一种非接触式隧道掌子面围岩含水量检测方法及系统技术方案

本公开属于隧道施工技术领域，具体涉及一种非接触式隧道掌子面围岩含水量检测方法及系统，包括：获取待检测隧道掌子面围岩的光谱信息和图像信息；对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。测。测。

【技术实现步骤摘要】
一种非接触式隧道掌子面围岩含水量检测方法及系统


[0001]本公开属于隧道施工
，具体涉及一种非接触式隧道掌子面围岩含水量检测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]掌子面围岩富水性是影响围岩稳定的关键因素，也是围岩分级中的重要修正参数。隧道围岩普遍具有吸水软化特性，尤其弱胶结围岩在吸水条件下极易产生结构劣化、强度衰减，是目前此类隧道围岩控制的世界性难题，如果能精准监测隧道围岩动态含水率，隧道在掘进和维护过程中就可以根据不同的围岩含水率变化情况，及时预测隧道围岩破坏情况、判定隧道围岩松动范围，实时调整隧道围岩支护参数及补强支护方案，对隧道围岩冒顶事故的发生做到早预防早治理，提高隧道掘进及服务期间的安全性。
[0004]据专利技术人了解，现有的隧道围岩含水率检测方法通常需要人工定期巡检并记录下出水位置和出水情况，对于重点出水区域，需要进一步实施打孔作业，安装含水率检测设备进行出水量的检测，检测设备在使用前需要进行检验校正，安装过程中还应对仪器、传感器、材料、传输导线进行连续性检验，以保证设备质量的稳定性，含水率检测设备的安装和使用过程十分繁琐并且需要定期检查更换部件，整体检测工作强度繁重。在现有的检测条件下，含水率检测数据实时性差，数据处理效率低，难以及时对井下透水事故进行预报预警。

