CN117475241A - 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 - Google Patents
用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 Download PDFInfo
- Publication number
- CN117475241A CN117475241A CN202311814271.6A CN202311814271A CN117475241A CN 117475241 A CN117475241 A CN 117475241A CN 202311814271 A CN202311814271 A CN 202311814271A CN 117475241 A CN117475241 A CN 117475241A
- Authority
- CN
- China
- Prior art keywords
- geological
- feature map
- feature
- mutation
- shallow
- 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
- 230000035772 mutation Effects 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000009412 basement excavation Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 18
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 21
- 238000004422 calculation algorithm Methods 0.000 abstract description 9
- 230000003014 reinforcing effect Effects 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 44
- 230000005641 tunneling Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- E21F—SAFETY DEVICES, TRANSPORT, FILLING-UP, RESCUE, VENTILATION, OR DRAINING IN OR OF MINES OR TUNNELS
- E21F17/00—Methods or devices for use in mines or tunnels, not covered elsewhere
- E21F17/18—Special adaptations of signalling or alarm devices
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geology (AREA)
- Medical Informatics (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geochemistry & Mineralogy (AREA)
- Environmental & Geological Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法,属于智能预警技术领域。包括:图像采集模块、地质浅层特征提取模块、地质深层特征提取模块、网络损失信息计算模块、地质浅层特征补偿模块、地质类型检测和地质突变判断模块和预警提示模块。本发明通过基于悬臂掘进机的摄像头采集地质图像,并在后端引入图像处理和分析算法对该地质图像进行分析,以此来进行地质类型的检测,并基于地质类型的检测结果来判断是否发生地质突变,从而对地质突变情况进行预警并采取相应措施,如调整挖掘速度或加强支护,以此来避免地质突变对施工进度的影响,确保施工安全和进度。
Description
技术领域
本发明涉及智能预警技术领域,更为具体地,涉及一种用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法。
背景技术
隧洞开挖是一种重要的地下工程,其施工安全和进度受到地质条件的影响。在隧洞开挖的过程中,地质突变是一个常见的挑战,它可能导致施工进度延误、安全风险增加甚至工程质量问题。因此,准确地检测和预警地质突变对于保证施工安全和进度非常重要。
传统的地质突变检测主要依赖于人工地质勘探和地质监测,这种方法存在诸多问题,例如传统检测方式通常需要大量的人力资源进行地质勘探和监测工作,这不仅增加了施工成本,还可能受限于人力资源的有限性,导致检测效率低下。此外,传统的地质突变检测通常需要在隧洞施工过程中进行周期性的地质监测,这会导致施工进度的延误。而且,由于人工监测的主观性和不确定性,可能会延误对地质突变的及时发现和处理。
因此,期望一种用于悬臂式掘进机隧洞开挖的地质突变检测系统,其能够在隧洞开挖过程中实现地质突变的自动检测。
发明内容
为了解决上述技术问题,提出了本发明。本发明实施例提供了一种用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法,其通过基于悬臂掘进机的摄像头采集地质图像,并在后端引入图像处理和分析算法来对该地质图像进行分析,以此来进行地质类型的检测,并基于地质类型的检测结果判断是否发生地质突变,从而对地质突变情况进行预警并采取相应措施,如调整挖掘速度或加强支护,以此来避免地质突变对施工进度的影响,确保施工安全和进度。
