【技术实现步骤摘要】
本专利技术涉及隧道工程，尤其涉及一种基于卷积神经网络的掌子面多元地质信息识别方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
2、地质编录工作是一项在隧道新开挖掌子面记录地质信息和围岩情况的勘察工作，能够有效获取当前掌子面的地质情况，从而评估隧道施工中可能发生的地质灾害，及时调整施工方案，保障隧道安全作业。随着地下工程建设不断向中西部复杂地区的转移，施工过程不断面临高寒、高地温、岩爆风险和高烈度地震区等极端建造环境，围岩垮塌、突涌水等灾害频发，地质编录工作在隧道建设中的地位日益突出。
3、目前，传统的隧道掌子面地质编录工作多以工程地质人员现场经验为主，然而这一方式存在一定的弊端：一方面，因其具有效率低、信息采集不全面、受人员主观影响大的劣势，难以客观、准确的获取掌子面地质信息；另一方面，隧道施工环境恶劣，浓粉尘和低光照条件对地质编录人员现场分析和测量来说十分不便，同时隧道中的围岩垮塌、突涌水等灾害始终威胁着工作人员的安全。在此基础上，隧道施工工序衔接紧密，隧道出渣后至立架前的时间窗口短暂，传统地质编录工作难以满足这一时间需求，因此如何在不影响施工进度的同时，提高地质编录工作的准确性和效率尤为重要。
4、现有研究中，针对掌子面地质编录信息的识别已取得一定进展，如专利cn115761038a提出了一种基于图像光谱技术的隧道掌子面地质素描方法，通过掌子面光谱信息识别矿物质空间分布及围岩出水情况；专利cn117011759a提出了一种隧道掌子面围
技术实现思路
1、为解决上述现有技术的不足，本专利技术提供了一种基于卷积神经网络的掌子面多元地质信息识别方法及系统，考虑掌子面地下水、岩体结构和岩体风化程度等掌子面多元地质信息，分别建立了针对每种地质信息的高效、准确识别的最优分类模型，能够对掌子面多元地质信息进行并行的快速智能化识别，有效解决现有方法中存在的分析识别因素不全、效率低的问题，满足隧道施工过程对地质编录工作的时间要求。
2、第一方面，本专利技术提供了一种基于卷积神经网络的掌子面多元地质信息识别方法。
3、一种基于卷积神经网络的掌子面多元地质信息识别方法，包括：
4、获取隧道掌子面图像数据；
5、将获取图数据像输入至掌子面地质信息识别模型中，输出隧道掌子面三种地质信息的识别结果，即输出隧道掌子面的地下水类型、岩体结构类型和岩体风化程度等级；其中，识别模型的构建包括：
6、现场采集隧道掌子面图像数据，构建数据集，并划分训练集和测试集；
7、基于训练集，分别对每种掌子面地质信息进行基于不同卷积神经网络的多种分类模型的训练；基于测试集，根据模型评价指标综合评定每一分类模型，选择并构建最优分类模型；三种最优分类模型并行构建得到掌子面地质信息识别模型。
8、第二方面，本专利技术提供了一种基于卷积神经网络的掌子面多元地质信息识别系统。
9、一种基于卷积神经网络的掌子面多元地质信息识别系统，包括：
10、图像获取模块，用于获取隧道掌子面图像数据；
11、掌子面多元地质信息识别模块，用于将获取图数据像输入至掌子面地质信息识别模型中，输出隧道掌子面三种地质信息的识别结果，即输出隧道掌子面的地下水类型、岩体结构类型和岩体风化程度等级；其中，识别模型的构建包括：
12、现场采集隧道掌子面图像数据，构建数据集，并划分训练集和测试集；
13、基于训练集，分别对每种掌子面地质信息进行基于不同卷积神经网络的多种分类模型的训练；基于测试集，根据模型评价指标综合评定每一分类模型，选择并构建最优分类模型；三种最优分类模型并行构建得到掌子面地质信息识别模型。
14、第三方面，本专利技术还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
15、第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。
16、以上一个或多个技术方案存在以下有益效果：
17、1、本专利技术提供了一种基于卷积神经网络的掌子面多元地质信息识别方法及系统，考虑掌子面地下水、岩体结构和岩体风化程度等掌子面多元地质信息，分别建立了针对每种地质信息的高效、准确识别的最优分类模型，通过深度学习提取图像中的特征，实现对掌子面多元地质信息并行快速智能化准确识别与分类，有效解决现有方法中存在的分析识别因素不全、效率低的问题，满足隧道施工过程对地质编录工作的时间要求。相较于传统方法，能够处理更复杂的图像数据，且大幅减少人为因素干扰，提高准确度。
18、2、本专利技术基于卷积神经网络并行处理能力及特征提取能力，有助于隧道设计和施工人员更准确地了解隧道地质条件，从而制定更合理的施工计划，优化施工策略，减少施工过程中的风险和不确定性。
本文档来自技高网...【技术保护点】
1.一种基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，包括：
2.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，所述模型评价指标包括模型损失值、准确率、精确率、召回率、每秒帧率、混淆矩阵大小和占用内存大小。
3.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，所述数据集的构建，包括：
4.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，现场采集隧道掌子面图像数据时，采集时间为出渣、排险后和立拱架之间的时间段。
5.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，三种掌子面地质信息包括掌子面地下水、岩体结构、岩体风化程度；
6.如权利要求5所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，所述掌子面地下水类型包括五种类型，分别为掌子面干燥、渗水、线状水、股状水和涌水；
7.一种基于卷积神经网络的掌子面多元地质信息识别系统，其特征在于，包括：
8.如权利要求7所述
9.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-6中任一项所述的一种基于卷积神经网络的掌子面多元地质信息识别方法的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成如权利要求1-6中任一项所述的一种基于卷积神经网络的掌子面多元地质信息识别方法的步骤。
...【技术特征摘要】
1.一种基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，包括：
2.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，所述模型评价指标包括模型损失值、准确率、精确率、召回率、每秒帧率、混淆矩阵大小和占用内存大小。
3.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，所述数据集的构建，包括：
4.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，现场采集隧道掌子面图像数据时，采集时间为出渣、排险后和立拱架之间的时间段。
5.如权利要求1所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在于，三种掌子面地质信息包括掌子面地下水、岩体结构、岩体风化程度；
6.如权利要求5所述的基于卷积神经网络的掌子面多元地质信息识别方法，其特征在...
【专利技术属性】
技术研发人员：刘洪亮，李晓波，姜新波，王永康，邹浩，王川，陈雨雪，蔡辉，屠文锋，
申请(专利权)人：山东大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。