CN117649448A - 一种隧道工作面渗漏水智能识别和分割方法 - Google Patents
一种隧道工作面渗漏水智能识别和分割方法 Download PDFInfo
- Publication number
- CN117649448A CN117649448A CN202410114887.0A CN202410114887A CN117649448A CN 117649448 A CN117649448 A CN 117649448A CN 202410114887 A CN202410114887 A CN 202410114887A CN 117649448 A CN117649448 A CN 117649448A
- Authority
- CN
- China
- Prior art keywords
- working face
- image
- water
- tunnel working
- tunnel
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 52
- 230000011218 segmentation Effects 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 17
- 239000011435 rock Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 201000010099 disease Diseases 0.000 abstract description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 230000007547 defect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及隧道施工技术领域,公开了一种隧道工作面渗漏水智能识别和分割方法。本发明首先通过在工程现场拍照获取隧道工作面照片建立图像集;随后基于swin‑transformer模型将图像集导入模型进行训练,通过训练后的模型识别图像集对图像集进行分类,最终可以区分五种隧道工作断面渗透水类型。然后进一步对有水的四种状态的图像进行分割,完成边界确定和面积二维计算,实现对工作面渗漏水的定位。本发明可以解决以往渗漏水识别中数据获取不平衡不充分的问题,提升了渗漏水病害识别的准确程度与效率,对隧道工程的智能监测与安全保障具有重要意义。
Description
技术领域
本发明涉及隧道施工技术领域,特别涉及一种隧道工作面渗漏水智能识别和分割方法。
背景技术
目前,隧道工作面渗漏水是岩石隧道施工过程中所遇到的主要病害之一,其会对隧道工作面稳定性、洞内附属设施、行车安全等都产生极大影响,也是引起隧道其他病害的根源,因此渗漏水病害是隧道日常检测的一项重要内容。
目前的渗漏水识别主要通过人工巡检的方式进行,这种方法主观性强,只能定性描绘,需要依靠检测人员的个人经验,不同检测员对渗漏水严重程度的判断也不相同,并且无法准确测量渗漏水面积,由于隧道病害未及时发现,误判或错判将会引发隧道安全事故,由此可见,亟需一种快速精准识别隧道工作面渗漏水的技术,实现科学、有效的隧道病害检测方案。
发明内容
本发明提出一种隧道工作面渗漏水智能识别和分割方法,该隧道工作面渗漏水智能识别和分割方法旨在解决目前隧道渗漏水识别过程中数据获取不平衡不充分的问题,同时保证较高的隧道工作面渗漏水病害识别准确率,为隧道工程施工过程的安全保障问题提供数据支撑。
本发明采用的技术方案是基于swin-transformer模型来实现的,swin-transformer模型相比于传统的隧道病害检测识别方法,可以通过训练样本,不断迭代学习,自动提取输入图像的浅层信息及高层的语义特征,开展检测识别。
本发明的一种隧道工作面渗漏水智能识别和分割方法,包括以下步骤:
步骤一,通过工程现场拍照获取图像;
步骤二,对现场获取的图像进行裁剪、偏转、模糊、高斯变换操作,扩充原图像集,建立第一代图像集;
步骤三,第一代图像集基于GAN模型生成质量提高后的新图像,建立第二代图像集;
步骤四,基于第二代图像集训练swin-transformer模型;
步骤五,基于训练后的swin-transformer模型,实现对隧道工作面的渗漏水类型的智能识别与分类;
步骤六,进一步对有水状态的图像进行分割和面积计算,基于三维LAL模型建立坐标轴,实现对工作面渗漏水的定位。
进一步的,步骤一中,获取图像的设备为隧道工作面渗漏水图像数字摄像系统,该隧道工作面渗漏水图像数字摄像系统包括数码相机、三脚架、光源、计算机、照度计、激光测距仪和温湿度计组成,获取图像覆盖多种不同的岩石隧道工作面。
