其特征在于,对于Faster R-CNN卷积神经网络的训练过程,具体包括:
构建探地雷达图像训练样本数据集;
将所述训练样本输入到Faster R-CNN卷积神经网络中进行循环训练;直到达到设定的迭代次数,训练完毕;
其中,训练样本首先经过RPN模块,得到带有对象得分的建议框的图像;然后经过ROI模块利用最大池化把任何有效ROI内的特征转变为具有固定空间大小的特征图;最后通过R-CNN模块将建议框的物体进行具体分类。
5.如权利要求4所述的一种基于探地雷达的隧道施工风险智能识别方法,其特征在于,采用ImageNet预训练模型对Faster R-CNN卷积神经网络进行辅助训练;具体包括:
用ImageNet预训练一个模型去初始化RPN模块,并对RPN模块进行端到端的区域推荐任务微调;
用ImageNet预训练一个模型去初始化Fast R-CNN网络,并利用上一步RPN模块对FastR-CNN网络进行独立训练;
使用上述训练好的Fast R-CNN网络参数重新初始化一个新的RPN网络;
使用新的RPN网络输出的建议框继续训练Fast R-CNN网络。
6.如权利要求1所述的一种基于探地雷达的隧道施工风险智能识别方法,其特征在于,所述探地雷达图像的识别结果包括:
异常体个数、病害长度、病害横向跨度、病害上部深度、病害下部深度、病害深度范围、相邻病害最小间距、相邻病害最大间距、病害覆跨比和含水率。
7.如权利要求1所述的一种基于探地雷达的隧道施工风险智能识别方法,其特征在于,所述地质分析数据包括:地形地貌、气候水文、地质构造和地层岩性。
8.一种基于探地雷达的隧道施工风险智能识别系统,其特征在于,包括:
数据获取模块,用于获取实时探地雷达数据,并进行预处理;
雷达数据识别模块,用于将预处理后的图像输入至训练好的卷积神经网络模型中,得到探地雷达图像识别结果;
风险等级识别模块,用于获取地质分析数据,将所述地址分析数据和探地雷达图像识别结果数据输入至训练好的风险等级识别模型,输出风险识别结果。
9.一种终端设备,其包括处理器和存储器,处理器用于实现各指令;存储器用于存储多条指令,其特征在于,所述指令适于由处理器加载并执行权利要求1-7任一项所述的基于探地雷达的隧道施工风险智能识别方法。
10.一种计算机可读存储介质,其中存储有多条指令,其特征在于,所述指令适于由终端设备的处理器加载并执行权利要求1-7任一项所述的基于探地雷达的隧道施工风险智能识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936938.4A CN113836999A (zh) | 2021-08-16 | 2021-08-16 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110936938.4A CN113836999A (zh) | 2021-08-16 | 2021-08-16 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836999A true CN113836999A (zh) | 2021-12-24 |
Family
ID=78960717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110936938.4A Pending CN113836999A (zh) | 2021-08-16 | 2021-08-16 | 基于探地雷达的隧道施工风险智能识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836999A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114675261A (zh) * | 2022-02-25 | 2022-06-28 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于探地雷达的城市地下病害体全生命周期管理方法 |
CN114861271A (zh) * | 2022-04-29 | 2022-08-05 | 中铁科学研究院有限公司 | 一种铁路隧道建设的采空区病害原因分析方法 |
CN116720728A (zh) * | 2023-04-26 | 2023-09-08 | 广州地铁设计研究院股份有限公司 | 风险评估方法、电子设备及存储介质 |
CN116935016A (zh) * | 2023-07-28 | 2023-10-24 | 上海济目科技有限公司 | 一种集成隧道施工现场风险识别与激光定位方法 |
CN117057605A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险评估模型训练方法、风险评估方法及相关设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488248A (zh) * | 2015-11-18 | 2016-04-13 | 山东科技大学 | 一种深部矿层和岩层的判定方法 |
CN109214084A (zh) * | 2018-09-03 | 2019-01-15 | 国网浙江省电力有限公司舟山供电公司 | 孔压静力触探海底土层划分方法及系统 |
CN109446987A (zh) * | 2018-10-29 | 2019-03-08 | 北京麦飞科技有限公司 | 基于pca和pnn算法检测水稻病虫害等级的方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
CN112149502A (zh) * | 2020-08-19 | 2020-12-29 | 中国地质大学(武汉) | 一种基于卷积神经网络的不良地质定位预报方法 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
US20210089841A1 (en) * | 2018-02-21 | 2021-03-25 | Robert Bosch Gmbh | Real-Time Object Detection Using Depth Sensors |
-
2021
- 2021-08-16 CN CN202110936938.4A patent/CN113836999A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105488248A (zh) * | 2015-11-18 | 2016-04-13 | 山东科技大学 | 一种深部矿层和岩层的判定方法 |
US20210089841A1 (en) * | 2018-02-21 | 2021-03-25 | Robert Bosch Gmbh | Real-Time Object Detection Using Depth Sensors |
