CN117853486A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN117853486A
CN117853486A CN202410257078.5A CN202410257078A CN117853486A CN 117853486 A CN117853486 A CN 117853486A CN 202410257078 A CN202410257078 A CN 202410257078A CN 117853486 A CN117853486 A CN 117853486A
Authority
CN
China
Prior art keywords
probability
tunnel
swin
data
parameters
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.)
Granted
Application number
CN202410257078.5A
Other languages
English (en)
Other versions
CN117853486B (zh
Inventor
仝跃
吴晨
方育智
周鸣亮
张伟
张东明
陈树汪
黄宏伟
李志厚
张晋彰
郑欣
陈俊武
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.)
Yunnan Provincial Transportation Planning And Design Research Institute Co ltd
Tongji University
Original Assignee
Yunnan Provincial Transportation Planning And Design Research Institute Co ltd
Tongji University
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 Yunnan Provincial Transportation Planning And Design Research Institute Co ltd, Tongji University filed Critical Yunnan Provincial Transportation Planning And Design Research Institute Co ltd
Priority to CN202410257078.5A priority Critical patent/CN117853486B/zh
Publication of CN117853486A publication Critical patent/CN117853486A/zh
Application granted granted Critical
Publication of CN117853486B publication Critical patent/CN117853486B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及隧道工程监测技术领域，公开了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，包括获取岩石隧道开挖面高清图像建立第一代图像数据集；改进并训练Swin Transformer模型，通过模型生成第二代图像集并智能获取隧道面关键信息，继而建立包含特征参数的多源岩石隧道面特征数据集；建立树增强朴素贝叶斯网络，通过EM算法对建立的贝叶斯网络进行训练和验证等过程。通过训练和验证后的树增强朴素贝叶斯网络，能够对数据缺失条件下隧道工作面岩体质量进行自动化评价，输出判定结果，从而解决预测围岩质量的准确性和效率较低问题。

Description

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
技术领域
本发明涉及隧道工程监测技术领域，特别涉及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。
背景技术
围岩质量评价对岩石隧道的开挖和支护方案设计有着至关重要的影响，是评价围岩稳定性、设计断面形状、施工方法和支护结构的重要依据，在对岩石隧道工作面围岩质量进行评估的过程中，需要在岩石隧道工作面现场采集和记录围岩的漏水、节理裂隙、软弱夹层和力学性能等几个特征参数，对于观测上述特征参数而言，由于是在新开挖的围岩中进行，因此存在一定的安全风险；同时上述特征参数基于人工经验和技能，会影响围岩质量预测的客观性和准确性。
机器视觉模型是一种基于图像采集的自动、非接触式信息提取方法，机器视觉技术是一种日益流行的智能化定量提取隧道围岩特征参数的方法，能够替代人工观测，然而，目前所采用的机器视觉方法多为现有的模型，没有根据漏水、断裂痕迹、背景复杂的软弱夹层等小参数的特征进行针对性改进，导致识别和分割任务的准确性和泛化性能较差，SwinTransformer模型是一种新提出的机器视觉方法，具有滑动窗口和自注意力机制，它在隧道渗漏、开裂和其他病害特征识别与分割相关任务中取得了一系列成功结果，但是，针对各种病害信息边界的小尺度特征分割性能并不是特别理想，目前还没有基于隧道病害信息特征对Swin Transformer模型进行有针对性的改进，这也是当前研究工作中亟待优化的问题，此外，由于岩隧道工作面现场施工程序、空间和照明条件的限制，现有方法预测岩体质量，主要不足之一是难以获得完整的数据，这将导致现有方法预测围岩质量的准确性和效率较低。
发明内容
为解决上述问题，本发明提供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，该数据缺失条件下隧道工作面岩体质量自动化评价方法包括以下步骤：
步骤1，建立一个自适应数字照相机采集系统，通过数字摄像系统在工程现场拍照，获取岩石隧道开挖面高清图像；
步骤2，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，建立第一代图像数据集；
步骤3，结合Unet架构改进Swin Transformer模型，得到改进的Swin Transformer模型，用以提高岩石隧道面小尺度特征信息的分割任务性能；同时，基于第一代图像数据集，通过改进的Swin Transformer模型生成质量提高后的新图像，建立第二代图像集，同时对改进的Swin Transformer模型进行了图像数据特征提取能力训练；
步骤4，基于第二代图像集和改进的Swin Transformer模型，以智能方式自动化获取岩体上的漏水类别、漏水区面积、裂缝数量、裂缝密度、裂缝强度、最大裂缝长度、平均裂缝间隔、软弱夹层面积这些视觉参数，并加入单轴抗压强度、风化程度和隧道埋深这些物理力学和设计参数，建立包含特征参数的多源岩石隧道面特征数据集；
