CN116229354A - 基于特征参数自动提取的掌子面图像围岩等级辨识方法 - Google Patents

基于特征参数自动提取的掌子面图像围岩等级辨识方法 Download PDF

Info

Publication number
CN116229354A
CN116229354A CN202310027235.9A CN202310027235A CN116229354A CN 116229354 A CN116229354 A CN 116229354A CN 202310027235 A CN202310027235 A CN 202310027235A CN 116229354 A CN116229354 A CN 116229354A
Authority
CN
China
Prior art keywords
surrounding rock
image
images
grade
effective
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
Application number
CN202310027235.9A
Other languages
English (en)
Inventor
林广东
徐龙飞
裴莉莉
张博溢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
CCCC Tunnel Engineering Co Ltd
Original Assignee
Changan University
CCCC Tunnel Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University, CCCC Tunnel Engineering Co Ltd filed Critical Changan University
Priority to CN202310027235.9A priority Critical patent/CN116229354A/zh
Publication of CN116229354A publication Critical patent/CN116229354A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，通过在隧道开挖过程中从现场设备采集隧道掌子面图片，将隧道掌子面图片作为待识别图像，进行裁剪使其符合模型输入尺寸要求，并提取有效图像；利用训练完成的CNN网络模型提取有效图像的围岩参数；从而计算围岩基本质量指标；根据围岩基本质量指标，划分隧道的围岩等级。相比于现有技术网络受围岩等级受诸多综合因素影响，难以一次性学习到多种复杂且区分度低的隐特征的缺陷，输出分辨准确度低识别结果。本发明构建CNN网络模型对围岩参数进行网络训练学习，利用围岩参数计算得到围岩基本质量指标，这样得到的精度比现有技术直接利用网络进行围岩等级的辨识要高。