根据本发明的一个方面,提供了一种用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法,其包括:
图像采集模块,用于获取由部署于悬臂掘进机的摄像头采集的地质图像;
地质浅层特征提取模块,用于通过基于第一深度神经网络模型的地质浅层特征提取器对所述地质图像进行特征提取,以得到地质浅层特征图;
地质深层特征提取模块,用于通过基于第二深度神经网络模型的地质深层特征提取器对所述地质浅层特征图进行特征提取,以得到地质深层特征图;
网络损失信息计算模块,用于基于所述地质浅层特征图和所述地质深层特征图确定网络损失信息;
地质浅层特征补偿模块,用于基于所述网络损失信息对所述地质浅层特征图进行补偿,以得到补偿地质特征;
地质类型检测和地质突变判断模块,用于基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变;
预警提示模块,用于响应于确定发生地质突变,生成预警提示。
可选地,所述第一深度神经网络模型为第一卷积神经网络模型,所述第二深度神经网络模型为第二卷积神经网络模型。
可选地,所述网络损失信息计算模块,用于:基于所述地质浅层特征图和所述地质深层特征图,以如下损失公式进行计算以得到损失信息特征图作为所述网络损失信息;
所述损失公式为:
;
其中,F1表示所述地质浅层特征图,F2表示所述地质深层特征图,UpSampling( . )表示上采样处理,Conv1×1( . )表示卷积处理,Sigmoid( . )表示Sigmoid函数,Mask表示所述损失信息特征图。
可选地,所述地质浅层特征补偿模块,用于:基于所述网络损失信息以如下补偿公式对所述地质浅层特征图进行补偿,以得到补偿地质特征图作为所述补偿地质特征;
所述补偿公式为:
;
其中,F1表示所述地质浅层特征图,Mask表示所述损失信息特征图,PMA( . )表示基于注意力的池化处理,Fusion(F1,F2)表示所述补偿地质特征图。
可选地,所述地质类型检测和地质突变判断模块,包括:
地质类型检测单元,用于基于所述补偿地质特征确定地质类型标签;
地质突变检测单元,用于基于分类结果确定是否发生地质突变,所述分类结果用于表示地质类型标签。
可选地,所述地质类型检测单元,包括:
特征分布优化子单元,用于对所述补偿地质特征图进行优化,以得到优化补偿地质特征图;
地质类型分类子单元,用于将所述优化补偿地质特征图通过分类器,以得到分类结果。
可选地,所述地质类型分类子单元,包括:
展开二级子单元,用于将所述优化补偿地质特征图基于行向量或列向量展开为分类特征向量;
全连接编码二级子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码,以得到编码分类特征向量;
分类结果生成二级子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数,以得到所述分类结果。
根据本发明的另一个方面,提供了一种用于悬臂式掘进机隧洞开挖的地质突变检测方法,其包括:
获取由部署于悬臂掘进机的摄像头采集的地质图像;
通过基于第一深度神经网络模型的地质浅层特征提取器对所述地质图像进行特征提取,以得到地质浅层特征图;
通过基于第二深度神经网络模型的地质深层特征提取器对所述地质浅层特征图进行特征提取,以得到地质深层特征图;
基于所述地质浅层特征图和所述地质深层特征图确定网络损失信息;
基于所述网络损失信息对所述地质浅层特征图进行补偿以得到补偿地质特征;
基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变;
响应于确定发生地质突变,生成预警提示。
与现有技术相比,本发明提供的用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法,其通过基于悬臂掘进机的摄像头采集地质图像,并在后端引入图像处理和分析算法来对该地质图像进行分析,以此来进行地质类型的检测,并基于地质类型的检测结果判断是否发生地质突变,从而对地质突变情况进行预警并采取相应措施,如调整挖掘速度或加强支护,以此来避免地质突变对施工进度的影响,确保施工安全和进度。
附图说明
通过结合附图对本发明实施例进行更详细的描述,本发明的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与本发明实施例一起用于解释本发明,并不构成对本发明的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本发明实施例提供的用于悬臂式掘进机隧洞开挖的地质突变检测系统的框图;
图2为根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统的系统架构图;
图3为根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统中地质类型检测和地质突变判断模块的框图;
图4为根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统中地质类型检测单元的框图;
图5为根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统的开挖方法的流程图。
