一种基于TBM岩渣图像的围岩分类实时预测方法技术

本案涉及一种基于TBM岩渣图像的围岩分类实时预测方法，涉及隧道工程TBM围岩分类预测及自动化判别技术领域，用于提前判断掌子面岩体围岩分类，为后续支护及掘进参数调整实时提供建议；同时减少围岩分类判断的人为主观性，提高地质工程师的工作效率，为自动化围岩分类判别提供技术支持。步骤包括：在当前循环段，定时获取的TBM岩渣图像，利用训练好的围岩分类预测模型判定围岩等级分类结果；循环段进行过程中，根据当前循环段已获取多张岩渣图像判定结果，实时计算当前循环段属于各类围岩的概率Pi，选取最高概率对应的围岩分类，作为围岩分类识别输出结果。类识别输出结果。类识别输出结果。

【技术实现步骤摘要】
一种基于TBM岩渣图像的围岩分类实时预测方法


[0001]本案涉及隧道工程TBM围岩分类预测及自动化判别
，尤其涉及一种基于TBM岩渣图像的围岩分类实时预测方法。

技术介绍

[0002]TBM掘进机法与传统钻爆法相比，凭借施工速度快、机械化信息化程度高、生态扰动小等特点，在长大隧道修建中获得了广泛应用。TBM掘进过程中，刀盘护盾与掌子面紧贴，工程技术人员无法观测掌子面前方岩体条件，只能通过护盾后方(距离掌子面6m左右)露出的岩体对前方岩体进行推测，存在一定的信息滞后。
[0003]围岩分类作为岩体条件的综合评价指标，能够对岩体坚硬程度、岩体完整性、地下赋存环境等条件进行评价，TBM现场围岩分类结果是由地质工程师观测现场岩体情况进行确定，存在一定的主观性和不确定性。并且，同一围岩分类条件下的岩渣图像具有较高的相似程度，人工区分困难，人眼辨识具有挑战。