进一步的,步骤一中,获取图像的大小为1000×4096像素,图像类型为三通道值相同的隧道工作面RGB 图像,并形成分辨率为 72DPI,图像数量超过100张形成图像集。
进一步的,步骤三中,GAN模型包含两个模块,一个是用于生成近似真实图像的Generator模块,另一个是用于区分生成图像与真实图像之间差异的Discriminator模块;
基于GAN模型生成新图像的过程包括以下步骤:
步骤I,初始化最大迭代次数与Discriminator模块、Generator模块相关参数;
步骤II,将随机噪声Z带入Generator模块中,生成隧道工作面渗漏水的近似真实图像;
步骤III:用隧道工作面渗漏水的真实图像和生成的隧道工作面渗漏水的近似真实图像更新Discriminator模块;
步骤IV:利用Discriminator模块对生成的隧道工作面渗漏水的近似真实图像的判断结果更新Generator模块;
步骤V:依次迭代,直至达到最大迭代次数,同时Generator模块和Discriminator模块根据公式判断,达到纳什均衡,即认为GAN模型训练有效,能够进入隧道工作面渗漏水图像集进行后续训练;式中,/>表示GAN模型的损失函数,通过优化该目标函数来训练GAN模型;/>为Generator模块;/>为Discriminator模块;/>表示真实隧道工作面渗漏水的图像样本;/>表示真实图像的分布概率密度函数;/>表示Discriminator模块对于真实图像x的判断结果;/>表示随机噪声,用作Generator模块的输入;/>表示随机噪声的分布概率密度函数;/>表示Generator模块生成的隧道工作面渗漏水的近似真实图像;/>表示Discriminator模块对于生成图像/>的判断结果。
进一步的,步骤四中所提及的训练swin-transformer模型,其采用了卷积神经网络中的分层构建方法,并基于移位窗口的注意力机制计算无重叠窗口区域的自注意力,步骤如下:
步骤1:首先将渗漏水图片输入到Patch Partition模块中进行分块,即每4x4相邻的像素为一个Patch,然后在channel方向进行展平flatten;
步骤2:通过Linear Embeding层对每个像素的channel数据做线性变换;
步骤3:通过四个Stage构建不同大小的特征图,除了Stage 1中先通过一个LinearEmbeding层外,剩下的stage 2、stage3、stage4均是先通过一个Patch Merging层进行下采样;
步骤4:重复堆叠Swin Transformer Block,此Block中含有两种结构:W-MSA结构和SW-MSA结构;这两种结构成对使用,因此堆叠Swin transformer Block的次数都为偶数。
进一步的,步骤五中,实现对隧道工作面的渗漏水类型的智能识别与分类的过程中,采用MS COCO中的五种评价指标:IoU,Accuracy,F Score,Precision以及Recall来判别算法分类结果的优劣性;指标意义及计算公式如下:
(1)IoU指标的意义为样本集交集的大小除以的样本集并集的大小,其具体计算公式为:,(2)Accuracy指标的意义为预测正确的像素占总像素的比例,其具体计算公式为:/>,(3)F Score指标的意义为Precision和Recall两指标的调和平均数,其具体的计算公式为:/>,式中,α表示Precision和Recall两个指标的权重调节参数;(4)Precision指标的意义为预测正确的正类样本(TP)占全部被预测为正类样本数据的比例,其具体计算公式为:,(5)Recall指标的意义为预测正确的正类样本占真正为正类样本数据的比例,其具体的计算公式为:/>,以上公式中,TP为被模型预测为正类的正样本;FP为被模型预测为正类的负样本;TN为被模型预测为负类的负样本;FN为被模型预测为负类的正样本;采用训练好的Swin-Transformer模型实现对隧道工作面五种渗漏水情况:无水、慢渗、快渗、漏水、涌水的识别和分类。
进一步的,步骤六包括以下步骤:
步骤n1:通过训练后的swin-transformer模型,识别并分割出隧道工作面渗漏水图像上的慢渗、快渗、漏水和涌水类别的有水渗漏区域;
步骤n2:在三维LAL模型中,采用OpenCV-Canny算法识别隧道工作面自动分割的渗漏区域边界,并采用Good-FeaturesToTrack算法确定识别边界的关键拐点信息;
步骤n3:基于所识别的隧道轮廓边界、中心、设计的隧道尺寸和已知的与隧道工作面图像对应的进尺位置,建立Swin-Transformer识别分割出的渗漏水图像的三维坐标系;
步骤n4:将三维LAL模型中渗漏区域边界关键拐点的三维坐标输出到MATLAB软件中,生成隧道工作面各进尺处渗漏区域的连续三维图像,实现对隧道工作面渗漏水的定位。
