基于隧道掌子面图像的岩体结构面自动识别方法及系统

1.本发明涉及隧道掌子面勘查技术领域，特别涉及一种基于隧道掌子面图像的岩体结构面自动识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.目前，隧道和地下洞室等地下工程修建区域分布广，工程建设的地质条件差别大，由于地质构造的作用导致岩石被各种断层、节理和裂隙切割形成块裂结构，在地下工程修建时，开挖导致出现新的临空面，在建设过程中经常面临围岩垮塌的风险，而防治围岩垮塌灾害，识别危险块体的前提是获得开挖面上的岩体结构面分布情况。
4.发明人发现，传统的岩体结构面识别依赖人力，存在识别精度低，速度慢，依靠作业人员经验等问题，且严重威胁作业人员生命安全；现有岩体结构面识别算法，无法对当前开挖掌子面的所处环境进行适应，进而导致其整体识别精度较低。


技术实现要素：

5.为了解决现有技术的不足，本发明提供了一种基于隧道掌子面图像的岩体结构面自动识别方法及系统，采用当前开挖环境的掌子面图像进行处理后构建数据集以进行识别模型的训练，保证了识别模型的环境适应性，同时无需大量的采集数据，提高了识别精度以及识别效率。
6.为了实现上述目的，本发明采用如下技术方案：
7.本发明第一方面提供了一种基于隧道掌子面图像的岩体结构面自动识别方法。
8.一种基于隧道掌子面图像的岩体结构面自动识别方法，包括以下过程：
9.获取隧道掌子面图像；
10.根据获取的隧道掌子面图像以及预训练的识别模型，得到岩体结构面识别结果；
11.其中，预训练的识别模型的训练数据集的获取，包括：
12.对隧道掌子面图像进行裁剪；对裁剪后的图像进行旋转和放大，包括：对裁剪后的图像旋转多个角度，对裁剪后的图像均放大n1倍，其中，n1为正数；
13.对裁剪后的图像进行暗化操作，将亮度变成其原来亮度的n2倍，其中，n2大于1；对裁剪后的图像进行亮化操作，将亮度变成其原来亮度的n3倍，其中，n3为小于1的正数；对裁剪后的图像施加椒盐噪声和高斯噪声，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集。
14.作为本发明第一方面进一步的限定，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集，包括：
15.以旋转和放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的多张图像，构建图像数据集，再对图像数据集内的各图像进行标注，获得标注图像数据集。
16.作为本发明第一方面进一步的限定，识别模型采用resnet50深度学习网络模型。
17.作为本发明第一方面进一步的限定，获取隧道掌子面图像，包括：图像来源于掌子面前方的图像采集装置或者视频采集装置，图像采集装置或者视频采集装置位于支架上，支架的左前方和右前方分别对称的布设两个补光灯。
18.本发明第二方面提供了一种基于隧道掌子面图像的岩体结构面自动识别系统。
19.一种基于隧道掌子面图像的岩体结构面自动识别系统，包括：
20.图像获取模块，被配置为：获取隧道掌子面图像；
21.结构面识别模块，被配置为：根据获取的隧道掌子面图像以及预训练的识别模型，得到岩体结构面识别结果；
22.其中，预训练的识别模型的训练数据集的获取，包括：
23.对隧道掌子面图像进行裁剪；对裁剪后的图像进行旋转和放大，包括：对裁剪后的图像旋转多个角度，对裁剪后的图像均放大n1倍，其中，n1为正数；
24.对裁剪后的图像进行暗化操作，将亮度变成其原来亮度的n2倍，其中，n2大于1；对裁剪后的图像进行亮化操作，将亮度变成其原来亮度的n3倍，其中，n3为小于1的正数；对裁剪后的图像施加椒盐噪声和高斯噪声，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集。
25.作为本发明第二方面进一步的限定，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集，包括：
26.以旋转和放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的多张图像，构建图像数据集，再对图像数据集内的各图像进行标注，获得标注图像数据集。
27.作为本发明第二方面进一步的限定，识别模型采用resnet50深度学习网络模型。
