【技术实现步骤摘要】
钻爆法隧道掌子面围岩级别智能判识方法、装置及介质
[0001]本专利技术涉及隧道工程
,具体涉及一种钻爆法隧道掌子面围岩级别智能判识方法、装置及介质。
技术介绍
[0002]隧道是地下空间必要建筑物。隧道掌子面围岩级别的预测指导隧道设计、施工,保证隧道施工安全起到了关键性作用。隧道掌子面围岩级别体现了掌子面围岩坚硬程度、完整性程度、出水状态等诸多重要特征,隧道掌子面围岩级别的判识结果是隧道设计参数、施工工序的重要依据。传统的掌子面围岩级别的判识主要通过测量人员人工进行,靠近掌子面围岩进行人工测量增加了危险性程度,耗时耗力,并且受测量人员的主观经验影响较大。
[0003]随着计算机视觉技术的进步,我们可以搜集不同围岩级别的掌子面围岩照片来构建训练集,以卷积神经网络为工具提取同样级别掌子面围岩的共同特征,从而通过照片快速给掌子面围岩分级。
[0004]由于大部分应用场景下,掌子面围岩级别识别任务需要判断不在训练数据集内的掌子面围岩数据,这也就要求掌子面围岩照片的训练数据集包含尽可能多的数据,来提高模型的泛化性。在通常情况下,隧道内比较漆黑,拍照光线存在局部过曝、局部过暗、光线不均匀等问题;由于隧道内振动大,掌子面围岩图像照片存在模糊的问题;由于掌子面前方通常存在台车工作,掌子面围岩图像照片存在被台车遮挡的问题。同时,掌子面围岩照片的数据集需要每个钻进循环去拍照获得,拍照时机短、照片质量要求高、拍照环境恶劣,因此获得满足高泛化性的掌子面围岩级别识别模型是困难的。训练泛化性高的模型除了需要质量高的海量照 ...
【技术保护点】
【技术特征摘要】
1.一种钻爆法隧道掌子面围岩级别智能判识方法,其特征在于,包括如下步骤:S1、构建掌子面围岩照片初始数据集,并按照掌子面围岩级别进行分类;S2、运用非盲去卷积方法修复数据集中的模糊照片;S3、运用R
‑
CNN裁掉照片初始数据集中掌子面被遮挡的区域;S4、采用SSR模型对步骤S3所获得的数据集进行去除光照影响的处理;S5、运用图像数据增广技术对步骤S4处理过后的数据集进行增强处理,得到新的训练数据集;S6、创建新的全连接层和新的掌子面围岩级别输出层,利用新的全连接层和掌子面围岩级别输出层替代在ImageNet开源数据集预训练的Inception
‑
V3模型的原始全连接层和输出层,得到已固定部分模型训练参数的新的掌子面围岩级别智能判识网络模型;S7、利用新的训练数据集重新训练新的掌子面围岩级别智能判识网络模型,获取余下未固定的模型参数,最终完成基于图像的钻爆法隧道掌子面围岩级别智能判识。2.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:在步骤S2中,运用非盲去卷积方法修复数据集中的模糊照片具体包括如下:将模糊的照片转换至灰度空间,通过Gamma反转换恢复到线性空间,初始化一个3
×
3的模糊卷积核K,运用变分贝叶斯和上采样对照片进行金字塔逐层迭代反算模糊卷积核的参数值,最后通过Richardson
‑
Lucy非盲去卷积得到去除模糊之后的照片。3.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:在步骤S3中,运用R
‑
CNN裁掉照片初始数据集中掌子面被遮挡的区域具体包括如下:对于一张掌子面围岩照片利用selective search方法生成2000个候选区域,然后每个候选区域被resize成固定的大小227*227,并送入在开源数据集ImageNet预训练的1000分类的Alexnet模型当中来输出一个特征向量,该特征向量被送入多类别SVM分类器中,预测出候选区域中所含物体的属于每个类的概率值,再通过边界框回归模型对掌子面遮挡范围框的准确位置进行修正,最后根据该框的尺寸对掌子面围岩照片进行环向裁剪。4.根据权利要求1所述的钻爆法隧道掌子面围岩级别智能判识方法,其特征在于:在步骤S4中,采用SSR模型对步骤S3所获得的数据集进行去除光照影响的处理具体包括如下:首先使用OpenCV开源工具从原始三通道RGB图像中提取出长波、中波、短波通道的灰度图,将提取到的三个通道的灰度值映射到对数区域,再分别对三个通道灰度图进行用正态分布来分配周围像素的权重的高斯卷积处理,把三个通道的对数区间灰度值除以高斯卷积处理之后的灰度值后合并,最后将去除光照影响的像素值归一化到[0,255]的区间,得到去除光照影响的掌子面围岩照片数据集。5.根据权利要求1所述的钻爆法隧道掌子面围岩级别...
【专利技术属性】
技术研发人员:王明年,彭鑫,赵思光,林鹏,孙鸿强,李泽星,童建军,易文豪,夏覃永,
申请(专利权)人:西南交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。