技术实现思路

[0004]为了解决现有技术中存在的上述问题，本案的目的在于提出一种基于TBM岩渣图像的围岩分类实时预测方法，提前判断掌子面岩体围岩分类，为后续支护及掘进参数调整实时提供建议；同时提高地质工程师的工作效率，减少围岩分类判断的人为主观性，为自动化围岩分类判别提供技术支持。为实现上述技术目的，本案技术方案如下。
[0005]第一方面，本案提出一种基于TBM岩渣图像的围岩分类实时预测方法，所述方法包括下述步骤：
[0006]在当前循环段，定时获取的TBM岩渣图像，利用训练好的围岩分类预测模型判定围岩等级分类结果；/>[0007]循环段进行过程中，根据当前循环段已获取多张岩渣图像判定结果，实时计算当前循环段属于各类围岩的概率P
i
，选取最高概率对应的围岩分类，作为围岩等级分类识别输出结果；
[0008]所述围岩分类预测模型采用深度卷积神经网络构建，将TBM岩渣图像作为输入，通过对TBM岩渣图像进行特征提取，并利用连续多张岩渣图像的相邻岩渣信息，输出当前循环段围岩分类等级。
[0009]在上述技术方案的一种实施方式中，当前循环段属于i类围岩的概率P
i
：
[0010]P
i
＝N
i
/N
[0011]式(1)中：P
i
代表当前图片属于i类围岩的概率；N
i
表示该循环段图像中模型判定为i类围岩分类结果的图像数量；N表示当前时刻该循环段已获取的图像总数量。
[0012]在上述技术方案的一种实施方式中，所述围岩分类预测模型包括卷积层、激活函数、池化层、全连接层和softmax函数；其中：卷积层、激活函数和池化层用于提取围岩图像特征，全连接层和softmax函数用于计算围岩图像的预测类别；
[0013]围岩分类预测模型的训练包括下述步骤：
[0014]将预处理后的岩渣图像训练集作为围岩分类预测模型的输入，输出围岩图像的预测类别；
[0015]采用交叉熵损失函数计算预测的围岩类别与真实类别之间的误差，根据交叉熵损失函数的值自适应调整学习率和模型参数，直至满足训练停止条件。
[0016]在上述技术方案的一种实施方式中，岩渣图像采集设备位于TBM护盾后方的后配套皮带机。
[0017]在上述技术方案的一种实施方式中，岩渣图像采集设备由相机、补光灯、固定支架构成。
[0018]在上述技术方案的一种实施方式中，岩渣图像预处理包括：S1、若岩渣图像用于训练，对岩渣图像采取水平和垂直翻转的数据增强技术，执行S2；否则，直接执行S2；S2、将图像处理成统一尺寸。
[0019]在上述技术方案的一种实施方式中，深度卷积神经网络为ResNet、VGG、SqueezeNet模型或其它卷积神经网络。
[0020]在上述技术方案的一种实施方式中，岩渣图像预处理前进行数据剔除处理，剔除数据包括：故障拍摄的图像、皮带空转的图像、岩渣覆盖范围低于30％拍摄区域的图像、外界干扰的图像。
[0021]第二方面，本案提出一种基于TBM岩渣图像的围岩分类实时预测系统，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行上述任一种方法的计算机程序。
[0022]第三方面，本案提出一种计算机可读存储介质，存储有能够被处理器加载并执行上述任一种方法的计算机程序。
附图说明
[0023]为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0024]图1、一种具体实施方式中图像采集设备拍摄位置示意图；
[0025]图2、一种具体实施方式中围岩等级示意图；
[0026]图3、一种具体实施方式中异常数据示意图；
[0027]图4、一种具体实施方式中采用ResNet 18构建围岩分类预测模型的模型收敛示意图；
[0028]图5、一种具体实施方式中采用VGG19 bn构建围岩分类预测模型的模型收敛示意图；
[0029]图6、一种具体实施方式中采用SqueezeNet v1.0构建围岩分类预测模型的模型收敛示意图；
[0030]图7、一种具体实施方式中的分类任务混淆矩阵示意图；
[0031]图8、一种具体实施方式中的模型准确率示意图；
[0032]图9、一种具体实施方式中围岩分类预测流程示意图。
具体实施方式
[0033]术语解释：
[0034]围岩分类：隧道工程基于“工程类比”的理念，通过对围岩的坚硬程度、岩体完整性等指标对围岩进行分级形成围岩分类体系，《铁路隧道设计规范》(TB10001
‑
2016/J449
‑
2016)将围岩划分为I至V级，其中I类围岩最稳定、随级数增加岩体质量逐渐变差，工程技术及设计人员根据围岩分类确定相应的施工方法及结构设计。围岩分类对隧道施工、支付方案、工程造价等提供了重要参考价值。
[0035]TBM岩渣：TBM(Tunnel Boring Machine，隧道掘进机)在掘进过程中，刀盘切削掌子面岩体形成的岩渣随传动系统经过皮带机运送至洞外。
[0036]隧道掘进机凭借其掘进速度快、对围岩扰动小、隧道成型好、对生态环境影响小等优点，广泛适用于包括交通、水利、矿山等长大隧洞项目建设中。TBM掘进过程中，刀盘护盾与掌子面紧贴，工程技术人员无法观测掌子面前方岩体条件，只能通过护盾后方(距离掌子面将近5m)露出的岩体对前方岩体进行观测判断，存在一定的主观性和不确定性，且与刀盘正在破岩的掌子面岩体信息相比，存在一定的信息滞后。近年来，TBM通过搭载多类传感器实现了掘进过程中施工数据采集与存储，TBM施工数据为机器学习方法进行应用预测提供了可能，而在众多学者研究中，大多以TBM高频机械数据作为输入，对围岩分级进行了预测，主本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TBM岩渣图像的围岩分类实时预测方法，其特征在于，所述方法包括下述步骤：在当前循环段，定时获取的TBM岩渣图像，利用训练好的围岩分类预测模型判定围岩等级分类结果；循环段进行过程中，根据当前循环段已获取多张岩渣图像判定结果，实时计算当前循环段属于各类围岩的概率，选取最高概率对应的围岩分类，作为围岩等级分类识别输出结果；所述围岩分类预测模型采用深度卷积神经网络构建，将TBM岩渣图像作为输入，通过对TBM岩渣图像进行特征提取，并利用连续多张岩渣图像的相邻岩渣信息，输出当前循环段围岩分类等级。2.根据权利要求1所述的方法，其特征在于，当前循环段属于i类围岩的概率P
i
：P
i
＝N
i
/N式(1)中：P
i
代表当前图片属于i类围岩的概率；N
i
表示该循环段图像中模型判定为i类围岩分类结果的图像数量；N表示当前时刻该循环段已获取的图像总数量。3.根据权利要求1所述的方法，其特征在于：所述围岩分类预测模型包括卷积层、激活函数、池化层、全连接层和softmax函数；其中：卷积层、激活函数和池化层用于提取围岩图像特征，全连接层和softmax函数用于计算围岩图像的预测类别；围岩分类预测模型的训练包括下述步骤：将预处理后的岩渣图...

【专利技术属性】
技术研发人员：董子开，李旭，荆留杰，李鹏宇，姚敏，龚秋明，周小雄，田国帅，刘建国，陈祖煜，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：