具体实施方式
下面将参考附图详细地描述根据本发明的示例实施例。显然,所描述的实施例仅仅是本发明的一部分实施例,而不是本发明的全部实施例,应理解,本发明不受这里描述的示例实施例的限制。
在本发明实施例的技术方案中,提供了一种用于悬臂式掘进机隧洞开挖的地质突变检测系统。图1为根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统的框图。图2为根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统架构图。如图1和图2所示,根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统300,包括:图像采集模块310,用于获取由部署于悬臂掘进机的摄像头采集的地质图像;地质浅层特征提取模块320,用于通过基于第一深度神经网络模型的地质浅层特征提取器对所述地质图像进行特征提取,以得到地质浅层特征图;地质深层特征提取模块330,用于通过基于第二深度神经网络模型的地质深层特征提取器对所述地质浅层特征图进行特征提取,以得到地质深层特征图;网络损失信息计算模块340,用于基于所述地质浅层特征图和所述地质深层特征图确定网络损失信息;地质浅层特征补偿模块350,用于基于所述网络损失信息对所述地质浅层特征图进行补偿,以得到补偿地质特征;地质类型检测和地质突变判断模块360,用于基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变;预警提示模块370,用于响应于确定发生地质突变,生成预警提示。
特别地,所述图像采集模块310,用于获取由部署于悬臂掘进机的摄像头采集的地质图像。其中,悬臂掘进机是一种用于地下隧洞开挖的专用机械设备。它是一种大型的机械钻头,通过旋转和推进的方式在地下挖掘隧洞。具体地,在本发明的具体示例中,可选用工业摄像头来获取所述地质图像。值得一提的是,工业摄像头是专门设计用于工业环境的摄像设备,用于监视、检测和记录工业过程中的图像和视频数据。与普通消费级摄像头相比,工业摄像头通常具有更高的耐用性、可靠性和适应性,以满足工业环境的需求。
特别地,所述地质浅层特征提取模块320,用于通过基于第一深度神经网络模型的地质浅层特征提取器对所述地质图像进行特征提取,以得到地质浅层特征图。也就是,在本发明实施例的技术方案中,使用在图像的隐含特征提取方面具有优异表现性能的卷积神经网络模型来进行所述地质图像的特征挖掘。特别地,考虑到在实际进行悬臂掘进机的挖掘工作过程中,为了能够更好地对地质突变情况进行检测,需要更加关注于地质的颜色、纹理和形状等浅层特征信息,以此来进行地质类型的精准判断。基于此,在本发明实施例的技术方案中,将所述地质图像通过基于第一卷积神经网络模型的地质浅层特征提取器,以得到地质浅层特征图。通过将所述地质图像输入到所述基于第一卷积神经网络模型的地质浅层特征提取器中,网络可以学习到地质的颜色、纹理、形状等浅层特征表示。因此,所得到的所述地质浅层特征图可以帮助理解所述地质图像中的局部结构和纹理等特征信息,从而更好地区分不同的地质类型,并为后续的分析和决策提供基础。具体地,将所述地质图像通过基于第一卷积神经网络模型的地质浅层特征提取器,以得到地质浅层特征图,包括:使用所述基于第一卷积神经网络模型的地质浅层特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理,以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化,以得到池化特征图;以及,对所述池化特征图进行非线性激活,以得到激活特征图;其中,所述基于第一卷积神经网络模型的地质浅层特征提取器的最后一层的输出为所述地质浅层特征图,所述基于第一卷积神经网络模型的地质浅层特征提取器的第一层的输入为所述地质图像。
值得注意的是,卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据,如图像和视频。CNN 的核心思想是通过卷积层、池化层和全连接层来提取和学习特征。以下是 CNN 的主要组成部分:卷积层:卷积层是 CNN 的核心。它通过卷积操作将输入图像与一组可学习的滤波器(也称为卷积核)进行卷积运算,从而提取图像的局部特征。卷积操作可以捕捉到图像中的空间关系和局部模式。卷积层通常包括多个滤波器,每个滤波器生成一个特征图,这些特征图组合起来形成输出特征图;激活函数:在卷积层后面通常会应用激活函数,如ReLU,用于引入非线性特性。激活函数对卷积层输出进行逐元素的非线性变换,增加模型的表达能力;池化层:池化层用于减小特征图的尺寸,并减少模型的参数量。常见的池化操作包括最大池化和平均池化,它们分别选取池化窗口内的最大值或平均值作为输出。池化层可以帮助提取更加鲁棒的特征,并且减少了特征图的空间维度;全连接层:全连接层用于将卷积层和池化层的输出特征映射到最终的分类或回归结果。全连接层中的每个神经元与前一层的所有神经元相连接,通过学习权重和偏置来进行线性变换和非线性激活。全连接层通常在网络的最后几层使用。除了上述主要组成部分,CNN 还可以包括其他层和技术,如批归一化、dropout、残差连接等,用于提高模型的性能和训练的稳定性。通过多层卷积层和全连接层的堆叠,CNN 可以逐渐提取和学习图像的抽象特征表示,从低级的边缘和纹理特征到高级的语义特征。
