一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法技术

本发明专利技术属于隧道爆破技术领域，尤其是一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法，包括以下步骤：S1

【技术实现步骤摘要】
一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法


[0001]本专利技术涉及隧道爆破技术的图像分析领域，尤其涉及一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法。

技术介绍

[0002]隧道爆破成型质量和半眼痕率是评价隧道钻爆法施工质量优劣和炮孔利用率的关键，也是直接决定隧道建设周期和投资成本的主要因素。
[0003]传统的爆破效果评价方法单纯通过肉眼现场识别和判定半眼痕的表观特征并采用皮尺或全站仪进行简单量测作为评价指标，仅仅在残留炮孔长度这一维度提取数据计算半眼痕率，未考虑炮孔周边一定区域范围的整体平整度对损伤表征的贡献且受测量人员的主观意识影响较大；同时，对于不同爆破方法下的损伤平整度的统计分类至今仍未见有相关报道，现有技术大多进行人工识别判断并分类，识别分类误差大且鲁棒性和稳定性均较差，远远不能满足生产实践的需求。因此，亟需一种便捷高效的隧道爆破炮孔半眼痕识别及特征参数提取并实现不同爆破方案下岩体面损伤平整度分类的方法，便于科学进行隧道爆破相关参数的选取和爆破方案的确定，最终实现理想的隧道爆破效果。

