CN114419088A - 一种基于数字图像的隧道围岩信息提取方法 - Google Patents
一种基于数字图像的隧道围岩信息提取方法 Download PDFInfo
- Publication number
- CN114419088A CN114419088A CN202210081671.XA CN202210081671A CN114419088A CN 114419088 A CN114419088 A CN 114419088A CN 202210081671 A CN202210081671 A CN 202210081671A CN 114419088 A CN114419088 A CN 114419088A
- Authority
- CN
- China
- Prior art keywords
- image
- tunnel
- digital image
- rock mass
- information
- 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 145
- 238000000605 extraction Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000003672 processing method Methods 0.000 claims abstract description 7
- 238000003708 edge detection Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000003709 image segmentation Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 238000003707 image sharpening Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 206010034960 Photophobia Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 208000013469 light sensitivity Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000013517 stratification 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T7/136—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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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]
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)
- Image Analysis (AREA)
Abstract
本发明涉及岩土工程技术领域,公开了一种基于数字图像的隧道围岩信息提取方法,包括以下步骤:S1:采集隧道裸洞段围岩的原始数字图像;S2:对原始数字图像进行预处理,得到预处理后数字图像;S3:对预处理后数字图像通过基于人机交互判读方式的数字图像处理方法,提取掌子面地质信息;S4:对预处理后数字图像采用图像解译方法提取岩体裂隙信息;S5:对预处理后数字图像采用卷积人工神经网络分类器提取岩体节理信息;S6:对预处理后数字图像通过分析结构面边界线提取岩体质量指标和岩体结构面的平均间距。本发明能够解决现有技术中存在的由技术人员实地观测和记录并绘制素描图,对隧道围岩进行特征分析判别的结果不够准确的技术问题。
Description
技术领域
本发明涉及岩土工程技术领域,具体涉及一种基于数字图像的隧道围岩信息提取方法。
背景技术
近年来,隧道以其节省占地、线形短等特点成为了全球交通方式的主要选择之一,因而隧道工程的修建日益频繁,尤其在国内更明显。然而,随着隧道建设越来越多,规模越来越大,所遇到的问题也日渐增多。目前隧道安全事故还是时有发生,有施工阶段发生的、也有已建成运营阶段发生的,究其原因主要在于隧道修建时所造成的岩体变形问题,而隧道围岩就是隧道修建时会产生形变的主要岩体。因此,为了预防隧道安全事故、保证隧道质量,提取隧道围岩信息,对隧道围岩进行特征分析和稳定性评价是十分有必要的。
传统的隧道围岩信息提取方法是由技术人员实地观测和记录并绘制素描图来对隧道围岩进行特征分析判别,素描图主要绘制的是隧道内断面地层及节理分布情况。这种方式虽然简便,但是容易受到环境和技术人员知识水平的影响,从而导致对隧道围岩的特征分析评价结果不够准确。
发明内容
