一种检测围岩稳定性的方法及装置制造方法及图纸

本发明专利技术提供了一种检测围岩稳定性的方法及装置，方法包括：获取样本隧道围岩的可见光图像与红外热成像图像，分别对可见光图像与红外热成像图像进行标注；基于标注的可见光图像与红外热成像图像，预训练异常目标检测网络；基于预训练的异常目标检测网络输出的异常目标预测位置、异常目标对应的类别以及标注的异常目标的位置、异常目标对应的类别，利用奖励函数，对预训练的异常目标检测网络进行基于强化学习的异常目标检测网络参数更新；获取待检测隧道围岩的可见光图像与红外热成像图像，输入进行异常目标检测网络参数更新的异常目标检测网络，获取异常目标预测结果，基于该异常目标预测结果确定是否稳定。可以提高围岩稳定性检测的准确性。性检测的准确性。性检测的准确性。

【技术实现步骤摘要】
一种检测围岩稳定性的方法及装置


[0001]本专利技术涉及地质监测
，具体而言，涉及一种检测围岩稳定性的方法及装置。

技术介绍

[0002]隧道在交通运输中具有重要的作用，围岩稳定性是影响隧道工程安全的主要因素，围岩松落、坍塌等会严重威胁人身安全与财产安全。以具有发生过程极短、发生规模超大、安全影响巨大等特点的掌子面失稳为例，当开挖过程中初支等前期处理操作不当或开挖面土体面临突然载荷时，往往会在一瞬间发生大面积的掌子面岩体失稳，此后可能会伴随着断断续续的成股成规模的沙土滑落，也可能伴随着二次、三次的土体垮塌。因此，有效监控轨道交通暗挖施工过程中已开挖土体和开挖掌子面处的围岩稳定性，及时发现隧道围岩稳定性的异常变化，以及时发布预警并跟踪记录，对于及时排查险情有着巨大的意义。
[0003]目前，一般采用基于深度学习的目标检测算法，对围岩稳定性进行检测。例如，通过生成建议框(region proposal)，从建议框中提取图像特征，并基于区域分类器判别建议框对应图像特征所属的目标类别，对图像特征每个位置上的目标进行分类预测，从而获取目标的围岩稳定性检测结果。但该方法，在面对隧道围岩失稳及继发危害等复杂场景的情况时，极易出现漏检、重检、错检的状况，极大的降低了隧道围岩稳定性检测的准确性与时效性。