CN109214084A (zh) * | 2018-09-03 | 2019-01-15 | 国网浙江省电力有限公司舟山供电公司 | 孔压静力触探海底土层划分方法及系统 |
CN109446987A (zh) * | 2018-10-29 | 2019-03-08 | 北京麦飞科技有限公司 | 基于pca和pnn算法检测水稻病虫害等级的方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN110321815A (zh) * | 2019-06-18 | 2019-10-11 | 中国计量大学 | 一种基于深度学习的道路裂缝识别方法 |
CN110516730A (zh) * | 2019-08-20 | 2019-11-29 | 中铁工程装备集团有限公司 | 基于pso-svm算法和图像识别的围岩质量在线分级方法 |
CN112149502A (zh) * | 2020-08-19 | 2020-12-29 | 中国地质大学(武汉) | 一种基于卷积神经网络的不良地质定位预报方法 |
CN112462346A (zh) * | 2020-11-26 | 2021-03-09 | 西安交通大学 | 一种基于卷积神经网络的探地雷达路基病害目标检测方法 |
Non-Patent Citations (2)
Title |
---|
李志林 等: "基于模糊小波神经网络的岩溶隧道风险评估及综合超前地质预报技术", 《现代地质》, vol. 27, no. 3, pages 719 - 726 * |
霍振升: "铁路隧道施工风险评估及超前地质预报", 《中国优秀硕士学位论文全文数据库》, pages 1 - 63 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114675261A (zh) * | 2022-02-25 | 2022-06-28 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于探地雷达的城市地下病害体全生命周期管理方法 |
CN114675261B (zh) * | 2022-02-25 | 2024-05-10 | 中国电波传播研究所(中国电子科技集团公司第二十二研究所) | 一种基于探地雷达的城市地下病害体全生命周期管理方法 |
CN114861271A (zh) * | 2022-04-29 | 2022-08-05 | 中铁科学研究院有限公司 | 一种铁路隧道建设的采空区病害原因分析方法 |
CN116720728A (zh) * | 2023-04-26 | 2023-09-08 | 广州地铁设计研究院股份有限公司 | 风险评估方法、电子设备及存储介质 |
CN116935016A (zh) * | 2023-07-28 | 2023-10-24 | 上海济目科技有限公司 | 一种集成隧道施工现场风险识别与激光定位方法 |
CN116935016B (zh) * | 2023-07-28 | 2024-03-08 | 上海济目科技有限公司 | 一种集成隧道施工现场风险识别与激光定位方法 |
CN117057605A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险评估模型训练方法、风险评估方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836999A (zh) | 基于探地雷达的隧道施工风险智能识别方法及系统 | |
CN110059554B (zh) | 一种基于交通场景的多支路目标检测方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
Ma et al. | A real-time crack detection algorithm for pavement based on CNN with multiple feature layers | |
CN105513354A (zh) | 基于视频的城市道路交通拥堵检测系统 | |
CN111191696B (zh) | 一种基于深度学习算法的钢筋分层方法及系统 | |
CN108492298A (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN108447057A (zh) | 基于显著性和深度卷积网络的sar图像变化检测方法 | |
CN111798662A (zh) | 一种基于时空网格化数据的城市交通事故预警方法 | |
CN105225227A (zh) | 遥感影像变化检测的方法及系统 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN106845559A (zh) | 顾及poi数据空间异质性的地表覆盖验证方法及系统 | |
CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN113468968A (zh) | 一种基于无锚框的遥感图像旋转目标检测方法 | |
CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
Huang et al. | A deep learning framework based on improved self‐supervised learning for ground‐penetrating radar tunnel lining inspection | |
CN117671508B (zh) | 基于sar图像的高陡边坡滑坡检测方法及系统 | |
Lv et al. | Novel automatic approach for land cover change detection by using VHR remote sensing images | |
Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
CN105404858A (zh) | 一种基于深度费舍尔网络的车型识别方法 | |
CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
CN110909656A (zh) | 一种雷达与摄像机融合的行人检测方法和系统 | |
CN117083621A (zh) | 检测器训练方法、装置及存储介质 | |
CN114581777A (zh) | 一种次序感知的遥感图像实例增量检测方法 |
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 |