步骤5，建立树增强朴素贝叶斯网络以处理多源岩石隧道面特征数据集中的可用数据，从而评价隧道工作面岩体质量；基于新的树增强朴素贝叶斯网络通过EM算法对建立的贝叶斯网络进行训练和验证，使其具备从不完整的数据集中学习并实现围岩质量预测的能力；
步骤6，通过训练和验证后的树增强朴素贝叶斯网络，能够对数据缺失条件下隧道工作面岩体质量进行自动化评价，自动化评价通过定量计算获得的隧道面岩体连续参数被离散化，由RMR分级系统根据经验公式将围岩质量列入五个等级之一，输出判定结果。
进一步的，步骤1中，所述自适应数字照相机采集系统由佳能EOS 6D2相机、三脚架、胶带、照度计、激光测距仪和温湿度计组成；所述自适应数字照相机采集系统还配备了由两个功率可调的2000瓦LED投光灯组成的光源；所获取岩石隧道开挖面高清图像最大分辨率为6000×4000像素，包括海底隧道和山体隧道的岩石隧道开挖面高清图。
进一步的，步骤2中，建立第一代图像数据集，包括以下步骤：
步骤21，基于Labelme软件将获取岩石隧道开挖面高清图像裁剪成分辨率为512×512像素的成更小的图像，然后进行偏转、模糊和高斯变换操作；
步骤22，基于Labelme软件将步骤1处理后的图像进行人工标注，基于特征类别：漏水、裂缝和软弱夹层对图像进行分类；
步骤23，基于分类后的图像，使用生成对抗网络GAN进行镜像转换、随机旋转和随机放大操作，生成更多的训练样本；
步骤24，基于分类后的图像和训练样本建立第一代图像数据集。
进一步的，步骤3中，结合Unet架构改进Swin Transformer模型，包括以下步骤：
步骤31，Swin Transformer模型能够将输入图像划分为多个非重叠的小补丁，并通过Transformer编码器来提取补丁级别的特征；Unet架构由编码器和解码器组成；将SwinTransformer模型与Unet架构相结合，从而形成了改进的Swin Transformer模型；
步骤32，在Swin Transformer模型的编码器和解码器之间添加了跨层连接；
步骤33，引入了CPM模块，CPM模块在Unet架构的编码器和解码器的交接处插入，并利用多尺度的卷积操作进行特征融合；
步骤34，损失函数和训练，使用像素级的交叉熵损失函数对改进SwinTransformer模型进行训练；同时训练过程中引入随机裁剪、水平翻转和旋转，增加训练数据的多样性。
进一步的，步骤3中，对改进的Swin Transformer模型进行图像数据特征提取能力训练，包括以下步骤：
步骤301，将第一代图像数据集的图像穿越多层CNN模块，每一层CNN模块分别获取图像上的特征，最后一层CNN模块获取的特征经过线性构建后被转移到增强型注意力区块；
增强型注意力区块中有12个标准Swin Transformer区块；
自注意区块的Transformer编码器由L层的多头自注意力MSA块和多层感知机MLP块组成，第L层的输出可写成如下形式：，式中，/>表示第L层的输出，经过多头自注意力和层归一化处理后的结果；/>表示多头自注意力，用于在输入序列中捕捉内部关系和计算注意力权重；/>表示层归一化算子；/>表示第L-1层的输出，即上一层的结果；/>为编码后的图像表示，经过多层感知机和层归一化处理后的结果；为多层感知机，用于增强特征的非线性表达能力和对高级特征的建模能力；步骤302，将隐藏特征同时输入标准Swin Transformer区块，分别提取全局和局部信息；经过标准Swin Transformer区块得到的两个隐藏特征通过卷积神经网络操作Conv3x3ReLU进行堆叠和特征融合；通过多级注意力模块的堆叠，改进的Swin Transformer模型获得较高的图像数据特征提取能力；
步骤303，对获取的隐藏特征进行重塑，通过跳转连接与之前获取的特征进行合并，并通过分割头获得最终的语义分割结果，由此生成质量提高后的新图像，建立第二代图像集，同时对改进的Swin Transformer模型进行了图像数据特征提取能力训练，得到非接触式Swin Transformer模型。
进一步的，步骤5中，建立树增强朴素贝叶斯网络，包括以下步骤：
步骤51确定网络结构：根据隧道的领域知识和多源岩石隧道面特征数据集的特征，确定各个特征参数之间的条件独立性和依赖关系；若两个特征参数存在因果关系，则用有向边连接，方向从父节点指向子节点；特征参数之间的关系用条件概率表示；
步骤52评估参数关系强度：根据多源岩石隧道面特征数据集中的样本数据，计算特征参数之间的条件概率，从而评估参数之间的关系强度，使用EM算法来估计这些概率；
步骤53确定概率分布：根据参数之间的关系和条件概率，确定每个特征参数的概率分布；基于隧道领域知识或统计分析的结果来确定概率分布的类型，如高斯分布、伯努利分布；
步骤54数据训练和参数估计：利用已有的特征样本数据进行网络的训练和特征参数估计；使用最大似然估计、EM算法来估计网络中每个节点的概率参数；
步骤55模型验证和调优：使用独立于训练集的测试数据对构建的贝叶斯网络进行验证，评估其在预测任务上的性能；根据验证结果，进行模型的调优和改进；
步骤56预测和应用：完成贝叶斯网络的构建和调优后，将其用于进行预测和推理；根据已知的观测数据，通过贝叶斯推理方法，计算出目标变量的后验概率分布，并根据需要做出决策或进行预测。
进一步的，步骤52评估参数关系强度过程中，条件概率能够表示为：
，式中，P(a, b, c)表示同时发生事件 a、b 和 c 的概率，即联合概率分布；P(c│a, b)表示在已知事件 a 和 b 发生的条件下，事件 c 发生的条件概率，即给定条件下 c 的后验概率；P(b│a)表示在已知事件 a发生的条件下，事件 b 发生的条件概率，即给定条件下 b 的后验概率；P(a)表示事件 a发生的概率，即 a 的先验概率。
进一步的，步骤53确定概率分布过程中，采用贝叶斯条件概率分布，以X为输入变量，Y为输出变量；在树增强朴素贝叶斯网络中，当出现且/>>0时，/>出现的条件概率为：/>，式中，/>为条件概率，表示在/>出现且/>>0时/>出现的概率；/>为联合概率，表示/>和/>同时出现的概率；/>为边缘概率，表示在所有可能状态下的概率；根据上式，/>的n个状态即s,s12...sn的联合概率表示为：，式中，/>表示输出变量/>的概率，即/>发生的概率；/>为在输入变量/>的状态为/>的条件下，输出变量/>发生的条件概率；/>表示输入变量/>的状态为/>的概率，即/>取值为/>的概率；/>表示求和符号，用于将所有可能的/>状态下的/>的条件概率相加，其中i从1取到n。
进一步的，步骤54数据训练和参数估计过程中，EM算法来估计网络中每个节点的概率参数包括以下迭代步骤：
