【技术实现步骤摘要】
本专利技术涉及隧道钻孔围岩裂隙智能检测，具体涉及一种基于g-unet的钻孔围岩裂隙检测与分类方法。
技术介绍
1、在隧道开发以及地下工程建设过程中，观测前方未开挖岩体的裂隙发育情况对安全施工具有重要的意义。由于岩体本身具有复杂的结构面，并且在隧道开挖过程中会造成对围岩的应力平衡的破坏，产生较为复杂的裂隙。如果盲目开挖会导致隧道地质灾害发生，对施工的安全性造成了极大的威胁。因此，需准确地判识前方未开挖的岩体裂隙发育情况，以便于做出相应的支护措施和开挖方法。
2、常规的岩土工程勘测主要手段是钻孔观察法，通过钻探钻孔取芯，进行室内实验观察结果，记录钻进情况、岩性等，这种传统的勘测手段费时费力。随着机器视觉与人工智能的发展，对图像进行像素级别的分割实现了对物体的检测与识别。目前机器视觉方面关于裂隙的检测的传统方法主要有阈值分割法、区域生长法等，但是这些传统的图像分割算法，所受环境影响较大，不具备良好的鲁棒性，并且不能够主动的实现对裂隙的检测。基于深度学习的语义分割通过学习要识别物体的特征，能够实现对物体的自主分割，鲁棒性相比于传统方法较高，因此，基于深度学习与机器视觉的方法在隧道工程中得到了广泛的应用。但是由于钻孔围岩孔壁裂隙存在的连通、宽窄长度不同、与背景区域相似等复杂情况，一般传统网络模型分割效果较差，例如较细的裂隙可能检测不出等。所以，一种能够准确识别钻孔围岩裂隙的方法是本领域技术人员亟需研究的。
技术实现思路
1、为了解决上述存在的问题，本专利技术提供一种基于g-une
2、本专利技术一种基于g-unet的钻孔围岩裂隙检测与分类方法，包括以下步骤：
3、s1：构建钻孔围岩裂隙数据集，根据裂隙的发育特征划分为横向裂隙、纵向裂隙、背景三种类别；
4、s2:对钻孔围岩裂隙数据集进行数据增强处理；
5、s3:搭建g-unet网络模型，包括特征编码器模块、多维特征自适应聚合模块、特征解码器模块、eca通道特征增强模块；
6、s4：将增强处理后的钻孔围岩裂隙数据集输入g-unet网络模型中进行训练，获得训练模型权重，将训练模型权重在测试集上验证并保存最优的训练模型权重；
7、s5：利用最优的训练模型权重，实现对钻孔围岩裂隙的像素级别的分割检测与分类。
8、可选地，根据裂隙的发育特征划分为横向裂隙、纵向裂隙、背景三种类别，将与钻孔孔洞中轴线的夹角大于60度的裂隙标注为横向裂隙；将与钻孔孔洞中轴线的夹角小于等于60度的裂隙标注为纵向裂隙。
9、可选地，所述的对钻孔围岩裂隙数据集进行数据增强处理，调用get_random_data函数，对数据集中钻孔围岩裂隙原图和对应标签图进行随机处理，包括：缩放、裁剪、色域变换、水平翻转，其中色域变换时，只对原图进行变换，标签图不进行变换。
10、可选地，所述的g-unet网络模型包括特征编码器模块、多维特征自适应聚合模块、特征解码器模块、eca通道特征增强模块，具体包括以下步骤：
11、a：特征解码器模块由vgg16网络全连接层之前的池化层、卷积层组成；
12、b：多维特征自适应聚合模块连接特征编码器模块与特征解码器模块；
13、c：特征解码器模块中每个上采样操作前插入eca通道特征增强模块，在特征编码器模块与特征解码器模块的跳跃连接处插入eca通道特征增强模块。
14、可选地，所述的多维特征自适应聚合模块由空洞特征捕获子模块dfc、全局特征增强子模块gfe以及多尺度特征聚合子模块msfa三个子模块组成，三个子模块组合方式为：空洞特征捕获子模块与全局特征增强子模块并联连接，从两子模块输出的特征图通过concat拼接在一起，之后进行1×1卷积恢复通道数，最后串联多尺度特征聚合子模块。
15、可选地，所述的空洞特征捕获子模块，包含多个不同膨胀率的空洞卷积，膨胀率分别为r＝1、r＝3、r＝5、r＝7，输入空洞特征捕获子模块的钻孔围岩裂隙特征图分别通过不同膨胀率的空洞卷积提取不同尺度的特征信息，输出的特征图使用concat拼接起来，将不同尺度的特征信息融合在一起。
16、可选地，所述的全局特征增强子模块对围岩裂隙特征图的全局特征信息进行提取，学习裂隙与岩体孔壁的差异信息，该模块包含两个分支，具体包括以下步骤：
17、a：第一个分支输入的钻孔围岩裂隙特征图先进行全局平均池化操作，然后进行1×1卷积，最后通过上采样恢复特征图尺寸大小；
18、b：另外一个分支为输入的钻孔围岩裂隙特征图直接通过残差连接与第一个分支的输出特征图拼接在一起。
19、可选地，所述的多尺度特征聚合子模块由多个池化操作以及残差连接组成，输入该模块的钻孔围岩裂隙特征图分别进行池化核不同的池化操作，不同池化核的池化操作能够适应不同裂隙的大小，经过不同池化后的输出特征图之后会分别进行1×1卷积，将通道数调整为1，之后经过上采样恢复特征图尺寸大小；同时，输入的钻孔围岩裂隙特征图会通过残差连接直接与从池化操作输出的所有特征图聚合在一起；从该模块最后输出的特征图也为从多维特征自适应聚合模块输出的特征图，与输入多维特征自适应聚合模块的特征图相比，输出的特征图通道数增加了四个，尺寸大小不变。
