CN114140448A - 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 - Google Patents
一种基于深度学习的隧道掌子面围岩智能分级方法及设备 Download PDFInfo
- Publication number
- CN114140448A CN114140448A CN202111481523.9A CN202111481523A CN114140448A CN 114140448 A CN114140448 A CN 114140448A CN 202111481523 A CN202111481523 A CN 202111481523A CN 114140448 A CN114140448 A CN 114140448A
- Authority
- CN
- China
- Prior art keywords
- surrounding rock
- image
- grade
- tunnel face
- transformation
- 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 179
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013135 deep learning Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000005520 cutting process Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims description 42
- 238000010606 normalization Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 18
- 238000007781 pre-processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 10
- 238000011835 investigation Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 11
- 238000011161 development Methods 0.000 description 10
- 230000018109 developmental process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000009412 basement excavation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 239000011229 interlayer Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 235000019994 cava Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- 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
- G06T2207/20132—Image cropping
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及隧道勘察领域,特别是一种基于深度学习的隧道掌子面围岩智能分级方法及设备。本发明通过对隧道掌子面围岩照片样本进行标注和预处理,建立起训练用的掌子面图像数据库;而后,通过搭建基于深度学习的围岩分级预测模型,并根据掌子面图像数据库对模型进行训练,从而构建出识别更加准确的预测模型。且本发明采用图像切割将待检测掌子面照片进行分割,并分别对各个子图像进行预测,最终再根据各个子图像的预测结果进行综合评价预测,使预测结果基于的数据更加全面,也实现了对掌子面围岩的高效、准确判别。
Description
技术领域
本发明涉及隧道勘察领域,特别是一种基于深度学习的隧道掌子面围岩智能分级方法及设备。
背景技术
围岩分级在隧道工程中是一项重要的基础性工作,是进行隧道支护结构设计和确定开挖工法的重要依据,也是进行隧道安全风险评估依据。从国内外围岩分级的发展历程来看,传统的隧道工程围岩分级主要方法有单因素指标分级、多因素指标分级、多因素综合分级法等。其发展趋势为单因素指标向多因素指标综合评价方向发展,从定性分析、经验判断向定量分析方向发展,从人工识别向机器学习智能识别方向发展。目前隧道工程围岩分级主要侧重于勘察设计阶段,通过钻探和物探手段获取岩体参数信息进行评价和分级,但是勘察设计阶段所划分的围岩等级宏观性较强,往往无法精确划分施工阶段局部洞段的围岩级别,此时需要及时跟进现场围岩变化情况并进行围岩级别判定,提出设计变更,因此存在一定的局限性。为弥补勘察设计阶段围岩分级的局限性问题,施工阶段进行围岩级别评价是非常必要的,目前施工阶段围岩评价主要通过现场地质踏勘和超前地质预报法进行预测和判定,该方法往往需要人工采集围岩强度、岩体完整程度、地下水等指标进行综合分析,往往工作强度大、效率较低等问题,存在一定的迟滞性,对隧道施工进度产生较大影响,导致传统方法进行围岩分级遇到了困难与挑战。由于隧道掌子面围岩基本为Ⅲ、Ⅳ、Ⅴ级,故本发明只讨论Ⅲ到Ⅴ级的围岩分类。
