基于残差卷积神经网络的隧道围岩级别智能判定方法技术

基于残差卷积神经网络的隧道围岩级别智能判定方法，包括如下步骤：步骤一.采集隧道掌子面高分辨率图像数据，构建样本库；步骤二.从步骤一得到的样本库中随机选取样本作为训练集，剩余的作为测试集；步骤三.构建残差深度卷积神经网络，通过训练降低损失函数值并更新网络权重参数，得到学习后的网络权重参数；步骤四.选择需要进行围岩分级的图像，作为卷积神经网络的输入，根据所得到的围岩级别预测，返回隧道掌子面对应的围岩分级评定结果。本发明专利技术基于于卷积神经网络智能评估围岩等级，不需要进行现场或室内岩土体力学实验即可实现围岩级别判定，能规避因接触式采集围岩数据信息时的危险，实现了隧道与地下工程围岩分级工作的自动化与智能化。

【技术实现步骤摘要】
基于残差卷积神经网络的隧道围岩级别智能判定方法
本专利技术涉及隧道与地下工程的勘察设计领域，适用于各种交通、水利水电等隧道与地下工程的勘察设计，具体为一种基于残差卷积神经网络的隧道围岩级别智能判定方法。
技术介绍
隧道是修筑在具有一定应力历史和构造迹象的多种围岩介质中的一种洞室结构体系，隧道围岩是指隧道周围一定范围内对隧道稳定性产生影响的岩土体，隧道周围的地层不管是岩体还是土体统称为隧道围岩。为满足隧道工程建设的需要，用综合指标或单一指标把围岩的稳定程度划分为若干级别，这种分级称为围岩分级。对隧道的围岩级别作出正确的评价不仅关系到隧道的设计和施工方案、隧道的工程造价，而且还关系到隧道施工与运营期间的安全与稳定。因此，对岩体给出客观评价的围岩分级方案，是隧道设计和施工阶段的重要依据。虽然规范给出了各级围岩的相关描述，但目前围岩分级的各项指标与围岩等级尚未建立精确的关系，并且部分围岩分级指标之间没有明确界限，所以隧道围岩分级受主观因素的影响较大。隧道围岩分级是一个经验性极强的领域，包含了多种不确定因素，很多情况都要依靠工程经验丰富的专家确定围岩等级。目前，隧道围岩分级主要依靠现场采集定量、定性指标，根据规范要求方式进行选取。现场信息采集还存在获取难度高、工作量较大、误差较大、效率不高、采集过程安全性差的不足。因此，研究一种基于图像(非接触式)的隧道围岩特征提取并自动进行围岩分级的方法十分有意义，能够很大程度上保证围岩分级的准确性、安全性。
技术实现思路
为克服现有技术存在的技术缺陷，本专利技术公开了一种基于残差卷积神经网络的隧道围岩级别智能判定方法。本专利技术所述基于残差卷积神经网络的隧道围岩级别智能判定方法，包括如下步骤：步骤一.采集隧道掌子面高分辨率图像数据，构建样本库；步骤二.从步骤一得到的样本库中随机选取大于70％比例数量的样本作为训练集，剩余的作为测试集，并采用数据增广方法进行样本集的扩充,使其满足后续神经网络训练所需要的样本数量；步骤三.构建残差深度卷积神经网络，用于学习训练，通过训练不断降低损失函数值并更新网络权重参数，经过多次训练后，得到学习后更新了网络权重参数的神经网络；所述残差深度卷积神经网络中包括多个顺序连接的残差块,所述残差块的数据处理方式包括直线连接和跳跃连接,所述直线连接为将上一层输出作为本层原始输入逐步进行卷积、归一化、激活处理；所述跳跃连接直接将上一层输出与所述直线连接输出处进行张量元素内容相加；所述残差块将加和结果直接作为残差块处理结果进行输出；步骤四.选择需要进行围岩分级的图像，作为卷积神经网络的输入，通过步骤三得到的卷积神经网络的迭代，并应用对应围岩分级训练集训练学习得到的网络权重参数，输出围岩对应级别预测；根据所得到的围岩级别预测，返回隧道掌子面对应的围岩分级评定结果。