28.作为本发明第二方面进一步的限定，获取隧道掌子面图像，包括：图像来源于掌子面前方的图像采集装置或者视频采集装置，图像采集装置或者视频采集装置位于支架上，支架的左前方和右前方分别对称的布设两个补光灯。
29.本发明第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于隧道掌子面图像的岩体结构面自动识别方法中的步骤。
30.本发明第四方面一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于隧道掌子面图像的岩体结构面自动识别方法中的步骤。
31.与现有技术相比，本发明的有益效果是：
32.1、本发明创新性的提出了一种基于隧道掌子面图像的岩体结构面自动识别方法及系统，采用当前开挖环境的掌子面图像进行处理后构建数据集以进行识别模型的训练，保证了识别模型的环境适应性，同时无需大量的采集数据，提高了识别精度以及识别效率。
33.2、本发明创新性的提出了一种基于隧道掌子面图像的岩体结构面自动识别方法及系统，识别精度高，速度快，识别结果更加符合实际情况，可用于地下工程施工建设过程中，自动采集围岩的结构面信息，为危险块体识别提供理论基础，有利于保证隧道顺利施工，降低了隧道施工风险。
34.3、本发明解决了隧道施工过程中，掌子面岩体结构信息需要勘查人员到掌子面处进行手工绘制的问题，降低了工作人员的安全风险，在围岩结构面识别中使用深度学习技
术进行结构面的自动识别，与前人研究相比，与实际工程情况更接近，识别的结构面数据更加全面。
35.4、本发明通过高清摄像机对掌子面进行拍照，获取到清晰的掌子面图像后，输入到训练好的掌子面岩体结构面识别模型中，能够快速的识别出掌子面上的岩体结构面分布情况，识别结果更加准确。
36.5、本发明通过高清摄像机进行掌子面图像采集，相比于人工采集掌子面岩体结构信息，大大缩短了工作人员在掌子面的停留时间，降低了工作人员的安全风险；通过不断的扩充掌子面图像数据库可以有效的提高结构面的识别精确度。
37.6、本发明利用深度学习技术进行结构面的自动识别可以更加全面的获得各种尺度大小的结构面信息，为后续的关键块体分析研究提供更加准确的基础。
38.本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
39.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
40.图1为本发明实施例1提供的基于隧道掌子面图像的岩体结构面自动识别方法的流程示意图；
41.图2本发明实施例2提供的基于隧道掌子面图像的岩体结构面自动识别系统的流程示意图；
42.图3本发明实施例2提供的高清摄像机布置示意图。
具体实施方式
43.下面结合附图与实施例对本发明作进一步说明。
44.应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
45.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
46.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
47.实施例1：
48.如图1所示，本发明实施例1提供了一种基于隧道掌子面图像的岩体结构面自动识别方法，包括以下过程：
49.s1：按照地下工程围岩结构面勘查要求，结合深度学习技术，构建深度学习识别模型，通过高清摄像机和补光灯进行掌子面拍照，获得清晰的掌子面图片数据；
50.s2：通过对获得的图像数据进行裁剪，统一图片的尺寸为224
×
224，再对图像进行数据增强，包括图像旋转、放大、暗化、亮化、添加椒盐噪声和高斯噪声，扩大图像数据数量
形成掌子面图像数据库，对图像标注裂隙所在区域，获得掌子面标注图像数据库；
51.更具体的，对数据进行数据增强，包括对图像数据进行旋转30
°
、旋转60
°
、旋转90
°
、旋转120
°
、旋转150
°
、旋转180
°
、放大1.5倍、暗化操作将原始的图像亮度变成其原来亮度的0.9、亮化操作将原始的图像亮度变成其原来亮度的1.2、添加椒盐噪声和高斯噪声。
52.s3：将获得的掌子面图像及标注图像数据输入到resnet50深度学习网络模型中进行训练，每次模型训练，从图像数据库中随机选择五分之四的掌子面图像及对应标注图像进行训练，剩余的五分之一图像作为测试数据，进行多次训练，当模型的测试准确率达到95％时，停止训练，此时获得掌子面裂隙自动识别模型；
