CN117935249A - 基于三维激光扫描参数自动提取的围岩等级辨识系统 - Google Patents

Abstract

本发明公开了基于三维激光扫描参数自动提取的围岩等级辨识系统，三维参数抽取方法为：通过网络爬虫确定三维参数获取模块，获取三维参数文档；基于三维激光扫描参数自动提取的围岩等级辨识系统，对丢弃的三维参数数据进行领域相关性分析减少在进行数据丢弃时的准确率，避免将符合当前应用系统的三维参数数据丢弃，通过收集新的典型句以及标注新的三维参数数据集对相似度判断和三维参数要素抽取进行更新，保证相似度判断和三维参数要素抽取的准确性，避免发生丢弃的三维参数数据以及抽取的三维参数数据的错误，从而导致在多场景三维参数抽取中三维参数抽取的准确率低，同时通过不断更新三维参数抽取模型增加三维参数抽取的多样性。

Description

基于三维激光扫描参数自动提取的围岩等级辨识系统

技术领域

本发明涉及三维参数抽取技术，具体涉及基于三维激光扫描参数自动提取的围岩等级辨识系统。

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。

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。

现有的隧道围岩三维参数抽取方法在进行使用时，采用流水线的方式进行，首先通过实体识别模型，得到隧道围岩三维参数中的实体内容，接着将其作为输入进行关系抽取。传统抽取模型采用两个模型进行训练，在操作流程上更灵活，更便捷，但是，其存在着错误累积、将符合当前应用系统的三维参数数据丢弃的缺点。

发明内容

本发明的目的是提供基于三维激光扫描参数自动提取的围岩等级辨识系统，以解决现有技术中将符合当前应用系统的三维参数数据丢弃，导致在多场景三维参数抽取中三维参数抽取的准确率低的问题。

为了实现上述目的，本发明提供如下技术方案：基于三维激光扫描参数自动提取的围岩等级辨识系统；

三维参数获取模块，三维参数获取模块用于实时获取三维激光扫描仪获取的围岩三维参数；

三维参数整合模块，三维参数整合模块用于将三维参数获取模块获取的围岩三维参数整理成对应文本信息；

三维参数抽取模块，三维参数抽取模块用于对三维参数整合模块整合的三维参数文本信息进行三维参数抽取；

三维参数要素抽取模块，三维参数要素抽取用于对三维参数抽取模块获取的三维参数进行三维参数要素抽取；

分解标注策略抽取模型，所述分解标注策略抽取模型用于对存储的数据进行三维参数抽取；

应用系统，所述应用系统用于根据抽取的三维参数对围岩等级进行划分，并将划分结果进行传输，所述应用系统的具体工作方法为：

(1)对已有的围岩三维参数进行统计分析，确定影响围岩等级的主要因素；

(2)对各个等级下的围岩三维参数数据进行收集，剔除不合适的数据，建立不同围岩等级下的围岩三维参数数据样品库；

(3)用样品库中的数据对BP神经网络训练得到分类器，从而建立模式识别模型；

(4)运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到BP神经网络模式识别模型；

(5)进行工程实例的测试，测试结果符合设定要求后，利用最终的BP神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别；

所述步骤(2)中建立的不同围岩等级下的围岩三维参数样品库，需要剔除明显偏离各因素取值区间的数据，并对无效数据进行剔除；

所述步骤(3)中BP神经网络选取输入层、隐含层和输出层三层的网络进行训练，包括训练和检验两部分，不断调整神经网络的训练参数直至检验数据的准确率达到目标要求，得到BP神经网络分类器，进行模式识别模型判别围岩等级的决策。

进一步的，三维参数获取模块具体工作步骤包括：

步骤S1，通过网络爬虫确定三维参数获取模块，获取三维参数文档；

步骤S2，对步骤S1中获取的三维参数文档进行预处理，从而获得候选三维参数语句，预处理包括文档语句拆分、文档语句去重；

步骤S3，判断步骤S2中获取的候选三维参数语句与当前应用系统的相似度；

步骤S4，若步骤S3中判断结果为是，则进行三维参数要素抽取，若步骤S3中判断结果为否，则将三维参数数据丢弃；

步骤S5，将步骤S4中抽取的三维参数要素发送至三维参数库；

步骤S6，将步骤S5中三维参数库内的三维参数数据传输至应用系统；

步骤S7，将步骤S4中丢弃的三维参数数据进行领域相关性分析；

步骤S8，判断步骤S7领域相关性分析合格的三维参数数据是否需要重新收集典型句；

步骤S9，若步骤S8中判断结果为是，则收集新的典型句以及标注新的三维参数数据集，并对相似度判断和三维参数要素抽取进行更新，若步骤S8中判断结果为否，则将三维参数数据丢弃。