步骤541，初始化：将特征参数x初始化为x0，并将当前特征参数xt设为x0,，这是算法的初始步骤，x表示贝叶斯网络中节点的概率参数，xt表示当前的特征参数集；步骤542，在已知特征参数xt的情况下，计算缺失值的概率分布，其中e表示观测参数集，/>表示缺失的数据，/>表示条件概率或后验概率，所述计算缺失值的概率分布的表达式为：/>，式中，|表示条件概率，其后为条件，其前为待预测值；步骤543：根据步骤542得到的缺失值概率分布/>，通过给缺失值/>赋予权重，将其合并到不完整特征数据集中，从而获得完整特征数据集；然后，通过最大化完整数据集的似然估计，计算新的特征参数集xt+1；步骤544，判断结束：判断算法是否收敛；如果收敛，即特征参数不再有显著变化，算法停止；如果不收敛，即特征参数仍有变化，将t设为t+1，xt设为xt+1，然后返回步骤522，继续迭代计算；EM算法是通过估计缺失值和参数，获得对完整特征数据的最大似然估计，通过交替执行步骤542和步骤543，不断更新特征参数，直到达到收敛或停止条件。
本发明的有益效果是：该数据缺失条件下隧道工作面岩体质量自动化评价方法采用了Swin Transformer模型来获取岩石隧道面上的量化机器视觉参数，保证了工作面上渗漏水、节理裂隙和软弱夹层等特征的准确量化识别。建立了多源岩石隧道工作面特征数据集，其中包含机器视觉参数、围岩的物理力学参数和设计参数，提高了隧道工作面围岩质量预测的准确性。同时提出了一种树增强朴素贝叶斯网络，用于在多源岩石隧道工作面特征数据集数据缺失的情况下准确预测围岩质量，最终预测结果证明提出的树增强朴素贝叶斯网络能较好的解决数据集数据缺失的问题。
附图说明
图1为本发明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的流程示意图；
图2为本发明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的SwinTransformer模型的详细结构示意图；
图3为本发明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的SwinTransformer模型与其他常用模型的分割结果比较图；
图4为本发明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的SwinTransformer模型与其他常用模型的对于漏水、断裂、薄弱夹层的五个评价指标的比较示意图；
图5为本发明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的树增强朴素贝叶斯网络结构示意图；
图6为本发明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的树增强朴素贝叶斯网络的工作流程图；
图7为本发明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的不同模型的训练和验证性能比较图。
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。
本实施例提供一种数据缺失条件下隧道工作面岩体质量自动化评价方法，如图1所示，该数据缺失条件下隧道工作面岩体质量自动化评价方法包括以下步骤：
步骤1，建立一个自适应数字照相机采集系统，并与现场照明系统相结合。该数字摄像系统由佳能 EOS 6D2 相机、三脚架、胶带、照度计、激光测距仪和温湿度计组成。此外，该系统还配备了一个光源，由两个功率可调的2000瓦LED投光灯组成。为确保准确性，自适应数字摄像采集系统测量了几个关键的环境因素，包括隧道面前的照度、温度和湿度水平。通过数字摄像系统在工程现场拍照获取岩石隧道开挖面高清图像。
本实施在青岛胶州湾第二海底隧道和云南蒙平高速公路山区隧道的不同隧道点采集了1000多张原始图像，最大分辨率为6000×4000像素。此外，上述隧道图像来自海底隧道和山体隧道两个不同类别，这可以加强本部分建立岩石隧道面特征图像集的丰富性和鲁棒性。
步骤2，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，建立第一代图像数据集。
基于在青岛胶州湾第二海底隧道和云南蒙平高速公路山区隧道的不同隧道点采集了1000多张原始图像，对这些原始图像进行了精心挑选，然后通过以下步骤，建立第一代图像数据集；
步骤21，基于Labelme软件将获取岩石隧道开挖面高清图像裁剪成分辨率为512×512像素的成更小的图像，然后进行偏转、模糊和高斯变换操作。
步骤22，基于Labelme软件将步骤21处理后的图像进行人工标注，基于特征类别：漏水、裂缝和软弱夹层对图像进行分类；所建立图像集分布情况如下表所示：
这项工作中标注的图像都经过了经验丰富的现场工程师和隧道专家的检查，以确保标注图像的质量和准确性。
步骤23，基于分类后的图像，本实施例还采用了数据增强方法，使用生成对抗网络GAN进行镜像转换、随机旋转和随机放大操作，生成更多的训练样本。
步骤24，基于分类后的图像和训练样本建立了第一代图像数据集。
步骤3，步骤3的目的在于：建立第二代图像集，同时训练Swin Transformer模型图像数据特征提取能力。
（1）结合Unet架构改进Swin Transformer模型，得到改进的Swin Transformer模型，用以提高岩石隧道面小尺度特征信息的分割任务性能。结合Unet架构改进SwinTransformer模型，包括以下步骤：
步骤31，Swin Transformer模型能够将输入图像划分为多个非重叠的小补丁，并通过Transformer编码器来提取补丁级别的特征；Unet架构由编码器和解码器组成；将SwinTransformer模型与Unet架构相结合，从而形成了改进的Swin Transformer模型；
步骤32，在Swin Transformer模型的编码器和解码器之间添加了跨层连接；
步骤33，引入了CPM模块，CPM模块在Unet架构的编码器和解码器的交接处插入，并利用多尺度的卷积操作进行特征融合；
步骤34，损失函数和训练，使用像素级的交叉熵损失函数对改进SwinTransformer模型进行训练；同时训练过程中引入随机裁剪、水平翻转和旋转，增加训练数据的多样性；
改进Swin Transformer模型采用了U型结构，其利用预分区窗口内的补丁关系来减少计算和内存占用；通过引入CNN模块，融合高分辨率空间信息，能够更好地处理小尺度特征和复杂边界像素，提升图像分割任务的准确性和细节还原能力。
（2）基于第一代图像数据集，通过Swin Transformer模型生成质量提高后的新图像，建立第二代图像集，同时对Swin Transformer模型进行了图像数据特征提取能力训练。