技术实现思路

[0005]为了解决上述问题，本公开提出了一种非接触式隧道掌子面围岩含水量检测方法及系统，通过图像信息对隧道围岩各个区域的富水程度进行判识，对于没有明显富水特征的区域，通过提取光谱信息可进一步对围岩含水量进行检测。
[0006]根据一些实施例，本公开的第一方案提供了一种非接触式隧道掌子面围岩含水量检测方法，采用如下技术方案：
[0007]一种非接触式隧道掌子面围岩含水量检测方法，包括：
[0008]获取待检测隧道掌子面围岩的光谱信息和图像信息；
[0009]对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；
[0010]根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；
[0011]对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；
[0012]根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。
[0013]作为进一步的技术限定，通过预加热后的光谱成像仪拍摄隧道前方的待检测掌子面围岩图像，获取待检测隧道掌子面围岩的光谱信息和图像信息。
[0014]作为进一步的技术限定，在对所获取的图像信息进行出水状况的识别判断之前，采用yolov5目标检测进行所获取的待检测隧道掌子面围岩的图像信息的检测，对检测后的图像信息进行图像分区，得到分区图像。
[0015]进一步的，采用TensorFlow深度学习算法识别判断所获取的分区图像，通过预设的分类识别模型判断所述分区图像中的掌子面围岩的出水类型；
[0016]其中，所述预设的分类识别模型采用Inception
‑
ResNet
‑
V2分类识别模型，使用不同大小的卷积核提取图像特征，同时计算1
×
1卷积、3
×
3卷积和5
×
5卷积，分别将输出结果沿通道维度堆叠，将堆叠后的输出结果传递到下一层，完成掌子面围岩出水类型的识别判断。
[0017]作为进一步的技术限定，所述掌子面围岩的出水类型包括表面干燥区域、潮湿或点滴状出水、股状或线状流水和涌泉状出水；在所得到的表面干燥的图像中选择掌子面围岩控制点。
[0018]作为进一步的技术限定，在对所获取的待检测隧道掌子面围岩得光谱信息和图像信息进行融合的过程中，采用均值归一化方法进行图像信息和光谱信息的融合，分别将图像信息和光谱信息的特征值归一化到指定区间内，得到掌子面围岩的图像光谱矩阵。
[0019]作为进一步的技术限定，根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测的具体过程为：
[0020]建立掌子面围岩含水量样本库；
[0021]构建所述含水量样本库和所述掌子面围岩的图像光谱矩阵之间的映射关系；
[0022]根据所得到的映射关系构建最小二乘支持向量机函数；
[0023]对所得到的最小二乘支持向量机函数优化求解，完成隧道掌子面围岩的含水量检测。
[0024]根据一些实施例，本公开的第二方案提供了一种非接触式隧道掌子面围岩含水量检测系统，采用如下技术方案：
[0025]一种非接触式隧道掌子面围岩含水量检测系统，包括：
[0026]获取模块，其被配置为获取待检测隧道掌子面围岩的光谱信息和图像信息；
[0027]识别模块，其被配置为对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；
[0028]选择模块，其被配置为根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；
[0029]计算模块，其被配置为对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；
[0030]检测模块，其被配置为根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。
[0031]根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
[0032]一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的非接触式隧道掌子面围岩含水量检测方法中的步骤。
[0033]根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
[0034]一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的非接触式隧道掌子面围岩含水量检测方法中的步骤。
[0035]与现有技术相比，本公开的有益效果为：
[0036]本公开为判别掌子面围岩的不同富水程度提供了一种新的方法；通过高光谱成像仪对隧道围岩图像进行远程无接触采集，通过预训练的神经网络根据图像信息在宏观尺度上对围岩富水性进行判识，对于表面干燥区域的区域，可通过提取控制点处的光谱信息对含水量进行进一步检测。相较于传统的钻孔测量方法，本方法能对隧道前方的掌子面围岩含水量进行非接触检测，其操作简单、易于实现，含水率检测数据实时性强，数据处理效率高，可以智能化监测隧道围岩动态含水率，从而及时对井下透水事故进行预报预警，提高隧道掘进及服务期间的安全性。
附图说明
[0037]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0038]图1是本公开实施例一中的非接触式隧道掌子面围岩含水量检测方法的流程图；
[0039]图2是本公开实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非接触式隧道掌子面围岩含水量检测方法，其特征在于，包括：获取待检测隧道掌子面围岩的光谱信息和图像信息；对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。2.如权利要求1中所述的一种非接触式隧道掌子面围岩含水量检测方法，其特征在于，通过预加热后的光谱成像仪拍摄隧道前方的待检测掌子面围岩图像，获取待检测隧道掌子面围岩的光谱信息和图像信息。3.如权利要求1中所述的一种非接触式隧道掌子面围岩含水量检测方法，其特征在于，在对所获取的图像信息进行出水状况的识别判断之前，采用yolov5目标检测进行所获取的待检测隧道掌子面围岩的图像信息的检测，对检测后的图像信息进行图像分区，得到分区图像。4.如权利要求3中所述的一种非接触式隧道掌子面围岩含水量检测方法，其特征在于，采用TensorFlow深度学习算法识别判断所获取的分区图像，通过预设的分类识别模型判断所述分区图像中的掌子面围岩的出水类型；其中，所述预设的分类识别模型采用Incepti on
‑
ResNet
‑
V2分类识别模型，使用不同大小的卷积核提取图像特征，同时计算1
×
1卷积、3
×
3卷积和5
×
5卷积，分别将输出结果沿通道维度堆叠，将堆叠后的输出结果传递到下一层，完成掌子面围岩出水类型的识别判断。5.如权利要求1中所述的一种非接触式隧道掌子面围岩含水量检测方法，其特征在于，所述掌子面围岩的出水类型包括表面干燥区域、潮湿或点滴状出水、股状或线状流水和涌泉状出水；在所得到的表面干燥区...

【专利技术属性】
技术研发人员：李术才，贺迎春，李轶惠，李珊，马瑞阳，向航，潘东东，林鹏，许振浩，
申请(专利权)人：山东大学，
类型：发明
国别省市：