进一步地，三维参数要素抽取模块的具体工作步骤包括：

步骤A1，采集重新收集的典型句，并与原有典型数据库进行整合生成新的典型句数据库；

步骤A2，采集新的三维参数数据集，并将新的三维参数数据集进行数据训练；

步骤A3，将新的三维参数数据集进行数据标注；

步骤A4，通过人工校准对数据标注进行校准检测；

步骤A5，将校准后的已标注数据根据三维参数抽取模型以及典型句数据库进行三维参数抽取；

步骤A6，将抽取的三维参数数据集进行数据训练；

步骤A7，将步骤A2中训练后的三维参数数据与步骤A6中训练后的三维参数数据进行整合，生成新的三维参数抽取模型。

进一步地，三维参数抽取模块的具体工作步骤包括：

步骤B1，将已标注数据进行数据存储；

步骤B2，基于分解标注策略的联合抽取模型对步骤B1中存储的数据进行三维参数抽取；

步骤B3，判断当前抽取模型是否需要更新；

步骤B4，若步骤B3判断结果为否，则生成步骤B2中抽取的三维参数数据的关系三元组，若步骤B3判断结果为是，则接收步骤A7中生成的新三维参数抽取模型，并返回步骤B3；

步骤B5，生成关系三元组的三维参数图谱。

进一步地，分解标注策略抽取模型包括：

BERT编码层，BERT编码层用于将已标注三维参数数据转换为统一数据结构；

边界感知分类器，边界感知分类器用于提取统一数据结构下的三维参数数据中的头实体和尾实体及关系；

头实体识别模块，头实体识别模块用于区分候选头部实体，排除不相关的头部实体；

尾实体和关系识别模块，尾实体和关系识别模块用于检测尾实体及其特定于头实体的关系。

进一步地，边界感知分类器的具体工作方法：

步骤C1，句子S中提取出标记为l的实体目标t的概率统一建模；

步骤C2，在获得每个标记为l的实体目标t的表示后，采用指针机制对C1中生成的模型进行边界感知；

步骤C3，在时间步长j时为每个可能的边界位置生成一个特征表示；

步骤C4，确定了结束边界，就确定了候选实体块及其类型，然后将识别结果R_BSC进行输出。

进一步地，头实体识别模块的具体工作方法：

步骤D1，首先将编码器的隐藏状态h_i和g拼接得到特征向量i=[h_i；g]；

步骤D2，定义H_head={ ₁,..., _n}表示所有用于头实体识别的词；

步骤D3，将H_head输入到一个BSC边界感知分类器中提取头部实体。

进一步地，尾实体和关系识别模块的具体工作方法：

步骤E1，定义头实体；

步骤E2，对头实体的特征到头实体的相对距离进行编码；

步骤E3，在成功感知到一个对应的尾实体后，模型会继续向后扫描，继续寻找其余尾实体，直至句尾；

步骤E4，在成功提取头实体e和其对应的若干尾实体后，将头实体与每个(t_j，rel_j)组合成三元组；

步骤E5，得到最终的抽取结果。

与现有技术相比，本发明提供的基于三维激光扫描参数自动提取的围岩等级辨识系统，通过对丢弃的三维参数数据进行领域相关性分析可以减少在进行数据丢弃时的准确率，避免将符合当前应用系统的三维参数数据丢弃，同时通过收集新的典型句以及标注新的三维参数数据集对相似度判断和三维参数要素抽取进行更新，可以保证相似度判断和三维参数要素抽取的准确性，避免发生丢弃的三维参数数据以及抽取的三维参数数据的错误，从而导致在多场景三维参数抽取中三维参数抽取的准确率低，同时通过不断更新三维参数抽取模型增加三维参数抽取的多样性。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的整体流程结构示意图；

