[发明专利]一种基于深度学习的渣土流塑性自动检测方法及系统

说明书

本发明公开了一种基于深度学习的渣土流塑性自动检测方法和系统，其方法包括：对渣土流塑性进行分类以建立不同类型的训练集；以Resnet网络作为基础网络构建深层卷积神经网络模型；将训练集输入所述模型的输入层，获取三维原始特征映射S∈R^c×h×w，将原始特征映射S分别输入三个具有相同滤波器的卷积层，生成三维数组A、B和C，将三维数组A转换为二维数组后转置形成二维数组D，将三维数组B和C分别转换为二维数组E和F，进行逻辑运算形成二维数组G，进行逻辑运算形成二维数组H，将二维数组H转换为三维数组并与原始特征映射S求和以更新模型；对模型进行渣土流塑性分类训练，得到用于识别渣土流塑性类别的自动检测模型。

技术领域

本发明属于隧道施工安全技术领域，更具体地，涉及一种基于深度学习的渣土流塑性自动检测方法及系统。

背景技术

随着轨道交通的发展，修建隧道已成为比较普遍的通行方式。土压平衡盾构因其施工速度快、对周围环境影响小、自动化程度高等特点，已成为城市地铁隧道施工的主要方法，土压平衡盾构关键是实现土仓内外的压力平衡和土仓内出入土量的平衡，而土仓内外的压力平衡主要是通过排土量的控制来实现。在施工过程中，盾构机穿越的地层往往复杂多变，盾构过程开始后很难更改其硬件装置，因此需要在盾构过程中实时对土仓内的渣土进行改良，使渣土具有良好的流塑性，减少掘进过程中每环总推力和总扭矩的变化幅度，进而提高盾构稳定性，如改良不当则会造成“结泥饼”和“喷涌”等现象，严重影响施工效率。因此，需要对改良后的渣土进行监控以判断当前渣土改良控制是否得当，一旦发现改良后的渣土质量不符合要求，则及时调整改良控制方式。目前所采用的的监测方式是对出渣口进行人工监测，然而，人工监测的方式效率低下，且受主观影响较大，监测结果容易出现误判断，使盾构机施工安全存在隐患。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于深度学习的渣土流塑性自动检测方法及系统，其目的在于提供智能化渣土识别技术，在盾构机穿越地层期间提高对改良渣土的监测效率和准确度，从而提高盾构机施工的安全性和稳定性。

为实现上述目的，按照本发明的一个方面，提供了一种基于深度学习的渣土流塑性自动检测方法，其包括：

获取渣土图像，提取渣土图像的特征信息并对渣土流塑性进行分类以建立不同类型的训练集；

以Resnet网络作为基础网络构建深层卷积神经网络模型,所述深层卷积神经网络模型包括输入层、隐含层和输出层；

将所述训练集输入所述模型的输入层，获取输入层至隐含层的三维原始特征映射S∈R^c×h×w，其中，w是数组宽度，h是数组高度，c是通道数，将原始特征映射S分别输入三个具有相同滤波器的卷积层，生成三维数组A、三维数组B和三维数组C，将三维数组A转换为二维数组后转置形成二维数组D，将三维数组B和三维数组C分别转换为二维数组E和二维数组F，D,E,F∈R^c×n,n＝h×w，将二维数组D和二维数组E进行逻辑运算形成二维数组G，二维数组G种第i行第j列的数值为将二维数组G与二维数组F进行逻辑运算形成二维数组H，二维数组H中第i行的数据其中，θ为从0开始学习的权重，将二维数组H转换为三维数组并与原始特征映射S求和以更新模型的特征映射；

对更新后的模型进行渣土流塑性分类训练直至损失函数到达预设收敛程度，得到用于识别渣土流塑性类别的自动检测模型。

优选地，还包括，获取渣土图像并输入所述自动检测模型，利用所述自动检测模型对渣土的流塑性进行识别与分类。

优选地，根据渣土的流塑性将渣土分为干土、湿土和合适土。

优选地，所述层卷积神经网络模型还包括softmax层，所述将二维数组D和二维数组E进行逻辑运算，包括，通过softmax层对二维数组D和二维数组E进行逻辑运算。

优选地，所述滤波器为3*3维滤波器。

优选地，