特别地,所述地质深层特征提取模块330,用于通过基于第二深度神经网络模型的地质深层特征提取器对所述地质浅层特征图进行特征提取,以得到地质深层特征图。也就是,在提取出地质的颜色、纹理和形状等浅层特征信息后,考虑到这些特征容易受到外界环境的干扰,导致对地质类型的判断产生误差,因此,为了能够从图像中提取更高级别、更抽象的地质特征信息,在本发明实施例的技术方案中,进一步将所述地质浅层特征图通过基于第二卷积神经网络模型的地质深层特征提取器,以得到地质深层特征图。通过将所述地质浅层特征图输入到所述基于第二卷积神经网络模型的地质深层特征提取器中,网络可以进一步提取出所述地质图像中更抽象的地质特征。所得到的所述地质深层特征图可以反映出地质的更高级别的语义信息,例如物体的形状、结构等,帮助更好地理解地质的结构、组成和变化,从而提高地质类型分类和地质突变检测的准确性和鲁棒性。具体地,将所述地质浅层特征图通过基于第二卷积神经网络模型的地质深层特征提取器,以得到地质深层特征图,包括:使用所述基于第二卷积神经网络模型的地质深层特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理,以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化,以得到池化特征图;以及,对所述池化特征图进行非线性激活,以得到激活特征图;其中,所述基于第二卷积神经网络模型的地质深层特征提取器的最后一层的输出为所述地质深层特征图,所述基于第二卷积神经网络模型的地质深层特征提取器的第一层的输入为所述地质浅层特征图。
特别地,所述网络损失信息计算模块340,用于基于所述地质浅层特征图和所述地质深层特征图确定网络损失信息。考虑到所述地质浅层特征图主要反映了所述地质图像的低级别特征,例如边缘、纹理和颜色等浅层特征定向,而所述地质深层特征图则能够反映出有关于地质的更高级别的语义信息,例如物体的形状、结构等深层语义特征。因此,为了将所述地质图像的不同层次和尺度的特征进行有效的融合,以获取更全面、更丰富的特征表示来提高对地质类型的综合检测能力,在本发明实施例的技术方案中,进一步基于所述地质浅层特征图和所述地质深层特征图确定所述网络损失信息,并基于所述网络损失信息对所述地质浅层特征图进行补偿,以得到补偿地质特征图。特别地,通过计算两者特征图的网络损失信息,并根据网络损失信息对地质浅层特征图进行修正,以减少特征提取过程中的误差和偏差。这样可以利用残差的方式来将地质的浅层特征和深层特征进行融合,形成多尺度的特征表示,从而实现不同层次特征之间的交互和信息传递,使得有关于地质的浅层特征和深层特征能够相互补充和增强,提高地质类型分类和地质突变检测的准确性。具体地,基于所述地质浅层特征图和所述地质深层特征图,以如下损失公式进行计算以得到损失信息特征图作为所述网络损失信息;所述损失公式为:
;
其中,F1表示所述地质浅层特征图,F2表示所述地质深层特征图,UpSampling( . )表示上采样处理,Conv1×1( . )表示卷积处理,Sigmoid( . )表示Sigmoid函数,Mask表示所述损失信息特征图。
特别地,所述地质浅层特征补偿模块350,用于基于所述网络损失信息对所述地质浅层特征图进行补偿,以得到补偿地质特征。特别地,在本发明的一个具体示例中,基于所述网络损失信息以如下补偿公式对所述地质浅层特征图进行补偿,以得到补偿地质特征图作为所述补偿地质特征;所述补偿公式为:
;
其中,F1表示所述地质浅层特征图,Mask表示所述损失信息特征图,PMA( . )表示基于注意力的池化处理,Fusion(F1,F2)表示所述补偿地质特征图。
特别地,所述地质类型检测和地质突变判断模块360,用于基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变。特别地,在本发明的一个具体示例中,如图3所示,所述地质类型检测和地质突变判断模块360,包括:地质类型检测单元361,用于基于所述补偿地质特征,确定地质类型标签;地质突变检测单元362,用于基于所述分类结果,确定是否发生地质突变。
具体地,所述地质类型检测单元361,用于基于所述补偿地质特征确定地质类型标签。特别地,在本发明的一个具体示例中,如图4所示,所述地质类型检测单元361,包括:特征分布优化子单元3611,用于对所述补偿地质特征图进行优化,以得到优化补偿地质特征图;地质类型分类子单元3612,用于将所述优化补偿地质特征图通过分类器,以得到分类结果,所述分类结果用于表示地质类型标签。
更具体地,所述特征分布优化子单元3611,用于对所述补偿地质特征图进行优化,以得到优化补偿地质特征图。特别地,在本发明实施例的技术方案中,这里,所述地质浅层特征图和所述地质深层特征图分别表达所述地质图像的浅层图像语义特征和深层图像语义特征,其在特征矩阵内的空间分布维度和特征矩阵间的通道分布维度上均有基于卷积神经网络的图像语义特征提取的特定空间含义,这样,在基于所述地质浅层特征图和所述地质深层特征图确定所述网络损失信息,并基于所述网络损失信息对所述地质浅层特征图进行补偿时,考虑到所述网络损失信息计算和补偿的特征图逐位置计算性质,得到的所述补偿地质特征图也具有基于特征图各位置的空间位置属性的特征表达。也就是,所述补偿地质特征图在特征矩阵内的空间分布维度上,在特征矩阵间的通道分布维度上,均具有基于图像语义特征的层间网络损失信息补偿分布的空间分布信息,由此,如果能够提升所述补偿地质特征图作为高维特征的空间信息表达效果,则能够提升所述补偿地质特征图整体的表达效果。基于此,本发明实施例对所述补偿地质特征图F进行优化,表示为:
;
;
其中,且α为局部空间分割系数,N表示局部邻域的尺度。具体地,以所述补偿地质特征图F展开后的希尔伯特空间内的局部分割空间为基准,对所述补偿地质特征图F在高维特征空间内的特征流形进行曲面的局部积分,从而基于积分函数的局部积分处理,来修正所述补偿地质特征图F的局部空间展开后的非平稳数据序列所表达的特征流形的相变不连续点,从而获得特征流形的更精细的结构和几何特征,提升所述补偿地质特征图F在高维特征空间内的空间信息表达效果,从而提升所述补偿地质特征图F的表达效果,改进其通过分类器得到的分类结果的准确性。这样,能够基于悬臂掘进机的摄像头采集的地质图像来进行地质类型的检测,并基于地质类型的检测结果来判断是否发生地质突变,从而对于地质突变情况进行预警且采取相应措施,以此来避免地质突变对施工进度的影响,确保施工安全和进度。
更具体地,所述地质类型分类子单元3612,用于将所述优化补偿地质特征图通过分类器,以得到分类结果,所述分类结果用于表示地质类型标签。也就是,在本发明的一个具体示例中,将所述优化补偿地质特征图基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码,以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数,以得到所述分类结果。
分类器是指一种机器学习模型或算法,用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分,它通过学习从输入数据到输出类别的映射关系来进行分类任务。
全连接层是神经网络中常见的一种层类型。在全连接层中,每个神经元都与上一层的所有神经元相连接,每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入,并通过权重对这些输入进行加权求和,然后将结果传递给下一层。
Softmax分类函数是一种常用的激活函数,用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值,并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层,特别适用于多分类问题,因为它能够将网络输出映射为各个类别的概率分布。在训练过程中,Softmax函数的输出可以用于计算损失函数,并通过反向传播算法来更新网络参数。值得注意的是,Softmax函数的输出并不会改变元素之间的相对大小关系,只是对其进行了归一化处理。因此,Softmax函数并不改变输入向量的特性,只是将其转化为概率分布形式。
具体地,所述地质突变检测单元362,用于基于所述分类结果,确定是否发生地质突变。也就是,在一个示例中,根据所述地质类型标签,来确定是否发生地质突变。值得一提的是,地质突变是指地质过程或地质现象中发生的突然变化或异常事件。
值得一提的是,在本发明的其他具体示例中,还可以通过其他方式基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变,例如:收集地质数据,如地质特征图像或地质测量数据。确保数据包含足够的样本和地质类型的标签;从地质数据中提取特征。这可能涉及图像处理技术、信号处理方法或其他特定于地质数据的技术。目标是从原始数据中提取有代表性的特征,以便用于分类和突变检测;对提取的地质特征进行预处理以提高分类和突变检测的效果。常见的预处理步骤包括数据归一化、降噪、平滑或增强等;使用分类算法对地质特征进行分类,将其分为不同的地质类型。常见的分类算法包括支持向量机、决策树、随机森林、卷积神经网络等。训练分类模型时,使用带有地质类型标签的已知数据进行模型训练和验证;使用突变检测算法来确定地质数据中的突变点或突变区域。突变检测算法可以基于统计方法、时序分析、机器学习等技术。通过识别地质数据中的突变,可以确定地质过程中的变化或异常;根据分类结果和突变检测结果,对地质数据进行分析和解释。确定每个样本的地质类型标签,并识别是否发生了地质突变。
特别地,所述预警提示模块370,用于响应于确定发生地质突变,生成预警提示。具体地,在本发明实施例的技术方案中,所述分类器的标签为地质类型标签,因此,在得到所述分类结果后,可以基于所述分类结果,确定是否发生地质突变。特别地,在响应于确定发生地质突变时,可以生成预警提示,同时采取相应的措施,如调整挖掘速度或加强支护,以此来避免地质突变对施工进度的影响,确保施工安全和进度。
如上所述,根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统300可以实现在各种无线终端中,例如具有用于小断面隧洞开挖算法的服务器等。在一种可能的实现方式中,根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该用于悬臂式掘进机隧洞开挖的地质突变检测系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该用于悬臂式掘进机隧洞开挖的地质突变检测系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该用于悬臂式掘进机隧洞开挖的地质突变检测系统300与该无线终端也可以是分立的设备,并且该用于悬臂式掘进机隧洞开挖的地质突变检测系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