本发明意在提供一种基于数字图像的隧道围岩信息提取方法,能够解决现有技术中存在的由技术人员实地观测和记录并绘制素描图,对隧道围岩进行特征分析判别的结果不够准确的技术问题。
本发明提供的技术方案为:一种基于数字图像的隧道围岩信息提取方法,包括以下步骤:
S1:采集隧道裸洞段围岩的原始数字图像;
S2:对原始数字图像进行预处理,得到预处理后数字图像;
S3:对预处理后数字图像通过基于人机交互判读方式的数字图像处理方法,提取掌子面地质信息;
S4:对预处理后数字图像采用图像解译方法提取岩体裂隙信息;
S5:对预处理后数字图像采用卷积人工神经网络分类器提取岩体节理信息;
S6:对预处理后数字图像通过分析结构面边界线提取岩体质量指标和岩体结构面的平均间距。
本发明的工作原理及优点在于:采集隧道裸洞段围岩的原始数字图像,由于隧道掌子面属于隧道施工作业面,大部分时间都处于施工状态,因此掌子面附近光线弱、灰尘较多,这样拍摄出的图像会影响实验的结果,所以必须对采集的图像做预处理为后续工作提供支持。对预处理后数字图像通过基于人机交互判读方式的数字图像处理方法,对隧道掌子面图像中的地层、纹理等地质信息进行提取,反映出隧道围岩的岩性。对预处理后数字图像采用图像解译方法提取岩体裂隙信息,反映出隧道围岩的岩体破碎程度。对预处理后数字图像采用卷积人工神经网络分类器提取岩体节理信息,反映出隧道围岩的结构面产状。对预处理后数字图像通过分析结构面边界线提取岩体质量指标和岩体结构面的平均间距,用以评价岩体质量优劣程度。通过数字图像的对隧道围岩信息进行提取,能够更准确的反映隧道围岩的岩性、围岩结构面产状、岩体破碎程度,解决了由技术人员实地观测绘制素描图,对隧道围岩进行特征分析判别的结果不够准确的问题。
进一步,步骤S1中采集隧道裸洞段围岩的原始数字图像,包括:
S1-1:清空场地;
S1-2:观察隧道内裸露段的围岩,判断光源是否充足;
S1-3:布设光源;
S1-4:选择摄站位置;
S1-5:架设拍摄仪器;
S1-6:调整相机拍摄参数,包括感光度、光圈和快门;
S1-7:开始拍摄。
针对施工现场的相对恶劣的拍摄环境,通过上述步骤能够获得效果较好的原始数字图像。
进一步,步骤S2中对原始数字图像进行预处理,包括:
S2-1:对原始数字图像进行图像去噪;
S2-2:对去噪后的图像进行图像增强;
S2-3:对增强后的图像进行图像二值化;
S2-4:对图像二值化后的图像进行边缘检测。
对原始数字图像分别进行图像去噪、图像增强、图像二值化和边缘检测处理,进一步提高图像画质,为后续工作提供支持。
进一步,步骤S3中基于人机交互判读方式的数字图像处理方法,包括:直方图均衡化,基于拉普拉斯算子的图像锐化,基于Canny算子边缘检测,基于人机交互判读方式的直线检测,生成岩层、节理的直线统计结果,根据直线统计结果生成地质素描图,通过分析地质素描图中检测到的直线提取掌子面的地质信息。
采用Canny算子进行边缘检测算法,能够检测到图像中重要的、显著的线条、轮廓边缘等信息,可以去掉一些过于细节化的边缘部分。使用直线段描绘围岩纹理,利用结果统计分析,相比手工绘制地质素描图很大程度上提高了工作效率。
进一步,步骤S4中采用图像解译方法提取岩体裂隙信息,包括:
S4-1:对预处理后数字图像进行几何变换;
S4-2:对几何变换后的数字图像进行图像增强;
S4-3:通过图像分割、特征选择和分类判别识别裂隙;
S4-4:使用基于交互处理的裂隙拾取技术进行形状解译。
图像解译方法提取岩体裂隙信息具体包括几何变换、图像增强、裂隙识别和形状解译的步骤。
进一步,步骤S5中所述的卷积人工神经网络分类器将线宽和梯度值作为分类器的判别特征。
图像中节理体现为一定宽度的区域,灰度图像上节理对应的边缘一般有较大的梯度值,在节理两侧的灰度分布具有一定的规律性,所以,将线宽和梯度值作为分类器的判别特征。
进一步,步骤S6中所述岩体质量指标的计算方法如下:
在上式中:RQD岩体质量指标值,m表示结构面间距大于10cm的个数,Dj表示第j个结构面间距,n表示切割线条数,ii表示第i条切割线长度。
岩体质量指标是用来评价岩体质量优劣程度的,通过分析掌子面结构面边界线可以提取该指标值。结构面总数与岩体结构面的轮廓线总长度之比就是岩体质量指标。
进一步,步骤S6中所述岩体结构面的平均间距计算方法如下:
岩体结构面的平均间距是指两个结构面之间的垂直距离,反映出了岩体的完整程度,可以用来表示描述岩体完整性。
附图说明
图1为本发明实施例的一种基于数字图像的隧道围岩信息提取方法的流程图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
实施例:
本实施例提供了一种基于数字图像的隧道围岩信息提取方法,隧道围岩是指受隧道建设影响范围内的岩层土体,在本实施例中,隧道围岩信息包括:掌子面地质信息、岩体裂隙信息、岩体节理信息、岩体质量指标和岩体结构面的平均间距,反映出隧道围岩的岩性、围岩结构面产状、岩体破碎程度。
如图1所示,隧道围岩信息提取方法按照以下步骤进行:
S1:采集隧道裸洞段围岩的原始数字图像
在具体的实施方式中,采用带有三角架的数字相机或数字摄像头对隧道裸洞段围岩进行多角度的拍摄,得到多张隧道裸洞段围岩的数字图像。为了获得较好质量的隧道掌子面数字图像,尽可能的选择具有高像素的数码相机。优选使用数码相机,型号为佳能EOSR,其最大像素值可达到3030万像素,可手动或自动调焦。三角架采用可固定、多级伸缩的脚架来稳定数码相机,这样可以防止拍摄时的轻微抖动影响图像质量。
隧道内部施工现场光线比较暗,空气中含有大量粉尘,较难获取高质量的图像。在本实施例中,优选配备照明设备,保证光线适中。采用施工场地的探照灯可以达到效果,或者自备几个照明用的灯管。
原始数字图像的采集步骤如下:
S1-1:清空场地。
施工现场比较混乱噪声又高,会影响拍摄的效率和图像的质量等。因此进场拍摄前需要将隧道内的施工人员叫出来,让施工机器也停下来,保证现场拍摄环境的空旷。
S1-2:进场初步观察。
拍摄前先进入隧道内对施工情况进行一定的了解,之后对隧道内裸露段的围岩进行观察,然后观察洞内的光源是否充足,最后决定要拍摄的围岩部位和拍摄个数以及是否再添加光源。
S1-3:布设光源。
在洞内适当的位置安装光源(照射灯),使围岩表面的阴影部位尽量少一些,这样拍摄的图像才更清晰。
S1-4:选择摄站位置。
由于隧道洞内很多地方都是碎石块,走在上面都容易摔倒,要在上面架设相机,必须在洞内中线位置选择一个干燥、相对稳固平坦的地点架设仪器,防止仪器损坏。
S1-5:架设拍摄仪器。
先取出三脚架,拧动脚架的所有螺帽,使三脚架达到最高程度后固定螺帽。调整高度至人脸左右高度,然后整平脚架使圆水准气泡居中。左右微微摇晃脚架,没有大的抖动后在脚架上面安装相机。
S1-6:调整相机拍摄参数。
打开相机、取下镜头盖,瞄准要拍摄的围岩表面,在相机主界面上根据实际情况调节感光度、光圈、快门等参数,使图像清晰度最高。有些局部区域需要微调参数。
S1-7:开始拍摄。
调整好拍摄参数就可以对隧道内裸露出的围岩进行拍摄,拍摄时手不要有太大的抖动,轻按拍摄按钮即可。
通过本步骤,可以得到裸洞段隧道围岩的原始数字图像。
S2:对原始数字图像进行预处理,得到预处理后数字图像
隧道掌子面属于隧道施工作业面,大部分时间都处于施工状态,因此掌子面附近光线弱、灰尘较多,这样拍摄出的图像会影响实验的结果,所以必须对采集的图像做预处理为后续工作提供支持,预处理具体如下:
S2-1:对原始数字图像进行图像去噪。
在隧道围岩原始数字图像采集的过程中,由于隧道施工的噪声,拍摄的数字图像或多或少存在一些杂点,在数据预处理中,要去掉这些影响因素。为了保证拍摄的掌子面图像是真实的,获取高质量的围岩图像,可以进行图像去噪。图像去噪不仅是为了保证数据处理结果的准确性,而且在后续的围岩图像信息提取中会影响一些精细化要素的提取精度,比如围岩裂隙长度、大小、节理等信息。这些信息在人工判别时可能影响不是很明显,但对于计算机自动识别提取就有很大的影响。
S2-2:对去噪后的图像进行图像增强。
图像增强主要是改善图像的质量,突出想要获取的区域特征,将原本受外界影响的拍摄的图像更清晰化。由于隧道施工现场拍摄环境不是很好,光线、噪声等各种影响,拍摄的图像会有各种干扰因素。图像增强能够减少这些因素的影响,使围岩的整体或者局部特征更为明显、更容易判别。
S2-3:对增强后的图像进行图像二值化。
在进行围岩图像信息提取过程中,某些步骤只需要围岩图像的其中一部分图像,不需要整个掌子面图像,这种情况下就要突出这部分的信息,将其他区域分割出去,就是将二者分割为要素与背景两部分。图像二值化就是将数字图像变换为黑白两部分,这样一些结构面信息就能很容易的显现出来,对于岩体裂隙、结构面产状等要素信息的提取更容易实现。
S2-4:对图像二值化后的图像进行边缘检测。
边缘检测是一种突出图像轮廓的算法,使图像中物体边缘构造与图像背景分割开,这样便于研究岩体形状构造和岩体裂隙等。在具体的实施方式中,边缘检测采用Canny算子算法,该算法基于索伯尔算子,采用滞后阈值,通过组合得到的两幅边缘图,最终得到检测结果。
通过本步骤,可以得到隧道围岩的预处理后数字图像。
S3:对预处理后数字图像通过基于人机交互判读方式的数字图像处理方法,提取掌子面地质信息。
在提取掌子面地质信息时,数字图像处理主要步骤包括:直方图均衡化,基于拉普拉斯算子的图像锐化,基于Canny算子边缘检测,基于人机交互判读方式的直线检测,生成岩层、节理的直线统计结果,根据直线统计结果生成地质素描图,通过分析地质素描图中检测到的直线提取掌子面的地质信息。
在本实施例中,采用Canny算子进行边缘检测算法,能够检测到图像中重要的、显著的线条、轮廓边缘等信息,可以去掉一些过于细节化的边缘部分。由于边缘检测的结果是一些离散的点,直接用离散的点进行统计分析难于实现,为了便于描绘地质层理信息,用小的直线段来表示岩体的节理特征信息,统计它们的数量方向等。由于机器自动检测会存在误差,所以要以人工手动绘制直线为辅助手段,将机器没有检测到的直线绘制出来。最后统计岩层、节理的数量。这种方法使用直线段描绘围岩纹理,利用结果统计分析,相比手工绘制地质素描图很大程度上提高了工作效率。