隧道施工阶段通过掌子面围岩判定前方围岩等级是最直观、有效的方法,但该方法通常比较依赖技术人员的经验,而随着当前人工智能技术的发展,通过深度学习技术代替技术人员的现场工作开展基于现场揭露围岩图像的围岩等级评价已具有一定可行性。但由于隧道掌子面面积较大,且所揭露的范围内各区域围岩岩性、结构构造多存在差异,即整个掌子面不同部位所揭示的地质情况有所不同,因而需根据实际情况对整体围岩稳定性进行评价。但当前鲜见可考虑不同区域岩性、结构构造偏差对围岩等级评价的影响、并基于深度学习技术实现自动化判定的成熟的技术方案。
随着信息技术的高速发展,人工智能技术也逐渐开始引入岩土工程领域中,近年来已有一大批人工智能方法应用于围岩分级中(表1),如将熵权模糊综合评价模型用于极软岩隧道围岩分级中;采用AlexNet卷积神经网络模型对隧道掌子面图像进行分析与评价;基于边缘检测技术对掌子面结构面参数进行提取;以及运用KNN算法实现围岩动态智能分级;如专利CN202010017540.6也公开了一种钻爆法隧道掌子面前方围岩级别智能预测方法及装置。这些人工智能方法为围岩分级带来了极大的便捷性。
表1人工智能围岩分级相关研究
但上述方法依然存在以下问题:
1、隧道施工过程中掌子面前方围岩等级动态变更所依据的方法为超前地质预报法,包括地质调查、物探和钻探方法,但是目前的方法普遍具有较为依赖技术人员经验、工作强度大、效率较低、预报准确率有待进一步提高等问题;
2、隧道掌子面图像蕴含大量地质信息,但是其信息化和自动化处理程度较低,未能高效应用与围岩等级划分中;
3、掌子面围岩图像分级的深度学习模型的常规图像预处理包括裁剪、位置变换、颜色变换在提高预测准确率方面存在一定缺点,缺乏一套针对掌子面围岩图像分级适用性较强的图像预处理方法;
4、由于掌子面围岩的特殊性质,同一掌子面不同区域的围岩岩性、结构构造可能存在差异,如掌子面全域围岩硬度大、裂隙发育少、整体完整性好,但是局部小范围内节理裂隙特别发育,或者发育小型溶洞、软弱夹层,由于异常范围占比非常小,普通图像识别模型很容易识别其为较好类型围岩,但真实围岩质量较差,即深度学习模型容易产生误判。
即现有的方法效率较低,评价不够全面以及准确度不够;所以如今需要一种效率更高,准确度更高的隧道掌子面围岩智能分级方法。
发明内容
本发明的目的在于克服现有技术中所存在的效率较低,评价不够全面以及准确度较差的问题,提供一种基于深度学习的隧道掌子面围岩智能分级方法。
为了实现上述发明目的,本发明提供了以下技术方案:
一种基于深度学习的隧道掌子面围岩智能分级方法,包括以下步骤:
输入待预测掌子面照片,将所述待预测掌子面照片分割处理为一组子图像,并将该组子图像依次传入预先搭建的围岩分级预测模型进行预测,并根据各子图像的围岩等级预测结果的统计信息输出所述待预测掌子面照片的围岩等级预测结果;
其中,所述围岩等级预测结果包括Ⅲ级、Ⅳ级和Ⅴ级;所述分割处理是将所述待预测掌子面照片切割成n*n张大小一致的子图像,n取值为3、4、5;所述围岩分级预测模型包括以下训练步骤:
S1:录入样本数据并进行标注,构成标注样本数据;所述标注为所述样本数据对应的围岩等级预测结果;
S2:对所述标注样本数据进行预处理;
S3:将预处理后的标注样本数据输入围岩分级预测模型,并对所述围岩分级预测模型进行模型训练,输出模型训练后的所述围岩分级预测模型。本发明通过对隧道掌子面围岩照片样本进行标注和预处理,建立起训练用的掌子面图像数据库;而后,通过搭建基于深度学习的围岩分级预测模型,并根据掌子面图像数据库对模型进行训练,从而构建出识别更加准确的预测模型。且本发明采用图像切割将待检测掌子面照片进行分割,并分别对各个子图像进行预测,最终再根据各个子图像的预测结果进行综合评价预测,使预测结果基于的数据更加全面,也实现了对掌子面围岩的高效、准确判别。
作为本发明的优选方案,所述围岩等级预测标准为:
(1)当N5≥n时,判定所述待预测掌子面照片的围岩等级为Ⅴ级;
(2)当N5<n且N3≥n*(n-1)时,判定所述待预测掌子面照片的围岩等级为Ⅲ级;
(3)当N5,N3不满足(1)(2)条件时,判定所述待预测掌子面照片的围岩等级为Ⅳ级;
其中,N5和N3分别为一组所述子图像中Ⅴ级和Ⅲ级围岩图像的个数。
作为本发明的优选方案,所述步骤S1中所述预处理包括图像分割、图像增强以及图像编码;
其中,所述图像增强包括图像裁剪、图像翻转、图像颜色变换、图像数据归一化处理以及图像数据标准化处理。本发明通过对图像进行分割以及增强等预处理,消除了图像中的无关信息,改善了图像的显示效果,突出了图像特征,也扩充数据集,便于后续进行识别和分析,从而提高模型精度和增强模型稳定性。
作为本发明的优选方案,所述图像裁剪包括CenterCrop模式、RandomCrop模式、FiveCrop模式和/或RandomResizedCrop模式;
所述图像翻转包括水平翻转和/或垂直翻转;
所述图像颜色变换包括灰度变换、亮度变换、饱和度变换、对比度变换和/或色相变换;
所述图像数据归一化处理采用torchvision.transforms.ToTensor函数;
所述图像数据标准化处理采用torchvision.transforms.Normalize函数。