如图2所示，对Swin Transformer模型进行图像数据特征提取能力训练，包括以下步骤：
步骤301，将第一代图像数据集的图像穿越多层CNN模块，每一层CNN模块分别获取图像上的特征，以便跳转连接；最后一层CNN模块获取的特征经过线性构建后被转移到增强型注意力区块。
其中，增强型注意力区块中有12个标准Swin Transformer区块。
如图2所示，自注意区块的Transformer编码器由L层的多头自注意力MSA块和多层感知机MLP块组成，第L层的输出可写成如下形式：，式中，/>表示第L层的输出，经过多头自注意力和层归一化处理后的结果；/>表示多头自注意力，用于在输入序列中捕捉内部关系和计算注意力权重；/>表示层归一化算子；/>表示第L-1层的输出，即上一层的结果；/>为编码后的图像表示，经过多层感知机和层归一化处理后的结果；/>为多层感知机，用于增强特征的非线性表达能力和对高级特征的建模能力。为了弥补Swin Transformer模型带来的特征分辨率损失，本实施例采用了可利用详细的高分辨率空间信息的CNN模块，以加强小尺度特征和复杂边界上像素的信息交换。这样的设计使改进后的Swin Transformer模型既保留了基础Swin Transformer模型的优点，又利于隧道工作面岩体特征分割。
步骤302，将隐藏特征同时输入标准Swin Transformer区块，分别提取全局和局部信息；经过标准Swin Transformer区块得到的两个隐藏特征通过卷积神经网络操作Conv3x3ReLU进行堆叠和特征融合。通过多级注意力模块的堆叠，改进的Swin Transformer模型获得较高的图像数据特征提取能力。
步骤303，最后，本实施例对获取的隐藏特征进行重塑，通过跳转连接与之前获取的特征进行合并，并通过分割头获得最终的语义分割结果。通过对上述模型结构的改进和CNN模块的应用，改进后的Swin Transformer模型对岩层隧道面上的漏水边界、断裂痕迹、软弱夹层等小尺度特征具有更强的识别和分割能力，由此生成质量提高后的新图像，建立第二代图像集；同时对Swin Transformer模型进行了图像数据特征提取能力训练。
进一步的，本实施例在相同的岩石隧道面特征图像集和实验条件下，引入常用但未改进的Swin Transformer、Unet++和Unet模型与非接触式Swin Transformer模型进行分割对比实验；
如图3所示，图3中（a）为漏水分割对比，（b）为断裂分割对比，（c）为薄弱夹层分割对比；由图3中的漏水分割对比、断裂分割对比和薄弱夹层分割对比能够看出，改进后的Swin Transformer 模型能够同时预测漏水、裂缝和软弱夹层等小尺度特征和复杂边界，比其他三种机器视觉模型更加准确。
更进一步的，如图4所示，将四种机器视觉模型对于漏水、断裂、薄弱夹层的五个评价指标Accuracy、Iou、Fscore、Precision和Recall进行了对比；为了更直观地显示分割预测结果与实际之间的差异，用适当的方框突出显示了关键区域。
以下说明上述五个指标的含义及计算公式：
IoU指标是交集的大小除以样本并集的大小，计算公式如下：，Accuracy指标的意义为预测正确的像素占总像素的比例，计算公式如下:
，Precision指标是预测为真的阳性样本数在所有阳性样本中所占的比例,计算公式如下：/>，Recall指标是预测为真的阳性样本与实际阳性样本的比率，计算公式如下：/>，F Score指标被定义为Precision和Recall两指标的调和平均数，计算公式如下：
，以上公式中：TP表示模型预测为正例，并且实际上也是正例的样本数；FP表示模型预测为正例，但实际上是负例的样本数；TN表示模型预测为负例，并且实际上也是负例的样本数；FN表示模型预测为负例，但实际上是正例的样本数。我们将四种机器视觉模型对于漏水、断裂、薄弱夹层的五个评价指标Accuracy、Iou、Fscore、Precision和Recall进行了对比。改进的Swin Transformer模型的Accuracy、Iou、Fscore、Precision和Recall指标均明显超过其他三个机器视觉模型的相应指标，这一现象表明，我们改进的Swin Transformer模型对岩层隧道面复杂背景下的小尺度特征也具有强大的预测能力。
步骤4，为全面评估围岩质量，基于第二代图像集和Swin Transformer模型，以智能方式获取岩体上的漏水类别、漏水区面积、裂缝数量、裂缝密度、裂缝强度、最大裂缝长度、平均裂缝间隔、软弱夹层面积等，此外还加入了对RMR系统有潜在影响的单轴抗压强度、风化程度和隧道埋深这些参数。这可以进一步提高本工作中围岩质量预测的精度和鲁棒性。由此建立包含特征参数的多源岩石隧道面特征数据集。
步骤5，为了克服数据集不完整的缺点，并预测给定的可能是部分岩体质量的概率，本实施例提出一种树增强朴素贝叶斯网络，以基于建立的多源岩石隧道面特征数据集中可能部分缺失的数据，实现工作面岩体质量自动化评价。具体过程如下：
（1）多源岩石隧道面特征数据集中的可用数据：
收集多源岩石隧道开挖面特征数据集中的160组可用数据，对建立的贝叶斯网络进行训练和验证。上述多源岩石隧道面特征数据集中的有9个参数是连续的，通过定量计算获得的隧道面岩体连续参数被离散化，以适应上述的贝叶斯网络预测模型,如下表所示：
（2）构建树增强朴素贝叶斯网络：
步骤51确定网络结构：根据隧道的领域知识和多源岩石隧道面特征数据集的特征，确定各个特征参数之间的条件独立性和依赖关系；若两个特征参数即两个节点之间存在因果关系，则用有向边连接，方向从父节点指向子节点；特征参数之间的关系用条件概率表示。
步骤52评估参数关系强度：根据多源岩石隧道面特征数据集中的样本数据，计算特征参数之间的条件概率，从而评估参数之间的关系强度，使用EM算法来估计这些概率；其中，条件概率能够表示为：，式中，P(a,b, c)表示同时发生事件 a、b 和 c 的概率，即联合概率分布；P(c│a, b)表示在已知事件a 和 b 发生的条件下，事件 c 发生的条件概率，即给定条件下 c 的后验概率；P(b│a)表示在已知事件 a 发生的条件下，事件 b 发生的条件概率，即给定条件下 b 的后验概率；P(a)表示事件 a 发生的概率，即 a 的先验概率；步骤53确定概率分布：在确定贝叶斯网络结构后，有必要评估该网络中输入参数之间的关系强度。
