[发明专利]掌子面地质检测方法

说明书

本申请公开了一种隧道施工过程掌子面地质情况检测方法。其中，方法包括基于深度学习算法，利用样本数据集训练图像实例分割神经网络得到图像实例分割模型，样本数据集包括多个不同地质级别的岩渣样本图像，各岩渣样本图像均设置地质类别标签且在图像中标记块状岩渣和片状岩渣的轮廓。调用图像实例分割模型分析待识别岩渣图像，得到实体渣土中各岩渣对应在待识别岩渣图像中分割的轮廓数据和实体渣土隶属各级地质级别的概率值。根据轮廓数据计算块状岩渣、片状岩渣和岩粉在实体渣土中的含量值，并结合初始分类结果确定正在掘进的掌子面所属地质级别，克服人工检测TBM隧道施工地质情况的弊端的同时不降低地质分析准确度，提升隧道施工智能化程度。

技术领域

本申请涉及隧道掘进技术领域，特别是涉及一种掌子面地质情况检测方法。

背景技术

TBM(Tunnel Boring Machine，全断面隧道掘进机)通过诸如软岩、断层带和风化岩等软弱围岩时，往往会由于强烈挤压变形和破坏而发生卡机、塌方、突涌水等事故，为了预知在掘进施工过程中围岩情况，通常需要对掌子面的地质进行分析。

传统地质分析通常采用人工观察、专家经验或雷达探测，这些方法均依赖人工手段，判断地质风险较为困难。大多数山岭隧道或高海拔地区不利于人工详细地勘工作开展，进一步增加依赖人工手段的地质分析的难度。此外，TBM施工过程中地质判断多依靠操作手经验，会存在疏忽、误判或人员经验不足的情况。为了解决传统地质分析方法的弊端，在进行TBM隧道施工地质检测过程中，采用深度学习方法对岩渣图像进行分析得到地质情况的现有技术应用而生。

一种相关技术为通过对采集的岩渣图像来获取围岩级别关联敏感特征集，然后采用AP聚类方法划分数据样本，并做LSSVM回归得到K个子模型，根据模型进行加权融合，得到围岩类别值。另外一种相关技术为通过渣片拍摄装置获取渣片图像，根据时间记录渣片图像的渣片所在位置的围岩信息，对整幅渣片图像进行纹理特征提取，组成特征向量作为模型输入矩阵，取与渣片图像对应的围岩信息进行离散化和数值化建立矩阵作为模型目标矩阵，将模型输入矩阵和模型目标矩阵输入机器学习模型进行训练输出成熟训练模型，获取新的渣片图像的特征向量，输入成熟训练模型，预测围岩信息。

上述相关技术中，由于渣片堆叠、遮挡、覆盖、粉状与含水及刀盘切削影响，边缘提取、分水岭等图像处理提取岩渣特征效果差，导致常见机器学习分类模型识别准确度低。良好地质下，岩渣粒径较小，大量片状岩渣堆叠在一起，提取的轮廓模糊、单块提取多个轮廓，多块岩渣轮廓连接在一起；由于地下水和皮带冲洗等因素导致岩渣含水量较大，小颗粒边界不清晰，不好区分，识别准确率较低。鉴于此，如何在有效克服依赖人工检测TBM隧道施工地质情况弊端的基础上，不降低地质分析准确度，是所属领域技术人员需要解决的技术问题。

发明内容

本申请提供了一种掌子面地质情况检测方法，在有效克服依赖人工检测TBM隧道施工地质情况的弊端的同时还不降低地质分析准确度，减少了不必要人员的投入，降低人为误判影响，推动隧道施工智能化的发展。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种掌子面地质情况检测方法，包括：

调用预先训练好的图像实例分割模型分析待识别岩渣图像，得到实体渣土中各岩渣对应在所述待识别岩渣图像中的轮廓数据和初始分类结果；

根据所述轮廓数据计算块状岩渣、片状岩渣和岩粉在所述实体渣土中的含量值；

根据所述含量值和所述初始分类结果确定正在掘进的掌子面所属地质级别；

其中，所述图像实例分割模型为基于深度学习算法，利用样本数据集训练图像实例分割神经网络所得，所述样本数据集包括多个不同地质级别的岩渣样本图像，各岩渣样本图像均设置地质类别标签且在图像中标记块状岩渣和片状岩渣的轮廓；所述初始分类结果为所述实体渣土隶属各级地质级别的概率值。