本发明的有益效果是:该隧道工作面渗漏水智能识别和分割方法首先通过在工程现场拍照获取隧道工作面照片建立图像集;随后基于swin-transformer模型将图像集导入模型进行训练,通过训练后的模型识别图像集并对图像集进行分类,分别为:无水、慢渗、快渗、漏水、涌水;最终可以区分五种隧道工作断面渗透水类型;然后对有水的四种状态的图像进行分割,完成边界确定和面积二维计算,实现对工作面渗漏水的定位,并可根据试验结果进行归纳总结后得到渗漏水类型,判别渗漏水边界和位置;该隧道工作面渗漏水智能识别和分割方法可以解决以往渗漏水识别中数据获取不平衡不充分的问题,提升了渗漏水病害识别的准确程度与效率,为隧道工程施工过程的安全保障问题提供数据支撑,对隧道工程的智能监测与安全保障具有重要意义。
附图说明
图1为本发明智能识别和分割方法的流程示意图;
图2为本发明GAN模型扩充提高图像集质量流程示意图;
图3为本发明的swin-transformer方法训练流程示意图;
图4为本发明隧道工作面渗漏水智能识别及分类示意图;
图5为本发明隧道工作面渗漏水位置坐标化及分割效果图。
具体实施方式
下面将结合本发明实施例的附图、对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本实施例提供一种隧道工作面渗漏水智能识别和分割方法;如图1所示,该隧道工作面渗漏水智能识别和分割方法,包括以下步骤:步骤一,通过工程现场拍照获取图像。
具体的,获取图像的设备为隧道工作面渗漏水图像数字摄像系统,该隧道工作面渗漏水图像数字摄像系统包括数码相机、三脚架、光源、计算机、照度计、激光测距仪和温湿度计组成,获取图像覆盖多种不同的岩石隧道工作面;该隧道工作面渗漏水图像数字摄像系统可以获取图像大小为 1000×4096 像素,图像类型为三通道值相同的隧道工作面RGB图像,并形成分辨率为 72DPI(dots per inch,每英寸点数),图像数量超过100张,形成图像集。
步骤二,对现场获取的图像进行裁剪、偏转、模糊、高斯变换操作,扩充原图像集,建立第一代图像集。
步骤三,第一代图像集基于GAN模型生成质量提高后的新图像,建立第二代图像集;
其中,GAN模型包含两个模块,一个是用于生成近似真实图像的Generator模块,另一个是用于区分生成图像与真实图像之间差异的Discriminator模块。
如图2所示,基于GAN模型生成新图像的过程包括以下步骤:步骤I,初始化最大迭代次数与Discriminator模块、Generator模块相关参数。
步骤II,将随机噪声Z带入Generator模块中,生成隧道工作面渗漏水的近似真实图像;所谓近似真实图像实际为隧道工作面渗漏水假图像。
步骤III:用隧道工作面渗漏水的真实图像和生成的隧道工作面渗漏水的近似真实图像更新Discriminator模块;即用真实图像和假图像更新Discriminator模块。
步骤IV:利用Discriminator模块对生成的隧道工作面渗漏水的近似真实图像的判断结果更新Generator模块。
步骤V:依次迭代,直至达到最大迭代次数,同时Generator模块和Discriminator模块根据以下公式判断已达到纳什均衡:,式中,/>表示GAN模型的损失函数,通过优化该目标函数来训练GAN模型;/>为Generator模块;/>为Discriminator模块;/>表示真实隧道工作面渗漏水的图像样本;/>表示真实图像的分布概率密度函数;/>表示Discriminator模块对于真实图像x的判断结果;/>表示随机噪声,用作Generator模块的输入;/>表示随机噪声的分布概率密度函数;/>表示Generator模块生成的隧道工作面渗漏水的近似真实图像;/>表示Discriminator模块对于生成图像/>的判断结果。
达到纳什均衡即认为GAN模型训练有效,GAN模型生成的图像与隧道工作面渗漏水的真实图像的差异极小,能够进入隧道工作面渗漏水图像集进行后续进一步分析。
使用GAN模型生成多张近似真实的隧道工作面渗漏水图像,并将其加入隧道工作面渗漏水图像集,形成第二代隧道工作面渗漏水图像集,用于后续的分析。
基于GAN模型生成新图像的过程可以理解为:在GAN模型的训练过程中,会依次训练Generator模型和Discriminator模型,Generator模型的训练目标是生成能够成功欺骗Discriminator模型的图像;而Discriminator模型需要在训练过程中学会区分真实图像和生成图像,并在Generator模型成功欺骗自己后,在后续训练中提高判断能力;GAN模型希望通过公式的目标函数寻找到Generator模型和Discriminator模型之间的纳什均衡;一旦Discriminator模型不再能够成功判断图像是否来自Generator模型,只能随机猜测结果;那么即可认为GAN模型生成的图像与真实图像的差异极小,可以实际使用。