由于隧道工作面岩体测量的一些参数通常不是相互独立的，针对这一局限性，本实施例根据参数之间的关系和条件概率，确定每个特征参数的概率分布；基于隧道领域知识或统计分析的结果来确定概率分布的类型，如高斯分布、伯努利分布；本实施例采用贝叶斯条件概率分布，如图5所示，图中X为输入变量，Y为输出变量；在树增强朴素贝叶斯网络中，当出现且/>>0时，/>出现的条件概率为：/>，式中，/>为条件概率，表示在/>出现且/>>0时/>出现的概率；/>为联合概率，表示/>和/>同时出现的概率；/>为边缘概率，表示/>在所有可能状态下的概率；根据上式，X的n个状态即s,s12...sn的联合概率表示为：/>，式中，/>表示输出变量/>的概率，即/>发生的概率；/>为在输入变量/>的状态为/>的条件下，输出变量/>发生的条件概率；/>表示输入变量/>的状态为/>的概率，即/>取值为/>的概率；/>表示求和符号，用于将所有可能的/>状态下的/>的条件概率相加，其中i从1取到n。
步骤54数据训练和参数估计：利用已有的特征样本数据，即表2 适用于多源岩石隧道面特征数据集中连续参数的区间总表中的特征样本数据进行网络的训练和特征参数估计；使用最大似然估计、EM算法来估计网络中每个节点的概率参数。
EM算法来估计网络中每个节点的概率参数包括以下迭代步骤：步骤541，初始化：将特征参数x初始化为x0，并将当前特征参数xt设为x0,，这是算法的初始步骤，x表示贝叶斯网络中节点的概率参数，xt表示当前的特征参数集；步骤542，在已知特征参数xt的情况下，计算缺失值的概率分布，其中e表示观测参数集，/>表示缺失的数据，/>表示条件概率或后验概率，所述计算缺失值的概率分布的表达式为：
，式中，|表示条件概率，其后为条件，其前为待预测值；步骤543：根据步骤542得到的缺失值概率分布/>，通过给缺失值赋予权重，将其合并到不完整特征数据集中，从而获得完整特征数据集；然后，通过最大化完整数据集的似然估计，计算新的特征参数集xt+1；
步骤544，判断结束：判断算法是否收敛；如果收敛，即特征参数不再有显著变化，算法停止；如果不收敛，即特征参数仍有变化，将t设为t+1，xt设为xt+1，然后返回步骤522，继续迭代计算；
EM算法是通过估计缺失值和参数，获得对完整特征数据的最大似然估计，通过交替执行步骤542和步骤543，不断更新特征参数，直到达到收敛或停止条件。
步骤55模型验证和调优：使用独立于训练集的测试数据对构建的贝叶斯网络进行验证，评估其在预测任务上的性能；根据验证结果，进行模型的调优和改进。
步骤56预测和应用：完成贝叶斯网络的构建和调优后，将其用于进行预测和推理；根据已知的观测数据，通过贝叶斯推理方法，计算出目标变量的后验概率分布，并根据需要做出决策或进行预测。本实施例中，为了确定树增强的结构，对多源岩石隧道开挖面特征数据集中的11个参数进行了相关性分析。考虑到11个参数之间的相关性分析结果，从而建立树增强朴素贝叶斯网络，如图6所示，图6中RMR为分级系统，WLC为漏水类别，WLA为漏水面积，TN为裂缝编号，TD为裂缝密度，TI为裂缝强度，MTL为最大裂缝长度，ATI为平均裂缝间隔，WIA为薄弱层面积，UCS为单轴抗压强度，WD为风化程度，TBD为隧道埋深；该树增强朴素贝叶斯网络可以学习多源岩石隧道开挖面特征数据集中11个参数的信息；在这个多源岩石隧道开挖面特征数据集中，并不是所有组数据都有完整的11个参数，有些参数数据是缺失的。但是，该树增强朴素贝叶斯网络仍然有能力从不完整的数据集中学习并实现围岩质量预测。在EM算法的帮助下，利用非完整的数据库训练了树增强型朴素贝叶斯网络。
步骤6，通过训练和验证后的树增强朴素贝叶斯网络，能够将数据缺失条件下隧道工作面岩体质量进行自动化评价，自动化评价通过定量计算获得的隧道面岩体连续参数被离散化，由RMR分级系统根据经验公式将围岩质量列入五个等级之一，输出判定结果。
进一步的，为了对该树增强朴素贝叶斯网络验证精度和实例测试精度进行测试，本实施还进行了比较试验。
具体的，将该树增强朴素贝叶斯网络(Tree augmented naive BN)与朴素贝叶斯分类器(Naive BN)、人工神经网络MLP、监督学习算法SVM、集成学习算法GBRT、改进集成学习算法XGBoost进行验证集(Validation Set)和训练集(Training Set)的比较试验；比较结果如图7所示，结果表明，结合非完整数据集提出的树增强型朴素贝叶斯网络的验证精度和实例测试精度超过了其他比较模型。
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 (9)

1.一种数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：该数据缺失条件下隧道工作面岩体质量自动化评价方法包括以下步骤：
步骤1，建立一个自适应数字照相机采集系统，通过数字摄像系统在工程现场拍照，获取岩石隧道开挖面高清图像；
步骤2，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，建立第一代图像数据集；
步骤3，结合Unet架构改进Swin Transformer模型，得到改进的Swin Transformer模型，用以提高岩石隧道面小尺度特征信息的分割任务性能；同时，基于第一代图像数据集，通过改进的Swin Transformer模型生成质量提高后的新图像，建立第二代图像集，同时对改进的Swin Transformer模型进行了图像数据特征提取能力训练；
步骤4，基于第二代图像集和改进的Swin Transformer模型，以智能方式自动化获取岩体上的漏水类别、漏水区面积、裂缝数量、裂缝密度、裂缝强度、最大裂缝长度、平均裂缝间隔、软弱夹层面积这些视觉参数，并加入单轴抗压强度、风化程度和隧道埋深这些物理力学和设计参数，建立包含特征参数的多源岩石隧道面特征数据集；
步骤5，建立树增强朴素贝叶斯网络以处理多源岩石隧道面特征数据集中的可用数据，从而评价隧道工作面岩体质量；基于新的树增强朴素贝叶斯网络通过EM算法对建立的贝叶斯网络进行训练和验证，使其具备从不完整的数据集中学习并实现围岩质量预测的能力；
步骤6，通过训练和验证后的树增强朴素贝叶斯网络，能够对数据缺失条件下隧道工作面岩体质量进行自动化评价，自动化评价通过定量计算获得的隧道面岩体连续参数被离散化，由RMR分级系统根据经验公式将围岩质量列入五个等级之一，输出判定结果。
2.根据权利要求1所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：步骤1中，所述自适应数字照相机采集系统由佳能EOS 6D2相机、三脚架、胶带、照度计、激光测距仪和温湿度计组成；所述自适应数字照相机采集系统还配备了由两个功率可调的2000瓦LED投光灯组成的光源；所获取岩石隧道开挖面高清图像最大分辨率为6000×4000像素，包括海底隧道和山体隧道的岩石隧道开挖面高清图。
3.根据权利要求1所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：
步骤2中，建立第一代图像数据集，包括以下步骤：
步骤21，基于Labelme软件将获取岩石隧道开挖面高清图像裁剪成分辨率为512×512像素的成更小的图像，然后进行偏转、模糊和高斯变换操作；