本步骤采用的方法采用人机交互的判读方式,对隧道掌子面图像中的地层、纹理等地质信息进行提取,反映出隧道围岩的岩性。
S4:对预处理后数字图像采用图像解译方法提取岩体裂隙信息
采用图像解译方法提取岩体裂隙信息,具体如下:
S4-1:对预处理后数字图像进行几何变换
几何变换是确立图像与实体之间的比例关系。对于正视图像,由成像原理可以得出图像与实体有以下比例关系:
x=-a(X-X0)
y=-a(Y-Y0)
在上式中:x、y表示图像坐标值,a表示比例系数,X、Y表示实体空间坐标值,X0、Y0表示摄影中心坐标值。
S4-2:对几何变换后的数字图像进行图像增强
图像增强是忽略掉其他不必要的干扰信息,突出岩体裂隙分布信息,改善图像质量,便于后续的信息提取。
S4-3:通过图像分割、特征选择和分类判别识别裂隙
在对增强后的图像识别裂隙时,首先进行图像分割。图像分割是将裂隙从背景图像中分割出来,在具体的实施方式中,采用阈值变换进行分割,表达式如下:
f(x)=1 g(x,y)≥ξ
f(x)=0 g(x,y)<ξ
在上式中:f(x)表示阈值变换输出值,g(x,y)表示图像值,阈值变换的处理结果对应两种颜色,即图像二值化。
然后对分割后的图像进行特征选择。特征选择就是在图像特征信息里面找出能够代表对象并且不影响其位置的特征条件,使的该组特征数最少。
由于岩体裂隙是一种近线性的构造,所以在具体的实施方式中,将裂隙抽象为一条直线,构成线性裂隙模型。采用极坐标参数ρ、θ来表征直线,该参数可以通过Hough变换得到:
ρ=x cosθ+y sinθ
在上式中:(ρ、θ)表示原点到直线的垂直向量,ρ表示距离,θ表示方位角。
最后进行分类判别,在x-y平面上找出能够代表裂隙的点。
S4-4:使用基于交互处理的裂隙拾取技术进行形状解译
裂隙识别能够判别裂隙是否存在,并且可以确定其大致产状,但是不能得到裂隙粗糙度、张开度、延续度以及复杂的交切关系等。为了更详细地描述裂隙几何特征,要对裂隙边缘轮廓进行细化追踪描述。在本实施例中,使用基于交互处理的裂隙拾取技术进行形状解译。
本步骤提取的岩体裂隙信息,反映出隧道围岩的岩体破碎程度。
S5:对预处理后数字图像采用卷积人工神经网络分类器提取岩体节理信息。
要进行节理识别,必须先将岩体节理特征从其他干扰项里面分离出来,作为卷积人工神经网络的输入参数,训练后确定计算模式。在具体的实施方式中,图像中节理体现为一定宽度的区域,灰度图像上节理对应的边缘一般有较大的梯度值,在节理两侧的灰度分布具有一定的规律性,所以,将线宽和梯度值作为分类器的判别特征,进行基于线检测的岩体节理信息识别,以及基于边缘检测的岩体节理信息识别。
将预处理后数字图像中的掌子面选取部分具有代表性的区域作为训练样本区,对该区域进行线性检测,然后在图像中手动选择代表节理的线性特征,其余的作为干扰项。将选择结果作为神经网络训练输入样本中,计算对应的参数。采用一样的参数对整个掌子面图像进行线检测。计算图像上检测结果的特征参数,使用已有的网络模型进行识别,最后得到节理识别结果。对于一些未被检测出来的节理断续部分,通过后处理操作和人工操作进行修改。
利用边缘检测结果的节理识别过程与线检测识别类似,主要区别在于输入参数的不同。
本步骤提取的岩体节理信息,反映出隧道围岩的结构面产状。
S6:对预处理后数字图像通过分析结构面边界线提取岩体质量指标和岩体结构面的平均间距。
岩体质量指标是用来评价岩体质量优劣程度的,通过分析掌子面结构面边界线可以提取该指标值。结构面总数与岩体结构面的轮廓线总长度之比就是岩体质量指标,计算方法如下:
在上式中:RQD岩体质量指标值,m表示结构面间距大于10cm的个数,Dj表示第j个结构面间距,n表示切割线条数,ii表示第i条切割线长度。
岩体结构面的平均间距是指两个结构面之间的垂直距离,反映出了岩体的完整程度,可以用来表示描述岩体完整性。计算方法如下:
使用本实施例的技术方案,可以通过数字图像的对隧道围岩信息进行提取,能够更准确的反映隧道围岩的岩性、围岩结构面产状、岩体破碎程度。
以上的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请得出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (8)
1.一种基于数字图像的隧道围岩信息提取方法,其特征在于,包括以下步骤:
S1:采集隧道裸洞段围岩的原始数字图像;
S2:对原始数字图像进行预处理,得到预处理后数字图像;
S3:对预处理后数字图像通过基于人机交互判读方式的数字图像处理方法,提取掌子面地质信息;
S4:对预处理后数字图像采用图像解译方法提取岩体裂隙信息;
S5:对预处理后数字图像采用卷积人工神经网络分类器提取岩体节理信息;