图2为本发明实施例提供的三维参数要素抽取流程结构示意图；

图3为本发明实施例提供的三维参数抽取流程结构示意图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。

请参阅图1-图3，基于三维激光扫描参数自动提取的围岩等级辨识系统，包括：

三维参数获取模块，三维参数获取模块用于实时获取三维激光扫描仪获取的围岩三维参数；

三维参数整合模块，三维参数整合模块用于将三维参数获取模块获取的围岩三维参数整理成对应文本信息；

三维参数抽取模块，三维参数抽取模块用于对三维参数整合模块整合的三维参数文本信息进行三维参数抽取；

三维参数要素抽取模块，三维参数要素抽取用于对三维参数抽取模块获取的三维参数进行三维参数要素抽取；

分解标注策略抽取模型，所述分解标注策略抽取模型用于对存储的数据进行三维参数抽取；

应用系统，所述应用系统用于根据抽取的三维参数对围岩等级进行划分，并将划分结果进行传输，所述应用系统的具体工作方法为：

(1)对已有的围岩三维参数进行统计分析，确定影响围岩等级的主要因素；

(2)对各个等级下的围岩三维参数数据进行收集，剔除不合适的数据，建立不同围岩等级下的围岩三维参数数据样品库；

(3)用样品库中的数据对BP神经网络训练得到分类器，从而建立模式识别模型；

(4)运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到BP神经网络模式识别模型；

(5)进行工程实例的测试，测试结果符合设定要求后，利用最终的BP神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别；

所述步骤(2)中建立的不同围岩等级下的围岩三维参数样品库，需要剔除明显偏离各因素取值区间的数据，并对无效数据进行剔除；

所述步骤(3)中BP神经网络选取输入层、隐含层和输出层三层的网络进行训练，包括训练和检验两部分，不断调整神经网络的训练参数直至检验数据的准确率达到目标要求，得到BP神经网络分类器，进行模式识别模型判别围岩等级的决策。

三维参数获取模块具体工作步骤包括：

步骤S1，通过网络爬虫确定三维参数获取模块，获取三维参数文档；

步骤S2，对步骤S1中获取的三维参数文档进行预处理，从而获得候选三维参数语句，预处理包括文档语句拆分、文档语句去重；

步骤S3，判断步骤S2中获取的候选三维参数语句与当前应用系统的相似度；

步骤S4，若步骤S3中判断结果为是，则进行三维参数要素抽取，若步骤S3中判断结果为否，则将三维参数数据丢弃；

步骤S5，将步骤S4中抽取的三维参数要素发送至三维参数库；

步骤S6，将步骤S5中三维参数库内的三维参数数据传输至应用系统；

步骤S7，将步骤S4中丢弃的三维参数数据进行领域相关性分析；

步骤S8，判断步骤S7领域相关性分析合格的三维参数数据是否需要重新收集典型句；

步骤S9，若步骤S8中判断结果为是，则收集新的典型句以及标注新的三维参数数据集，并对相似度判断和三维参数要素抽取进行更新，若步骤S8中判断结果为否，则将三维参数数据丢弃。

其中三维参数抽取的具体方法为：通过网络爬虫确定三维参数获取模块，获取三维参数文档，对获取的三维参数文档进行预处理，从而获得候选三维参数语句，预处理包括文档语句拆分、文档语句去重，判断获取的候选三维参数语句与当前应用系统的相似度，若判断结果为是，则进行三维参数要素抽取，将抽取的三维参数要素发送至三维参数库，将三维参数库内的三维参数数据传输至应用系统实现多场景的三维参数抽取，若判断结果为否，则将三维参数数据丢弃，将丢弃的三维参数数据进行领域相关性分析，判断领域相关性分析合格的三维参数数据是否需要重新收集典型句，若判断结果为是，则收集新的典型句以及标注新的三维参数数据集，并对相似度判断和三维参数要素抽取进行更新，若判断结果为否，则将三维参数数据丢弃，这样通过对丢弃的三维参数数据进行领域相关性分析可以减少在进行数据丢弃时的准确率，避免将符合当前应用系统的三维参数数据丢弃，同时通过收集新的典型句以及标注新的三维参数数据集对相似度判断和三维参数要素抽取进行更新，可以保证相似度判断和三维参数要素抽取的准确性，避免发生丢弃的三维参数数据以及抽取的三维参数数据的错误，从而导致在多场景三维参数抽取中三维参数抽取的准确率低，同时通过不断更新三维参数抽取模型增加三维参数抽取的多样性。