步骤四,基于第二代图像集训练swin-transformer模型;
如图3(a)所示,基于第二代图像集训练swin-transformer模型步骤如下:
步骤1:首先将渗漏水图片输入到Patch Partition模块中进行分块,即每4x4相邻的像素为一个Patch,然后在channel方向进行展平flatten;
步骤2:通过Linear Embeding层对每个像素的channel数据做线性变换;
步骤3:通过四个Stage构建不同大小的特征图,除了Stage 1中先通过一个LinearEmbeding层外,剩下的stage 2、stage3、stage4都是先通过一个Patch Merging层进行下采样;
如图3(b)所示步骤4:重复堆叠Swin Transformer Block,此Block中含有两种结构,一个为W-MSA结构,一个为SW-MSA结构;这两种结构成对使用,因此堆叠Swintransformer Block的次数都为偶数。
swin-transformer模型训练是一种可应用于图像分类、分割处理等领域的计算机视觉方面算法。其采用了卷积神经网络中常用的分层构建方法,并基于移位窗口的注意力机制计算无重叠窗口区域的自注意力;使得在第二代图像集具有较少样本情况下也能有非常高的图像分类准确率。
步骤五,基于训练后的swin-transformer模型,实现对隧道工作面的渗漏水类型的智能识别与分类;
实现对隧道工作面的渗漏水类型的智能识别与分类的过程中,采用MS COCO中的五种评价指标(precision):IoU、Accuracy、F Score、Precision以及Recall来判别算法分类结果的优劣性;
指标意义及计算公式如下:
(1)IoU指标的意义为样本集交集的大小除以的样本集并集的大小,其具体计算公式为:,(2)Accuracy指标的意义为预测正确的像素占总像素的比例,其具体计算公式为:/>,(3)F Score指标的意义为Precision和Recall两指标的调和平均数,其具体的计算公式为:/>,式中,α表示Precision和Recall两个指标的权重调节参数;α用于调整Precision和Recall在计算F Score时的相对权重;具体来说,使用α可以控制Precision和Recall的影响程度,从而调整对于精确性和召回率的侧重;当α的值较大时,F Score更受Recall的影响,即更加关注模型的召回能力;而当α的值较小时,F Score更受Precision的影响,即更加关注模型的精确性;α的取值通常使用1作为默认值,此时Precision和Recall的权重是相等的;(4)Precision指标的意义为预测正确的正类样本(TP)占全部被预测为正类样本数据的比例,其具体计算公式为:/>,(5)Recall指标的意义为预测正确的正类样本占真正为正类样本数据的比例,其具体的计算公式为:/>,TP(Ture Positives)为被模型预测为正类的正样本;FP(False Positives)为被模型预测为正类的负样本;TN(Ture Negatives)为被模型预测为负类的负样本;FN(False Negatives)为被模型预测为负类的正样本;采用训练好的Swin-Transformer模型实现对隧道工作面五种渗漏水情况:无水(ASI)、慢渗(WSI)、快渗(DSI)、漏水(FSI)、 涌水(SSI)的识别和分类。
步骤六,对有水状态的图像进行分割和面积计算,基于三维LAL模型(LAL 模型是基于Swin Transformer模型和OpenCV算法建立的一种隧道工作面渗漏水区域三维定位的模型)建立坐标轴,实现对工作面渗漏水的定位。
具体的,包括以下步骤:步骤n1:通过训练后的swin-transformer模型,识别并分割出隧道工作面渗漏水图像上的慢渗(WSI)、快渗(DSI)、漏水(FSI)和涌水(SSI)类别的有水渗漏区域。
步骤n2:在三维LAL模型中,采用现有技术OpenCV-Canny算法,识别隧道工作面自动分割的渗漏区域边界,并采用现有技术Good-FeaturesToTrack算法,确定识别边界的关键拐点信息。
步骤n3:在三维LAL模型中建立分段泄漏区域的隧道工作面三维坐标系。具体而言,基于所识别的隧道轮廓边界、中心、设计的隧道尺寸和已知的与隧道工作面图像对应的进尺位置,建立Swin-Transformer识别分割出的渗漏水图像的三维坐标系。