优选的，所述步骤一中还包括对图像进行预处理的步骤；具体操作步骤如下：将图像的R、G、B三个像素通道分解成单通道，对三个通道分别进行直方图均衡化，均衡化处理后的结果再进行合成，得到均衡化后的图像。优选的，所述步骤2中数据增广可以引入imutils图像处理包对图像进行处理，具体步骤为：调用该包的paths.list_images()函数查找从步骤一中得到的样本库的全部图像，并抓取图像路径，罗列所有文件，并将路径保存至变量imagePaths中，抓取图像的路径，将每张图像加载至内存，随后初始化图像处理包中的data和labels数组，循环遍历imagePaths，将原始像素强度调整到范围[0,1]完成图像数据预处理；然后利用图像处理包cv2模块的imread()接口读入图像数据，并利用resize()接口将图像尺寸修改，利用img_to_array()函数将图片转化成数组，将转换后的数组存入data数组中；从图像路径中提取类标签并更新标签列表完成多类标签的解析，将标签名添加至图像处理包的labels数组中，导入机器学习库scikit-learn库，使用LabelBinarizer()函数完成labels数组的标签二值化；从sklearn.model_selection函数中导入train_test_split()函数，将数据集data、标签集labels作为参数传入train_test_split()函数；将图像数据划分为训练集和测试集并进行数据增广。优选的，所述步骤三中，当前网络层第l层的输出等于正常网络的输出计算公式如下：a[l]＝g(zl+a[l-1])＝g(wla[l-1]+b[l]+a[l-1])＝g((wl+1)a[l-1]+b[l])；其中zl表示该层的线性运算结果，wl表示第l层的卷积核，g为激活函数；残差神经网络中反向传播的误差传播公式如下：优选的，所述步骤三中，逻辑回归使用的损失函数方程为：损失函数：其中yj为(第j个期望输出)，表示第j个原始的实际输出；对应的代价函数方程为：代价函数其中yj为第j个预测值，表示第j个训练样本的输出值，m为输入值的个数，w，b表示不同的卷积核和偏差；逻辑回归梯度下降计算公式为：y为预测值，表示训练样本的输出值。优选的，所述步骤三中，在神经网络中某一隐藏层的中间值实现每一层神经网络的输入保持相同分布的方法具体如下：Z(i)为各输入值,m为每个送入批次(batch)中样本的数量；μ为计算出的均值；σ2为计算出的方差；为归一化处理结果；∈是为了防止方差为0的稳定参数；γ为尺度因子，用于调整数值大小；β为平移因子，用于增加偏移。优选的，所述步骤三的训练过程中,通过Adam算法降低损失函数值并更新网络权重参数，具体为：Adam优化算法初始化参数：Vdw＝0，Sdw＝0,Vdb＝0，Sdb＝0；第t次迭代时：Vdw＝β1Vdw+(1-β1)dw,Vdb＝β1Vdb+(1-β1)dbSdw＝β2Sdw+(1-β2)(dw)2,Sdb＝β2Sdb+(1-β2)(db)2；t迭代的次数；α学习率；β1：一阶矩阵估计的指数衰减率；t表示不同迭代次数t下的衰减率；β2：二阶矩阵估计的指数衰减率；t表示不同迭代次数t下的衰减率；∈：为了防止分母为0的稳定参数；w：权重；b：偏置量；dw：权重导数；db：偏置量导数；(dw)2表示是权重w的梯度的平方，也称为微分的平方；Vdm、Vdb、Sdb、Sdw是用于保存指数加权平均值(移动平均值)的中间变量。优选的，所述步骤三的训练过程中，考虑偏差修正，得到修正后的参数：Vdm、Vdb、Sdb、Sdw增加上标CORRECTED表示修正后的参数。<本文档来自技高网...