进一步地,本发明实施例还提供一种用于悬臂式掘进机隧洞开挖的地质突变检测方法。图5为根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测方法的流程图。如图5所示,根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测方法,包括步骤:S1,获取由部署于悬臂掘进机的摄像头采集的地质图像;S2,通过基于第一深度神经网络模型的地质浅层特征提取器对所述地质图像进行特征提取,以得到地质浅层特征图;S3,通过基于第二深度神经网络模型的地质深层特征提取器对所述地质浅层特征图进行特征提取,以得到地质深层特征图;S4,基于所述地质浅层特征图和所述地质深层特征图确定网络损失信息;S5,基于所述网络损失信息对所述地质浅层特征图进行补偿,以得到补偿地质特征;S6,基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变;S7,响应于确定发生地质突变,生成预警提示。
综上,根据本发明实施例的用于悬臂式掘进机隧洞开挖的地质突变检测方法被阐明,其通过基于悬臂掘进机的摄像头采集地质图像,并在后端引入图像处理和分析算法对该地质图像进行分析,以此来进行地质类型的检测,并基于地质类型的检测结果来判断是否发生地质突变,从而对地质突变情况进行预警并采取相应措施,如调整挖掘速度或加强支护,以此来避免地质突变对施工进度的影响,确保施工安全和进度。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (8)
1.一种用于悬臂式掘进机隧洞开挖的地质突变检测系统,其特征在于,包括:
图像采集模块,用于获取由部署于悬臂掘进机的摄像头采集的地质图像;
地质浅层特征提取模块,用于通过基于第一深度神经网络模型的地质浅层特征提取器对所述地质图像进行特征提取,以得到地质浅层特征图;
地质深层特征提取模块,用于通过基于第二深度神经网络模型的地质深层特征提取器对所述地质浅层特征图进行特征提取,以得到地质深层特征图;
网络损失信息计算模块,用于基于所述地质浅层特征图和所述地质深层特征图确定网络损失信息;
地质浅层特征补偿模块,用于基于所述网络损失信息对所述地质浅层特征图进行补偿,以得到补偿地质特征;
地质类型检测和地质突变判断模块,用于基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变;
预警提示模块,用于响应于确定发生地质突变,生成预警提示。
2.根据权利要求1所述的用于悬臂式掘进机隧洞开挖的地质突变检测系统,其特征在于,所述第一深度神经网络模型为第一卷积神经网络模型,所述第二深度神经网络模型为第二卷积神经网络模型。
3.根据权利要求2所述的用于悬臂式掘进机隧洞开挖的地质突变检测系统,其特征在于,所述网络损失信息计算模块,用于:基于所述地质浅层特征图和所述地质深层特征图,以如下损失公式进行计算以得到损失信息特征图作为所述网络损失信息;
所述损失公式为:
;
其中,F1表示所述地质浅层特征图,F2表示所述地质深层特征图,UpSampling( . )表示上采样处理,Conv1×1( . )表示卷积处理,Sigmoid( . )表示Sigmoid函数,Mask表示所述损失信息特征图。
4.根据权利要求3所述的用于悬臂式掘进机隧洞开挖的地质突变检测系统,其特征在于,所述地质浅层特征补偿模块,用于:基于所述网络损失信息以如下补偿公式对所述地质浅层特征图进行补偿,以得到补偿地质特征图作为所述补偿地质特征;
所述补偿公式为:
;
其中,F1表示所述地质浅层特征图,Mask表示所述损失信息特征图,PMA( . )表示基于注意力的池化处理,Fusion(F1,F2)表示所述补偿地质特征图。
5.根据权利要求4所述的用于悬臂式掘进机隧洞开挖的地质突变检测系统,其特征在于,所述地质类型检测和地质突变判断模块,包括:
地质类型检测单元,用于基于所述补偿地质特征确定地质类型标签;
地质突变检测单元,用于基于分类结果确定是否发生地质突变,所述分类结果用于表示地质类型标签。
6.根据权利要求5所述的用于悬臂式掘进机隧洞开挖的地质突变检测系统,其特征在于,所述地质类型检测单元,包括:
特征分布优化子单元,用于对所述补偿地质特征图进行优化,以得到优化补偿地质特征图;
地质类型分类子单元,用于将所述优化补偿地质特征图通过分类器,以得到分类结果。
7.根据权利要求6所述的用于悬臂式掘进机隧洞开挖的地质突变检测系统,其特征在于,所述地质类型分类子单元,包括:
展开二级子单元,用于将所述优化补偿地质特征图基于行向量或列向量展开为分类特征向量;
全连接编码二级子单元,用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码,以得到编码分类特征向量;以及
分类结果生成二级子单元,用于将所述编码分类特征向量通过所述分类器的Softmax分类函数,以得到所述分类结果。
8.一种用于悬臂式掘进机隧洞开挖的地质突变检测方法,其特征在于,包括:
获取由部署于悬臂掘进机的摄像头采集的地质图像;
通过基于第一深度神经网络模型的地质浅层特征提取器对所述地质图像进行特征提取,以得到地质浅层特征图;
通过基于第二深度神经网络模型的地质深层特征提取器对所述地质浅层特征图进行特征提取,以得到地质深层特征图;
基于所述地质浅层特征图和所述地质深层特征图确定网络损失信息;
基于所述网络损失信息对所述地质浅层特征图进行补偿,以得到补偿地质特征;