三维参数要素抽取模块的具体工作步骤包括：

步骤A1，采集重新收集的典型句，并与原有典型数据库进行整合生成新的典型句数据库；

步骤A2，采集新的三维参数数据集，并将新的三维参数数据集进行数据训练；

步骤A3，将新的三维参数数据集进行数据标注；

步骤A4，通过人工校准对数据标注进行校准检测；

步骤A5，将校准后的已标注数据根据三维参数抽取模型以及典型句数据库进行三维参数抽取；

步骤A6，将抽取的三维参数数据集进行数据训练；

步骤A7，将步骤A2中训练后的三维参数数据与步骤A6中训练后的三维参数数据进行整合，生成新的三维参数抽取模型。

其中三维参数要素的具体抽取方法为：采集重新收集的典型句，并与原有典型数据库进行整合生成新的典型句数据库，采集新的三维参数数据集，并将新的三维参数数据集进行数据训练，将新的三维参数数据集进行数据标注，通过人工校准对数据标注进行校准检测，将校准后的已标注数据根据三维参数抽取模型以及典型句数据库进行三维参数抽取，将抽取的三维参数数据集进行数据训练，将训练后的三维参数数据与训练后的抽取完成三维参数数据进行整合，生成新的三维参数抽取模型。

三维参数抽取模块的具体工作步骤包括：

步骤B1，将已标注数据进行数据存储；

步骤B2，基于分解标注策略的联合抽取模型对步骤B1中存储的数据进行三维参数抽取；

步骤B3，判断当前抽取模型是否需要更新；

步骤B4，若步骤B3判断结果为否，则生成步骤B2中抽取的三维参数数据的关系三元组，若步骤B3判断结果为是，则接收步骤A7中生成的新三维参数抽取模型，并返回步骤B3；

步骤B5，生成关系三元组的三维参数图谱。

分解标注策略抽取模型包括：

BERT编码层，BERT编码层用于将已标注三维参数数据转换为统一数据结构；

边界感知分类器，边界感知分类器用于提取统一数据结构下的三维参数数据中的头实体和尾实体及关系；

头实体识别模块，头实体识别模块用于区分候选头部实体，排除不相关的头部实体；

尾实体和关系识别模块，尾实体和关系识别模块用于检测尾实体及其特定于头实体的关系。

边界感知分类器的具体工作方法：

步骤C1，句子S中提取出标记为l的实体目标t的概率统一建模，公式如下：

；

其中，标记l表示头实体的实体类型或尾实体的关系类型，S^l _t是t的起始索引，e^l _t是结束索引；

步骤C2，在获得每个标记为l的实体目标t的表示后，采用指针机制对C1中生成的模型进行边界感知，如下所示：

；

其中inactive为指针指向标记，h为编码器得到的隐藏状态，其中，式中n为原句长度，d为编码器得到的隐藏状态的维数；

步骤C3，在时间步长j时为每个可能的边界位置生成一个特征表示，如下所示：

；

其中h_i为从左到右的解码可能位置，h_r为从右到左的解码可能位置，T为当前解码位置；

然后，使用Softmax函数获得单词w_i为type类型实体边界的概率：

；

步骤C4，确定了结束边界，就确定了候选实体块及其类型，然后将识别结果R_BSC进行输出，如下所示：

；

上述公式中，v1、v2、v3、v4、W1、W2、U1、U2是可学习参数，LE(·)是块长度嵌入，i∈[j,n+2]和i∈[0,j]分别表示从左到右和从右到左解码的可能位置，表示给定type类型的实体开始（或结束）边界w_j，单词w_i位于type类型的实体结束（或开始）边界的概率，其中当/>达到阈值时，认为w=w_i，…，w_j为type类型的实体。