作为本发明的优选方案,所述亮度变换的变换幅度为±20%;
所述饱和度变换的变换幅度为±30%;
所述对比度变换的变换幅度为±30%;
所述色相变换的变换幅度为±30%。
作为本发明的优选方案,所述预处理步骤采用transforms.Compose()函数将所述图像增强步骤中的功能进行整合。
作为本发明的优选方案,所述图像编码包括以下步骤:
对图像分割以及图像增强后的所述标注样本数据进行编码,依次将Ⅲ级、Ⅳ级、Ⅴ级的标注样本数据按照“2”、“1”、“0”进行编码。
作为本发明的优选方案,所述围岩分级预测模型采用ResNet50网络架构。
作为本发明的优选方案,所述步骤S3中的所述模型训练的训练参数设置如下:
批样本数:batch_size=16;
学习率:lr=0.001;
迭代次数:epoch=100。
一种基于深度学习的隧道掌子面围岩智能分级设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比,本发明的有益效果:
1.本发明通过对隧道掌子面围岩照片样本进行标注和预处理,建立起训练用的掌子面图像数据库;而后,通过搭建基于深度学习的围岩分级预测模型,并根据掌子面图像数据库对模型进行训练,从而构建出识别更加准确的预测模型。且本发明采用图像切割将待检测掌子面照片进行分割,并分别对各个子图像进行预测,最终再根据各个子图像的预测结果进行综合评价预测,使预测结果基于的数据更加全面,也实现了对掌子面围岩的高效、准确判别。
2.本发明通过对图像进行分割以及增强等预处理,消除了图像中的无关信息,改善了图像的显示效果,突出了图像特征,也扩充数据集,便于后续进行识别和分析,从而提高模型精度和增强模型稳定性。
附图说明
图1为本发明实施例1所述的一种基于深度学习的隧道掌子面围岩智能分级方法的流程示意图;
图2为本发明实施例1所述的一种基于深度学习的隧道掌子面围岩智能分级方法中所述围岩分级预测模型的训练流程示意图;
图3为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中图像随机裁剪示意图;
图4为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中图像翻转示意图;
图5为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中颜色变换示意图;
图6为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中BP神经网络与卷积神经网络连接方式示意图;
图7为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中ResNet50模型结构图;
图8为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中残差块结构图;
图9为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中train_loss曲线示意图;
图10为本发明实施例2所述的一种基于深度学习的隧道掌子面围岩智能分级方法中Val_accuracy曲线示意图;
图11为本发明实施例3所述的一种利用了实施例1所述的一种基于深度学习的隧道掌子面围岩智能分级方法的一种基于深度学习的隧道掌子面围岩智能分级设备。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示,一种基于深度学习的隧道掌子面围岩智能分级方法,包括以下步骤:
输入待预测掌子面照片,将所述待预测掌子面照片分割处理为一组子图像,并将该组子图像依次传入预先搭建的围岩分级预测模型进行预测,并根据各子图像的围岩等级预测结果的统计信息输出所述待预测掌子面照片的围岩等级预测结果;
其中,所述围岩等级预测结果包括Ⅲ级、Ⅳ级和Ⅴ级;所述分割处理是将所述待预测掌子面照片切割成n*n张大小一致的子图像,n取值为3、4、5(子图像太大会导致识别结果容易出现误判,子图像太小则因为像素低而难以取得较好的识别效果),并按以下标准对围岩等级进行分类:
(1)当N5≥n时,判定所述待预测掌子面照片的围岩等级为Ⅴ级;
(2)当N5<n且N3≥n*(n-1)时,判定所述待预测掌子面照片的围岩等级为Ⅲ级;
(3)当N5,N3不满足(1)(2)条件时,判定所述待预测掌子面照片的围岩等级为Ⅳ级;
其中,N5和N3分别为一组所述子图像中Ⅴ级和Ⅲ级围岩图像的个数。
如图2所示,所述围岩分级预测模型包括以下训练步骤:
S1:录入样本数据并进行标注,构成标注样本数据。
其中,所述标注为所述样本数据对应的围岩等级预测结果;所述预处理包括图像分割、图像增强以及图像编码;所述图像增强包括图像裁剪、图像翻转、图像颜色变换、图像数据归一化处理以及图像数据标准化处理;
所述图像裁剪包括CenterCrop模式、RandomCrop模式、FiveCrop模式和/或RandomResizedCrop模式;
所述图像翻转包括水平翻转和/或垂直翻转;
所述图像颜色变换包括灰度变换、亮度变换、饱和度变换、对比度变换和/或色相变换;
所述图像数据归一化处理采用torchvision.transforms.ToTensor函数;
所述图像数据标准化处理采用torchvision.transforms.Normalize函数。
