【技术实现步骤摘要】
本专利技术涉及隧道施工，具体涉及一种衬砌浇筑拱顶脱空识别方法。
技术介绍
1、随着全球基础设施建设的日益增长，隧道作为其中的关键组成部分，其安全和稳固性受到了广大工程师和研究者的高度重视。其中，隧道拱顶的衬砌脱空是一个影响隧道安全的主要问题，尤其在复杂的地质环境和恶劣的天气条件下，隧道拱顶的脱空现象可能导致严重的安全隐患。
2、主动防脱空技术虽然能够在浇筑初期进行评估，但其评估的持续性受到混凝土龄期自然收缩的影响，导致评估结果可能不够准确。同时，这类技术对于已经存在的脱空难以进行有效的检测，因此其应用范围受到一定限制。
3、另一方面，被动防脱空技术，如地质雷达法、敲击法和钻芯法等，在隧道运营后的安全监测中得到了广泛的应用。但这些方法也存在诸多问题。例如，地质雷达法受到电磁波屏蔽效应干扰，易出现误判漏判现象；敲击法检测效率较低，因受到边缘效应以及介质差异的影响，难以进行定量化检测且人工成本高昂。
4、因此，需要一种能够在隧道拱顶浇筑后对脱空现象进行实时、高效、准确的检测方法，确保隧道的安全性。
技术实现思路
1、本专利技术所要解决的技术问题是主动防脱技术和被动防脱技术均不能对脱空现象进行有效的检测，目的在于提供一种衬砌浇筑拱顶脱空识别方法，实现了对脱空现象进行实时、高效、准确的检测，确保隧道的安全性。
2、本专利技术通过下述技术方案实现：
3、一种衬砌浇筑拱顶脱空识别方法，包括：
4、s1、预设隧道拱顶的坐标系，
5、s2、将温度数据分配至预设的坐标系内；
6、s3、采用随机数法生成模拟数据，通过克里金法插值生成温度等值热力灰度图，获取实测数据并生成实测数据对应的温度等值热力灰度图，结合实测数据和模拟数据，获得待处理数据集与验证集；
7、s4、对数据集进行图像预处理和数据增强，获得训练样本；
8、s5、构建预训练深度卷积神经网络模型，并通过训练样本对其进行训练；深度卷积神经网络模型的损失函数包括交叉熵损失函数和dice损失函数；
9、s6、通过验证样本对训练完成的深度卷积神经网络模型进行有效评估，若不满足精度要求，则将训后的神经网络模型作为预训练深度卷积神经模型重新返回步骤s5；若满足精度要求，则获得训练好的深度卷积神经网络模型；
10、s7、获取实时数据对应的温度等值热力灰度图，并将其输入至训练好的深度卷积神经网络模型，完成对衬砌脱空区域轮廓提取和面积计算，获得检测范围内拱顶脱空面积和坐标位置。
11、具体地，实时数据的获得方法为：预埋温度传感器至隧道拱顶内，多个温度传感器呈矩阵分布，且沿隧道拱顶的中线设置。
12、可选地，温度等值热力灰度图的生成方法具体为：对温度数据采用克里金法进行插值，生成温度等值线，调用seaborn中的heatmap方法自动生成温度等值热力灰度图。
13、所述模拟数据的获得方法具体为：建立坐标系，坐标网格化，在每个网格点生成模拟随机温度值，利用克里金法插值生成模拟温度等值线灰度；
14、待处理数据集与验证集的获得方法为：结合实测数据和模拟数据，通过手工工程进行特征标记获得带有标签的数据集，将数据集打乱并按照设定的的数量比例随机分配为待处理数据集与验证集。
15、可选地，图像预处理和数据增强的方法具体为：图像尺寸调整、图像翻转、magic数据增强换和色域扭曲。
16、可选地，深度卷积神经网络模型包括主干特征提取部分、加强特征提取部分和预测部分，训练方法包括：
17、输入训练样本，并将样本图像调整为三个不同的尺寸；
18、进入第一层网络，进行两次卷积和最大池化层，获得第一特征层；
19、进入第二层网络，进行两次卷积和最大池化层，获得第二特征层；
20、进入第三层网络，进行三次卷积与最大池化层，获得第三特征层；
21、进入第四层网络，进行三次卷积与最大池化层，获得第四特征层；
22、进入第五层网络，进行三级卷积，获得初步有效特征层；
23、将第一特征层、第二特征层、第三特征层、第四特征层和初步有效特征层输入至加强特征提取网络进行多尺度特征融合，获得与输入的训练样本尺寸相同的最终有效特征层；
24、以手工标注的带有标签的像素对象为标准进行像素分类，其中带标签对象为脱空类，其余为背景类，获得当次训练世代的模型权重，利用获得的神经网络模型权重对验证数据集进行预测，计算本次训练结果的验证损失val_loss值，当val_loss小于0.05且连续三次世代不再下降则视为模型收敛，当不满足时则将当前模型权重更新为初始模型权重继续迭代直至满足精度要求收敛为止；
25、保存收敛后神经网络模型权重，即可对工程实测的数据进行脱空目标预测，预测结果由带有脱空标签的像素点的集合组成；
26、进行衬砌脱空区域轮廓提取和面积计算，包括：
27、利用训练好的深度卷积网络模型对实测数据进行逐像素点分类预测，获得带有脱空标签的像素点坐标集合；
28、逐行遍历对象坐标，获得各行的最大坐标和最小坐标的集合；
29、逐列遍历对象坐标，获得各列最大坐标和最小坐标的集合；
30、将所有极值坐标连线即可获得各脱空区域的轮廓曲线，并用opencv计算并返回各目标区域的面积。
31、可选地，深度卷积神经网络模型的超参数的训练方法包括初始训练和精细训练：
