技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于计算机视觉的隧道掌子面围岩硬度识别方法及系统与流程  >  正文

基于计算机视觉的隧道掌子面围岩硬度识别方法及系统与流程

  • 国知局
  • 2024-09-05 14:48:46

本发明涉及围岩分类,特别是涉及一种基于计算机视觉的隧道掌子面围岩硬度识别方法及系统。

背景技术:

1、岩石硬度是岩石抵抗其他物体刻划或压入其表面的能力,其衡量单位是pa(帕)或mpa(兆帕)。在工程实践中发现,有些岩石容易破坏、有些则难以破碎,难以破碎的岩石一般也难以钻凿,难以爆破开挖,因为他们的硬度比较大,概括地说就是比较坚固。岩石硬度主要与组成岩石物质的性质有关,岩石中坚硬矿物愈多、胶结物的硬度越大、岩石的颗粒越细、结构越致密,岩石的硬度越大。而孔隙度高、密度低、裂隙发育的岩石硬度将会降低。因此,我们可以通过肉眼观察、按压或采用刻划表面可大致估计岩石的硬度范围。工程上测量硬度一般采用人工观察法或者利用专业的硬度检测设备进行检测(现有技术),这样的检测方法结果较为精准,但由于实际工程量巨大导致测量效率较低,或者有些岩体表面不易(宜)采用专业的硬度检测设备进行测试(面临的技术问题)

2、为了提高岩石钻凿、爆破等技术的智能水平,岩石硬度自动识别必不可少。目前来说国内外对于自动识别岩石硬度的研究较少,戚鹏飞采用信号分析的方法处理传感器数据,提出了一种多截割工况岩石硬度识别算法,完成了岩巷掘进机截割过程的岩石硬度识别。该岩石硬度智能识别方法是通过传感器布置收集相关的信号进行识别的,这种识别方法需要现场布置传感器,缺乏灵活性,不能适用于硬岩隧道所有的现场工况。

技术实现思路

1、本发明的目的是提供一种基于计算机视觉的隧道掌子面围岩硬度识别方法及系统,具有操作简便、检测成本低、灵活性高的优点。

2、为实现上述目的,本发明提供了如下方案:

3、第一方面,本发明提供了一种基于计算机视觉的隧道掌子面围岩硬度识别方法,包括:

4、获取岩石表面图像;所述岩石表面图像为隧道掌子面表面的图像;

5、将所述隧道掌子面岩石表面图像输入至训练好的围岩硬度识别模型,得到所述隧道掌子面岩石表面图像中围岩硬度的分类等级;所述训练好的围岩硬度识别模型是以样本岩石图像为输入,以所述样本岩石图像对应的围岩硬度为标签训练得到的模型;所述围岩硬度识别模型为基于改进后的循环注意力卷积神经网络训练得到的模型。

6、可选的,所述训练好的围岩硬度识别模型的确定过程为:

7、获取样本岩石的表面图像以及样本岩石的围岩硬度;

8、基于所述样本岩石的表面图像和所述样本岩石的围岩硬度,对改进后的循环注意力卷积神经网络进行训练,得到训练好的围岩硬度识别模型;所述改进后的循环注意力卷积神经网络为多尺度网络模型,每一尺度包含一个卷积神经网络结构,每一卷积神经网络结构用于输出所述样本岩石的类别概率;所述类别概率为样品岩石属于围岩硬度分类等级中各类别的概率。

9、可选的,所述改进后的循环注意力卷积神经网络包括第一卷积神经网络、第二卷积神经网络和第三卷积神经网络;所述第一卷积神经网络用于对所述样本岩石的表面图像进行卷积,得到所述样品岩石的第一特征图像以及第一类别概率分布;所述第二卷积神经网络在第一卷积神经网络的基础上,引入注意力机制,对所述样品岩石的第一特征图像进行卷积,得到所述样品岩石的第二特征图像以及第二类别概率分布;第三卷积神经网络在第二卷积神经网络的基础上,对所述样品岩石的第二特征图像进行卷积,得到所述样品岩石的第三特征图像以及第三类别概率分布。

10、可选的,所述获取样本岩石的表面图像以及样本岩石的围岩硬度具体包括:

11、获取隧道内爆破现场的破碎岩石;

12、对所述破碎岩石进行拍照编号,得到所述本岩石的表面图像;

13、采用莫氏硬度法,对所述破碎岩石的硬度值进行测试,得到所述样本岩石的围岩硬度。

14、可选的,在获取样本岩石的表面图像以及样本岩石的围岩硬度之后,还包括:

15、对所述样本岩石的表面图像进行数据增强,具体包括:

16、采用随机光照、随机对比度、上下翻转、左右翻转、随机旋转缩放以及高斯模糊方法,对所述样本岩石的表面图像进行数据增强。

17、第二方面,本发明提供了一种基于计算机视觉的隧道掌子面围岩硬度识别系统,包括:

18、图像获取模块,用于获取岩石表面图像;所述岩石表面图像为隧道掌子面表面的图像;

19、分类模块,用于将所述隧道掌子面岩石表面图像输入至训练好的围岩硬度识别模型,得到所述隧道掌子面岩石表面图像中围岩硬度的分类等级;所述训练好的围岩硬度识别模型是以样本岩石图像为输入,以所述样本岩石图像对应的围岩硬度为标签训练得到的模型。

20、可选的,所述图像获取模块包括:

21、获取子模块,用于获取隧道内爆破现场的破碎岩石;

22、拍照编号模块,用于对所述破碎岩石进行拍照编号,得到所述样本岩石的表面图像;

23、硬度测试模块,用于采用莫氏硬度法,对所述破碎岩石的硬度值进行测试,得到所述样本岩石的围岩硬度。

24、可选的,还包括:

25、数据增强模块,用于对所述样本岩石的表面图像进行数据增强。

26、根据本发明提供的具体实施例,本发明公开了以下技术效果:

27、本发明提供了一种基于计算机视觉的隧道掌子面围岩硬度识别方法及系统,方法包括获取岩石表面图像;岩石表面图像为隧道掌子面表面的图像;将隧道掌子面岩石表面图像输入至训练好的围岩硬度识别模型,得到隧道掌子面岩石表面图像中围岩硬度的分类等级;训练好的围岩硬度识别模型是以样本岩石图像为输入,以样本岩石图像对应的围岩硬度为标签训练得到的模型;围岩硬度识别模型为基于改进后的循环注意力卷积神经网络训练得到的模型。相较于现有技术,本发明提供的方法只需将岩石表面图像输入至围岩硬度识别模型就可以对岩石硬度进行识别与分类,无需在现场布置传感器,且无需通过传感器布置收集相关的信号,因此操作简便、检测成本低且灵活性较高。

技术特征:

1.一种基于计算机视觉的隧道掌子面围岩硬度识别方法,其特征在于,包括:

2.根据权利要求1所述的一种基于计算机视觉的隧道掌子面围岩硬度识别方法,其特征在于,所述训练好的围岩硬度识别模型的确定过程为:

3.根据权利要求2所述的一种基于计算机视觉的隧道掌子面围岩硬度识别方法,其特征在于,所述改进后的循环注意力卷积神经网络包括第一卷积神经网络、第二卷积神经网络和第三卷积神经网络;所述第一卷积神经网络用于对所述样本岩石的表面图像进行卷积,得到所述样品岩石的第一特征图像以及第一类别概率分布;所述第二卷积神经网络在第一卷积神经网络的基础上,引入注意力机制,对所述样品岩石的第一特征图像进行卷积,得到所述样品岩石的第二特征图像以及第二类别概率分布;第三卷积神经网络在第二卷积神经网络的基础上,对所述样品岩石的第二特征图像进行卷积,得到所述样品岩石的第三特征图像以及第三类别概率分布。

4.根据权利要求1所述的一种基于计算机视觉的隧道掌子面围岩硬度识别方法,其特征在于,所述获取样本岩石的表面图像以及样本岩石的围岩硬度具体包括:

5.根据权利要求1所述的一种基于计算机视觉的隧道掌子面围岩硬度识别方法,其特征在于,在获取样本岩石的表面图像以及样本岩石的围岩硬度之后,还包括:

6.一种基于计算机视觉的隧道掌子面围岩硬度识别系统,其特征在于,包括:

7.根据权利要求6所述的一种基于计算机视觉的隧道掌子面围岩硬度识别系统,其特征在于,所述图像获取模块包括:

8.根据权利要求6所述的一种基于计算机视觉的隧道掌子面围岩硬度识别系统,其特征在于,还包括:

技术总结本发明公开了一种基于计算机视觉的隧道掌子面围岩硬度识别方法及系统,涉及围岩分类技术领域,该方法包括:获取岩石表面图像;岩石表面图像为隧道掌子面表面的图像;将隧道掌子面岩石表面图像输入至训练好的围岩硬度识别模型,得到隧道掌子面岩石表面图像中围岩硬度的分类等级;训练好的围岩硬度识别模型是以样本岩石图像为输入,以样本岩石图像对应的围岩硬度为标签训练得到的模型;围岩硬度识别模型为基于改进后的循环注意力卷积神经网络训练得到的模型。本发明构建一种基于循环注意力卷积神经网络的深度学习网络模型,通过岩石表面图像就可以对岩石硬度进行识别与分类,无需在现场布置传感器,因此操作简便、检测成本低且灵活性较高。技术研发人员:王彦彪,杨晓东,龚纯,张磊,贾树明,刘子龙,曾路受保护的技术使用者:中交路桥建设有限公司技术研发日:技术公布日:2024/9/2

本文地址:https://www.jishuxx.com/zhuanli/20240905/288205.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。