[发明专利]基于特征参数自动提取的掌子面图像围岩等级辨识方法

说明书

本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，通过在隧道开挖过程中从现场设备采集隧道掌子面图片，将隧道掌子面图片作为待识别图像，进行裁剪使其符合模型输入尺寸要求，并提取有效图像；利用训练完成的CNN网络模型提取有效图像的围岩参数；从而计算围岩基本质量指标；根据围岩基本质量指标，划分隧道的围岩等级。相比于现有技术网络受围岩等级受诸多综合因素影响，难以一次性学习到多种复杂且区分度低的隐特征的缺陷，输出分辨准确度低识别结果。本发明构建CNN网络模型对围岩参数进行网络训练学习，利用围岩参数计算得到围岩基本质量指标，这样得到的精度比现有技术直接利用网络进行围岩等级的辨识要高。

技术领域

本发明属于道路检测技术领域，具体涉及一种基于特征参数自动提取的掌子面图像围岩等级辨识方法。

背景技术

公路隧道建设规模越来越大，施工困难和风险也更加严峻，在地质条件复杂的山区更为显著。在各种不良地质条件中，新层破碎带、高地应力等复杂地质条件是重要的地质灾害源。隧道穿越复杂地质环境时，经常发生岩体沿软弱结构面滑动、坍塌或涌水、开裂、落石等现象，它不仅破坏了隧道的稳定性，而且直接影响了隧道的施工速度。由于山区地形地貌的制约，在国内诞生出一批批复杂地质条件下的长大路隧道。受复杂地质条件的影响，围岩收敛变形量大，变形速率快。

近年来，我国对于围岩等级辨识的研究逐渐提上日程。可靠的围岩等级辨识便是隧道设计和施工的重要依据，快速准确地识别围岩等级辨识，能够帮助隧道设计施工单位对围岩情况进行检测，有效减少隧道施工过程中的安全隐患。根据我国地形地貌的分布特点，我国国土面积的三分之二被山地和丘陵所覆盖，且随着中西部地区的快速发展，越来越多的高速公路在此类地区被修建。穿越山区修建高速公路的同时，不可避免修建一些长大公路隧道，在这类隧道的修建过程中，可靠的围岩等级辨识便是隧道设计和施工的重要依据。

隧道围岩等级辨识作为隧道设计、施工的重要依据，在勘察设计阶段，目前我国围岩等级辨识准确率一般较低，只有50％，且有30％～40％的等级辨识结果与实际相差1～2个级别。其造成的后果是，要么支护参数与开挖方案保守，造成资源的不必要浪费；要么不满足工程实际，存在重大安全隐患。复杂地质条件下隧道的围岩性质、规模及选择合理的开挖支护方法往往是影响隧道工程施工安全和进度的决定性因素。因此，系统研究公路隧道穿越复杂地质围岩条件下的隧道的塌方风险、施工过程中的力学效应及围岩变形规律，科学准确的对此类围岩级别进行智能判定，优化一种快速、安全、经济的施工方法,具有重要的研究价值和工程意义。

目前现有技术直接对获取到的围岩图像进行等级标注，然后将图像集分为训练集和验证集，输入构建的分类网络进行训练，从而得到围岩等级辨识结果。然而由于隧道围岩岩石节理、裂隙等具备粗细各异、形状不均等多种特点，且隧道内及时有光也会出现光照不均等情况，部分掌子面图片上还残留有三臂凿岩台车等施工机械破坏痕迹。因此增加了掌子面图像处理和围岩等级辨识的难度，这使得网络仅能学习到图像中的部分特征。虽然处理过程简单，步骤较少，速度较快，但是得到的围岩等级辨识精度很低。为了能够提前掌握隧道变形状况，以便及时采取有效的隧道支护措施，减少施工灾害的发生，对隧道进行围岩的级别的辨识，提出相匹配的开挖及施工支护方案。结合深度学习技术理论，提取围岩特征参数，构建隧道围岩智能等级辨识检测方法。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供了一种基于特征参数自动提取的掌子面图像围岩等级辨识方法，包括：

步骤1，在隧道开挖过程中从现场设备采集隧道掌子面图片，将所述隧道掌子面图片作为待识别图像；

步骤2，对所述待识别图像进行裁剪使其符合模型输入尺寸要求，并从待识别图像中提取有效图像；

步骤3，利用训练完成的CNN网络模型提取所述有效图像的围岩参数；