Description

基于特征参数自动提取的掌子面图像围岩等级辨识方法
技术领域
本发明属于道路检测技术领域，具体涉及一种基于特征参数自动提取的掌子面图像围岩等级辨识方法。
背景技术
公路隧道建设规模越来越大，施工困难和风险也更加严峻，在地质条件复杂的山区更为显著。在各种不良地质条件中，新层破碎带、高地应力等复杂地质条件是重要的地质灾害源。隧道穿越复杂地质环境时，经常发生岩体沿软弱结构面滑动、坍塌或涌水、开裂、落石等现象，它不仅破坏了隧道的稳定性，而且直接影响了隧道的施工速度。由于山区地形地貌的制约，在国内诞生出一批批复杂地质条件下的长大路隧道。受复杂地质条件的影响，围岩收敛变形量大，变形速率快。
近年来，我国对于围岩等级辨识的研究逐渐提上日程。可靠的围岩等级辨识便是隧道设计和施工的重要依据，快速准确地识别围岩等级辨识，能够帮助隧道设计施工单位对围岩情况进行检测，有效减少隧道施工过程中的安全隐患。根据我国地形地貌的分布特点，我国国土面积的三分之二被山地和丘陵所覆盖，且随着中西部地区的快速发展，越来越多的高速公路在此类地区被修建。穿越山区修建高速公路的同时，不可避免修建一些长大公路隧道，在这类隧道的修建过程中，可靠的围岩等级辨识便是隧道设计和施工的重要依据。
隧道围岩等级辨识作为隧道设计、施工的重要依据，在勘察设计阶段，目前我国围岩等级辨识准确率一般较低，只有50％，且有30％～40％的等级辨识结果与实际相差1～2个级别。其造成的后果是，要么支护参数与开挖方案保守，造成资源的不必要浪费；要么不满足工程实际，存在重大安全隐患。复杂地质条件下隧道的围岩性质、规模及选择合理的开挖支护方法往往是影响隧道工程施工安全和进度的决定性因素。因此，系统研究公路隧道穿越复杂地质围岩条件下的隧道的塌方风险、施工过程中的力学效应及围岩变形规律，科学准确的对此类围岩级别进行智能判定，优化一种快速、安全、经济的施工方法,具有重要的研究价值和工程意义。
目前现有技术直接对获取到的围岩图像进行等级标注，然后将图像集分为训练集和验证集，输入构建的分类网络进行训练，从而得到围岩等级辨识结果。然而由于隧道围岩岩石节理、裂隙等具备粗细各异、形状不均等多种特点，且隧道内及时有光也会出现光照不均等情况，部分掌子面图片上还残留有三臂凿岩台车等施工机械破坏痕迹。因此增加了掌子面图像处理和围岩等级辨识的难度，这使得网络仅能学习到图像中的部分特征。虽然处理过程简单，步骤较少，速度较快，但是得到的围岩等级辨识精度很低。为了能够提前掌握隧道变形状况，以便及时采取有效的隧道支护措施，减少施工灾害的发生，对隧道进行围岩的级别的辨识，提出相匹配的开挖及施工支护方案。结合深度学习技术理论，提取围岩特征参数，构建隧道围岩智能等级辨识检测方法。
发明内容
为了解决现有技术中存在的上述问题，本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法。本发明要解决的技术问题通过以下技术方案实现：
本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，包括：
步骤1，在隧道开挖过程中从现场设备采集隧道掌子面图片，将所述隧道掌子面图片作为待识别图像；
步骤2，对所述待识别图像进行裁剪使其符合模型输入尺寸要求，并从待识别图像中提取有效图像；
步骤3，利用训练完成的CNN网络模型提取所述有效图像的围岩参数；
其中，所述围岩参数包括节理数、岩石单轴抗压强度；
步骤4，利用有效图像的围岩参数计算围岩基本质量指标；
步骤5，根据所述围岩基本质量指标，划分隧道的围岩等级。
本发明的有益效果：
本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，通过在隧道开挖过程中从现场设备采集隧道掌子面图片，将隧道掌子面图片作为待识别图像，进行裁剪使其符合模型输入尺寸要求，并提取有效图像；利用训练完成的CNN网络模型提取有效图像的围岩参数；从而计算围岩基本质量指标；根据围岩基本质量指标，划分隧道的围岩等级。相比于现有技术网络受围岩等级受诸多综合因素影响，难以一次性学习到多种复杂且区分度低的隐特征的缺陷，输出分辨准确度低识别结果。本发明构建CNN网络模型对围岩参数进行网络训练学习，利用围岩参数计算得到围岩基本质量指标，这样得到的精度比现有技术直接利用网络进行围岩等级的辨识要高。
以下将结合附图及实施例对本发明做进一步详细说明。
附图说明
图1是本发明提供的一种基于特征参数自动提取的掌子面图像围岩等级辨识方法的流程示意图；
图2是本发明提供的隧道掌子面开挖及支护图片示意图；
图3是本发明提供的隧道掌子面模糊图像与垃圾图像示意图；
图4是本发明提供的节理裂隙特征提取过程示意图；