S2:对所述标注样本数据进行预处理。
S3:将预处理后的标注样本数据输入围岩分级预测模型,并对所述围岩分级预测模型进行模型训练,输出模型训练后的所述围岩分级预测模型。所述围岩分级预测模型采用ResNet50网络架构。
实施例2
本实施例为实施例1中n*n采用3*3时的具体实施例。
由于掌子面围岩的特殊性质,即掌子面围岩硬度大、裂隙发育少、整体完整性好,但是局部小范围内节理裂隙特别发育,或者发育小型溶洞、软弱夹层,由于异常范围占比非常小,模型预测结果往往是Ⅲ级或者Ⅳ级围岩,但其真实围岩等级则是Ⅴ级。
因此为使预测结果更加接近真实值,本实施例将所需预测掌子面照片先进行3*3分割成9张子图像,然后将子图像依次传入围岩分级预测模型预测,输出各子图像预测结果,设N5,N4,N3分别为Ⅴ级、Ⅳ级、Ⅲ级围岩个数,并对各子图像预测结果作如下处理和输出:
(1)当N5≥3时,判定整张掌子面围岩等级为Ⅴ级;
(2)当N5<3且N3≥6时,判定整张掌子面围岩等级为Ⅲ级;
(3)当N5,N3不满足(1)(2)条件时,判定整张掌子面围岩等级为Ⅳ级。
以下为本实施例所述围岩分级预测模型的构建过程
S1:录入样本数据并进行标注,构成标注样本数据。
采集掌子面围岩图像数据作为样本数据:
本实施例数据来源于广西某高速公路沿线隧道,图像采集方式主要依靠高清相机、手机高清摄像头对掌子面进行摄像,并传回电脑终端进行保存。所采集的掌子面图像涵盖Ⅲ级、Ⅳ级、Ⅴ级围岩。
对所述样本数据进行掌子面围岩等级划分:
围岩等级划分是结合现场开挖揭露情况、勘察设计资料及所得岩石物理参数综合判定,现场开挖揭露围岩等级主要依据《公路隧道设计规范》包括岩性、节理裂隙发育程度、粗糙程度、夹层发育情况、地下水发育情况、溶蚀发育情况及完整程度等进行识别。本实施例所采集的样本数据即根据上述原则进行划分,建立起Ⅲ级、Ⅳ级、Ⅴ级围岩图像数据库。
S2:对所述标注样本数据进行预处理。
在对图像进行分割、识别分类、边缘检测等操作之前,都要对原始的图像进行增强处理,消除无关信息,改善图像效果,突出图像特征,扩充数据集,便于计算机进行识别和分析,从而提高模型精度和增强模型稳定性。
(一)图像切割(图像数据集扩充)
大批量的训练数据是深度学习模型提升预测准确率的基础,原始数据的采集与积累是一项较为繁琐且工作量大的工作。因此,为了获取足够多数量的掌子面围岩图,本实施例采用图像切割方法,将采集到的原始图像按照3*3切割成大小一样的9张子图像,从而达到数据扩充的目的。
由于原始图像切割后部分子图像所包含的特征会有所减少,因此需要对切割后的子图像围岩等级重新进行人工识别划分,并剔除一些受隧道初期支护和隧道开挖底面影响较大子图像,从而实现对数据库的快速便捷扩充,以保证模型的基本训练需求。通过Python图像库PIL中的Image模块可以实现对原始图像批量的3*3切割(也可按需求实现n*n切割)。
(二)图像增强
图像增强是提高模型的泛化性和减小过拟合现象的重要措施,常规的图像增强方法包含填充、擦除、缩放、裁剪、旋转、翻转、颜色变化以及归一化和标准化等。本实施例基于PyTorch实现数据增强,PyTorch是一个开源的Python机器学习库,可以提供两个高级功能:一是具有强大的GPU加速的张量计算(如NumPy);二是包含自动求导系统的深度神经网络。相较于其他深度学习框架,PyTorch在灵活性、易用性、速度这三个方面具有极大优势。
下面为本实施例所采用图像增强方法的具体步骤:
(1)图像裁剪:
CenterCrop模式:从图像中心裁剪出需要的尺寸;
RandomCrop模式:随机在图片某个位置裁剪出需要的尺寸;
FiveCrop模式:在图像左上、右上、左下、右下、中心裁出指定尺寸的5张图片;
RandomResizedCrop模式:先对图片按随机面积比例缩放,再调整到随机的宽高比,最后随机在某个位置按需要的尺寸裁剪图片。如图3所示,当RandomResizedCrop=224时,示例图片被随机缩放后再调整随机高宽比,最后随机在一个位置按照size=(224,224)的尺寸进行裁剪的示意图,其中,(a)、(b)、(c)分别为示例围岩照片、照片随机裁剪效果1和照片随机裁剪效果2。
(2)图像翻转:
包括水平翻转和垂直翻转,RandomHorizontalFlip(p=*)类为按概率(概率默认为0.5)水平翻转图片,如图4所示,图4(a)示例围岩照片,图4(b)为示例图片随机水平翻转;RandomVerticalFlip类为按概率垂直(即上下)翻转图片,原理同随机水平翻转。
(3)图像颜色变换:
包括灰度、亮度、饱和度、对比度、色相变换等,通过调用Grayscale,可将图转换位灰度图(如图5所示,图5(a)为示例围岩照片,图5(b)为转化为灰度图的效果图);调用ColorJitter(brightness,contrast,saturation,hue)可调整图片亮度、对比度、饱和度、色相。实施例选取ColorJitter(brightness=0.2,contrast=0.3,saturation=0.3,hue=0.3),对数据集进行预处理,即亮度较原图浮动±20%,对比度较原图浮动±30%,饱和度较原图浮动±30%,色相较原图浮动±30%。
(4)图像数据归一化处理:
归一化是为了后面数据处理的方便,其次是保证程序运行时收敛加快。归一化的具体作用是归纳统一样本的统计分布性。归一化在0-1之间是统计的概率分布,归一化在某个区间上是统计的坐标分布。其目的是使得没有可比性的数据变得具有可比性,同时又保持相比较的数据之间的相对关系。本课题的归一化处理时应用torchvision.transforms.ToTensor函数把一个取值范围是[0,255]的PIL.Image转换成形状为[C,H,W],取值范围是[0,1.0]的torch.FloadTensor。
(5)图像数据标准化处理:
本实施例是将经过ToTensor除以255归一化到[0,1]之后,再通过Normalize计算过后,将数据归一化到[-1,1]。
本实施例采用torchvision.transforms.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225])逐个通道的对图像进行标准化(均值变为0,标准差变为1),可以加快模型的收敛。所选取的均值mean和标准差std是调用Imagenet数据库中数百万张图片计算出来的值。
最后通过transforms.Compose()函数就可以将多个图像预处理步骤整合到一起,使得数据预处理变得更加灵活方便。
(三)数据库打包封装与标签编码
为方便模型训练,提高训练效率,本实施例采用PyTorch中的Dataset对掌子面图像数据集的源文件、规模和其他非必要的功能打包,然后通过DataLoader来加载数据进行训练。同时对Dataset中Ⅲ、Ⅳ、Ⅴ级掌子面围岩照片进行编码,Ⅲ、Ⅳ、Ⅴ级依次按照“2”、“1”、“0”进行编码。
S3:将预处理后的标注样本数据输入围岩分级预测模型,并对所述围岩分级预测模型进行模型训练,输出模型训练后的所述围岩分级预测模型。
本实施例所用图像识别技术是基于卷积神经网络的深度学习技术,卷积神经网络通过直接提取图像特征进行学习,可获得图像更高层次、更抽象的特征表达,这样可得到图像中更加本质的特征,从而使得学习得到的特征更加具有准确性和泛化性。卷积神经网络一般由输入层、隐藏层和输出层组成,其中隐藏层主要由卷积层、池化层和全连接层构成。卷积神经网络采用的方式是局部连接,这种连接方式与BP神经网络相比能有效减少神经网络中的参数个数,提高计算效率,还能读取影响因素间的相互联系,增强模型的可靠性,BP神经网络与卷积神经网络连接方式见图6所示。
为充分发挥深度学习的优势,针对隧道掌子面围岩等级划分,通过对比分析,本实施例选取搭建ResNet50模对数据库进行训练和围岩等级划分,ResNet50优势在于提出residual结构(残差结构),并搭建超深的网络结构(突破1000层),通过数据的预处理以及在网络中使用BN(Batch Normalization)层能够解决梯度消失或者梯度爆炸问题,通过调研对比发现Resnet模型无论是在网络层数、迭代次数、准确率、损失率上都优于Alexnet模型,可更好处理掌子面图片的特征提取。
如图7所示,为ResNet50模型结构图,ResNet分为5个stage(阶段),其中Stage 1的结构比较简单,可以视其为对INPUT的预处理,后4个Stage都由Bottleneck组成,结构较为相似。Stage 2有3个Bottleneck,包含1个Conv Block和2个ID Block,剩下的3个stage分别包括4、6、3个Bottleneck。其中Conv Block代表的是添加维度的残差块,每个残差块包含三个卷积层,ID Block×2代表的是2个不改变维度的残差块。本实施例将按如下结构搭建ResNet50模型,在模型搭建好之后,将三类掌子面照片按照4:1的比例划分为训练集和测试集,通过pytorch的Dataset和DataLoader操作,然后进行shuffle以及mini-batch操作,可以将训练集和验证集数据分成一个个小的数据集,而后将数据传入到ResNet50卷积神经网络模型进行训练。
ResNet50模型加入了残差块结构,当搭建深层网络结构时,残差结构能够减少网络参数与运算量。如图8所示,为残差块结构图,其中ResNet包含了两种映射:一种是身份映射,是指图中的identity指向线;另一种是残差映射,指的是除了“identity指向线”之外的部分,所以最终输出为y=F(x)+x。
为使训练模型发挥最大优势,合理的参数设置至关重要,本实施例对于参数和超参数选取如下:
(1)批样本数batch_size=16,batch_size太小模型来不及收敛,太大则显存爆炸,收敛不到谷底;
(2)学习率lr=0.001,当学习率过大则可能导致模型不收敛,损失loss不断上下震荡;学习率过小则导致模型收敛速度偏慢,需要更长的时间训练,并且有可能发生过拟合;
(3)迭代次数epoch=100,epoch取值太小模型不易收敛,太大则容易导致过拟合;
(4)ResNet50模型的卷积核大小(kernel_size)、数量(kernels)、移动步距(stride)和填充(padding)参数的选取则由模型本身决定,本实施例不作修改。
按照上述方案搭建模型后,对图像数据集进行训练,并取得了较好的训练结果,最终取得ResNet50模型收敛于train_loss=0.18(如图9所示),模型最高准确率acc=88.4%(如图10所示)。
围岩分级预测模型验证:
本实施例选取了广西两条高速公路隧道掌子面照片进行模型训练,并将训练好的模型用于实际掌子面围岩等级预测中,采用原始图像按照3*3切割成大小一样的9张子图像的预测方法,具体结果如下:
(1)某高速路某隧道某桩号整张掌子面照片预测围岩等级为Ⅳ级,通过子图像预测方法所得围岩等级为Ⅴ级(N5=4,N4=5,N3=0),实际围岩等级为Ⅴ级;
(2)某高速路某隧道某桩号整张掌子面照片预测围岩等级为Ⅳ级,通过子图像预测方法所得围岩等级为Ⅳ级(N5=0,N4=9,N3=0),实际围岩等级为Ⅳ级;
(3)某高速路某隧道某桩号整张掌子面照片预测围岩等级为Ⅳ级,通过子图像预测方法所得围岩等级为Ⅴ级(N5=0,N4=8,N3=1),实际围岩等级为Ⅳ级。
通过上述预测验证,本实施例所采取的隧道掌子面围岩等级预测方法其预测结果与实际围岩情况具有较高的一致性,进一步验证了本发明中所涉及的一种基于深度学习的隧道掌子面围岩智能分级方法的合理性与可用性。
实施例3
如图11所示,一种基于深度学习的隧道掌子面围岩智能分级设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行前述实施例所述的一种基于深度学习的隧道掌子面围岩智能分级方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据;电源用于为基于深度学习的隧道掌子面围岩智能分级设备提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,包括以下步骤:
输入待预测掌子面照片,将所述待预测掌子面照片分割处理为一组子图像,并将该组子图像依次传入预先搭建的围岩分级预测模型进行预测,并根据各子图像的围岩等级预测结果的统计信息输出所述待预测掌子面照片的围岩等级预测结果;
其中,所述围岩等级预测结果包括Ⅲ级、Ⅳ级和Ⅴ级;所述分割处理是将所述待预测掌子面照片切割成n*n张大小一致的子图像,n取值为3、4、5;所述围岩分级预测模型包括以下训练步骤:
S1:录入样本数据并进行标注,构成标注样本数据;所述标注为所述样本数据对应的围岩等级预测结果;
S2:对所述标注样本数据进行预处理;
S3:将预处理后的标注样本数据输入围岩分级预测模型,并对所述围岩分级预测模型进行模型训练,输出模型训练后的所述围岩分级预测模型。
2.根据权利要求1所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述围岩等级预测标准为:
(1)当N5≥n时,判定所述待预测掌子面照片的围岩等级为Ⅴ级;
(2)当N5<n且N3≥n*(n-1)时,判定所述待预测掌子面照片的围岩等级为Ⅲ级;
(3)当N5,N3不满足(1)(2)条件时,判定所述待预测掌子面照片的围岩等级为Ⅳ级;
其中,N5和N3分别为一组所述子图像中Ⅴ级和Ⅲ级围岩图像的个数。
3.根据权利要求1所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述步骤S1中所述预处理包括图像分割、图像增强以及图像编码;
其中,所述图像增强包括图像裁剪、图像翻转、图像颜色变换、图像数据归一化处理以及图像数据标准化处理。
4.根据权利要求3所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述图像裁剪包括CenterCrop模式、RandomCrop模式、FiveCrop模式和/或RandomResizedCrop模式;
所述图像翻转包括水平翻转和/或垂直翻转;
所述图像颜色变换包括灰度变换、亮度变换、饱和度变换、对比度变换和/或色相变换;
所述图像数据归一化处理采用torchvision.transforms.ToTensor函数;
所述图像数据标准化处理采用torchvision.transforms.Normalize函数。
5.根据权利要求4所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述亮度变换的变换幅度为±20%;
所述饱和度变换的变换幅度为±30%;
所述对比度变换的变换幅度为±30%;
所述色相变换的变换幅度为±30%。
6.根据权利要求4所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述预处理步骤采用transforms.Compose()函数将所述图像增强步骤中的功能进行整合。
7.根据权利要求3所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述图像编码包括以下步骤:
对图像分割以及图像增强后的所述标注样本数据进行编码,依次将Ⅲ级、Ⅳ级、Ⅴ级的标注样本数据按照“2”、“1”、“0”进行编码。
8.根据权利要求1所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述围岩分级预测模型采用ResNet50网络架构。
9.根据权利要求8所述的一种基于深度学习的隧道掌子面围岩智能分级方法,其特征在于,所述步骤S3中的所述模型训练的训练参数设置如下:
批样本数:batch_size=16;
学习率:lr=0.001;
迭代次数:epoch=100。