S6:对预处理后数字图像通过分析结构面边界线提取岩体质量指标和岩体结构面的平均间距。
2.根据权利要求1所述的基于数字图像的隧道围岩信息提取方法,其特征在于,步骤S1中采集隧道裸洞段围岩的原始数字图像,包括:
S1-1:清空场地;
S1-2:观察隧道内裸露段的围岩,判断光源是否充足;
S1-3:布设光源;
S1-4:选择摄站位置;
S1-5:架设拍摄仪器;
S1-6:调整相机拍摄参数,包括感光度、光圈和快门;
S1-7:开始拍摄。
3.根据权利要求1所述的基于数字图像的隧道围岩信息提取方法,其特征在于,步骤S2中对原始数字图像进行预处理,包括:
S2-1:对原始数字图像进行图像去噪;
S2-2:对去噪后的图像进行图像增强;
S2-3:对增强后的图像进行图像二值化;
S2-4:对图像二值化后的图像进行边缘检测。
4.根据权利要求1所述的基于数字图像的隧道围岩信息提取方法,其特征在于,步骤S3中基于人机交互判读方式的数字图像处理方法,包括:直方图均衡化,基于拉普拉斯算子的图像锐化,基于Canny算子边缘检测,基于人机交互判读方式的直线检测,生成岩层、节理的直线统计结果,根据直线统计结果生成地质素描图,通过分析地质素描图中检测到的直线提取掌子面的地质信息。
5.根据权利要求1所述的基于数字图像的隧道围岩信息提取方法,其特征在于,步骤S4中采用图像解译方法提取岩体裂隙信息,包括:
S4-1:对预处理后数字图像进行几何变换;
S4-2:对几何变换后的数字图像进行图像增强;
S4-3:通过图像分割、特征选择和分类判别识别裂隙;
S4-4:使用基于交互处理的裂隙拾取技术进行形状解译。
6.根据权利要求1所述的基于数字图像的隧道围岩信息提取方法,其特征在于,步骤S5中所述的卷积人工神经网络分类器将线宽和梯度值作为分类器的判别特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081671.XA CN114419088A (zh) | 2022-01-24 | 2022-01-24 | 一种基于数字图像的隧道围岩信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210081671.XA CN114419088A (zh) | 2022-01-24 | 2022-01-24 | 一种基于数字图像的隧道围岩信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419088A true CN114419088A (zh) | 2022-04-29 |
Family
ID=81277378
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210081671.XA Pending CN114419088A (zh) | 2022-01-24 | 2022-01-24 | 一种基于数字图像的隧道围岩信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419088A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761038A (zh) * | 2022-10-19 | 2023-03-07 | 山东大学 | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 |
Citations (4)
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 |
CN106225770A (zh) * | 2016-08-26 | 2016-12-14 | 招商局重庆交通科研设计院有限公司 | 隧道掌子面地质多维数字化记录识别方法及系统 |
CN113256082A (zh) * | 2021-05-07 | 2021-08-13 | 中交第二航务工程局有限公司 | 一种隧道掌子面智能地质素描及地质评价方法 |
CN113743227A (zh) * | 2021-08-06 | 2021-12-03 | 山东大学 | 基于切近摄影的岩体裂隙智能识别方法及系统 |
-
2022
- 2022-01-24 CN CN202210081671.XA patent/CN114419088A/zh active Pending
Patent Citations (4)
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 |
CN106225770A (zh) * | 2016-08-26 | 2016-12-14 | 招商局重庆交通科研设计院有限公司 | 隧道掌子面地质多维数字化记录识别方法及系统 |
CN113256082A (zh) * | 2021-05-07 | 2021-08-13 | 中交第二航务工程局有限公司 | 一种隧道掌子面智能地质素描及地质评价方法 |