53.s4：将新拍摄的掌子面图像输入到掌子面自动识别模型中可以自动识别掌子面上的裂隙分布情况。
54.本发明研究了基于深度学习技术的围岩结构面自动识别技术，解决了隧道施工过程中，掌子面岩体结构信息需要勘查人员到掌子面处进行手工绘制的问题，降低了工作人员的安全风险，在围岩结构面识别中使用深度学习技术进行结构面的自动识别，与现有研究相比，与实际工程情况更接近，识别的结构面数据更加全面。
55.可选择，在其他一些实现方式中，在识别到岩体结构信息之后，根据掌子面上岩体结构面的分布情况，通过统计获得掌子面上的裂隙分布特征根据蒙特卡洛方法模拟结构面，构建三维裂隙网络模型，根据结构面的交切关系基于几何学进行关键块体搜索，获取关键块体的位置信息；采用高清视频对关键块体进行监测，运用光流法根据掌子面图像序列中像素在时间域上的变化以及相邻帧之间的相关性，利用上一帧与当前帧之间的对应关系，对关键块体是否发生位置变化进行判定，当关键块体在当前帧与初始帧之间的位置变化大于设定的阈值a时，此时判定关键块体发生了失稳，进行预警。
56.实施例2：
57.如图2所示，本发明实施例2提供了一种基于隧道掌子面图像的岩体结构面自动识别系统，包括：
58.图像获取模块，被配置为：获取待处理的掌子面图像；
59.具体的，如图3所示，在隧道爆破施工完成后，掌子面立架前，在掌子面前方放置高清相机，相机架设在支架上，相机支架可调整高度，相机前侧布设有左右两个补光灯，用来对掌子面拍摄区域进行照明，保证拍摄区域光照强度均匀，照片清晰。
60.结构面识别模块，被配置为：根据获取的隧道掌子面图像以及预训练的识别模型，得到岩体结构面识别结果；
61.其中，预训练的识别模型的训练数据集的获取，包括：
62.对高清相机采集到的掌子面图像进行处理，对图像进行裁剪，使得输入图像尺寸均为224
×
224，再对数据进行数据增强，包括对图像数据进行旋转30
°
、旋转60
°
、旋转90
°
、旋转120
°
、旋转150
°
、旋转180
°
、放大1.5倍、暗化操作将原始的图像亮度变成其原来亮度的0.9、亮化操作将原始的图像亮度变成其原来亮度的1.2、添加椒盐噪声和高斯噪声；
63.通过数据增强操作获得原始图像数据库，再对图像进行标注，获得标注图像数据库；
64.本实施例中，采用resnet50深度学习网络作为训练模型，将输入的图像数据输入到训练模型中，每次随机的从数据库中获得五分之四的图像用于模型参数训练，剩余五分
之一的图像用于测试数据的准确率，进行多次模型训练，当测试数据的准确率达到95％时停止训练，保存模型参数，进而得到用于掌子面岩体结构信息自动识别的识别模块；
65.在模型训练好之后，将新获取的掌子面图像输入到识别模块中，即可自动获得掌子面上的岩体结构信息。
66.在识别到岩体结构信息之后，根据掌子面上岩体结构面的分布情况，通过统计获得掌子面上的裂隙分布特征根据蒙特卡洛方法模拟结构面，构建三维裂隙网络模型，根据结构面的交切关系基于几何学进行关键块体搜索，获取关键块体的位置信息；采用高清视频对关键块体进行监测，运用光流法根据掌子面图像序列中像素在时间域上的变化以及相邻帧之间的相关性，利用上一帧与当前帧之间的对应关系，对关键块体是否发生位置变化进行判定，当关键块体在当前帧与初始帧之间的位置变化大于设定的阈值a时，此时判定关键块体发生了失稳，进行预警。
67.实施例3：
68.本发明实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于隧道掌子面图像的岩体结构面自动识别方法中的步骤。
69.实施例4：
70.本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于隧道掌子面图像的岩体结构面自动识别方法中的步骤。