步骤n4:将三维LAL模型中渗漏区域边界关键拐点的三维坐标输出到MATLAB软件中,生成隧道工作面各进尺处渗漏区域的连续三维图像,实现对隧道工作面渗漏水的定位,结果如图5所示。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点,本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内,本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种隧道工作面渗漏水智能识别和分割方法,其特征在于:该隧道工作面渗漏水智能识别和分割方法,包括以下步骤:
步骤一,通过工程现场拍照获取图像;
步骤二,对现场获取的图像进行裁剪、偏转、模糊、高斯变换操作,扩充原图像集,建立第一代图像集;
步骤三,第一代图像集基于GAN模型生成质量提高后的新图像,建立第二代图像集;
步骤四,基于第二代图像集,训练swin-transformer模型;
步骤五,基于训练后的swin-transformer模型,实现对隧道工作面的渗漏水类型的智能识别与分类;
步骤六,对有水状态的图像进行分割和面积计算,基于三维LAL模型建立坐标轴,实现对工作面渗漏水的定位。
2.根据权利要求1所述的隧道工作面渗漏水智能识别和分割方法,其特征在于:步骤一中,获取图像的设备为隧道工作面渗漏水图像数字摄像系统,该隧道工作面渗漏水图像数字摄像系统包括数码相机、三脚架、光源、计算机、照度计、激光测距仪和温湿度计组成,获取图像覆盖多种不同的岩石隧道工作面。
3.根据权利要求1所述的隧道工作面渗漏水智能识别和分割方法,其特征在于:步骤一中,获取图像的大小为1000×4096像素,图像类型为三通道值相同的隧道工作面RGB 图像,并形成分辨率为 72DPI;图像数量超过100张,形成图像集。
4.根据权利要求1所述的隧道工作面渗漏水智能识别和分割方法,其特征在于:步骤三中,GAN模型包含两个模块:Generator模块和Discriminator模块;
基于GAN模型生成新图像的过程包括以下步骤:
步骤I,初始化最大迭代次数与Discriminator模块、Generator模块相关参数;
步骤II,将随机噪声Z带入Generator模块中,生成隧道工作面渗漏水的近似真实图像;
步骤III:用隧道工作面渗漏水的真实图像和生成的隧道工作面渗漏水的近似真实图像更新Discriminator模块;
步骤IV:利用Discriminator模块对生成的隧道工作面渗漏水的近似真实图像的判断结果更新Generator模块;
步骤V:依次迭代,直至达到最大迭代次数;同时Generator模块和Discriminator模块根据公式判断,达到纳什均衡,即认为GAN模型训练有效,能够进入隧道工作面渗漏水图像集进行后续训练;式中,表示GAN模型的损失函数,需要最小化的目标函数,通过优化该目标函数来训练GAN模型;/>为Generator模块;/>为Discriminator模块;/>表示真实隧道工作面渗漏水的图像样本;/>表示真实图像的分布概率密度函数;/>表示Discriminator模块对于真实图像x的判断结果;/>表示随机噪声,用作Generator模块的输入;/>表示随机噪声的分布概率密度函数;/>表示Generator模块生成的隧道工作面渗漏水的近似真实图像;/>表示Discriminator模块对于生成图像/>的判断结果。
5.根据权利要求1所述的隧道工作面渗漏水智能识别和分割方法,其特征在于:步骤四中所提及的训练swin-transformer模型,其采用了卷积神经网络中的分层构建方法,并基于移位窗口的注意力机制计算无重叠窗口区域的自注意力,步骤如下:
步骤1:首先将渗漏水图片输入到Patch Partition模块中进行分块,即每4x4相邻的像素为一个Patch,然后在channel方向进行展平flatten;
步骤2:通过Linear Embeding层对每个像素的channel数据做线性变换;
步骤3:通过四个Stage构建不同大小的特征图,除了Stage 1中先通过一个LinearEmbeding层外,剩下的stage 2、stage3、stage4均是先通过一个Patch Merging层进行下采样;
步骤4:重复堆叠Swin Transformer Block,此Block中含有两种结构:W-MSA结构和SW-MSA结构;这两种结构成对使用,因此堆叠Swin transformer Block的次数都为偶数。
6.根据权利要求1所述的隧道工作面渗漏水智能识别和分割方法,其特征在于:步骤五中,实现对隧道工作面的渗漏水类型的智能识别与分类的过程中,采用MS COCO中的五种评价指标:IoU,Accuracy,F Score,Precision以及Recall来判别算法分类结果的优劣性;指标意义及计算公式如下:
(1)IoU指标的意义为样本集交集的大小除以的样本集并集的大小,其具体计算公式为:,(2)Accuracy指标的意义为预测正确的像素占总像素的比例,其具体计算公式为:/>,(3)F Score指标的意义为Precision和Recall两指标的调和平均数,其具体的计算公式为:/>,式中,α表示Precision和Recall两个指标的权重调节参数;(4)Precision指标的意义为预测正确的正类样本TP占全部被预测为正类样本数据的比例,其具体计算公式为:,(5)Recall指标的意义为预测正确的正类样本占真正为正类样本数据的比例,其具体的计算公式为:/>,以上公式中:TP为被模型预测为正类的正样本;FP为被模型预测为正类的负样本;TN为被模型预测为负类的负样本;FN为被模型预测为负类的正样本;采用训练好的Swin-Transformer模型实现对隧道工作面五种渗漏水情况:无水、慢渗、快渗、漏水、涌水的识别和分类。
7.根据权利要求6所述的隧道工作面渗漏水智能识别和分割方法,其特征在于:步骤六包括以下步骤:
步骤n1:通过训练后的swin-transformer模型,识别并分割出隧道工作面渗漏水图像上的慢渗、快渗、漏水和涌水类别的有水渗漏区域;
步骤n2:在三维LAL模型中,采用OpenCV-Canny算法识别隧道工作面自动分割的渗漏区域边界,并采用Good-FeaturesToTrack算法确定识别边界的关键拐点信息;
步骤n3:基于所识别的隧道轮廓边界、中心、设计的隧道尺寸和已知的与隧道工作面图像对应的进尺位置,建立Swin-Transformer识别分割出的渗漏水图像的三维坐标系;
步骤n4:将三维LAL模型中渗漏区域边界关键拐点的三维坐标输出到MATLAB软件中,生成隧道工作面各进尺处渗漏区域的连续三维图像,实现对隧道工作面渗漏水的定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114887.0A CN117649448A (zh) | 2024-01-29 | 2024-01-29 | 一种隧道工作面渗漏水智能识别和分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410114887.0A CN117649448A (zh) | 2024-01-29 | 2024-01-29 | 一种隧道工作面渗漏水智能识别和分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117649448A true CN117649448A (zh) | 2024-03-05 |
Family
ID=90045364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410114887.0A Withdrawn CN117649448A (zh) | 2024-01-29 | 2024-01-29 | 一种隧道工作面渗漏水智能识别和分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117649448A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548265A (zh) * | 2022-02-21 | 2022-05-27 | 安徽农业大学 | 一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质 |
CN114820491A (zh) * | 2022-04-18 | 2022-07-29 | 汕头大学 | 一种基于小样本学习的多模态脑卒中病变分割方法和系统 |
CN116258658A (zh) * | 2023-05-11 | 2023-06-13 | 齐鲁工业大学(山东省科学院) | 基于Swin Transformer的图像融合方法 |
-
2024
- 2024-01-29 CN CN202410114887.0A patent/CN117649448A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548265A (zh) * | 2022-02-21 | 2022-05-27 | 安徽农业大学 | 一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质 |
CN114820491A (zh) * | 2022-04-18 | 2022-07-29 | 汕头大学 | 一种基于小样本学习的多模态脑卒中病变分割方法和系统 |
CN116258658A (zh) * | 2023-05-11 | 2023-06-13 | 齐鲁工业大学(山东省科学院) | 基于Swin Transformer的图像融合方法 |
Non-Patent Citations (4)
Title |
