基于线阵激光和深度学习的岩渣三维形态感知方法与系统技术方案

本发明专利技术提供了一种基于线阵激光和深度学习的岩渣三维形态感知方法与系统，获取基于线阵激光方式采集的岩渣点云图像；对岩渣点云图像进行预处理，修剪其中的无用片段，消除数据中的误差点，分割有效的岩渣点云数据，并进行岩渣特征标记；利用训练后的检测识别网络模型，对预处理后的岩渣点云图像进行处理，所述检测识别网络模型将岩渣点云图像转换为特征图，并提取包含曲率特征的岩渣特征，进行学习挖掘，过滤冗余重叠的检测边界框，得到岩渣粒径体积与识别的边界框结果。本发明专利技术能够实现对岩渣粒度分布的检测识别，可以根据岩渣的点云数据，实现自动化地在线检测实时岩渣粒度分布特征的提取，从而为TBM掘进决策提供数据支持。

【技术实现步骤摘要】

本专利技术属于隧道掘进机施工，具体涉及一种基于线阵激光和深度学习的岩渣三维形态感知方法与系统。

技术介绍

1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。

2、全断面隧道掘进机(tunnel boring machine，tbm)以安全高效绿色的优势得到广泛应用，已成为水利水电引水隧洞、交通运输隧道和矿山巷道等最主要的施工装备之一。

3、然而，tbm对岩体地质条件的适应能力较弱，掘进参数的调控主要依赖对地质条件的定性认识和人为经验判断，导致tbm控制参数优化调整难以很好地匹配岩体地质条件变化。tbm掘进过程中，掌子面前方围岩被刀盘隔绝，难以直接开展原位测试，缺少时效性高的岩体信息作为参考，这是导致tbm掘进依赖人为经验甚至盲目掘进的关键原因之一。

4、岩渣是tbm岩-机作用的直接产物，在表征围岩条件方面具有较高参考价值，其形态特征受围岩完整性与滚刀磨损程度的显著影响，在实际施工中是操作人员研判围岩条件的重要依据。然而传统原位检测方法需要人工筛分大量岩渣，虽然可以获得较为准确的统计信息，但耗本文档来自技高网...

【技术保护点】

1.一种基于线阵激光和深度学习的岩渣三维形态感知方法，其特征是，包括以下步骤：

2.如权利要求1所述的一种基于线阵激光和深度学习的岩渣三维形态感知方法，其特征是，按照设定的三维间隔进行岩渣点云图像的获取，所述三维间隔为岩渣移动速度和图像扫描频率的比值。

3.如权利要求1所述的一种基于线阵激光和深度学习的岩渣三维形态感知方法，其特征是，采用Crop Section算法重叠分割有效的岩渣点云数据，且采用Sustech Points为每个覆盖率低于设定阈值的岩渣标注边界框，并将标注信息保存。

4.如权利要求1所述的一种基于线阵激光和深度学习的岩渣三维形态感知...

【技术特征摘要】

1.一种基于线阵激光和深度学习的岩渣三维形态感知方法，其特征是，包括以下步骤：

2.如权利要求1所述的一种基于线阵激光和深度学习的岩渣三维形态感知方法，其特征是，按照设定的三维间隔进行岩渣点云图像的获取，所述三维间隔为岩渣移动速度和图像扫描频率的比值。

3.如权利要求1所述的一种基于线阵激光和深度学习的岩渣三维形态感知方法，其特征是，采用crop section算法重叠分割有效的岩渣点云数据，且采用sustech points为每个覆盖率低于设定阈值的岩渣标注边界框，并将标注信息保存。

4.如权利要求1所述的一种基于线阵激光和深度学习的岩渣三维形态感知方法，其特征是，所述检测识别网络模型为以yolo3d为基础的mucknet神经网络模型，包括依次连接的输入层、编码器、解码器和输出层，其中，所述输入层用于接收点云图像，并提取特征，yolo3d网络的编码器和解码器用于转换岩渣特征，通过卷积神经网络进行学习挖掘，得到不同尺度下的结构表征，所述输出层用于采用非最大抑制过滤掉冗余重叠的检测边界框。

5.如权利要求1所述的一种基于线阵激光和深度学习的岩渣三维形态感...

【专利技术属性】
技术研发人员：蒋鹏，王亚旭，王少杰，宋佳怡，周致贤，姜子浩，顾一览，李昌蔚，郭浏赫，
申请(专利权)人：山东大学，
类型：发明
国别省市：