技术实现思路

[0004]有鉴于此，本专利技术的目的在于提供检测围岩稳定性的方法及装置，以提高围岩稳定性检测的准确性。
[0005]第一方面，本专利技术实施例提供了检测围岩稳定性的方法，包括：<br/>[0006]获取样本隧道围岩的可见光图像与红外热成像图像，分别对可见光图像与红外热成像图像进行标注；
[0007]基于标注的可见光图像与红外热成像图像，预训练异常目标检测网络；
[0008]基于预训练的异常目标检测网络输出的异常目标预测位置、异常目标对应的类别以及标注的异常目标的位置、异常目标对应的类别，利用奖励函数，对预训练的异常目标检测网络进行基于强化学习的异常目标检测网络参数更新；
[0009]获取待检测隧道围岩的可见光图像与红外热成像图像，输入进行异常目标检测网络参数更新的异常目标检测网络，获取所述待检测隧道围岩的异常目标预测结果，基于该异常目标预测结果确定所述待检测隧道围岩的稳定性。
[0010]结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，在所述获取样本隧道围岩的可见光图像与红外热成像图像之后，分别对可见光图像与红外热成像图像进行标注之前，所述方法还包括：
[0011]对获取的可见光图像与红外热成像图像进行预处理。
[0012]结合第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，所述预处理包括：图像旋转、图像模糊、图像锐化、图像增晰、图像尺寸变换中的一项或任意组合。
[0013]结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述基于标注的可见光图像与红外热成像图像，预训练异常目标检测网络，包括：
[0014]将可见光图像与红外热成像图像分别输入异常目标检测网络的通道交换特征提取模块，获取对应的图像特征；
[0015]利用可见
‑
红外特征融合模块，对获取的可见光图像对应的图像特征与红外热成像图像对应的图像特征进行特征融合，得到融合特征；
[0016]将融合特征输入异常目标回归模块，基于异常目标回归模块输出的异常目标预测结果与标注的可见光图像与红外热成像图像，对异常目标检测网络进行训练。
[0017]结合第一方面的第三种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述基于异常目标回归模块输出的异常目标预测结果与标注的可见光图像与红外热成像图像，对异常目标检测网络进行训练，包括：
[0018]获取异常目标回归模块输出的异常目标预测位置、位置预测置信度、异常目标对应的类别概率分布，采用yolov4的损失函数，计算与输入图像对应标注的异常目标的位置、异常目标的检测置信度、异常目标对应的类别概率分布之间的差异值；
[0019]基于差异值，进行反向传播，以更新异常目标检测网络参数；
[0020]判断是否达到最大迭代次数，若是，获取迭代过程中损失函数值最小的异常目标检测网络参数，得到完成预训练的异常目标检测网络；若否，执行所述获取异常目标回归模块输出的异常目标预测位置、位置预测置信度、异常目标对应的类别概率分布的步骤。
[0021]结合第一方面、第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一种可能的实施方式，本专利技术实施例提供了第一方面的第五种可能的实施方式，其中，所述基于预训练的异常目标检测网络输出的异常目标预测位置、异常目标对应的类别以及标注的异常目标的位置、异常目标对应的类别，利用奖励函数，对预训练的异常目标检测网络进行基于强化学习的异常目标检测网络参数更新，包括：
[0022]利用奖励函数，获取基于预训练的异常目标检测网络输出的异常目标预测位置、异常目标对应的类别以及标注的异常目标的位置、异常目标对应的类别的奖励值；
[0023]采用策略梯度优化算法，基于奖励值计算基于预训练的异常目标检测网络的异常目标检测网络参数；
[0024]计算异常目标检测网络参数的参数梯度，依据参数梯度反向传播更新异常目标检测网络参数；
[0025]判断是否达到最大迭代次数，若是，获取迭代过程中奖励函数值最高的异常目标检测网络参数，为最终的异常目标检测网络；若否，执行所述利用奖励函数，获取基于预训练的异常目标检测网络输出的异常目标预测位置、异常目标对应的类别以及标注的异常目标的位置、异常目标对应的类别的奖励值的步骤。
[0026]结合第一方面、第一方面的第一种可能的实施方式至第四种可能的实施方式中的任一种可能的实施方式，本专利技术实施例提供了第一方面的第六种可能的实施方式，其中，对所述可见光图像进行标注，包括：
[0027]从采集的可见光图像中，确定出可见光图像中作业掌子面发生围岩失稳变形的异常目标的位置；
[0028]依据各可见光图像中确定出的异常目标的位置，获取异常目标的检测置信度、异常目标对应的类别概率分布。
[0029]第二方面，本专利技术实施例还提供了一种检测围岩稳定性的装置，包括：
[0030]标注模块，用于获取样本隧道围岩的可见光图像与红外热成像图像，分别对可见光图像与红外热成像图像进行标注；
[0031]预训练模块，用于基于标注的可见光图像与红外热成像图像，预训练异常目标检测网络；
[0032]参数更新模块，用于基于预训练的异常目标检测网络输出的异常目标预测位置、异常目标对应的类别以及标注的异常目标的位置、异常目标对应的类别，利用奖励函数，对预训练的异常目标检测网络进行基于强化学习的异常目标检测网络参数更新；
[0033]预测模块，用于获取待检测隧道围岩的可见光图像与红外热成像图像，输入进行异常目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检测围岩稳定性的方法，其特征在于，包括：获取样本隧道围岩的可见光图像与红外热成像图像，分别对可见光图像与红外热成像图像进行标注；基于标注的可见光图像与红外热成像图像，预训练异常目标检测网络；基于预训练的异常目标检测网络输出的异常目标预测位置、异常目标对应的类别以及标注的异常目标的位置、异常目标对应的类别，利用奖励函数，对预训练的异常目标检测网络进行基于强化学习的异常目标检测网络参数更新；获取待检测隧道围岩的可见光图像与红外热成像图像，输入进行异常目标检测网络参数更新的异常目标检测网络，获取所述待检测隧道围岩的异常目标预测结果，基于该异常目标预测结果确定所述待检测隧道围岩的稳定性。2.根据权利要求1所述的方法，其特征在于，在所述获取样本隧道围岩的可见光图像与红外热成像图像之后，分别对可见光图像与红外热成像图像进行标注之前，所述方法还包括：对获取的可见光图像与红外热成像图像进行预处理。3.根据权利要求2所述的方法，其特征在于，所述预处理包括：图像旋转、图像模糊、图像锐化、图像增晰、图像尺寸变换中的一项或任意组合。4.根据权利要求1所述的方法，其特征在于，所述基于标注的可见光图像与红外热成像图像，预训练异常目标检测网络，包括：将可见光图像与红外热成像图像分别输入异常目标检测网络的通道交换特征提取模块，获取对应的图像特征；利用可见
‑
红外特征融合模块，对获取的可见光图像对应的图像特征与红外热成像图像对应的图像特征进行特征融合，得到融合特征；将融合特征输入异常目标回归模块，基于异常目标回归模块输出的异常目标预测结果与标注的可见光图像与红外热成像图像，对异常目标检测网络进行训练。5.根据权利要求4所述的方法，其特征在于，所述基于异常目标回归模块输出的异常目标预测结果与标注的可见光图像与红外热成像图像，对异常目标检测网络进行训练，包括：获取异常目标回归模块输出的异常目标预测位置、位置预测置信度、异常目标对应的类别概率分布，采用yolov4的损失函数，计算与输入图像对应标注的异常目标的位置、异常目标的检测置信度、异常目标对应的类别概率分布之间的差异值；基于差异值，进行反向传播，以更新异常目标检测网络参数；判断是否达到最大迭代次数，若是，获取迭代过程中损失函数值最小的异常目标检测网络参数，得到完成预训练的异常目标检测网络；若否，执行所述获取异常目标回归模块输出的异常目标预测位置、位置预测置信度、异常目标对应的类别概率分布的步骤。6.根据权利要求1至5任一项所述的方法，其特征在于，所述基于预训练的异...

【专利技术属性】
技术研发人员：田桂艳，赵静，蒲豫园，齐航，倪集忠，伊建峰，麻海涛，赵猛，吴青林，王佳宁，田骁，曾勇明，
申请(专利权)人：北京城市轨道交通咨询有限公司，
类型：发明
国别省市：