CN114091606B - 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 - Google Patents
一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 Download PDFInfo
- Publication number
- CN114091606B CN114091606B CN202111398003.1A CN202111398003A CN114091606B CN 114091606 B CN114091606 B CN 114091606B CN 202111398003 A CN202111398003 A CN 202111398003A CN 114091606 B CN114091606 B CN 114091606B
- Authority
- CN
- China
- Prior art keywords
- image
- blasting
- eye mark
- flatness
- damage
- 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
Links
- 238000005422 blasting Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011156 evaluation Methods 0.000 title claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000011435 rock Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000013139 quantization Methods 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000009412 basement excavation Methods 0.000 claims description 3
- 239000002360 explosive Substances 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010191 image analysis 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
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/003—Arrangement of measuring or indicating devices for use during driving of tunnels, e.g. for guiding machines
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21D—SHAFTS; TUNNELS; GALLERIES; LARGE UNDERGROUND CHAMBERS
- E21D9/00—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries
- E21D9/006—Tunnels or galleries, with or without linings; Methods or apparatus for making thereof; Layout of tunnels or galleries by making use of blasting methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- 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 using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/149—Segmentation; Edge detection involving deformable models, e.g. active contour models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F42—AMMUNITION; BLASTING
- F42D—BLASTING
- F42D3/00—Particular applications of blasting techniques
- F42D3/04—Particular applications of blasting techniques for rock blasting
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30204—Marker