基于所述补偿地质特征确定地质类型标签,并确定是否发生地质突变;
响应于确定发生地质突变,生成预警提示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311814271.6A CN117475241A (zh) | 2023-12-27 | 2023-12-27 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311814271.6A CN117475241A (zh) | 2023-12-27 | 2023-12-27 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117475241A true CN117475241A (zh) | 2024-01-30 |
Family
ID=89624117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311814271.6A Pending CN117475241A (zh) | 2023-12-27 | 2023-12-27 | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475241A (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113255990A (zh) * | 2021-05-21 | 2021-08-13 | 上海隧道工程有限公司 | 盾构法隧道施工开挖面土质实时预测系统及方法 |
CN113449586A (zh) * | 2021-04-12 | 2021-09-28 | 北京市威富安防科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
CN115564766A (zh) * | 2022-11-09 | 2023-01-03 | 浙江振兴阿祥集团有限公司 | 水轮机蜗壳座环的制备方法及其系统 |
CN115600140A (zh) * | 2022-09-07 | 2023-01-13 | 五凌电力有限公司新能源分公司(Cn) | 基于多源数据融合的风机变桨系统故障识别方法及其系统 |
CN115689214A (zh) * | 2022-11-04 | 2023-02-03 | 李小兰 | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 |
CN115877068A (zh) * | 2022-06-29 | 2023-03-31 | 国网山西省电力公司电力科学研究院 | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 |
CN116092010A (zh) * | 2023-02-13 | 2023-05-09 | 万隆化工有限公司 | 一种膏状荧光颜料生产工艺及其制备装置 |
CN116363123A (zh) * | 2023-05-23 | 2023-06-30 | 杭州华得森生物技术有限公司 | 对循环肿瘤细胞检测的荧光显微成像系统及其方法 |
CN116400426A (zh) * | 2023-06-06 | 2023-07-07 | 山东省煤田地质局第三勘探队 | 基于电磁法的数据勘测系统 |
CN116821851A (zh) * | 2023-06-30 | 2023-09-29 | 浙江大学 | 一种山区管道揭底冲刷安全预警方法 |
CN116912582A (zh) * | 2023-07-19 | 2023-10-20 | 西安交通大学 | 一种基于表征模型的强鲁棒性高光谱目标检测方法 |
CN117036271A (zh) * | 2023-08-04 | 2023-11-10 | 滁州市诺尊工业装备制造有限公司 | 生产线质量监测方法及其系统 |
CN117173100A (zh) * | 2023-07-31 | 2023-12-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
CN117168331A (zh) * | 2023-11-02 | 2023-12-05 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
-
2023
- 2023-12-27 CN CN202311814271.6A patent/CN117475241A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449586A (zh) * | 2021-04-12 | 2021-09-28 | 北京市威富安防科技有限公司 | 目标检测方法、装置、计算机设备和存储介质 |
CN113255990A (zh) * | 2021-05-21 | 2021-08-13 | 上海隧道工程有限公司 | 盾构法隧道施工开挖面土质实时预测系统及方法 |
CN115877068A (zh) * | 2022-06-29 | 2023-03-31 | 国网山西省电力公司电力科学研究院 | 基于深度学习的区域电网的电压暂降传播轨迹识别方法 |
CN115600140A (zh) * | 2022-09-07 | 2023-01-13 | 五凌电力有限公司新能源分公司(Cn) | 基于多源数据融合的风机变桨系统故障识别方法及其系统 |
