【技术实现步骤摘要】
本专利技术涉及智能预警，尤其涉及一种基于机器视觉技术的掌子面塌方实时预警方法及系统。
技术介绍
1、全断面岩石隧道掘进机（tbm）是一种高度机械化和自动化的大型隧道开挖衬彻设备，利用刀盘上的滚刀进行破岩后通过皮带机将岩碴片运出。在tbm掘进作业中，掌子面塌方作为一种典型的地质灾害，其与岩碴片的形态变化及单位时间内岩碴片输出体积的变动之间存在着显著的关联性。首先，就岩碴片形态而言，在正常掘进条件下，岩碴片呈现出由滚刀破碎作用所决定的规则或破碎形态，其特征受岩石物理性质、tbm掘进参数等多种因素影响。然而，掌子面一旦发生塌方，这一形态将发生剧烈变化。塌方过程中，岩体因失稳而突然破裂坍塌，导致岩碴片尺寸增大、形状变得更为不规则，甚至包含大块岩石，这直接反映了掌子面岩体的动态破坏过程。其次，关于单位时间内岩碴片输出体积的变化，掌子面塌方会导致该体积显著增加。这是因为在塌方事件中，岩体破碎速率急剧加快，大量岩体在短时间内破裂并落入tbm的出碴系统。与正常掘进状态相比，塌方期间岩碴的生成量大幅增加，进而使得单位时间内输出的岩碴片体积相应增大。
2、目前获取岩碴片的形态特征与单位时间输出体积变化情况的方法主要为人工观测。人工观测主观性强，受限于观测员的经验，且存在耗时耗力、数据滞后性强等缺点，无法满足tbm对岩渣信息实时获取的需求。
技术实现思路
1、为解决人工观测岩碴片形态特征与单位时间输出体积变化情况耗时耗力、数据滞后的技术问题，本专利技术实施例提供一种基于机器视觉技术的掌子面塌
2、本专利技术实施例的技术方案是这样实现的：
3、本专利技术实施例提供了一种基于机器视觉技术的掌子面塌方实时预警方法，方法包括：获取每单位时间内激光扫描仪采集的岩碴片点云数据和相机采集的岩碴片图像数据；对所述岩碴片点云数据进行多项式拟合和面元积分处理，确定岩碴片单位时间输出体积；对所述岩碴片图像数据利用深度学习模型进行识别，确定每单位时间内岩碴片形态特征；根据不同单位时间内所述岩碴片单位时间输出体积和所述岩碴片形态特征的变化情况，利用预设模型，进行掌子面塌方实时预警。
4、在一实施例中，对所述岩碴片点云数据进行多项式拟合和面元积分处理，确定岩碴片单位时间输出体积，包括：
5、以扫描仪安装位置为原点，垂直于皮带机方向为z轴，皮带机的运动方向为y轴，y轴逆时针旋转90°的方向为x轴，构建三维坐标系；
6、基于所述三维坐标系，确定所述岩碴片点云数据中每个点云的坐标；
7、根据所述每个点云的坐标，以x轴上指定的坐标为界对点云进行裁剪，获取皮带机边缘轮廓点云，对所述轮廓边缘点云进行基于最小二乘法的多项式拟合，获取皮带机轮廓标定曲线，计算原点与所述皮带机轮廓标定曲线所组成区域的第一参考面积；
8、根据所述每个点云的坐标，将所述岩碴片点云数据中每两相邻点云与原点连接，构建多个微小三角形，将构建的所有微小三角形的面积累加，获得原点与所述岩碴轮廓曲线所组成区域的第二参考面积；
9、将所述第一参考面积减去所述第二参考面积，获得岩碴片轮廓截面面积；
10、获取单位时间内皮带机的运行距离，将所述岩碴片轮廓截面面积在所述运行距离上进行积分，获得岩碴片单位时间输出体积。
11、在一实施例中，将构建的所有微小三角形的面积累加，获得原点与所述岩碴轮廓曲线所组成区域的第二参考面积，包括：
12、利用如下计算式获得原点与所述岩碴轮廓曲线所组成区域的第二参考面积：
13、
14、其中，为第二参考面积，为一次扫描的点的数量，为岩碴轮廓曲线上的第个点到原点的距离，为岩碴轮廓曲线上的第个点到原点的距离，为线段和线段之间的夹角。
15、在一实施例中，确定所述岩碴片点云数据中每个点云的坐标之后，所述方法还包括：
16、利用如下计算式去除所述岩碴片点云数据中的离群点及异常点：
17、
18、其中，是滤波后点的新值，是点邻域内的点，表示点的邻域，为是一个以为中心的三维球体或立方体，median函数表示对邻域内的点进行排序后取中位数。
19、在一实施例中，对所述岩碴片图像数据利用深度学习模型进行识别，确定每单位时间内岩碴片形态特征，包括：对所述岩碴片图像数据进行双边滤波和自适应直方图均衡化处理，消除所述岩碴片图像数据中的噪点以及增强所述岩碴片图像数据的对比度；对处理后的所述岩碴片图像数据进行标注和数据增强处理，获得数据集；利用所述数据集对深度学习模型进行训练，获得训练好的深度学习模型；利用训练好的深度学习模型对所述岩碴片图像数据进行识别，获得模型输出的掩膜结果；通过包围盒法获取每一岩碴片掩膜的矩形包围框，并将其矩形包围框的长和宽作为该岩碴片的长轴参数和短轴参数，计算岩碴片掩膜的像素面积，并通过标定算法获取其实际面积，以每预设张图片作为一个周期，统计所有岩碴片的长短轴参数和面积的分布情况，作为每单位时间内岩碴片形态特征；其中，所述深度学习模型为改进的mask r-cnn模型；所述改进的mask r-cnn模型的获取方式为：用resnext网络替换mask r-cnn模型中的resnet网络；对mask r-cnn模型中的特征金字塔网络添加自下而上的路径增强模块和特征融合操作模块。