71.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于隧道掌子面图像的岩体结构面自动识别方法，其特征在于，包括以下过程：获取隧道掌子面图像；根据获取的隧道掌子面图像以及预训练的识别模型，得到岩体结构面识别结果；其中，预训练的识别模型的训练数据集的获取，包括：对隧道掌子面图像进行裁剪；对裁剪后的图像进行旋转和放大，包括：对裁剪后的图像旋转多个角度，对裁剪后的图像均放大n1倍，其中，n1为正数；对裁剪后的图像进行暗化操作，将亮度变成其原来亮度的n2倍，其中，n2大于1；对裁剪后的图像进行亮化操作，将亮度变成其原来亮度的n3倍，其中，n3为小于1的正数；对裁剪后的图像施加椒盐噪声和高斯噪声，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集。2.如权利要求1所述的基于隧道掌子面图像的岩体结构面自动识别方法，其特征在于，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集，包括：以旋转和放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的多张图像，构建图像数据集，再对图像数据集内的各图像进行标注，获得标注图像数据集。3.如权利要求1所述的基于隧道掌子面图像的岩体结构面自动识别方法，其特征在于，识别模型采用resnet50深度学习网络模型。4.如权利要求1所述的基于隧道掌子面图像的岩体结构面自动识别方法，其特征在于，获取隧道掌子面图像，包括：图像来源于掌子面前方的图像采集装置或者视频采集装置，图像采集装置或者视频采集装置位于支架上，支架的左前方和右前方分别对称的布设两个补光灯。5.一种基于隧道掌子面图像的岩体结构面自动识别系统，其特征在于，包括：图像获取模块，被配置为：获取隧道掌子面图像；结构面识别模块，被配置为：根据获取的隧道掌子面图像以及预训练的识别模型，得到岩体结构面识别结果；其中，预训练的识别模型的训练数据集的获取，包括：对隧道掌子面图像进行裁剪；对裁剪后的图像进行旋转和放大，包括：对裁剪后的图像旋转多个角度，对裁剪后的图像均放大n1倍，其中，n1为正数；对裁剪后的图像进行暗化操作，将亮度变成其原来亮度的n2倍，其中，n2大于1；对裁剪后的图像进行亮化操作，将亮度变成其原来亮度的n3倍，其中，n3为小于1的正数；对裁剪后的图像施加椒盐噪声和高斯噪声，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集。6.如权利要求5所述的基于隧道掌子面图像的岩体结构面自动识别系统，其特征在于，根据旋转、放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的图像，构建训练数据集，包括：以旋转和放大、暗化操作、亮化操作以及施加椒盐噪声和高斯噪声后的多张图像，构建图像数据集，再对图像数据集内的各图像进行标注，获得标注图像数据集。7.如权利要求5所述的基于隧道掌子面图像的岩体结构面自动识别系统，其特征在于，识别模型采用resnet50深度学习网络模型。
8.如权利要求5所述的基于隧道掌子面图像的岩体结构面自动识别系统，其特征在于，获取隧道掌子面图像，包括：图像来源于掌子面前方的图像采集装置或者视频采集装置，图像采集装置或者视频采集装置位于支架上，支架的左前方和右前方分别对称的布设两个补光灯。9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于隧道掌子面图像的岩体结构面自动识别方法中的步骤。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于隧道掌子面图像的岩体结构面自动识别方法中的步骤。

技术总结
本发明提供了一种基于隧道掌子面图像的岩体结构面自动识别方法及系统，根据获取的隧道掌子面图像以及预训练的识别模型，得到岩体结构面识别结果；其中，预训练的识别模型的训练数据集的获取，包括：对隧道掌子面图像进行裁剪；对裁剪后的图像进行旋转和放大，包括：对裁剪后的图像旋转多个角度，对裁剪后的图像均放大N1倍，其中，N1为正数；对裁剪后的图像进行暗化操作，将亮度变成其原来亮度的N2倍，其中，N2大于1；对裁剪后的图像进行亮化操作，将亮度变成其原来亮度的N3倍，其中，N3为小于1的正数；对裁剪后的图像施加椒盐噪声和高斯噪声，根据处理后的图像构建训练数据集；本发明提高了识别精度以及识别效率。了识别精度以及识别效率。了识别精度以及识别效率。


技术研发人员：刘洪亮 姜新波 邹浩 周宗青 张峰领 周申 杨光宇 范宏运 刘洋
受保护的技术使用者：山东大学
技术研发日：2023.03.24
技术公布日：2023/7/18