CN115375691A (zh) * | 2022-10-26 | 2022-11-22 | 济宁九德半导体科技有限公司 | 基于图像的半导体扩散纸源缺陷检测系统及其方法 |
CN115689214A (zh) * | 2022-11-04 | 2023-02-03 | 李小兰 | 基于机器视觉的蛋糕烘焙生产控制方法及其系统 |
CN115564766A (zh) * | 2022-11-09 | 2023-01-03 | 浙江振兴阿祥集团有限公司 | 水轮机蜗壳座环的制备方法及其系统 |
CN116092010A (zh) * | 2023-02-13 | 2023-05-09 | 万隆化工有限公司 | 一种膏状荧光颜料生产工艺及其制备装置 |
CN116363123A (zh) * | 2023-05-23 | 2023-06-30 | 杭州华得森生物技术有限公司 | 对循环肿瘤细胞检测的荧光显微成像系统及其方法 |
CN116400426A (zh) * | 2023-06-06 | 2023-07-07 | 山东省煤田地质局第三勘探队 | 基于电磁法的数据勘测系统 |
CN116821851A (zh) * | 2023-06-30 | 2023-09-29 | 浙江大学 | 一种山区管道揭底冲刷安全预警方法 |
CN116912582A (zh) * | 2023-07-19 | 2023-10-20 | 西安交通大学 | 一种基于表征模型的强鲁棒性高光谱目标检测方法 |
CN117173100A (zh) * | 2023-07-31 | 2023-12-05 | 东莞市言科新能源有限公司 | 聚合物锂离子电池生产控制系统及其方法 |
CN117036271A (zh) * | 2023-08-04 | 2023-11-10 | 滁州市诺尊工业装备制造有限公司 | 生产线质量监测方法及其系统 |
CN117168331A (zh) * | 2023-11-02 | 2023-12-05 | 山西锦烁生物医药科技有限公司 | 基于光纤传感器的天然冰场冰层厚度实时检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
KR102328734B1 (ko) | 이미지를 분석하기 위해, 딥러닝 네트워크에 이용하기 위한 트레이닝 이미지에 대한 라벨링 신뢰도를 자동으로 평가하기 위한 방법 및 이를 이용한 신뢰도 평가 장치 | |
CN111382686B (zh) | 一种基于半监督生成对抗网络的车道线检测方法 | |
CN116579616B (zh) | 一种基于深度学习的风险识别方法 | |
CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
CN116342894B (zh) | 基于改进YOLOv5的GIS红外特征识别系统及方法 | |
CN110751076B (zh) | 车辆检测方法 | |
CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
CN113379737A (zh) | 基于图像处理及深度学习的管道缺陷智能检测方法及应用 | |
CN112800934A (zh) | 一种多类别工程车的行为识别方法及装置 | |
CN109934409B (zh) | 一种大采高煤壁工作面片帮预测网络及其预测方法 | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
Zamani et al. | Deep semantic segmentation for visual scene understanding of soil types | |
KR102402194B1 (ko) | 딥러닝 기반 엔드-투-엔드 o-ring 결함 검출 방법 | |
Li et al. | Structural health monitoring data anomaly detection by transformer enhanced densely connected neural networks | |
CN113343123A (zh) | 一种生成对抗多关系图网络的训练方法和检测方法 | |
CN117350635A (zh) | 建筑材料出入库管理系统及方法 | |
CN113128465A (zh) | 一种针对工业场景基于改进YOLOv4的小目标检测方法 | |
CN117475241A (zh) | 用于悬臂式掘进机隧洞开挖的地质突变检测系统及方法 | |
CN114529827B (zh) | 基于人工智能的矿产边界检测方法及系统 | |
CN116383747A (zh) | 基于多时间尺度深度卷积生成对抗网络的异常检测方法 | |
CN115620083A (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
CN113469228A (zh) | 一种基于数据流时空特征的电力负荷异常值辨识方法 | |
CN110084190B (zh) | 一种基于ann的剧烈光照环境下实时非结构化道路检测方法 | |
CN113837173A (zh) | 目标对象检测方法、装置、计算机设备和存储介质 |
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 |