20、在一实施例中，对所述岩碴片图像数据进行双边滤波和自适应直方图均衡化处理，包括：
21、利用如下计算式对所述岩碴片图像数据进行双边滤波：
22、
23、其中，为滤波后的像素值，为原始图像的像素值，是一个窗口内的像素集合，该窗口以为中心，表示窗口内的像素坐标，为一个空间域权重函数，它用于衡量像素之间的空间距离，为一个灰度域权重函数，它用于衡量像素值之间的差异，为一个归一化常数，它用于确保滤波后的像素值在0到255之间，通过对窗口内所有像素的权重求和得到；
24、利用如下计算式对所述岩碴片图像数据进行自适应直方图均衡化处理：
25、
26、其中，是输出图像的灰度级，是输入图像的灰度级， t表示自适应直方图均衡化操作。
27、在一实施例中，根据不同单位时间内所述岩碴片单位时间输出体积和所述岩碴片形态特征的变化情况，利用预设模型，进行掌子面塌方实时预警，包括：根据所述岩碴片形态特征计算岩碴的粗糙度指数；获取全断面岩石隧道掘进机作业时的总推力和刀盘扭矩；将所述总推力、所述刀盘扭矩、所述岩碴的粗糙度指数和所述单位时间输出体积输入所述预设模型中，获得所述预设模型输出的掌子面塌方结果；所述预设模型为svm模型；根据所述掌子面塌方结果进行掌子面塌方实时预警。
28、在一实施例中，根据所述岩碴片形态特征计算岩碴的粗糙度指数，包括：
29、利用如下计算式计算岩碴的粗糙度指数：
30、
31、其中，为岩碴的粗糙度指数；为本文档来自技高网...
【技术保护点】
1.一种基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，对所述岩碴片点云数据进行多项式拟合和面元积分处理，确定岩碴片单位时间输出体积，包括：
3.根据权利要求2所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，将构建的所有微小三角形的面积累加，获得原点与所述岩碴轮廓曲线所组成区域的第二参考面积，包括：
4.根据权利要求2所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，确定所述岩碴片点云数据中每个点云的坐标之后，所述方法还包括：
5.根据权利要求2所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，对所述岩碴片图像数据利用深度学习模型进行识别，确定每单位时间内岩碴片形态特征，包括：
6.根据权利要求5所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，对所述岩碴片图像数据进行双边滤波和自适应直方图均衡化处理，包括：
7.根据权利要求5所述的基于机器视觉技术的掌子面塌方实时预警
8.根据权利要求7所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，根据所述岩碴片形态特征计算岩碴的粗糙度指数，包括：
9.一种基于机器视觉技术的掌子面塌方实时预警系统，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，所述处理器用于运行所述计算机程序时，执行权利要求1至8任一项所述方法的步骤。
10.一种存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至8任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，对所述岩碴片点云数据进行多项式拟合和面元积分处理，确定岩碴片单位时间输出体积，包括：
3.根据权利要求2所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，将构建的所有微小三角形的面积累加，获得原点与所述岩碴轮廓曲线所组成区域的第二参考面积，包括：
4.根据权利要求2所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，确定所述岩碴片点云数据中每个点云的坐标之后，所述方法还包括：
5.根据权利要求2所述的基于机器视觉技术的掌子面塌方实时预警方法，其特征在于，对所述岩碴片图像数据利用深度学习模型进行识别，确定每单位时间内岩碴片形态特征，包括：
6.根据权利要求5所述的基于机器视觉技术的掌...
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。