步骤22，基于Labelme软件将步骤1处理后的图像进行人工标注，基于特征类别：漏水、裂缝和软弱夹层对图像进行分类；
步骤23，基于分类后的图像，使用生成对抗网络GAN进行镜像转换、随机旋转和随机放大操作，生成更多的训练样本；
步骤24，基于分类后的图像和训练样本建立第一代图像数据集。
4.根据权利要求1所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：
步骤3中，结合Unet架构改进Swin Transformer模型，包括以下步骤：
步骤31，Swin Transformer模型能够将输入图像划分为多个非重叠的小补丁，并通过Transformer编码器来提取补丁级别的特征；Unet架构由编码器和解码器组成；将SwinTransformer模型与Unet架构相结合，从而形成了改进的Swin Transformer模型；
步骤32，在Swin Transformer模型的编码器和解码器之间添加了跨层连接；
步骤33，引入了CPM模块，CPM模块在Unet架构的编码器和解码器的交接处插入，并利用多尺度的卷积操作进行特征融合；
步骤34，损失函数和训练，使用像素级的交叉熵损失函数对改进Swin Transformer模型进行训练；同时训练过程中引入随机裁剪、水平翻转和旋转，增加训练数据的多样性。
5.根据权利要求1所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：
步骤3中，对改进的Swin Transformer模型进行图像数据特征提取能力训练，包括以下步骤：
步骤301，将第一代图像数据集的图像穿越多层CNN模块，每一层CNN模块分别获取图像上的特征，最后一层CNN模块获取的特征经过线性构建后被转移到增强型注意力区块；
增强型注意力区块中有12个标准Swin Transformer区块；
自注意区块的Transformer编码器由L层的多头自注意力MSA块和多层感知机MLP块组成，第L层的输出可写成如下形式：，式中，/>表示第L层的输出，经过多头自注意力和层归一化处理后的结果；/>表示多头自注意力，用于在输入序列中捕捉内部关系和计算注意力权重；/>表示层归一化算子；/>表示第L-1层的输出，即上一层的结果；/>为编码后的图像表示，经过多层感知机和层归一化处理后的结果；/>为多层感知机，用于增强特征的非线性表达能力和对高级特征的建模能力；步骤302，将隐藏特征同时输入标准Swin Transformer区块，分别提取全局和局部信息；经过标准SwinTransformer区块得到的两个隐藏特征通过卷积神经网络操作Conv3x3ReLU进行堆叠和特征融合；通过多级注意力模块的堆叠，改进的Swin Transformer模型获得较高的图像数据特征提取能力；
步骤303，对获取的隐藏特征进行重塑，通过跳转连接与之前获取的特征进行合并，并通过分割头获得最终的语义分割结果，由此生成质量提高后的新图像，建立第二代图像集，同时对改进的Swin Transformer模型进行了图像数据特征提取能力训练，得到非接触式Swin Transformer模型。
6.根据权利要求1所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：
步骤5中，建立树增强朴素贝叶斯网络，包括以下步骤：
步骤51确定网络结构：根据隧道的领域知识和多源岩石隧道面特征数据集的特征，确定各个特征参数之间的条件独立性和依赖关系；若两个特征参数存在因果关系，则用有向边连接，方向从父节点指向子节点；特征参数之间的关系用条件概率表示；
步骤52评估参数关系强度：根据多源岩石隧道面特征数据集中的样本数据，计算特征参数之间的条件概率，从而评估参数之间的关系强度，使用EM算法来估计这些概率；
步骤53确定概率分布：根据参数之间的关系和条件概率，确定每个特征参数的概率分布；基于隧道领域知识或统计分析的结果来确定概率分布的类型，如高斯分布、伯努利分布；
步骤54数据训练和参数估计：利用已有的特征样本数据进行网络的训练和特征参数估计；使用最大似然估计、EM算法来估计网络中每个节点的概率参数；
步骤55模型验证和调优：使用独立于训练集的测试数据对构建的贝叶斯网络进行验证，评估其在预测任务上的性能；根据验证结果，进行模型的调优和改进；
步骤56预测和应用：完成贝叶斯网络的构建和调优后，将其用于进行预测和推理；根据已知的观测数据，通过贝叶斯推理方法，计算出目标变量的后验概率分布，并根据需要做出决策或进行预测。
7.根据权利要求6所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：
步骤52评估参数关系强度过程中，条件概率能够表示为：
，式中，P(a, b, c)表示同时发生事件 a、b 和 c 的概率，即联合概率分布；P(c│a, b)表示在已知事件 a 和 b 发生的条件下，事件 c 发生的条件概率，即给定条件下 c 的后验概率；P(b│a)表示在已知事件 a 发生的条件下，事件 b 发生的条件概率，即给定条件下 b 的后验概率；P(a)表示事件 a 发生的概率，即 a 的先验概率。
8.根据权利要求6所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：
步骤53确定概率分布过程中，采用贝叶斯条件概率分布，以X为输入变量，Y为输出变量；
在树增强朴素贝叶斯网络中，当出现时，且/>>0，/>出现的条件概率为：，式中，/>为条件概率，表示在/>出现且/>>0时/>出现的概率；/>为联合概率，表示/>和/>同时出现的概率；/>为边缘概率，表示/>在所有可能状态下的概率；根据上式，/>的n个状态即s,s12...sn的联合概率表示为：，式中，/>表示输出变量/>的概率，即/>发生的概率；/>为在输入变量/>的状态为/>的条件下，输出变量/>发生的条件概率；/>表示输入变量/>的状态为/>的概率，即/>取值为/>的概率；/>表示求和符号，用于将所有可能的/>状态下的/>的条件概率相加，其中i从1取到n。
9.根据权利要求6所述的数据缺失条件下隧道工作面岩体质量自动化评价方法，其特征在于：
步骤54数据训练和参数估计过程中，EM算法来估计网络中每个节点的概率参数包括以下迭代步骤：