图5是本发明提供的围岩完整性特征图；
图6是本发明提供的基于局部感知的卷积层示意图；
图7是本发明提供的卷积计算示意图；
图8是本发明提供的卷积操作示意图；
图9是本发明提供的标注网络的示意图；
图10是本发明提供的三维激光断面扫描仪扫描示意图；
图11是本发明提供的伏牛山特长隧道施工炮眼布置图。
具体实施方式
下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。
如图1所示，本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，包括：
步骤1，在隧道开挖过程中从现场设备采集隧道掌子面图片，将所述隧道掌子面图片作为待识别图像；
其中，本发明的隧道掌子面开挖及支护图片如图2所示。本发明可以通过单侧壁导坑法围岩数据采集方法或台阶法围岩数据采集方法，采集隧道掌子面图片。
单侧壁导坑法适应于隧道跨度大，扁平率低、围岩较差，一般Ⅳ～Ⅴ类围岩，地表下沉需控制的隧道。单侧壁导坑法适用于断面跨度大、地表沉陷难于控制的软弱松散围岩中。是以岩体力学理论为基础，应用新奥法指导施工，充分发挥围岩自承能力，运用光面爆破技术，及时进行喷锚初期支护，防止围岩松动，应用监控量测及时反馈信息，充分发挥围岩和初期支护的作用，在开挖过程中，一般先进性导坑开挖，再进行导坑支护，其次是仰拱施工，最后是断面衬砌的施工，因此，为及时掌握隧道断面信息，提高等级辨识围岩等级辨识准确率，在施工过程中，应及时对导坑开挖图片，支护数据，围岩图片及其他数据进行采集并整理。
台阶法施工是将隧道结构断面分成两个或几个部分，即分成上下两个断面或几个新面分部进行开挖的遂道开挖方法。该法适用于铁路双线隧道I、V级围岩，单线隧道V级围岩亦可采用，但支护条件应予以加强。该法具体可分为正台阶法、三台阶临时仰拱法、环形开挖预留核心土开挖法等。在开挖过程中，同样，为获取第一时间围岩数据，应及时对掌子面围岩图片进行拍照，围岩数据进行记录获取。
参考图3所示，在采集过程中会存在由于现场拍摄导致的系统无法准确识别围岩特征和元素的模糊图像，以及由于拍摄条件限制而无法反映隧道掌子面围岩为主体的垃圾图片。隧道掌子面围岩图片含有较多“模糊图片”以及“垃圾图片”，需要对样本数据库进行有效样本筛选工作，并对围岩样本数据库做进一步质量提升。
步骤2，对所述待识别图像进行裁剪使其符合模型输入尺寸要求，并从待识别图像中提取有效图像；
步骤3，利用训练完成的CNN网络模型提取所述有效图像的围岩参数；
其中，所述围岩参数包括节理数、岩石单轴抗压强度；
针对数据库中的节理模型的一般特征，首先对数据库中满足要求的围岩掌子面一般图片进行特征标注，并计算出特征数组，获得掌子面围岩节理发育情况。然后利用CNN对训练集进行学习，完成节理裂隙特征提取，具体过程如图4所示。本发明CNN网络模型提取的围岩参数所形成的围岩完整性特征图如图5所示。本发明通过实验，得到各个围岩对应真实的抗压强度Rc。输入CNN网络模型进行训练，得到每个图片对应的岩石单轴抗压强度Rc值。
步骤4，利用有效图像的围岩参数计算围岩基本质量指标；
在使用深度学习对隧道掌子面围岩图片各特征提取完成之后，得到围岩参数，然后对围岩参数进行量化处理，得到最终围岩等级辨识结果。量化过程具体如下：将提取节理裂纹特征，可以为节理数。将节理数转化为完整性系数Kv，并利用CNN网络模型学习到的岩石单轴抗压强度Rc，通过围岩基本质量指标计算公式将其转化为修正后的围岩基本质量指标[BQ]值，再进以划分围岩等级。
围岩基本质量指标计算公式为
BQ＝90+3Rc+250Kv
其中，Kv为节理数的完整性系数，Rc为岩石单轴抗压强度；当Rc>90v+30时，应对Rc＝90Kv+30和Kv带入计算BQ值；当Kv>0.04c+0.4时，应对Kv＝0.04c+0.4和Kv带入计算BQ值。
步骤5，根据所述围岩基本质量指标，划分隧道的围岩等级。
参见表1至表4，BQ＞550，围岩等级为一级；550≥BQ＞451，围岩等级为二级；450≥BQ≥351，围岩等级为三级；351＞BQ＞251，围岩等级为四级；BQ≥250，围岩等级为五级。
表1围岩等级分类表
Figure SMS_1
Figure SMS_2
表2 Rc与岩石坚硬程度定性划分关系
Rc(MPa) >60 60～30 30～15 15～5 <5
坚硬程度 坚硬岩 较坚硬岩 较软岩 软岩 级软岩
该指标是通过实验获得的真实值，然后划分训练集，通过学习图像对实验得到的该指标数据，完成对Rc的预测
表3 Kv与岩石完整程度定性划分关系
Kv >0.75 0.75～0.55 0.55～0.35 0.35～0.15 <0.15