技术实现思路

[0004]基于
技术介绍
中提出的需要人工判别的技术问题，本专利技术提出了一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法。
[0005]本专利技术提出的一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法，包括以下具体步骤：
[0006]S1：拍摄标准对照图像，标准对照图像尺寸根据分析尺度综合确定，选取理想半眼痕岩面第一对照图像和超欠挖不可接受第二对照图像作为标准对照图像；
[0007]S2：获取实际爆破后的半眼痕图像作为第三分析图像，分析图像尺寸和拍摄环境与前述对照图像一致；
[0008]S3：根据采集图像含有的高斯噪声服从正态分布的特点，对上述三类图像进行二维Gaussian算法去噪；
[0009]S4：为了减少图像原始数据量，根据图像直方图设定阈值对上述三类去噪后的图像进行灰度处理，避免图像失真丢失信息；
[0010]S5：对上述灰度处理图像进行二值化处理，通过最大熵阈值法设定最佳二值化阈值，便于半眼痕图像边界轮廓的提取；
[0011]S6：采用梯度向量流
‑
Snake和主动轮廓模型(GVF
‑
Snake
‑
ACM) 对图像中半眼痕边界及相关区域进行识别；
[0012]S7：将半眼痕识别后的三类图像，分别导入ImageJ软件中，选用半眼痕区域面积与图像总面积的比率确定为平整度损伤变量；
[0013]S8：将选取第一对照图像和第二对照图像半眼痕面积占比区间归一化并建立损伤
度与分形维数D之间的量化关系：ω＝(D)
β
，从而确定半眼痕区域面积占比、损伤变量和分形维数三者间的量化关系；
[0014]S9：通过半眼痕面积占比值进行线性差值计算确定第三分析图像对象的损伤值；
[0015]S10：对多幅半眼痕识别图像采用灰度共生矩阵算法提取0
°
、45、90
°
、135
°
四个方向或180
°
、225
°
、270
°
、315
°
四个方向分别提取能量均值、熵均值、对比度均值、相关性均值、均匀度均值五个特征值，从而形成五维特征向量；
[0016]S11：分别拍摄隧道掘进采用相同炸药用量下常规爆破、预裂爆破和光面爆破三种爆破方案下各90幅隧道开挖面爆破效果图像，形成集合C＝{c1,c2,c3}，分别对应常规爆破、预裂爆破和光面爆破目标矩阵，采用上述分析过程并获取不同爆破方案下的五维特征向量F＝{f1,f2,f3,f4,f5}，每幅图像特征属性均由一个五维特征向量构成，分别对应能量均值、熵均值、对比度均值、相关性均值和均匀度均值，获得图像的多维度数字化信息特征；
[0017]S12：分别将三种不同爆破方案下图像集随机选取60幅图像的五维特征向量作为训练数据输入朴素贝叶斯(NaiveBayesClassifier,NBC)分类器，利用每幅图像的每个特征值f
i
(i＝1,2,3,4,5)计算训练图像为某个类别c
j
(j＝1,2,3)的概率，计算公式为：
[0018][0019]对于特征向量F，其后验概率P(c
j
/F)的值越大，说明F隶属于c
j
的可能性越高，F所属类别的计算表达式为：
[0020][0021]分别计算出P(c
j
)与P(c
j
/F)后，返回后验最大的类别，即可得到F的分类；
[0022]S13：将不同爆破方案下图像库中剩余的30幅图像特征向量输入训练成熟的贝叶斯分类器，由贝叶斯最大后验概率原则确定出给定不同类别c
j
(j＝1,2,3)概率最大的状态作为爆破方案评价分类的最终结果，实现普通爆破、预裂爆破和光面爆破三类方案爆破成型效果和岩面损伤平整度的分类。
[0023]优选地，所述S3中，Gaussian滤波器模型满足以下二维高斯分布：其中x、y为图像纵横方向的尺寸，σ2为正态分布方差。
[0024]优选地，所述S5中、最大熵阈值法具体为：根据shannon熵概念，对于灰度范围为0，1，2，...，L
‑
1的图像，其熵定义为：P
i
为像素值为i的像素占整个图像的概率，并设定阈值t将图像划分为目标O和背景B两类，其概率分别为：
[0025]O区：其中，
[0026]B区：
[0027]优选地，则目标O和背景B的熵函数分别为：
[0028]其中
[0029]其中
[0030]图像的总熵为：
[0031][0032]最大阈值T为使得图像的总熵取得最大值：
[0033]T＝argmax(H(t))
[0034]根据图像的总熵最大化原则确定最佳二值化阈值。
[0035]优选地，所述S6的具体过程如下：
[0036]S61对初始图像I
m
×
n
(分辨率m
×
n)，以步长d＝2对图像行与列进行采集像素点，进行s次下采样，得到s+1幅待测图像(含初始图像 I
m
×
n
)，其中第k次采样的图像分辨率为
[0037]S62对于第s次下采样的图像进行预处理，用Canny算子进行边缘检测，在边缘图像上定义初始轮廓l
s+1
，初始轮廓l
s+1
上的控制点个数为N
s+1
，计算GVF外力场,由于GVF外力场在平滑区域的扩散性，使得初始轮廓l
s+1
向图像边缘不断逼近，当初始轮廓l
s+1
上的控制点有 0.98N
s+1
个达到目标轮廓时(终止准则)，则认为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法，其特征在于，包括以下具体步骤：S1：拍摄标准对照图像，标准对照图像尺寸根据分析尺度综合确定，选取理想半眼痕岩面第一对照图像和超欠挖不可接受第二对照图像作为标准对照图像；S2：获取实际爆破后的半眼痕图像作为第三分析图像，分析图像尺寸和拍摄环境与前述对照图像一致；S3：根据采集图像含有的高斯噪声服从正态分布的特点，对上述三类图像进行二维Gaussian算法去噪；S4：为了减少图像原始数据量，根据图像直方图设定阈值对上述三类去噪后的图像进行灰度处理；S5：对上述灰度处理图像进行二值化处理，通过最大熵阈值法设定最佳二值化阈值；S6：采用梯度向量流
‑
Snake和主动轮廓模型(GVF
‑
Snake
‑
ACM)对图像中半眼痕边界及相关区域进行识别；S7：将半眼痕识别后的三类图像，分别导入ImageJ软件中，选用半眼痕区域面积与图像总面积的比率确定为平整度损伤变量：S8：将选取第一对照图像和第二对照图像半眼痕面积占比区间归一化并建立损伤度与分形维数D之间的量化关系：ω＝(D)
β
，从而确定半眼痕区域面积占比、损伤变量和分形维数三者间的量化关系；S9：通过半眼痕面积占比值进行线性差值计算确定第三分析图像对象的损伤值；S10：对多幅半眼痕识别图像采用灰度共生矩阵算法提取0
°
、45、90
°
、135
°
四个方向或180
°
、225
°
、270
°
、315
°
四个方向分别提取能量均值、熵均值、对比度均值、相关性均值、均匀度均值五个特征值，从而形成五维特征向量；S11：分别拍摄隧道掘进采用相同炸药用量下常规爆破、预裂爆破和光面爆破三种爆破方案下各90幅隧道开挖面爆破效果图像，形成集合C＝{c1,c2,c3}，分别对应常规爆破、预裂爆破和光面爆破目标矩阵，采用上述分析过程并获取不同爆破方案下的五维特征向量F＝{f1,f2,f3,f4,f5}，每幅图像特征属性均由一个五维特征向量构成，分别对应能量均值、熵均值、对比度均值、相关性均值和均匀度均值，获得图像的多维度数字化信息特征；S12：分别将三种不同爆破方案下图像集随机选取60幅图像的五维特征向量作为训练数据输入朴素贝叶斯(Naive Bayes Classifier,NBC)分类器，利用每幅图像的五个特征值f
i
(i＝1,2,3,4,5)计算训练图像为某个类别c
j
(j＝1,2,3)的概率，计算公式为：对于特征向量F，其后验概率P(c
j
/F)的值越大，说明F隶属于c
j
的可能性越高，F所属类别的计算表达式为：分别计算出P(c
j
)与P(c
j
/F)后，返回后验最大的类别，即可得到F的分类；S13：将不同爆破方案下图像库中剩余的30幅图像特征向量输入训练成熟的贝叶斯分
类器，由贝叶斯最大后验概率原则确定出给定不同类别c
j
(j＝1,2,3)概率最大的状态作为爆破方案评价分类的最终结果，实现普通爆破、预裂爆破和光面爆破三类方案爆破成型效果和岩面损伤平整度的分类。2.根据权...

【专利技术属性】
技术研发人员：俞缙，付晓强，姚玮，蔡燕燕，刘士雨，
申请(专利权)人：三明学院，
类型：发明
国别省市：