头实体识别模块的具体工作方法：

步骤D1，首先将编码器的隐藏状态h_i和g拼接得到特征向量i=[h_i；g]，其中g是 BERT中输出的句子级特征表示；

步骤D2，定义H_head={ ₁,..., _n}表示所有用于头实体识别的词；

步骤D3，将Hhead输入到一个BCS边界感知分类器中提取头部实体，如下所示：

，

其中包含S中所有的头部实体e_j和对应的实体类型标签type_ej。

尾实体和关系识别模块的具体工作方法：

步骤E1，定义头实体，如下所示

；

其中：为头实体e的表示，/>和/>分别为e的起始位置和结束位置的隐藏状态，/>为位置嵌入，对尾实体识别词si到头实体e的相对距离进行编码；

步骤E2，对头实体的特征到头实体的相对距离进行编码；

步骤E3，在成功感知到一个对应的尾实体后，模型会继续向后扫描，继续寻找其余尾实体，直至句尾；

步骤E4，在成功提取头实体e和其对应的若干尾实体后，将头实体与每个(t_j，rel_j)组合成三元组，其中t_j表示第j个被提取出来的尾实体，rel_j表示该实体与给定头实体的关系标签；

步骤E5，得到最终的抽取结果，如下所示

；

R包含了句子S中所有头实体为e的三元组。

工作原理：使用时，通过网络爬虫确定三维参数获取模块，获取三维参数文档，对获取的三维参数文档进行预处理，从而获得候选三维参数语句，预处理包括文档语句拆分、文档语句去重，判断获取的候选三维参数语句与当前应用系统的相似度，若判断结果为是，则进行三维参数要素抽取，将抽取的三维参数要素发送至三维参数库，将三维参数库内的三维参数数据传输至应用系统实现多场景的三维参数抽取，若判断结果为否，则将三维参数数据丢弃，将丢弃的三维参数数据进行领域相关性分析，判断领域相关性分析合格的三维参数数据是否需要重新收集典型句，若判断结果为是，则收集新的典型句以及标注新的三维参数数据集，并对相似度判断和三维参数要素抽取进行更新，若判断结果为否，则将三维参数数据丢弃。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (8)

1.基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，包括：

三维参数获取模块，所述三维参数获取模块用于实时获取三维激光扫描仪获取的围岩三维参数；

三维参数整合模块，所述三维参数整合模块用于将三维参数获取模块获取的围岩三维参数整理成对应文本信息；

三维参数抽取模块，所述三维参数抽取模块用于对三维参数整合模块整合的三维参数文本信息进行三维参数抽取；

三维参数要素抽取模块，所述三维参数要素抽取用于对三维参数抽取模块获取的三维参数进行三维参数要素抽取；

分解标注策略抽取模型，所述分解标注策略抽取模型用于对存储的数据进行三维参数抽取；

应用系统，所述应用系统用于根据抽取的三维参数对围岩等级进行划分，并将划分结果进行传输，所述应用系统的具体工作方法为：

(1)对已有的围岩三维参数进行统计分析，确定影响围岩等级的主要因素；

(2)对各个等级下的围岩三维参数数据进行收集，剔除不合适的数据，建立不同围岩等级下的围岩三维参数数据样品库；

(3)用样品库中的数据对BP神经网络训练得到分类器，从而建立模式识别模型；

(4)运用趋势检查法对模型中的各个指标进行趋势检查，检查合格后即得到BP神经网络模式识别模型；

(5)进行工程实例的测试，测试结果符合设定要求后，利用最终的BP神经网络模式识别模型，基于实时掘进数据的导入对围岩等级进行实时判别；

所述步骤(2)中建立的不同围岩等级下的围岩三维参数样品库，需要剔除明显偏离各因素取值区间的数据，并对无效数据进行剔除；

所述步骤(3)中BP神经网络选取输入层、隐含层和输出层三层的网络进行训练，包括训练和检验两部分，不断调整神经网络的训练参数直至检验数据的准确率达到目标要求，得到BP神经网络分类器，进行模式识别模型判别围岩等级的决策。