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明属于隧道爆破技术领域,尤其是一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,包括以下步骤:S1‑2:拍摄第一、第二对照图像和爆破后半眼痕图像;S3‑6:对上述图像去噪、灰度和二值化处理,并识别图像半眼痕边界;S7‑9:确定平整度损伤变量,半眼痕区域面积、损伤变量和分形维数的量化关系,半眼痕图像损伤值;S10‑11:形成五维特征向量,获得图像多维度数字化信息特征;S12‑13:选取60幅图像的特征向量作为训练数据输入贝叶斯分类器,再将剩余30幅图像特征向量作为分类数据输入上述训练成熟的分类器实现分类。本发明实现了隧道普通爆破、预裂爆破和光面爆破三种方案下岩面损伤平整度的科学分类,克服了传统半眼痕识别和评价精度差、不具备自适应的难题。
Description
技术领域
本发明涉及隧道爆破技术的图像分析领域,尤其涉及一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法。
背景技术
隧道爆破成型质量和半眼痕率是评价隧道钻爆法施工质量优劣和炮孔利用率的关键,也是直接决定隧道建设周期和投资成本的主要因素。
传统的爆破效果评价方法单纯通过肉眼现场识别和判定半眼痕的表观特征并采用皮尺或全站仪进行简单量测作为评价指标,仅仅在残留炮孔长度这一维度提取数据计算半眼痕率,未考虑炮孔周边一定区域范围的整体平整度对损伤表征的贡献且受测量人员的主观意识影响较大;同时,对于不同爆破方法下的损伤平整度的统计分类至今仍未见有相关报道,现有技术大多进行人工识别判断并分类,识别分类误差大且鲁棒性和稳定性均较差,远远不能满足生产实践的需求。因此,亟需一种便捷高效的隧道爆破炮孔半眼痕识别及特征参数提取并实现不同爆破方案下岩体面损伤平整度分类的方法,便于科学进行隧道爆破相关参数的选取和爆破方案的确定,最终实现理想的隧道爆破效果。
发明内容
基于背景技术中提出的需要人工判别的技术问题,本发明提出了一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法。
本发明提出的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,包括以下具体步骤:
S1:拍摄标准对照图像,标准对照图像尺寸根据分析尺度综合确定,选取理想半眼痕岩面第一对照图像和超欠挖不可接受第二对照图像作为标准对照图像;
S2:获取实际爆破后的半眼痕图像作为第三分析图像,分析图像尺寸和拍摄环境与前述对照图像一致;
S3:根据采集图像含有的高斯噪声服从正态分布的特点,对上述三类图像进行二维Gaussian算法去噪;
S4:为了减少图像原始数据量,根据图像直方图设定阈值对上述三类去噪后的图像进行灰度处理;
S5:对上述灰度处理图像进行二值化处理,通过最大熵阈值法设定最佳二值化阈值;
S6:采用梯度向量流-Snake和主动轮廓模型(GVF-Snake-ACM)对图像中半眼痕边界及相关区域进行识别;
S7:将半眼痕识别后的三类图像,分别导入ImageJ软件中,选用半眼痕区域面积与图像总面积的比率确定为平整度损伤变量:
S8:将选取第一对照图像和第二对照图像半眼痕面积占比区间归一化并建立损伤度与分形维数D之间的量化关系:ω=(D)β,从而确定半眼痕区域面积占比、损伤变量和分形维数三者间的量化关系;
S9:通过半眼痕面积占比值进行线性差值计算确定第三分析图像对象的损伤值;
S10:对多幅半眼痕识别图像采用灰度共生矩阵算法提取0°、45°、90°、135°四个方向或180°、225°、270°、315°四个方向分别提取能量均值、熵均值、对比度均值、相关性均值、均匀度均值五个特征值,从而形成五维特征向量;
S11:分别拍摄隧道掘进采用相同炸药用量下常规爆破、预裂爆破和光面爆破三种爆破方案下各90幅隧道开挖面爆破效果图像,形成集合C={c1,c2,c3},分别对应常规爆破、预裂爆破和光面爆破目标矩阵,采用上述分析过程并获取不同爆破方案下的五维特征向量F={f1,f2,f3,f4,f5},每幅图像特征属性均由一个五维特征向量构成,分别对应能量均值、熵均值、对比度均值、相关性均值和均匀度均值,获得图像的多维度数字化信息特征;
S12:分别将三种不同爆破方案下图像集随机选取60幅图像的五维特征向量作为训练数据输入朴素贝叶斯(Naive Bayes Classifier,NBC)分类器,利用每幅图像的五个特征值fi(i=1,2,3,4,5)计算训练图像为某个类别cj(j=1,2,3)的概率,计算公式为:
对于特征向量F,其后验概率P(cj/F)的值越大,说明F隶属于cj的可能性越高,F所属类别的计算表达式为:
分别计算出P(cj)与P(cj/F)后,返回后验最大的类别,即可得到F的分类;
S13:将不同爆破方案下图像库中剩余的30幅图像特征向量输入训练成熟的贝叶斯分类器,由贝叶斯最大后验概率原则确定出给定不同类别cj(j=1,2,3)概率最大的状态作为爆破方案评价分类的最终结果,实现普通爆破、预裂爆破和光面爆破三类方案爆破成型效果和岩面损伤平整度的分类。
优选地,所述S3中,Gaussian滤波器模型满足以下二维高斯分布:x、y为图像纵横方向的尺寸,σ2为正态分布方差。
优选地,所述S5中,最大熵阈值法具体为:根据shannon熵概念,对于灰度范围为0,1,2,...,L-1的图像,其熵定义为:Pi为像素值为i的像素占整个图像的概率,并设定阈值t将图像划分为目标O和背景B两类,其概率分别为:
O区:i=0,1,...,t,其中,
B区:i=t+1,...,L-1。
优选地,所述目标O和背景B的熵函数分别为:
其中
其中
图像的总熵为:
最大阈值T为使得图像的总熵取得最大值:
T=argmax(H(t))
根据图像的总熵最大化原则确定最佳二值化阈值。
优选地,所述S6的具体过程如下:
S61对初始图像Im×n,其分辨率m×n,以步长d=2对图像行与列进行采集像素点,进行s次下采样,得到s+1幅待测图像,其含初始图像Im×n,其中第k次采样的图像分辨率为
S62对于第s次下采样的图像进行预处理,用Canny算子进行边缘检测,在边缘图像上定义初始轮廓ls+1,初始轮廓ls+1上的控制点个数为Ns+1,计算GVF外力场,由于GVF外力场在平滑区域的扩散性,使得初始轮廓ls+1向图像边缘不断逼近,当初始轮廓ls+1上的控制点有0.98Ns+1个达到目标轮廓时,即终止准则,则认为初始轮廓曲线达到目标边缘,迭代停止,得到分辨率上的目标轮廓曲线ls;
S63对第s-1次下采样的图像使用Canny算子进行预处理,并将上一步得到的轮廓曲线ls作为初始轮廓曲线,在图像上重新计算GVF外力场,在外力推动下沿用S62中终止准则得到目标轮廓曲线ls-1;
S64重复第S63步,直到得到识别图像Im×n的目标轮廓曲线l。
优选地,所述S7中,平整度损伤变量的计算方式为A*为识别半眼痕区域面积,A为图像总面积,n*为图像半眼痕区域的像素点数目,n为图像总像素点数目。
优选地,所述S7中,当ω=0表示半眼痕清晰可辩,为损伤可忽略状态;ω=1表示半眼痕弥散,为完全损伤状态;0<ω<1表示岩面平整度不同损伤程度状态。
优选地,所述S12中,设定训练次数为1000次,采用多组图像数据对分类器进行反复训练,直至训练分类误差小于10-3为止。
本发明中的有益效果为:
1、通过组合算法解决了隧道爆破炮孔半眼痕识别和特征提取问题,并实现了隧道普通爆破、预裂爆破和光面爆破三种方案下岩面损伤平整度的科学分类,克服了传统半眼痕识别和评价精度差、不具备自适应的难题。
2、提供了一种适应未来自动化、智能化和精细化的隧道爆破需求的半眼痕识别和爆破后岩面损伤平整度分类方法,进一步提供了更为全面、科学的隧道爆破炮孔半眼痕特征数字化技术方案,解决了传统人工测量方式测量精度差、可操作性差、受测量人员主观意识影响程度高的缺陷,为隧道精细化爆破设计和参数优化选取提供了智能化、便捷高效的识别和评价分类方法。
该方法中未涉及部分均与现有技术相同或可采用现有技术加以实现。
附图说明
图1为本发明提出的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法的流程图;
图2为典型隧道炮眼布置图;
图3为隧道爆破半眼痕第三类分析图像;
图4为理想化炮孔半眼痕岩面第一类拍摄对照图像;
图5为超欠挖严重的不可接受岩面第二类拍摄对照图像;
图6为分析图像二值化处理结果;
图7为梯度向量流-Snake识别结果图;
图8为主动轮廓模型半眼痕识别结果图;
图9为分析图像分形盒维数计算;
图10为灰度共生矩阵特征提取方向划分;
图11为任选某个分析图像特征向量值;
图12为朴素贝叶斯分类流程图;
图13为朴素贝叶斯评价分类结果。
图14为群炮孔半眼痕和平整度识别结果图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
参照图1-14,一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,包括以下具体步骤:
S1:拍摄标准对照图像,标准对照图像尺寸根据分析尺度综合确定,选取理想半眼痕岩面第一对照图像和超欠挖不可接受第二对照图像作为标准对照图像;
S2:获取实际爆破后的半眼痕图像作为第三分析图像,分析图像尺寸和拍摄环境与前述对照图像一致;
S3:根据采集图像含有的高斯噪声服从正态分布的特点,对上述三类图像进行二维Gaussian算法去噪;
S4:为了减少图像原始数据量,根据图像直方图设定阈值对上述三类去噪后的图像进行灰度处理;
S5:对上述灰度处理图像进行二值化处理,通过最大熵阈值法设定最佳二值化阈值;
S6:采用梯度向量流-Snake和主动轮廓模型(GVF-Snake-ACM)对图像中半眼痕边界及相关区域进行识别;
S7:将半眼痕识别后的三类图像,分别导入ImageJ软件中,选用半眼痕区域面积与图像总面积的比率确定为平整度损伤变量:
S8:将选取第一对照图像和第二对照图像半眼痕面积占比区间归一化并建立损伤度与分形维数D之间的量化关系:ω=(D)β,从而确定半眼痕区域面积占比、损伤变量和分形维数三者间的量化关系;
S9:通过半眼痕面积占比值进行线性差值计算确定第三分析图像对象的损伤值;
S10:对多幅半眼痕识别图像采用灰度共生矩阵算法提取0°、45°、90°、135°四个方向或180°、225°、270°、315°四个方向分别提取能量均值、熵均值、对比度均值、相关性均值、均匀度均值五个特征值,从而形成五维特征向量;
S11:分别拍摄隧道掘进采用相同炸药用量下常规爆破、预裂爆破和光面爆破三种爆破方案下各90幅隧道开挖面爆破效果图像,形成集合C={c1,c2,c3},分别对应常规爆破、预裂爆破和光面爆破目标矩阵,采用上述分析过程并获取不同爆破方案下的五维特征向量F={f1,f2,f3,f4,f5},每幅图像特征属性均由一个五维特征向量构成,分别对应能量均值、熵均值、对比度均值、相关性均值和均匀度均值,获得图像的多维度数字化信息特征;
S12:分别将三种不同爆破方案下图像集随机选取60幅图像的五维特征向量作为训练数据输入朴素贝叶斯(Naive Bayes Classifier,NBC)分类器,利用每幅图像的五个特征值fi(i=1,2,3,4,5)计算训练图像为某个类别cj(j=1,2,3)的概率,计算公式为:
对于特征向量F,其后验概率P(cj/F)的值越大,说明F隶属于cj的可能性越高,F所属类别的计算表达式为:
分别计算出P(cj)与P(cj/F)后,返回后验最大的类别,即可得到F的分类;
S13:将不同爆破方案下图像库中剩余的30幅图像特征向量输入训练成熟的贝叶斯分类器,由贝叶斯最大后验概率原则确定出给定不同类别cj(j=1,2,3)概率最大的状态作为爆破方案评价分类的最终结果,实现普通爆破、预裂爆破和光面爆破三类方案爆破成型效果和岩面损伤平整度的分类。
本实验ImageJ软件的版本号为1.8.0;灰度共生矩阵算法提取0°、45°、90°、135°四个方向。
根据图13,朴素贝叶斯分类器工作流程可以分为:准备工作阶段、分类器训练阶段、应用阶段;其中准备工作阶段为确定特征向量属性F、获取训练样本;分类器训练阶段为对每个分类确定P(F)、对每个特征向量属性计算所有划分的条件概率;应用阶段为对每个分类计算P(cj)P(cj/F)、以P(cj)P(cj/F)最大项作为其所属类别。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,包括以下具体步骤:
S1:拍摄标准对照图像,标准对照图像尺寸根据分析尺度综合确定,选取理想半眼痕岩面第一对照图像和超欠挖不可接受第二对照图像作为标准对照图像;
S2:获取实际爆破后的半眼痕图像作为第三分析图像,分析图像尺寸和拍摄环境与前述对照图像一致;
S3:根据采集图像含有的高斯噪声服从正态分布的特点,对上述三类图像进行二维Gaussian算法去噪;
S4:为了减少图像原始数据量,根据图像直方图设定阈值对上述三类去噪后的图像进行灰度处理;
S5:对上述灰度处理图像进行二值化处理,通过最大熵阈值法设定最佳二值化阈值;
S6:采用梯度向量流-Snake和主动轮廓模型(GVF-Snake-ACM)对图像中半眼痕边界及相关区域进行识别;
S7:将半眼痕识别后的三类图像,分别导入ImageJ软件中,选用半眼痕区域面积与图像总面积的比率确定为平整度损伤变量:
S8:将选取第一对照图像和第二对照图像半眼痕面积占比区间归一化并建立损伤度与分形维数D之间的量化关系:ω=(D)β,从而确定半眼痕区域面积占比、损伤变量和分形维数三者间的量化关系;
S9:通过半眼痕面积占比值进行线性差值计算确定第三分析图像对象的损伤值;
S10:对多幅半眼痕识别图像采用灰度共生矩阵算法提取0°、45°、90°、135°四个方向或180°、225°、270°、315°四个方向分别提取能量均值、熵均值、对比度均值、相关性均值、均匀度均值五个特征值,从而形成五维特征向量;
S11:分别拍摄隧道掘进采用相同炸药用量下常规爆破、预裂爆破和光面爆破三种爆破方案下各90幅隧道开挖面爆破效果图像,形成集合C={c1,c2,c3},分别对应常规爆破、预裂爆破和光面爆破目标矩阵,采用上述分析过程并获取不同爆破方案下的五维特征向量F={f1,f2,f3,f4,f5},每幅图像特征属性均由一个五维特征向量构成,分别对应能量均值、熵均值、对比度均值、相关性均值和均匀度均值,获得图像的多维度数字化信息特征;
S12:分别将三种不同爆破方案下图像集随机选取60幅图像的五维特征向量作为训练数据输入朴素贝叶斯(Naive Bayes Classifier,NBC)分类器,利用每幅图像的五个特征值fi(i=1,2,3,4,5)计算训练图像为某个类别cj(j=1,2,3)的概率,计算公式为:
对于特征向量F,其后验概率P(cj/F)的值越大,说明F隶属于cj的可能性越高,F所属类别的计算表达式为:
分别计算出P(cj)与P(cj/F)后,返回后验最大的类别,即可得到F的分类;
S13:将不同爆破方案下图像库中剩余的30幅图像特征向量输入训练成熟的贝叶斯分类器,由贝叶斯最大后验概率原则确定出给定不同类别cj(j=1,2,3)概率最大的状态作为爆破方案评价分类的最终结果,实现普通爆破、预裂爆破和光面爆破三类方案爆破成型效果和岩面损伤平整度的分类。
2.根据权利要求1所述的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,所述S3中,Gaussian滤波器模型满足以下二维高斯分布:x、y为图像纵横方向的尺寸,σ2为正态分布方差。
3.根据权利要求1所述的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,所述S5中,最大熵阈值法具体为:根据shannon熵概念,对于灰度范围为0,1,2,...,L-1的图像,其熵定义为:Pi为像素值为i的像素占整个图像的概率,并设定阈值t将图像划分为目标O和背景B两类,其概率分别为:
O区:其中,
B区:
4.根据权利要求3所述的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,所述目标O和背景B的熵函数分别为:
其中
其中
图像的总熵为:
最大阈值T为使得图像的总熵取得最大值:
T=argmax(H(t))
根据图像的总熵最大化原则确定最佳二值化阈值。
5.根据权利要求1所述的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,所述S6的具体过程如下:
S61对初始图像Im×n,其分辨率m×n,以步长d=2对图像行与列进行采集像素点,进行s次下采样,得到s+1幅待测图像,其含初始图像Im×n,其中第k次采样的图像分辨率为