10.一种基于深度学习的隧道掌子面围岩智能分级设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111481523.9A CN114140448A (zh) | 2021-12-06 | 2021-12-06 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111481523.9A CN114140448A (zh) | 2021-12-06 | 2021-12-06 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114140448A true CN114140448A (zh) | 2022-03-04 |
Family
ID=80384598
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111481523.9A Pending CN114140448A (zh) | 2021-12-06 | 2021-12-06 | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114140448A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309835A (zh) * | 2022-06-22 | 2022-11-08 | 西南交通大学 | 基于图像的掌子面岩石坚硬程度确定方法、装置以及电子设备 |
CN116012336A (zh) * | 2023-01-09 | 2023-04-25 | 中国地质大学(北京) | 隧道智慧化地质素描及围岩等级判识装置及方法 |
CN116452511A (zh) * | 2023-03-17 | 2023-07-18 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
CN116975623A (zh) * | 2023-05-04 | 2023-10-31 | 西南交通大学 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
CN117975084A (zh) * | 2023-11-16 | 2024-05-03 | 西安建筑科技大学 | 一种隧道钻爆作业台架掌子面围岩分级系统、方法、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502990A (zh) * | 2015-01-06 | 2015-04-08 | 中国地质大学(武汉) | 一种基于数码图像的隧道掌子面地质调查方法 |
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 |
CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
CN113112447A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于vgg卷积神经网络的隧道围岩级别智能判定方法 |
CN113112446A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于残差卷积神经网络的隧道围岩级别智能判定方法 |
-
2021
- 2021-12-06 CN CN202111481523.9A patent/CN114140448A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104502990A (zh) * | 2015-01-06 | 2015-04-08 | 中国地质大学(武汉) | 一种基于数码图像的隧道掌子面地质调查方法 |
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 |
CN113112447A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于vgg卷积神经网络的隧道围岩级别智能判定方法 |
CN113112446A (zh) * | 2020-03-05 | 2021-07-13 | 成都理工大学 | 基于残差卷积神经网络的隧道围岩级别智能判定方法 |
CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
Non-Patent Citations (2)
Title |
---|
李满宏: "数码摄影图像处理技术及其在隧道地质判释中的应用研究", 重庆建筑, no. 03, 25 March 2013 (2013-03-25) * |
柳厚祥等: "基于深度学习技术的公路隧道围岩分级方法", 岩土工程学报, no. 10, 15 October 2018 (2018-10-15) * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115309835A (zh) * | 2022-06-22 | 2022-11-08 | 西南交通大学 | 基于图像的掌子面岩石坚硬程度确定方法、装置以及电子设备 |
CN115309835B (zh) * | 2022-06-22 | 2024-10-15 | 西南交通大学 | 基于图像的掌子面岩石坚硬程度确定方法、装置以及电子设备 |