2.基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，所述三维参数获取模块具体工作步骤包括：

步骤S1，通过网络爬虫确定三维参数获取模块，获取三维参数文档；

步骤S2，对步骤S1中获取的三维参数文档进行预处理，从而获得候选三维参数语句，所述预处理包括文档语句拆分、文档语句去重；

步骤S3，判断步骤S2中获取的候选三维参数语句与当前应用系统的相似度；

步骤S4，若步骤S3中判断结果为是，则进行三维参数要素抽取，若步骤S3中判断结果为否，则将三维参数数据丢弃；

步骤S5，将步骤S4中抽取的三维参数要素发送至三维参数库；

步骤S6，将步骤S5中三维参数库内的三维参数数据传输至应用系统；

步骤S7，将步骤S4中丢弃的三维参数数据进行领域相关性分析；

步骤S8，判断步骤S7领域相关性分析合格的三维参数数据是否需要重新收集典型句；

步骤S9，若步骤S8中判断结果为是，则收集新的典型句以及标注新的三维参数数据集，并对相似度判断和三维参数要素抽取进行更新，若步骤S8中判断结果为否，则将三维参数数据丢弃。

3.根据权利要求2所述的基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，所述三维参数要素抽取模块的具体工作步骤包括：

步骤A1，采集重新收集的典型句，并与原有典型数据库进行整合生成新的典型句数据库；

步骤A2，采集新的三维参数数据集，并将新的三维参数数据集进行数据训练；

步骤A3，将新的三维参数数据集进行数据标注；

步骤A4，通过人工校准对数据标注进行校准检测；

步骤A5，将校准后的已标注数据根据三维参数抽取模型以及典型句数据库进行三维参数抽取；

步骤A6，将抽取的三维参数数据集进行数据训练；

步骤A7，将步骤A2中训练后的三维参数数据与步骤A6中训练后的三维参数数据进行整合，生成新的三维参数抽取模型。

4.根据权利要求3所述的基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，所述三维参数抽取模块的具体工作步骤包括：

步骤B1，将已标注数据进行数据存储；

步骤B2，基于分解标注策略的联合抽取模型对步骤B1中存储的数据进行三维参数抽取；

步骤B3，判断当前抽取模型是否需要更新；

步骤B4，若步骤B3判断结果为否，则生成步骤B2中抽取的三维参数数据的关系三元组，若步骤B3判断结果为是，则接收步骤A7中生成的新三维参数抽取模型，并返回步骤B3；

步骤B5，生成关系三元组的三维参数图谱。

5.根据权利要求3所述的基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，所述分解标注策略抽取模型包括：

BERT编码层，所述BERT编码层用于将已标注三维参数数据转换为统一数据结构；

边界感知分类器，所述边界感知分类器用于提取统一数据结构下的三维参数数据中的头实体和尾实体及关系；

头实体识别模块，所述头实体识别模块用于区分候选头部实体，排除不相关的头部实体；

尾实体和关系识别模块，所述尾实体和关系识别模块用于检测尾实体及其特定于头实体的关系。

6.根据权利要求5所述的基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，所述边界感知分类器的具体工作方法：

步骤C1，句子S中提取出标记为l的实体目标t的概率统一建模；

步骤C2，在获得每个标记为l的实体目标t的表示后，采用指针机制对C1中生成的模型进行边界感知；

步骤C3，在时间步长j时为每个可能的感知边界位置生成一个特征表示；

步骤C4，确定了结束边界，就确定了候选实体块及其类型，然后将识别结果R_BSC进行输出。

7.根据权利要6所述的基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，所述头实体识别模块的具体工作方法：

步骤D1，首先将编码器的隐藏状态h_i和g拼接得到特征向量i=[h_i；g]，其中g是BERT中输出的句子级特征表示；

步骤D2，定义H_head={ ₁,...,/> _n}表示所有用于头实体识别的词；

步骤D3，将H_head输入到一个BCS边界感知分类器中提取头部实体。

8.根据权利要求6所述的基于三维激光扫描参数自动提取的围岩等级辨识系统，其特征在于，所述尾实体和关系识别模块的具体工作方法：

步骤E1，定义头实体；

步骤E2，对头实体的特征到头实体的相对距离进行编码；

步骤E3，在成功感知到一个对应的尾实体后，模型会继续向后扫描，继续寻找其余尾实体，直至句尾；

步骤E4，在成功提取头实体e和其对应的若干尾实体后，将头实体与每个(t_j，rel_j)组合成三元组；

步骤E5，得到最终的抽取结果。