S62对于第s次下采样的图像进行预处理,用Canny算子进行边缘检测,在边缘图像上定义初始轮廓ls+1,初始轮廓ls+1上的控制点个数为Ns+1,计算GVF外力场,由于GVF外力场在平滑区域的扩散性,使得初始轮廓ls+1向图像边缘不断逼近,当初始轮廓ls+1上的控制点有0.98Ns+1个达到目标轮廓时,即终止准则,则认为初始轮廓曲线达到目标边缘,迭代停止,得到分辨率上的目标轮廓曲线ls;
S63对第s-1次下采样的图像使用Canny算子进行预处理,并将上一步得到的轮廓曲线ls作为初始轮廓曲线,在图像上重新计算GVF外力场,在外力推动下沿用S62中终止准则得到目标轮廓曲线ls-1;
S64重复第S63步,直到得到识别图像Im×n的目标轮廓曲线l。
6.根据权利要求1所述的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,所述S7中,平整度损伤变量的计算方式为A*为识别半眼痕区域面积,A为图像总面积,n*为图像半眼痕区域的像素点数目,n为图像总像素点数目。
7.根据权利要求6所述的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,所述S7中,当ω=0表示半眼痕清晰可辩,为损伤可忽略状态;ω=1表示半眼痕弥散,为完全损伤状态;0<ω<1表示岩面平整度不同损伤程度状态。
8.根据权利要求1所述的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法,其特征在于,所述S12中,设定训练次数为1000次,采用多组图像数据对分类器进行反复训练,直至训练分类误差小于10-3为止。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398003.1A CN114091606B (zh) | 2021-11-24 | 2021-11-24 | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 |
US17/963,915 US20230351576A9 (en) | 2021-11-24 | 2022-10-11 | Half-cast mark identification and damaged flatness evaluation and classification method for blastholes in tunnel blasting |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111398003.1A CN114091606B (zh) | 2021-11-24 | 2021-11-24 | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091606A CN114091606A (zh) | 2022-02-25 |
CN114091606B true CN114091606B (zh) | 2024-07-02 |
Family
ID=80303512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111398003.1A Active CN114091606B (zh) | 2021-11-24 | 2021-11-24 | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230351576A9 (zh) |
CN (1) | CN114091606B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116523906B (zh) * | 2023-06-28 | 2023-09-12 | 长沙韶光芯材科技有限公司 | 一种玻璃基板光学性能检测方法和系统 |
CN116975969B (zh) * | 2023-07-19 | 2024-02-09 | 武汉大学 | 爆炸荷载下混凝土坝裂缝扩展实时定位与损伤量化方法及系统 |
CN116663940B (zh) * | 2023-08-01 | 2023-10-20 | 安徽博诺思信息科技有限公司 | 变电站安全工器具管理系统及管理方法 |
CN117115378B (zh) * | 2023-10-20 | 2024-02-06 | 中南大学 | 一种断裂面中最大信息熵曲面重建的方法 |
CN117495819B (zh) * | 2023-11-13 | 2024-07-19 | 江苏永钢集团有限公司 | 一种铸坯表面质量缺陷检测方法及装置 |
CN117390973B (zh) * | 2023-12-12 | 2024-03-22 | 中南大学 | 基于多层感知机模型的矿山爆破炮孔利用率预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327579A (zh) * | 2016-08-12 | 2017-01-11 | 浙江科技学院 | 基于bim的多维成像融合技术实现隧道爆破质量数字化的方法 |
CN107843158A (zh) * | 2017-11-03 | 2018-03-27 | 北京科技大学 | 以普通非电雷管实现隧道爆破低振速精确要求的施工方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PE20090252A1 (es) * | 2007-05-15 | 2009-03-19 | Orica Explosives Tech Pty Ltd | Detonacion electronica de alta precision |