32、初始训练阶段：
33、将学习率设置为10-4，当连续3次的训练损失未下降，则将学习率设置为并继续训练；
34、若连续10次的训练损失均为下降，则完成初始训练；
35、精细训练阶段：
36、将学习率设置为10-5，batch-size设置为2，若连续10次的训练损失未下降，则完成精细训练；
37、交叉熵损失函数为：其中m为类别的数量，n为样本总数，yic为符号函数(0或1)，如果样本i的真实类别等于c取1，否则取0，pic为观测样本：i属于类别，c的预测概率。
38、dice损失函数为：其中，x|和|y|表示分割的真值(groundtrue)和预测掩码(predict_mask)。
39、可选地，评价指标为ap值：其中p(r)为p-r曲线上的预测值，ap为p-r曲线与坐标轴的包络面积；通过ap值进行有效评估的方法为：设定ap阈值，若计算的ap值不小于ap阈值，则评估深度卷积神经网络模型为有效。
40、本专利技术与现有技术相比，具有如下的优点和有益效果：
41、本专利技术提出了一种衬砌浇筑拱顶脱空识别方法，首先预设隧道拱顶的坐标系，并获取隧道拱顶的温度数据，再通过图像预处理、数据增强以及深度卷积神经网络模型的构建和训练，来进行拱顶脱空的识别本文档来自技高网...
【技术保护点】
1.一种衬砌浇筑拱顶脱空识别方法，其特征在于，包括：
2.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，实时数据的获得方法为：预埋温度传感器至隧道拱顶内，多个温度传感器呈矩阵分布，且沿隧道拱顶的中线设置。
3.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，温度等值热力灰度图的生成方法具体为：对温度数据采用克里金法进行插值，生成温度等值线，调用seaborn中的heatmap方法自动生成温度等值热力灰度图。
4.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，所述模拟数据的获得方法具体为：建立坐标系，坐标网格化，在每个网格点生成模拟随机温度值，利用克里金法插值生成模拟温度等值线灰度；
5.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，图像预处理和数据增强的方法具体为：图像尺寸调整、图像翻转、Magic数据增强换和色域扭曲。
6.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，深度卷积神经网络模型包括主干特征提取部分、加强特征提取部分和预测部分，训练
7.根据权利要求6所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，进行衬砌脱空区域轮廓提取和面积计算的方法包括：
8.根据权利要求6所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，深度卷积神经网络模型的超参数的训练方法包括初始训练和精细训练：
9.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，评价指标为AP值：其中P(r)为P-R曲线上的预测值，AP为P-R曲线与坐标轴的包络面积。
10.根据权利要求9所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，通过AP值进行有效评估的方法为：设定AP阈值，若计算的AP值不小于AP阈值，则评估深度卷积神经网络模型为有效。
...【技术特征摘要】
1.一种衬砌浇筑拱顶脱空识别方法，其特征在于，包括：
2.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，实时数据的获得方法为：预埋温度传感器至隧道拱顶内，多个温度传感器呈矩阵分布，且沿隧道拱顶的中线设置。
3.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，温度等值热力灰度图的生成方法具体为：对温度数据采用克里金法进行插值，生成温度等值线，调用seaborn中的heatmap方法自动生成温度等值热力灰度图。
4.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，所述模拟数据的获得方法具体为：建立坐标系，坐标网格化，在每个网格点生成模拟随机温度值，利用克里金法插值生成模拟温度等值线灰度；
5.根据权利要求1所述的一种衬砌浇筑拱顶脱空识别方法，其特征在于，图像预处理和数据增强的方法具体为：图像尺寸调整、图像翻转、magic...
【专利技术属性】
技术研发人员：林元铖，周斌，任育珍，杨昱衡，赵峰，于小欣，曾荔，刘姣，李伟瀚，奉建军，王新宇，张依龙，王厚宽，
申请(专利权)人：中铁西南科学研究院有限公司，
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。