完整程度 完整 较完整 较破碎 破碎 级破碎
Kv一般用弹性波探测值，若无探测值时，可用岩体体积节理数Jv按下表确定对应的Kv值。
表4 Jv与Kv对照表
Jv(条/m3) <3 3～10 10～20 20～35 >35
Kv >0.75 0.75～0.55 0.55～0.35 0.35～0.15 <0.15
本发明与之不同的是首先遵循公路隧道对掌子面图像中围岩特征提取规则对图像进行参数提取，主要包括节理数Jv，抗压强度Rc,以及经过多参数提取和人工判别得到的围岩等级(用于最后结果对比)。通过构建神经网络对节理数Jv，抗压强度Rc进行网络训练学习，得到网络自动提取的这两项重要参数，然后利用Jv计算得到Kc,再结合Rc计算得到BQ，这样得到的精度比直接利用网络进行围岩等级辨识要高。因为围岩等级受诸多综合因素影响，而网络难以一次性学习到多种复杂且区分度低的隐特征，因此本发明提出的方法是有效的。
在本发明的一种实施例中，所述CNN网络模型的训练过程如下：
步骤a,从历史数据库获取标注围岩参数的多个样本图像；
步骤b,将所述多个样本图像进行裁剪，使其尺寸一致且符合CNN网络模型的输入需求；
步骤c,将裁剪后的多个样本图像输入至预设的CNN网络模型中，以使CNN网络模型提取每个样本图像的围岩参数；
步骤d，利用每个样本图像的围岩参数计算每个样本图像的围岩基本质量指标；
步骤e，根据每个样本图像的围岩基本质量指标，划分样本图像的围岩等级；
由于隧道围岩岩石节理、裂隙等具备粗细各异、形状不均等多种特点，并残留有三臂凿岩台车等施工机械破坏痕迹,因此,增加了裂隙图像处理统计的难度，最初的围岩元素特征提取并不具备精确地等级辨识围岩等级辨识能力,而需建立更深层次的神经网络进行深度学习提取节理裂隙等岩石特征。
步骤f，判断样本图像划分的围岩等级与标注的围岩参数计算出的围岩等级是否一致，如果不一致，则调整所述CNN网络模型的参数，并重复步骤c至步骤f，直至达到CNN网络模型的精度要求或迭代次数。
在本发明的一种实施例中，所述CNN网络模型依次连接卷积层、池化层、全连接层(Dropout层)以及输出层，每层都由二维向量组成；
卷积层作为卷积神经网络(CNN)在于将局部进行加权平均，卷积层的每一卷积核在遍历整张图片之后，卷积核内获得的信息将会赋值成不同权重，并赋予给新的图片，达到权值共享；
卷积层作为卷积神经网络(CNN)的核心关键结构，其核心在于将局部进行加权平均，基于局部感知，将原本所有的离散信息集中起来，；局部感知示意图如图6所示。
卷积层的另一个重要功能便是权值共享，即卷积层的每一卷积核在遍历整张图片之后，卷积核内获得的信息将会赋值成不同权重，并赋予给新的图片，达到权值共享。
具体过程如下，如图7所示，首先，定义围岩数据库图片为原图片，并将其作为卷积神经网络的输入图片，其次定义一个卷积算子，卷积核大小为
Figure SMS_3
式中k1代表卷积核的高，k2代表卷积核的宽，ck为卷积核设定的通道数目，nk代表卷积核的滤波数目。对原始图像进行卷积操作后得到卷积输出图像。
卷积层对每个样本图像，利用自身的卷积核进行卷积，并对卷积后的图像进行语义分割，得到(ck×nk)张特征图，并特征图按照定义的通道数ck进行像素叠加，最终得到nk＝4张特征图；
其中，卷积核大小为
Figure SMS_4
k1代表卷积核的高，k2代表卷积核的宽，ck为卷积核设定的通道数目，nk代表卷积核的滤波数目；
池化层将输入的特征图划分为若干个矩形子区域，对每个子区域输出最大值，并通过全连接层以及输出层输出围岩参数。
池化层为卷积神经网络的采样层，它实际上是一种形式的降采样。有多种不同形式的非线性池化函数，通常来说，CNN的卷积层之间都会周期性地插入池化层。
而其中最大池化(Max pooling)是最为常见的。它是将输入的图像划分为若干个矩形区域，对每个子区域输出最大值。直觉上，这种机制能够有效的原因在于，在发现一个特征之后，它的精确位置远不及它和其他特征的相对位置的关系重要。池化层会不断地减小数据的空间大小，因此参数的数量和计算量也会下降，这在一定程度上也控制了过拟合。平均池化层(mean pooling)的前向传播就是把一个patch中的值求取平均值来做pooling，那么反向传播的过程也就是把某个元素的梯度等分为n份分配给前一层，这样就保证池化前后的梯度(残差)之和保持不变，由于平均池化层的结果能够使得模型特征减少，参数减少，进而减少计算量，节省计算时间，因此，本发明选用平均池化层。