步骤541，初始化：将特征参数x初始化为x0，并将当前特征参数xt设为x0，这是算法的初始步骤，x表示贝叶斯网络中节点的概率参数，xt表示当前的特征参数集；步骤542，E步骤：在已知特征参数xt的情况下，计算缺失值的概率分布，其中e表示观测参数集，/>表示缺失的数据，/>表示条件概率或后验概率，所述计算缺失值的概率分布的表达式为：/>，式中，|表示条件概率，其后为条件，其前为待预测值；步骤543：根据步骤542得到的缺失值概率分布/>，通过给缺失值/>赋予权重，将其合并到不完整特征数据集中，从而获得完整特征数据集；然后，通过最大化完整数据集的似然估计，计算新的特征参数集xt+1；步骤544，判断结束：判断算法是否收敛；如果收敛，即特征参数不再有显著变化，算法停止；如果不收敛，即特征参数仍有变化，将t设为t+1，xt设为xt+1，然后返回步骤522，继续迭代计算；EM算法是通过估计缺失值和参数，获得对完整特征数据的最大似然估计，通过交替执行步骤542和步骤543，不断更新特征参数，直到达到收敛或停止条件。
CN202410257078.5A 2024-03-07 2024-03-07 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 Active CN117853486B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410257078.5A CN117853486B (zh) 2024-03-07 2024-03-07 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410257078.5A CN117853486B (zh) 2024-03-07 2024-03-07 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

Publications (2)

Publication Number Publication Date
CN117853486A true CN117853486A (zh) 2024-04-09
CN117853486B CN117853486B (zh) 2024-07-23

Family

ID=90529501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410257078.5A Active CN117853486B (zh) 2024-03-07 2024-03-07 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

Country Status (1)

Country Link
CN (1) CN117853486B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118675031A (zh) * 2024-01-29 2024-09-20 云南省交通规划设计研究院股份有限公司 一种隧道围岩风化程度的智能评估方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615056A (zh) * 2018-04-28 2018-10-02 南京理工大学 一种基于可分解评分函数的树增强朴素贝叶斯分类方法
CN115049124A (zh) * 2022-06-08 2022-09-13 重庆科技学院 一种基于贝叶斯网络的深长隧道突涌水预测方法
CN115324650A (zh) * 2022-03-14 2022-11-11 北京住总集团有限责任公司 一种基于智能识别的预警分级系统及方法
CN115438547A (zh) * 2022-09-09 2022-12-06 广西北投交通养护科技集团有限公司 基于路面服役状态的整体评价方法及系统
CN115479578A (zh) * 2022-08-02 2022-12-16 西南交通大学 一种地下穹顶罐室施工监测方法
WO2023081095A1 (en) * 2021-11-05 2023-05-11 Subtle Medical, Inc. Systems and methods for multi-contrast multi-scale vision transformers
CN116229354A (zh) * 2023-01-09 2023-06-06 中交隧道工程局有限公司 基于特征参数自动提取的掌子面图像围岩等级辨识方法
US11740372B1 (en) * 2022-08-02 2023-08-29 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Method and system for intelligently identifying carbon storage box based on GAN network
CN116911115A (zh) * 2023-07-06 2023-10-20 华南理工大学 一种数字孪生隧道与智能建造方法及系统
CN117649448A (zh) * 2024-01-29 2024-03-05 云南省交通规划设计研究院股份有限公司 一种隧道工作面渗漏水智能识别和分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108615056A (zh) * 2018-04-28 2018-10-02 南京理工大学 一种基于可分解评分函数的树增强朴素贝叶斯分类方法
WO2023081095A1 (en) * 2021-11-05 2023-05-11 Subtle Medical, Inc. Systems and methods for multi-contrast multi-scale vision transformers
CN115324650A (zh) * 2022-03-14 2022-11-11 北京住总集团有限责任公司 一种基于智能识别的预警分级系统及方法
CN115049124A (zh) * 2022-06-08 2022-09-13 重庆科技学院 一种基于贝叶斯网络的深长隧道突涌水预测方法
CN115479578A (zh) * 2022-08-02 2022-12-16 西南交通大学 一种地下穹顶罐室施工监测方法
US11740372B1 (en) * 2022-08-02 2023-08-29 Institute Of Geology And Geophysics, Chinese Academy Of Sciences Method and system for intelligently identifying carbon storage box based on GAN network
CN115438547A (zh) * 2022-09-09 2022-12-06 广西北投交通养护科技集团有限公司 基于路面服役状态的整体评价方法及系统
CN116229354A (zh) * 2023-01-09 2023-06-06 中交隧道工程局有限公司 基于特征参数自动提取的掌子面图像围岩等级辨识方法