CN116012336A (zh) * | 2023-01-09 | 2023-04-25 | 中国地质大学(北京) | 隧道智慧化地质素描及围岩等级判识装置及方法 |
CN116012336B (zh) * | 2023-01-09 | 2024-02-23 | 中国地质大学(北京) | 隧道智慧化地质素描及围岩等级判识装置及方法 |
CN116452511A (zh) * | 2023-03-17 | 2023-07-18 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
CN116452511B (zh) * | 2023-03-17 | 2024-05-03 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
CN116975623A (zh) * | 2023-05-04 | 2023-10-31 | 西南交通大学 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
CN116975623B (zh) * | 2023-05-04 | 2024-01-30 | 西南交通大学 | 钻爆法隧道施工阶段大变形等级预测方法、装置及介质 |
CN117975084A (zh) * | 2023-11-16 | 2024-05-03 | 西安建筑科技大学 | 一种隧道钻爆作业台架掌子面围岩分级系统、方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114140448A (zh) | 一种基于深度学习的隧道掌子面围岩智能分级方法及设备 | |
CN111931684B (zh) | 一种基于视频卫星数据鉴别特征的弱小目标检测方法 | |
CN111738112B (zh) | 基于深度神经网络和自注意力机制的遥感船舶图像目标检测方法 | |
CN111753677B (zh) | 基于特征金字塔结构的多角度遥感船舶图像目标检测方法 | |
Gallay et al. | Geomorphometric analysis of cave ceiling channels mapped with 3-D terrestrial laser scanning | |
JP2006350704A (ja) | 判別器の学習方法、顔判別方法および装置並びにプログラム | |
CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
CN113971764B (zh) | 一种基于改进YOLOv3的遥感图像小目标检测方法 | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
CN111639878A (zh) | 一种基于知识图谱构建的滑坡风险预测方法及系统 | |
CN113496480A (zh) | 一种焊缝图像缺陷的检测方法 | |
CN114972882A (zh) | 基于多注意力机制的磨损表面损伤深度估计方法及系统 | |
CN117635628B (zh) | 一种基于上下文注意力和边界感知引导的海陆分割方法 | |
CN118097358A (zh) | 多层级信息遥感图像的目标检测方法、装置、设备及介质 | |
Li et al. | Utilizing semantic-level computer vision for fracture trace characterization of hard rock pillars in underground space | |
CN113704276A (zh) | 地图更新方法、装置、电子设备及计算机可读存储介质 | |
Vinther et al. | Seismic texture classification: A computer-aided approach to stratigraphic analysis | |
CN116659410A (zh) | 一种矿区开采沉陷形变的监测预警方法及系统 | |
CN116343078A (zh) | 基于视频sar的目标跟踪方法、系统及设备 | |
Chiu et al. | Potential applications of deep learning in automatic rock joint trace mapping in a rock mass | |
CN104616302A (zh) | 一种目标实时识别方法 | |
CN114973067A (zh) | 一种基于深度多任务学习的土压平衡盾构渣土信息提取方法 | |
CN114463628A (zh) | 一种基于阈值约束的深度学习遥感影像船舰目标识别方法 | |
Peng et al. | A new method for recognizing discontinuities from 3D point clouds in tunnel construction environments |
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 |