优化原始网络损失函数。由于网络输出为数值型类别分类结果，但是与传统检测结果不同的是，例如：该网络输出的节理数再对结果的理解上，即可以认为是一种多分类，也可以理解为首先检测图像中的节理再统计其数目。这时无论用分类网络常用的损失函数或者是检测网络常用损失函数都无法全面的反应输出结果的准确性。因此通过赋予权重，对不同损失进行综合评价。即该网络损失函数的构成包含两方面，一方面为某轮迭代训练后输出节理数与真实节理数的平均绝对误差(MSE)，另一方面为对图像中节理检测与真实节理标注的交并比损失。然后将两个损失分别赋予0.6、0.4的权重进行加权，得到该网络总损失。而侧重节理数与真实节理数的平均绝对误差(MSE)是过程损失，节理检测与真实节理标注的交并比损失是结果损失，将结果损失权重与过程损失权重两者共同衡量，赋予其对应权重可以提高检测结果的准确性。
在本发明的一种实施例中，在步骤c之前，参见图9，所述基于特征参数自动提取的掌子面图像围岩等级辨识方法还包括：
步骤c1，将样本图像进行有效图像提取，并分为训练集以及测试集；
本发明将所有的样本图像进行裁剪，对裁剪图像利用有效提取网络提取有效的样本图像。本发明可以训练选取以伏牛山特长公路隧道为代表的六座隧道2万多张隧道开挖过程中的掌子面围岩图片，其中五分之四用于训练集，五分之一用于预测集。选取方式采用数据库随机抽取。
步骤c2,设置CNN网络模型的层数和神经元数量、初始阈值、卷积核以及池化层；
步骤f包括：
步骤f1，判断样本图像划分的围岩等级与人工标注的围岩参数计算出的围岩等级是否一致，如果不一致，则调整所述CNN网络模型的参数；
步骤f2，重复步骤c至步骤f；
步骤f3，使用测试集中的样本图像对所述CNN网络模型进行测试，以确认所述CNN网络模型的精度；
本发明可以使用测试集中的样本图像对所述CNN网络模型进行测试,根据测试结果计算像素精度(PA)、模型准确度(accuracy)及均方根误差(RMSE)；
将像素精度(PA)、模型准确度(accuracy)及均方根误差(RMSE)作为所述CNN网络模型的精度的评价指标。
为准确评价本发明的CNN网络模型对于围岩智能等级辨识的准确率，本发明选择了包含像素精度(PA)、模型准确度(accuracy)及均方根误差(RMSE)作为模型评价指标。像素精度(PA)能够正确描述标记正确的像素占比。
模型准确度(accuracy)表示判定正确的次数与所有判定次数的比例。判定正确的次数是(TP+TN)，所有判定的次数是(TP+TN+FP+FN)。
均方根误差(RMSE)用于描述预测值与真实值的吻合度。
步骤f4，如果所述CNN网络模型的精度达到精度要求或重复步骤c至步骤f的次数达到迭代次数，则停止对CNN网络的训练过程。
在本发明的一种实施例中，所述标注围岩等级的样本图像通过人工标注和自动化标注相结合的方式实现。
参见图9，所述有效图像提取网络包括依次连接的输入层、卷积层、全连接层和输出层；
有效图像提取网络提取过程如下：
输入由所有样本图像组成的围岩图像集；
其中，所述围岩图像集中包括50张已人工标注表示有效和无效的样本图像；
对围岩图像集中未标注有效和无效的样本图像，利用已训练的有效图像提取网络进行有效图像和无效图像的标注；
其中，所述已训练的有效图像提取网络通过50张已人工标注表示有效和无效的样本图像对预设的有效图像提取网络预训练得到；
对有效图像提取网络的标注结果进行损失评价，并利用损失评价结果进行反向传播从而更新有效图像提取网络的模型参数，直至有效图像提取网络达到精度要求或迭代次数；
对有效图像提取网络输出的样本图像进行人工复核，获得有效图像的提取结果。
基于已构建的隧道围岩数据库进行样本智能评价分析，发现在采集的样本数据库中，隧道掌子面围岩图片含有较多“模糊图片”以及“垃圾图片”，这些图片统一标记为异常，在后续处理中仅对正常图像进行围岩等级辨识。
这类异常图片与正常图像特征有明显的区别，因此，首先采用有效图像提取网络对样本数据库进行分类工作，从而对围岩样本数据库做进一步更新。该网络为二分类网络，仅有在做最初人工标注时，需要对图像进行正常和异常的标注工作。该网络仅需人工提前标注50张图像，然后其他图片输入网络即可进行自动标注以区分有效或无效。基于卷积神经网络与人工复核相结合的图像半自动化标注有效和无效的方法，特点是图片自动化标注与人工复核相结合，省去大量标注的时间精力。
(一)通过预训练实现网络参数初始化：利用50张人工提前标注的隧道掌子面围岩图像对构建的标注网络进行预训练，实现高频传感器数据图像目标的中间卷积层可视表示，同时初始化网络卷积层和全连接层等各个节点权重及参数。
(二)利用反向传播最小化网络误差并更新各节点权重参数
计算每个节点的标注误差之和作为总体标注误差，这里误差选择交叉熵损失函数；利用反向传播标注误差的方式对节点权重进行微调优化，最小化标注网络预测概率与参考概率间的KL散度(Kullback–Leibler divergence)也称相对熵(relative entropy)。
