【技术实现步骤摘要】
一种隧道掌子面岩体节理裂隙识别方法及识别装置
[0001]本专利技术涉及隧道工程检测
，具体涉及一种隧道掌子面岩体节理裂隙识别方法及识别装置。
技术介绍
[0002]隧道工程作为隐蔽性工程，复杂的地质环境一直是建设者们面临的重大难题。隧道掌子面作为揭露这一复杂地质条件最直观的载体，承载了各种类型的地质信息。其中，掌子面岩体的节理裂隙是最常用到的地质预报信息，直观反映了掌子面的完整性，是判断围岩等级和施工安全性的重要指标。掌子面节理裂隙的检测不准确将影响围岩等级的判断，造成修建事故或者支护浪费，甚至威胁后期的运营安全。
[0003]传统的隧道掌子面节理裂隙检测以人工素描方式为主，通过人眼观测掌子面节理裂隙位置，绘制在素描纸张上并进行存档。人工素描方式不仅效率低下，且素描结果受工作人员主观影响严重，在实际工作中经常出现错检和漏检的现象。
[0004]随着计算机性能的快速提升，数字图像处理和三维点云处理方法逐步应用于隧道掌子面节理裂隙的识别。数字图像处理方法的核心是图像处理与特征提取，通过数字图像处理算法如形...
【技术保护点】
【技术特征摘要】
1.一种隧道掌子面岩体节理裂隙识别方法，其特征在于，包括以下步骤：步骤S1、收集隧道掌子面岩体图像数据，制作样本库；步骤S2、采用标注软件对步骤S1中的所述样本库中的数据进行标注，形成标签；在所述标签中包含真实框；由所述标签和所述样本库组成数据集；步骤S3、根据步骤S2中的数据集，构建权重参数优化后的Mask R
‑
CNN深度学习网络模型，用于自动定位框选掌子面岩体图像中的岩体节理裂隙目标并对其进行掩码分割；其中，构建的步骤包括：步骤S3.1、构建主干网络Resnet101和主干网络FPN；步骤S3.2、构建区域建议网络RPN，生成建议框；步骤S3.3、利用ROIAlign根据步骤S3.2生成的建议框的坐标和大小，并形成ROIAlign操作的输出，生成了尺寸统一的ROI框；步骤S3.4、对步骤S3.3生成的ROI框进行具体分类和精调以获得掩码分类模型，并生成mask掩码；步骤S3.5、采用最终训练误差函数获得权重参数优化后的Mask R
‑
CNN深度学习网络模型；步骤S4、根据步骤S3掩码分割得到节理裂隙掩码像素含量M，经过多级处理得到整个掌子面岩体节理裂隙的数量、长度和宽度信息。2.根据权利要求1所述的隧道掌子面岩体节理裂隙识别方法，其特征在于，在步骤S3中，步骤S3.1具体为：所述Resnet101包括Transformer注意力机制和多个残差神经网络处理单元；各所述残差神经网络处理单元均包括Conv Block残差神经网络和多个串联设置的Identity Block残差神经网络，所述Conv Block残差神经网的输入端接收所述数据集中的掌子面岩体图像，用于改变掌子面岩体图像维度大小，而输出端连接Identity Block残差神经网络；在所述Identity Block残差神经网络中设置可变形卷积，所述可变形卷积与Transformer注意力机制连接，用于提取出掌子面岩体图像不规则的结构面特征信息C1
‑
C4；将结构面特征信息C1
‑
C4经FPN卷积、上采样和最大池化处理得到有效特征层P1
‑
P5；步骤S3.2具体为：首先，采用RPN自动生成先验框；其次，RPN基于先验框以滑动扫描的方式遍历有效特征层P1
‑
P5中的每一个像素；然后，计算先验框与真实框的交集与并集的比值IOU，若IOU＞70%，则先验框被标定为正样本；若IOU＜30%，则先验框被标定为负样本；若70%≥IOU≥30%，则先验框被称为中性样本，不参与训练过程而被剔除；被筛选为正样本和负样本的先验框，通过RPN训练误差函数训练判定先验框类别的模型，构建出区域建议网络RPN；其中，RPN训练误差函数采用式（1）表示：（1）；在式（1）中，表示先验框的索引，表示预测先验框为正样本的概率，真实标注框标签等于1表示先验框为正样本，真实标注框标签等于0表示先验框为负样本，表
示与预测框的中心横坐标、中心纵坐标、预测框的宽度和预测框的高度相关的向量，表示与真实框的中心横坐标、中心纵坐标、真实框的宽度和真实框的高度相关的向量，分类误差函数为正样本和负样本两个类的对数误差，与分别表示参与层与层的样本数量，表示正则化参数，表示回归误差函数；最后，由所述区域建议网络RPN自动生成包含节理裂隙目标物体的建议框；步骤S3.3中的ROIAlign为Region of Interest Align，利用Region of ...
【专利技术属性】
技术研发人员：雷明锋，张运波，肖勇卓，王卫东，贾朝军，施成华，丁家浩，黄娟，杨伟超，
申请(专利权)人：中南大学，
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。