20、本专利技术与现有技术相比，其有益效果体现在：
21、(1)本专利技术能够有效捕捉不同尺度的上下文信息，同时关注局部细节和全局语义特征，学习到图像中裂隙和背景的差异，并且能够极大提高了模型在复杂场景中分割精度。
22、(2)本专利技术在平均交并比和平均像素精度以及分割效果上高于其他主流分割网络模型，例如unet3+、针对裂隙分割网络deepcrack、segnet、deeplab3+。
23、(3)本专利技术能够对不同围岩钻孔孔壁的裂隙准确地检测识别出并分类，具有较高的鲁棒性。
本文档来自技高网...【技术保护点】
1.一种基于G-UNet的钻孔围岩裂隙检测与分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于G-UNet的钻孔围岩裂隙检测与分类方法，其特征在于，所述步骤S1中根据裂隙的发育特征划分为横向裂隙、纵向裂隙、背景三种类别，将与钻孔孔洞中轴线的夹角大于60度的裂隙标注为横向裂隙；将与钻孔孔洞中轴线的夹角小于等于60度的裂隙标注为纵向裂隙。
3.如权利要求1所述的一种基于G-UNet的钻孔围岩裂隙检测与分类方法，其特征在于，所述步骤S2中对钻孔围岩裂隙数据集进行数据增强处理，调用get_random_data函数，对数据集中钻孔围岩裂隙原图和对应标签图进行随机处理，包括：缩放、裁剪、色域变换、水平翻转，其中色域变换时，只对原图进行变换，标签图不进行变换。
4.如权利要求1所述的一种基于G-UNet的钻孔围岩裂隙检测与分类方法，其特征在于，所述步骤S3中G-UNet网络模型包括特征编码器模块、多维特征自适应聚合模块、特征解码器模块、ECA通道特征增强模块，具体包括以下步骤：
5.如权利要求4所述的一种基于G-UNet的钻孔
6.如权利要求5所述的一种基于G-UNet的钻孔围岩裂隙检测与分类方法，其特征在于，所述的空洞特征捕获子模块，包含多个不同膨胀率的空洞卷积，膨胀率分别为r＝1、r＝3、r＝5、r＝7，输入空洞特征捕获子模块的钻孔围岩裂隙特征图分别通过不同膨胀率的空洞卷积提取不同尺度的特征信息，输出的特征图使用concat拼接起来，将不同尺度的特征信息融合在一起。
7.如权利要求5所述的一种基于G-UNet的钻孔围岩裂隙检测与分类方法，其特征在于，所述的全局特征增强子模块对围岩裂隙特征图的全局特征信息进行提取，学习裂隙与岩体孔壁的差异信息，该模块包含两个分支，具体包括以下步骤：
8.如权利要求5所述的一种基于G-UNet的钻孔围岩裂隙检测与分类方法，其特征在于，所述的多尺度特征聚合子模块由多个池化操作以及残差连接组成，输入该模块的钻孔围岩裂隙特征图分别进行池化核不同的池化操作，不同池化核的池化操作能够适应不同裂隙的大小，经过不同池化后的输出特征图之后会分别进行1×1卷积，将通道数调整为1，之后经过上采样恢复特征图尺寸大小；同时，输入的钻孔围岩裂隙特征图会通过残差连接直接与从池化操作输出的所有特征图聚合在一起；从该模块最后输出的特征图也为从多维特征自适应聚合模块输出的特征图，与输入多维特征自适应聚合模块的特征图相比，输出的特征图通道数增加了四个，尺寸大小不变。
...【技术特征摘要】
1.一种基于g-unet的钻孔围岩裂隙检测与分类方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于g-unet的钻孔围岩裂隙检测与分类方法，其特征在于，所述步骤s1中根据裂隙的发育特征划分为横向裂隙、纵向裂隙、背景三种类别，将与钻孔孔洞中轴线的夹角大于60度的裂隙标注为横向裂隙；将与钻孔孔洞中轴线的夹角小于等于60度的裂隙标注为纵向裂隙。
3.如权利要求1所述的一种基于g-unet的钻孔围岩裂隙检测与分类方法，其特征在于，所述步骤s2中对钻孔围岩裂隙数据集进行数据增强处理，调用get_random_data函数，对数据集中钻孔围岩裂隙原图和对应标签图进行随机处理，包括：缩放、裁剪、色域变换、水平翻转，其中色域变换时，只对原图进行变换，标签图不进行变换。
4.如权利要求1所述的一种基于g-unet的钻孔围岩裂隙检测与分类方法，其特征在于，所述步骤s3中g-unet网络模型包括特征编码器模块、多维特征自适应聚合模块、特征解码器模块、eca通道特征增强模块，具体包括以下步骤：
5.如权利要求4所述的一种基于g-unet的钻孔围岩裂隙检测与分类方法，其特征在于，所述步骤b中多维特征自适应聚合模块由空洞特征捕获子模块dfc、全局特征增强子模块gfe以及多尺度特征聚合子模块msfa三个子模块组成，三个子模块组合方式为：空洞特征捕获子模块与全局特征增强子模块并联连接，从两子模块输出的特征图通过conca...
【专利技术属性】
技术研发人员：徐锋，黄友哲，李明骏，朱宏伟，陈桥，陈春梅，郭乙龙，张婷，李思琪，
申请(专利权)人：西南科技大学，
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。