KR101380172B1 (ko) * | 2013-05-08 | 2014-04-01 | 한국지질자원연구원 | 발파 천공위치 자동 지정 방법 및 시스템 |
CN110988981B (zh) * | 2019-12-23 | 2021-09-14 | 山东大学 | 一种适用于钻爆法隧道的相控阵声波超前预报系统及方法 |
-
2021
- 2021-11-24 CN CN202111398003.1A patent/CN114091606B/zh active Active
-
2022
- 2022-10-11 US US17/963,915 patent/US20230351576A9/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106327579A (zh) * | 2016-08-12 | 2017-01-11 | 浙江科技学院 | 基于bim的多维成像融合技术实现隧道爆破质量数字化的方法 |
CN107843158A (zh) * | 2017-11-03 | 2018-03-27 | 北京科技大学 | 以普通非电雷管实现隧道爆破低振速精确要求的施工方法 |
Also Published As
Publication number | Publication date |
---|---|
US20230162341A1 (en) | 2023-05-25 |
US20230351576A9 (en) | 2023-11-02 |
CN114091606A (zh) | 2022-02-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091606B (zh) | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 | |
CN107194937B (zh) | 一种开放环境下中医舌象图像分割方法 | |
CN106097393B (zh) | 一种基于多尺度与自适应更新的目标跟踪方法 | |
CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
CN108280396B (zh) | 基于深度多特征主动迁移网络的高光谱图像分类方法 | |
CN106529499A (zh) | 基于傅里叶描述子和步态能量图融合特征的步态识别方法 | |
CN106446922B (zh) | 一种人群异常行为分析方法 | |
CN108537751B (zh) | 一种基于径向基神经网络的甲状腺超声图像自动分割方法 | |
CN107944459A (zh) | 一种rgb‑d物体识别方法 | |
CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
CN105740915B (zh) | 一种融合感知信息的协同分割方法 | |
CN112396619B (zh) | 一种基于语义分割的内部复杂组成的小型颗粒分割方法 | |
CN108830842B (zh) | 一种基于角点检测的医学图像处理方法 | |
CN112149758B (zh) | 一种基于欧式距离和深度学习的高光谱开放集分类方法 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN106529441A (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN113077452B (zh) | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 | |
Wang et al. | Classification and extent determination of rock slope using deep learning | |
Bose et al. | Leaf diseases detection of medicinal plants based on image processing and machine learning processes | |
Gunawan et al. | Fuzzy Region Merging Using Fuzzy Similarity Measurement on Image Segmentation | |
CN115965613A (zh) | 基于空洞卷积的跨层连接的施工场景人群计数方法 | |
Nammalwar et al. | Integration of feature distributions for colour texture segmentation | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
CN111723737B (zh) | 一种基于多尺度匹配策略深度特征学习的目标检测方法 |
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 | ||
GR01 | Patent grant |