【技术保护点】
1.残差卷积神经网络的隧道围岩级别智能判定方法，其特征在于，包括如下步骤：/n步骤一.采集隧道掌子面高分辨率图像数据，构建样本库；/n步骤二.从步骤一得到的样本库中随机选取大于70％比例数量的样本作为训练集，剩余的作为测试集，并采用数据增广方法进行样本集的扩充,使其满足后续神经网络训练所需要的样本数量；/n步骤三.构建残差深度卷积神经网络，用于学习训练，通过训练不断降低损失函数值并更新网络权重参数，经过多次训练后，得到学习后更新了网络权重参数的神经网络；/n所述残差深度卷积神经网络中包括多个顺序连接的残差块,所述残差块的数据处理方式包括直线连接和跳跃连接,所述直线连接为将上一层输出作为本层原始输入逐步进行卷积、归一化、激活处理；所述跳跃连接直接将上一层输出与所述直线连接输出处进行张量元素内容相加；/n所述残差块将加和结果直接作为残差块处理结果进行输出；/n步骤四.选择需要进行围岩分级的图像，作为卷积神经网络的输入，通过步骤三得到的卷积神经网络的迭代，并应用对应围岩分级训练集训练学习得到的网络权重参数，输出围岩对应级别预测；根据所得到的围岩级别预测，返回隧道掌子面对应的围岩分级评定结果。/n...

【技术特征摘要】
1.残差卷积神经网络的隧道围岩级别智能判定方法，其特征在于，包括如下步骤：
步骤一.采集隧道掌子面高分辨率图像数据，构建样本库；
步骤二.从步骤一得到的样本库中随机选取大于70％比例数量的样本作为训练集，剩余的作为测试集，并采用数据增广方法进行样本集的扩充,使其满足后续神经网络训练所需要的样本数量；
步骤三.构建残差深度卷积神经网络，用于学习训练，通过训练不断降低损失函数值并更新网络权重参数，经过多次训练后，得到学习后更新了网络权重参数的神经网络；
所述残差深度卷积神经网络中包括多个顺序连接的残差块,所述残差块的数据处理方式包括直线连接和跳跃连接,所述直线连接为将上一层输出作为本层原始输入逐步进行卷积、归一化、激活处理；所述跳跃连接直接将上一层输出与所述直线连接输出处进行张量元素内容相加；
所述残差块将加和结果直接作为残差块处理结果进行输出；
步骤四.选择需要进行围岩分级的图像，作为卷积神经网络的输入，通过步骤三得到的卷积神经网络的迭代，并应用对应围岩分级训练集训练学习得到的网络权重参数，输出围岩对应级别预测；根据所得到的围岩级别预测，返回隧道掌子面对应的围岩分级评定结果。


2.如权利要求1所述的智能判定方法，其特征在于，所述步骤一中还包括对图像进行预处理的步骤；具体操作步骤如下：
将图像的R、G、B三个像素通道分解成单通道，对三个通道分别进行直方图均衡化，均衡化处理后的结果再进行合成，得到均衡化后的图像。


3.如权利要求1所述的智能判定方法，其特征在于，所述步骤2中数据增广可以引入imutils图像处理包对图像进行处理，具体步骤为：
调用该包的paths.list_images()函数查找从步骤一中得到的样本库的全部图像，并抓取图像路径，罗列所有文件，并将路径保存至变量imagePaths中，抓取图像的路径，将每张图像加载至内存，随后初始化图像处理包中的data和labels数组，循环遍历imagePaths，将原始像素强度调整到范围[0,1]完成图像数据预处理；
然后利用图像处理包cv2模块的imread()接口读入图像数据，并利用resize()接口将图像尺寸修改，利用img_to_array()函数将图片转化成数组，将转换后的数组存入data数组中；
从图像路径中提取类标签并更新标签列表完成多类标签的解析，将标签名添加至图像处理包的labels数组中，导入机器学习库scikit-learn库，使用LabelBinarizer()函数完成labels数组的标签二值化；
从sklearn.model_selection函数中导入train_test_split()函数，将数据集data、标签集labels作为参数传入train_test_split()函数；
将图像数据划分为训练集和测试集并进行数据增广。


4.如权利要求1所述的智能判定方法，其特征在于，所述步骤三中...

【专利技术属性】
技术研发人员：马春驰，杨罡，李天斌，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：四川;51