完成对标注网络的训练后，将待标注的所述大量图像数据输入已经训练好的标注网络中，即可完成图像的半自动化标注有效和无效的过程。为了能够得到更好的准确度，对实现网络自动化标注后的隧道掌子面围岩图像进行快速人工复核，这里仅需对不同类别的图像集进行整体确认，而无需单张图片类别的依次判断。相比于人工标注有效和无效，能够大大节省时间和人力的消耗。
当然在其他实施例中，也可以直接对隧道掌子面围岩图像集进行人工标注，以形成训练数据集。
下面本发明以实际现场采集以及实际处理说明本发明的方案。
软硬件环境：
本发明数据库搭建在由Google开发的最新平台TensorFlow之上，TensorFlow框架的前身是Google的DistBelief V2。编程语言为python。云服务器选择购买阿里云ECS，选择Windows Server 2008R2企业版64位中文版，由于本发明采用TensorFlow2.0框架进行深度学习处理，且需对大型数据图片进行模型训练，为此，选择电脑配置如下：
计算机配置：
CPU：Intel i7 10700KF
主板：微星MPG Z490M GAMING EDGE WIFI
内存：海盗船复仇者LPX 32GB DDR43200(CMK32GX4M2B3200C16)
硬盘：西部数据硬盘2TB SATA6Gb/s 64M(WD20EZRZ)
固态硬盘：三星970EVO Plus NVMe M.2(250GB)
显卡：华硕TUF-RTX3080-10G-GAMING
散热器：利民Frozen Magic 360
训练选取以伏牛山特长公路隧道为代表的六座隧道2万多张隧道开挖过程中的掌子面围岩图片，其中五分之四用于训练集，五分之一用于预测集。选取方式采用数据库随机抽取。
参见图10所示，无论单侧壁导坑法还是台阶法施工，在隧道开挖过程中，对于掌子面图片的获取，采用高清照相机或三维激光断面扫描仪扫描获取。对于围岩开挖过程参数的获取，如果采用钻爆法开挖，则对钻爆法炮眼布置图及各炮眼布置深度和炸药用量进行记录；如果采用机械法施工，则直接将三臂凿岩台车数据导出，参考图11所示。
本发明训练集较大，含有15000张隧道掌子面围岩图片，因此，在设计深度学习神经网络模型时，设置较高迭代次数10000，初始学习率设置为0.1，确保模型训练准确，并在误差率和学习率不再提高时，将学习率按0.1倍逐步降低，发现当迭代次数为8000左右时，模型算法基本收敛，模型错误率于最初0.527降低为0.134，训练结果达到预期结果，符合实验要求。
本发明提供的卷积神经网络的隧道围岩等级辨识方法，结合深度学习卷积神经网络模型及图像识别技术进行了隧道掌子面围岩特征识别，建立了一套隧道围岩智能等级辨识系统，论证了5000张三种不同围岩等级的隧道掌子面围岩图片的围岩等级辨识准确率情况，并得出本发明提出的隧道围岩智能等级辨识系统较传统围岩等级辨识系统具有准确率高，失误率小，辨别度高的优点，同时还将围岩识别精度提升一个等级至90％以上。
基于特征参数自动提取的掌子面图像围岩等级辨识方法处理结果，准确度Accuracy如下表5所示：
表5围岩等级辨识样本准确度
Figure SMS_5
Figure SMS_6
由上表可知，该模型针对5000预测样本的等级辨识准确率均高于目前普通等级辨识方法水平，其中对于Ⅳ级围岩的等级辨识准确率最高，高达94.340％，其次Ⅲ级围岩。Ⅴ级围岩等级辨识准确率最低，但也远高于目前其他方法等级辨识准确率。
基于特征参数自动提取的掌子面图像围岩等级辨识方法处理结果，精度PA如下表6所示：
表6围岩等级辨识样本精度
围岩级别 预测样本量 标记准确预测数量 PA
Ⅲ 3472 3310 95.334％
Ⅳ 946 876 92.600％
Ⅴ 582 493 84.708％
由上表可知，该模型针对5000预测样本的等级辨识准确率均高于目前普通等级辨识方法水平，其中对于Ⅲ级围岩的等级辨识像数标记正确率占比最高，高达95.334％，其次Ⅳ级围岩。Ⅴ级围岩等级辨识准确率最低，但也远高于目前其他方法。
基于特征参数自动提取的掌子面图像围岩等级辨识方法处理结果，均方根误差如下表7所示：
表7围岩等级辨识样本均方根误差
围岩级别 预测样本量 PA
Ⅲ 3472 0.093
Ⅳ 946 0.025
Ⅴ 582 0.097
由上表可知，该模型针对5000预测样本的均方根误差均处于较低水平，其中模型对于Ⅲ级围岩的误差值最低，仅为0.093，其次Ⅴ级围岩，Ⅳ级围岩。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (9)