CN116911115A (zh) * 2023-07-06 2023-10-20 华南理工大学 一种数字孪生隧道与智能建造方法及系统
CN117649448A (zh) * 2024-01-29 2024-03-05 云南省交通规划设计研究院股份有限公司 一种隧道工作面渗漏水智能识别和分割方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
BINGZHI CHEN 等: "TransAttUnet: Multi-Level Attention-Guided U-Net With Transformer for Medical Image Segmentation", 《IEEE TRANSACTIONS ON EMERGING TOPICS IN COMPUTATIONAL INTELLIGENCE》, vol. 8, no. 1, 29 February 2024 (2024-02-29), pages 55 - 68, XP011958934, DOI: 10.1109/TETCI.2023.3309626 *
HONGWEI HUANG 等: "Rock mass quality prediction on tunnel faces with incomplete multisource dataset via tree-augmented naive Bayesian network", 《INTERNATIONAL JOURNAL OF MINING SCIENCE AND TECHNOLOGY》, 14 April 2024 (2024-04-14), pages 1 - 15 *
MOEIN HEIDARI 等: "HiFormer: Hierarchical Multi-scale Representations Using Transformers for Medical Image Segmentation", 《PROCEEDINGS OF THE IEEE/CVF WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV)》, 31 December 2023 (2023-12-31), pages 6202 - 6212 *
YUN JIANG 等: "SwinBTS: A Method for 3D Multimodal Brain Tumor Segmentation Using Swin Transformer", 《BRAIN SCIENCE》, 17 June 2022 (2022-06-17), pages 1 - 15 *
张野 等: "基于图像融合特征的水工岩体完整性评价方法", 《水力发电学报》, 12 January 2023 (2023-01-12), pages 1 - 12 *
文畅平: "岩体质量分级的Bayes判别分析方法", 《煤炭学报》, vol. 33, no. 4, 30 April 2008 (2008-04-30), pages 395 - 399 *
程锦宝 等: "基于树增强朴素贝叶斯分类器的出租车制动系统安全状态预测", 《计算机与数字工程》, no. 12, 31 December 2017 (2017-12-31), pages 2465 - 2469 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118675031A (zh) * 2024-01-29 2024-09-20 云南省交通规划设计研究院股份有限公司 一种隧道围岩风化程度的智能评估方法

Also Published As

Publication number Publication date
CN117853486B (zh) 2024-07-23

Similar Documents

Publication Publication Date Title
CN110569901B (zh) 一种基于通道选择的对抗消除弱监督目标检测方法
CN112069896B (zh) 一种基于孪生网络融合多模板特征的视频目标跟踪方法
CN106127804B (zh) 基于稀疏深度去噪自编码器的rgb-d数据跨模式特征学习的目标跟踪方法
CN117853486B (zh) 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
CN111372123B (zh) 基于从局部到全局的视频时序片段提取方法
CN115439694A (zh) 一种基于深度学习的高精度点云补全方法及装置
CN110991257B (zh) 基于特征融合与svm的极化sar溢油检测方法
CN110599459A (zh) 基于深度学习的地下管网风险评估云系统
CN114049305B (zh) 基于改进ALI和Faster-RCNN的配电线路销钉缺陷检测方法
CN107945210A (zh) 基于深度学习和环境自适应的目标跟踪算法
CN113139432B (zh) 基于人体骨架和局部图像的工业包装行为识别方法
CN112084952B (zh) 一种基于自监督训练的视频点位跟踪方法
CN116075820A (zh) 用于搜索图像数据库的方法、非暂时性计算机可读存储介质和设备
CN111612046B (zh) 特征金字塔图卷积神经网络及其在3d点云分类中的应用
CN118379288B (zh) 基于模糊剔除和多聚焦图像融合的胚胎原核目标计数方法
CN117977576A (zh) 一种基于多尺度历史负荷数据的台区负荷预测方法
CN118675031A (zh) 一种隧道围岩风化程度的智能评估方法
CN117671597B (zh) 一种老鼠检测模型的构建方法和老鼠检测方法及装置
CN116778233B (zh) 一种基于图神经网络的不完全深度多视图半监督分类方法
CN117909881A (zh) 多源数据融合的抽油机的故障诊断方法及装置
Ali et al. A Deep Learning-Based Multi-Model Ensemble Method for Crack Detection in Concrete Structures
CN117876861A (zh) 基于改进MobileNetV3和迁移学习的对砌体表面裂缝自动分类的方法
CN117115474A (zh) 一种基于多阶段特征提取的端到端单目标跟踪方法
CN116704202A (zh) 一种基于知识嵌入的视觉关系检测方法
CN116740480A (zh) 多模态图像融合目标跟踪方法

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
GR01 Patent grant
GR01 Patent grant