CN113743227A (zh) * | 2021-08-06 | 2021-12-03 | 山东大学 | 基于切近摄影的岩体裂隙智能识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
王诗言: "《基于数字图像的隧道掌子面裂隙提取算法的研究和实现》", 《中国优秀硕士学位论文全文数据库》, no. 01, pages 17 - 24 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115761038A (zh) * | 2022-10-19 | 2023-03-07 | 山东大学 | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 |
CN115761038B (zh) * | 2022-10-19 | 2023-06-30 | 山东大学 | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596165B (zh) | 基于无人机低空航拍图像的道路交通标线检测方法及系统 | |
WO2020258899A1 (zh) | 一种基于高分遥感影像的山地景观建筑提取方法和设备 | |
CN106778823B (zh) | 一种指针式仪表读数自动识别方法 | |
Chen et al. | Towards semi-automatic discontinuity characterization in rock tunnel faces using 3D point clouds | |
CN101957178B (zh) | 一种隧道衬砌裂缝测量方法及其测量装置 | |
CN104697998A (zh) | 抛光的宝石中的夹杂物检测 | |
CN106960208A (zh) | 一种仪表液晶数字自动切分和识别的方法及系统 | |
CN102346013A (zh) | 一种隧道衬砌裂缝宽度的测量方法及装置 | |
CN108053416B (zh) | 一种基于单幅卫星图像的最大储油量提取系统 | |
CN109523516A (zh) | 一种基于双重约束条件的对象级土地覆盖变化检测方法 | |
GB2584660A (en) | Automatic identification method and system for different mineral pores of mud shale | |
CN113256082A (zh) | 一种隧道掌子面智能地质素描及地质评价方法 | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
CN111476246B (zh) | 应用于复杂环境下指针仪表鲁棒高效智读方法 | |
CN103310196A (zh) | 感兴趣区域与方向元素的手指静脉识别方法 | |
Yang et al. | A fully automatic-image-based approach to quantifying the geological strength index of underground rock mass | |
Hadjigeorgiou et al. | An evaluation of image analysis algorithms for constructing discontinuity trace maps | |
CN110390256A (zh) | 一种沥青路面裂缝提取方法 | |
Nex et al. | Automatic roof outlines reconstruction from photogrammetric DSM | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN114419088A (zh) | 一种基于数字图像的隧道围岩信息提取方法 | |
Liu et al. | Extraction of earthquake-induced collapsed buildings from bi-temporal VHR images using object-level homogeneity index and histogram | |
CN114419445A (zh) | 一种基于三维激光扫描隧道围岩信息的识别和提取方法 | |
CN109522646B (zh) | 岩体交叉裂隙图像自动分离及其矢量化表达方法 | |
WO2024083261A1 (zh) | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 |
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 |