---|
CHEN WU等: "Towards automated 3D evaluation of water leakage on a tunnel face via improved GAN and self-attention DL model", 《TUNNELLING AND UNDERGROUND SPACE TECHNOLOGY》, vol. 142, 4 October 2023 (2023-10-04), pages 1 - 14, XP087426786, DOI: 10.1016/j.tust.2023.105432 * |
JIAYAO CHEN等: "Quantification of water inflow in rock tunnel faces via convolutional neural network approach", 《AUTOMATION IN CONSTRUCTION》, vol. 123, 31 December 2020 (2020-12-31), pages 1 - 13, XP086466698, DOI: 10.1016/j.autcon.2020.103526 * |
刘易雪等: "基于无人机遥感和深度学习的葡萄卷叶病感染程度诊断方法", 《智慧农业(中英文) SMART AGRICULTURE》, vol. 5, no. 3, 30 September 2023 (2023-09-30), pages 49 - 60 * |
周中等: "基于自注意力机制与卷积神经网络的隧道衬砌裂缝智能检测", 《铁道学报》, 10 May 2023 (2023-05-10), pages 1 - 12 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN110136141B (zh) | 一种面向复杂环境的图像语义分割方法及装置 | |
CN112287832A (zh) | 一种基于高分辨率遥感影像的城镇违法建筑物检测方法 | |
CN117649448A (zh) | 一种隧道工作面渗漏水智能识别和分割方法 | |
CN112700444A (zh) | 基于自注意力与中心点回归模型的桥梁螺栓检测方法 | |
CN111985552B (zh) | 复杂背景下机场道面细带状结构病害检测方法 | |
CN114782391A (zh) | 少样本工业图像缺陷检测模型构建方法、系统及装置 | |
CN111738206A (zh) | 基于CenterNet的用于无人机巡检的挖掘机检测方法 | |
CN116485709A (zh) | 一种基于YOLOv5改进算法的桥梁混凝土裂缝检测方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN113420819A (zh) | 一种基于CenterNet的轻量级水下目标检测方法 | |
CN106600613A (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN114972759A (zh) | 基于分级轮廓代价函数的遥感图像语义分割方法 | |
CN113496480A (zh) | 一种焊缝图像缺陷的检测方法 | |
CN116206112A (zh) | 基于多尺度特征融合和sam的遥感图像语义分割方法 | |
CN116385374A (zh) | 基于卷积神经网络的细胞计数方法 | |
CN116168240A (zh) | 基于注意力增强的任意方向密集舰船目标检测方法 | |
CN111539456A (zh) | 一种目标识别方法及设备 | |
CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
CN117911252A (zh) | 基于深度学习去除图像中光照的方法及系统 | |
CN117456480A (zh) | 一种基于多源信息融合的轻量化车辆再辨识方法 | |
CN113628180A (zh) | 一种基于语义分割网络的遥感建筑物检测方法及系统 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN116012709B (zh) | 一种高分辨率遥感影像建筑物提取方法及系统 | |
CN114882490B (zh) | 一种基于点引导定位的无受限场景车牌检测分类方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240305 |
|
WW01 | Invention patent application withdrawn after publication |