1.一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，包括：
步骤1，在隧道开挖过程中从现场设备采集隧道掌子面图片，将所述隧道掌子面图片作为待识别图像；
步骤2，对所述待识别图像进行裁剪使其符合模型输入尺寸要求，并从待识别图像中提取有效图像；
步骤3，利用训练完成的CNN网络模型提取所述有效图像的围岩参数；
其中，所述围岩参数包括节理数、岩石单轴抗压强度；
步骤4，利用有效图像的围岩参数计算围岩基本质量指标；
步骤5，根据所述围岩基本质量指标，划分隧道的围岩等级。
2.根据权利要求1所述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，所述CNN网络模型的训练过程如下：
步骤a,从历史数据库获取标注围岩参数的多个样本图像；
步骤b,将所述多个样本图像进行裁剪，使其尺寸一致且符合CNN网络模型的输入需求；
步骤c,将裁剪后的多个样本图像输入至预设的CNN网络模型中，以使CNN网络模型提取每个样本图像的围岩参数；
步骤d，利用每个样本图像的围岩参数计算每个样本图像的围岩基本质量指标；
步骤e，根据每个样本图像的围岩基本质量指标，划分样本图像的围岩等级；
步骤f，判断样本图像划分的围岩等级与标注的围岩参数计算出的围岩等级是否一致，如果不一致，则调整所述CNN网络模型的参数，并重复步骤c至步骤f，直至达到CNN网络模型的精度要求或迭代次数。
3.根据权利要求2述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，所述CNN网络模型依次连接卷积层、池化层、全连接层(Dropout层)以及输出层，每层都由二维向量组成；
卷积层作为卷积神经网络(CNN)在于将局部进行加权平均，卷积层的每一卷积核在遍历整张图片之后，卷积核内获得的信息将会赋值成不同权重，并赋予给新的图片，达到权值共享；
卷积层对每个样本图像，利用自身的卷积核进行卷积，并对卷积后的图像进行语义分割，得到(ck×nk)张特征图，并特征图按照定义的通道数ck进行像素叠加,最终得到nk＝4张特征图；
其中，卷积核大小为
Figure FDA0004045607000000021
k1代表卷积核的高，k2代表卷积核的宽，ck为卷积核设定的通道数目，nk代表卷积核的滤波数目；
池化层将输入的特征图划分为若干个矩形子区域，对每个子区域输出最大值，并通过全连接层以及输出层输出围岩参数；
所述CNN网络模型的损失函数由两个方面综合形成，一方面为迭代过程中输出节理数与真实节理数的平均绝对误差，第二方面为节理检测与真实节理标注的交并比损失所形成的。
4.根据权利要求1所述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，步骤4中围岩基本质量指标计算公式为：
BQ＝90+3Rc+250Kv
其中，Kv为节理数的完整性系数，Rc为岩石单轴抗压强度；当Rc>90Kv+30时，应对Rc＝90Kv+30和Kv带入计算BQ值；当Kv>0.04Rc+0.4时，应对Kv＝0.04Rc+0.4和Kv带入计算BQ值。
5.根据权利要求1所述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，步骤5中围岩等级按照以下划分：
BQ＞550，围岩等级为一级；
550≥BQ＞451，围岩等级为二级；
450≥BQ≥351，围岩等级为三级；
351＞BQ＞251，围岩等级为四级；
BQ≥250，围岩等级为五级。
6.根据权利要求2所述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，在步骤c之前，所述基于特征参数自动提取的掌子面图像围岩等级辨识方法还包括：
步骤c1,将样本图像进行有效图像提取，并分为训练集以及测试集；
步骤c2,设置CNN网络模型的层数和神经元数量、初始阈值、卷积核以及池化层；
步骤f包括：
步骤f1，判断样本图像划分的围岩等级与人工标注的围岩参数计算出的围岩等级是否一致，如果不一致，则调整所述CNN网络模型的参数；
步骤f2，重复步骤c至步骤f；
步骤f3，使用测试集中的样本图像对所述CNN网络模型进行测试，以确认所述CNN网络模型的精度；
步骤f4，如果所述CNN网络模型的精度达到精度要求或重复步骤c至步骤f的次数达到迭代次数，则停止对CNN网络的训练过程。
7.根据权利要求6所述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，步骤f3包括：
使用测试集中的样本图像对所述CNN网络模型进行测试,根据测试结果计算像素精度(PA)、模型准确度(accuracy)及均方根误差(RMSE)；
将像素精度(PA)、模型准确度(accuracy)及均方根误差(RMSE)作为所述CNN网络模型的精度的评价指标。
8.根据权利要求2所述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，在步骤c1包括：
将所有的样本图像进行裁剪，对裁剪图像利用有效提取网络提取有效的样本图像。
9.根据权利要求8所述的基于特征参数自动提取的掌子面图像围岩等级辨识方法，其特征在于，所述有效图像提取网络包括依次连接的输入层、卷积层、全连接层和输出层；
有效图像提取网络提取过程如下：
输入由所有样本图像组成的围岩图像集；
其中，所述围岩图像集中包括50张已人工标注表示有效和无效的样本图像；
对围岩图像集中未标注有效和无效的样本图像，利用已训练的有效图像提取网络进行有效图像和无效图像的标注；
其中，所述已训练的有效图像提取网络通过50张已人工标注表示有效和无效的样本图像对预设的有效图像提取网络预训练得到；
对有效图像提取网络的标注结果进行损失评价，并利用损失评价结果进行反向传播从而更新有效图像提取网络的模型参数，直至有效图像提取网络达到精度要求或迭代次数；
对有效图像提取网络输出的样本图像进行人工复核，获得有效图像的提取结果。
CN202310027235.9A 2023-01-09 2023-01-09 基于特征参数自动提取的掌子面图像围岩等级辨识方法 Pending CN116229354A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310027235.9A CN116229354A (zh) 2023-01-09 2023-01-09 基于特征参数自动提取的掌子面图像围岩等级辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310027235.9A CN116229354A (zh) 2023-01-09 2023-01-09 基于特征参数自动提取的掌子面图像围岩等级辨识方法

Publications (1)

Publication Number Publication Date
CN116229354A true CN116229354A (zh) 2023-06-06

Family

ID=86590320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310027235.9A Pending CN116229354A (zh) 2023-01-09 2023-01-09 基于特征参数自动提取的掌子面图像围岩等级辨识方法

Country Status (1)

Country Link
CN (1) CN116229354A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292148A (zh) * 2023-11-27 2023-12-26 中交第二公路勘察设计研究院有限公司 一种基于定向钻探及测试数据的隧道围岩级别评估方法
CN117853486A (zh) * 2024-03-07 2024-04-09 云南省交通规划设计研究院股份有限公司 一种数据缺失条件下隧道工作面岩体质量自动化评价方法
CN117935249A (zh) * 2024-03-20 2024-04-26 南昌工程学院 基于三维激光扫描参数自动提取的围岩等级辨识系统

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117292148A (zh) * 2023-11-27 2023-12-26 中交第二公路勘察设计研究院有限公司 一种基于定向钻探及测试数据的隧道围岩级别评估方法
CN117292148B (zh) * 2023-11-27 2024-02-09 中交第二公路勘察设计研究院有限公司 一种基于定向钻探及测试数据的隧道围岩级别评估方法
CN117853486A (zh) * 2024-03-07 2024-04-09 云南省交通规划设计研究院股份有限公司 一种数据缺失条件下隧道工作面岩体质量自动化评价方法
CN117935249A (zh) * 2024-03-20 2024-04-26 南昌工程学院 基于三维激光扫描参数自动提取的围岩等级辨识系统
CN117935249B (zh) * 2024-03-20 2024-06-07 南昌工程学院 基于三维激光扫描参数自动提取的围岩等级辨识系统

Similar Documents

Publication Publication Date Title
CN116229354A (zh) 基于特征参数自动提取的掌子面图像围岩等级辨识方法
CN111160571B (zh) 一种基于土压平衡盾构机参数数据驱动反演地质的方法
CN109241627B (zh) 概率分级的动态支护方法及自动设计支护方案的装置
CN110610285A (zh) 一种地下金属矿采空区危险度分级评价方法
CN113256082A (zh) 一种隧道掌子面智能地质素描及地质评价方法
CN112232522B (zh) 一种深部巷道支护方案智能推荐及动态优化方法
CN106407493A (zh) 一种基于多维高斯云模型的岩爆等级评价方法
CN111985552B (zh) 复杂背景下机场道面细带状结构病害检测方法
CN111062544A (zh) 一种铀成矿远景区的预测方法
CN110889440A (zh) 基于主成分分析和bp神经网络的岩爆等级预测方法及系统
CN115310361B (zh) 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统
Zhang et al. Deep learning‐based automatic detection of muck types for earth pressure balance shield tunneling in soft ground
CN112541665A (zh) 一种基于多源信息融合的边坡稳定性精细化评价方法
CN111259335A (zh) 一种隧道下穿道路施工风险分析系统及方法
CN107942383A (zh) 煤层顶板砂岩富水性等级预测方法
CN113326661B (zh) 一种基于RS-XGBoost的隧道超前钻探定量解译方法及设备
CN109854299B (zh) 基于大数据的通风巷道摩擦阻力系数快速确定方法
Zheng et al. Simulation of bench stepping and optimization of bolt parameters based on multiple geological information fusion
CN117131756B (zh) 一种基于地表时序形变和孕灾背景的地裂缝易发性评价方法
CN116977857B (zh) 一种基于深度学习的隧道裂缝自动检测方法
Fu et al. Mapping mining-induced ground fissures and their evolution using UAV photogrammetry
Marcher et al. Capabilities and challenges using machine learning in tunnelling
CN117474340B (zh) 用于地铁盾构施工沉降的风险评价方法及系统
CN113657515B (zh) 一种基于岩机敏感参量判识和改进fmc模型隧道围岩等级的分类方法
CN118008479A (zh) 一种高风险岩溶地区隧道地质灾害数字化预报预警方法

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