一种隧道掌子面围岩级别智能确定方法与流程

本发明涉及隧道工程勘察及施工，尤其涉及一种隧道掌子面围岩级别智能确定方法。

背景技术：

1、目前，矿山法隧道施工过程中，多采用传统的办法判断掌子面的围岩级别：隧道爆破开挖后，通过掌子面地质素描、超前水平钻探、加深炮孔、工程物探等传统的地质手段，对掌子面及前方一定范围内的围岩质量进行综合评估，根据评估结果判识围岩级别，并对下一施工工序提出建议。通过频繁开展掌子面观察、探查的方法，需要大量占用掌子面的作业时间，严重影响现场的施工组织，影响隧道施工工期，同时存在诸多安全风险；另外，通过掌子面地质核查进行围岩质量的判定，现场人员的综合技术水平具有较大的影响，主观影响因素重，判断标准及依据不统一。

技术实现思路

1、有鉴于此，本发明提出了一种隧道掌子面围岩级别智能确定方法，实现智能、快速地获取隧道掌子面围岩级别的判定与评价，通过深度学习掌子面照片，并建立完善的深度学习模型，训练多层次的判定逻辑，获取隧道掌子面围岩级别，对下一施工循环步序进行指导。

2、本发明的技术方案是这样实现的：本发明提供了一种隧道掌子面围岩级别智能确定方法，包括：

3、s1构建深度学习模型，利用训练集对深度学习模型进行迭代训练，直至模型收敛，得到训练后的深度学习模型；

4、s2获取待识别图像，将待识别图像输入训练后的深度学习模型，输出得到五个分类结果；

5、s3将五个分类结果进行标准值域化，后采用综合评分方法对标准值域化的五个分类结果进行综合计算，得到综合得分；

6、s4根据围岩级别规则对综合得分进行判定，得到待识别图像的围岩级别。

7、在上述技术方案的基础上，优选的，深度学习模型包括resnet50主干网络、特征金字塔网络和分类网络，其中：

8、resnet50主干网络包括一维卷积层、bn层、最大池化层和4个残差块，第一残差块包括3个残差单元，第二残差块包括4个残差单元，第三残差块包括6个残差单元，第四残差块包括3个残差单元；

9、特征金字塔网络采用自顶向下路径，包括4个卷积层，每个卷积层之间采用横向连接；

10、分类网络包括5个分类头，第一分类头包括3个卷积层、全局平均池化层和全连接层，第二分类头包括3个连续的卷积层、全局平均池化层和全连接层，第三分类头包括卷积层、自注意力层、平均池化层和全连接层，第四分类头包括卷积层、通道注意力块、全局平均池化层和全连接层，第五分类头包括2个卷积层、自适应最大池化层、双向gru层和全连接层。

11、在上述技术方案的基础上，优选的，第一分类头用于围岩颜色分类；第二分类头用于裂隙宽度分类；第三分类头用于裂隙长度分类；第四分类头用于裂隙组数分类；第五分类头用于地下水发育程度分类。

12、在上述技术方案的基础上，优选的，深度学习模型对待识别图像进行处理的过程为：

13、将待识别图像输入resnet50主干网络，利用4个残差块依次提取4个尺度的特征，分别为第一尺度特征c1、第二尺度特征c2、第三尺度特征c3和第四尺度特征c4；

14、将第一尺度特征c1、第二尺度特征c2、第三尺度特征c3和第四尺度特征c4输入特征金字塔网络，对4个尺度的特征ci均应用1*1卷积，调整通道数为相同值，bi＝conv1*1(ci)；按照自顶向下的路径，从顶层开始，将高层的尺度特征上采样并与下一层相加，形成四层的金字塔特征ai，ai＝bi+upsample(ai+1)；对每个金字塔特征ai应用3*3卷积进行平滑，得到4个平滑特征pi，pi＝conv3*3(ai)；其中，i＝1,2,3,4；

15、将p1输入第一分类头，得到第一分类结果，将p1和p2输入第二分类头，得到第二分类结果，将p2、p3和p4输入第三分类头，得到第三分类结果，将p1、p2、p3和p4输入第四分类头，得到第四分类结果，将p3和p4输入第五分类头，得到第五分类结果。

16、在上述技术方案的基础上，优选的，将p1输入第一分类头，通过3个连续的卷积层逐步提取颜色特征，每次卷积后都进行批归一化和relu激活，卷积过程中，通道数逐渐减少，使用全局平均池化将特征压缩成一维向量，再通过全连接层映射到5个类别的输出空间，得到第一分类结果；

17、将p1和p2输入第二分类头，通过1个3*3卷积层和2个3*3空洞卷积层提取宽度相关特征，每次卷积层后都应用relu激活函数，之后将处理后的p1和p2进行上采样或下采样到相同大小，然后在通道维度上拼接，拼接后的特征进过1个1*1卷积融合信息，利用全局平均池化将特征压缩成一维向量，再通过全连接层映射到5个类别的输出空间，得到第二分类结果；

18、将p2、p3、p4输入第三分类头，每个特征分别独立经过1*1卷积和自注意力机制，将处理后的3个特征上采样到相同大小，在通道维度上拼接，拼接后的特征经过一个自注意力层，融合多尺度信息，最后通过全连接层全连接层映射到5个类别的输出空间，得到第三分类结果；

19、将p1、p2、p3和p4输入第四分类头，每个特征独立经过1*1卷积和通道注意力块，将处理后的4个特征调整到相同大小，在通道维度上拼接，拼接后的特征经过一个额外的通道注意力块，进一步融合多尺度信息，通过全局平均池化将特征压缩成一维向量，再通过全连接层映射到5个类别的输出空间，得到第四分类结果；

20、将p3和p4输入第五分类头，每个特征经过2个3*3卷积层提取水发育相关特征，每次卷积后都进行批归一化和relu激活，之后使用1个自适应最大池化层，得到2个特征序列，将这2个特征序列在时间维度上拼接，形成拼接序列，并输入双向gru处理，gru的输出经过平均池化，然后通过全连接层映射到5个类别的输出空间，得到第五分类结果。

21、在上述技术方案的基础上，优选的，第一分类结果包括单一、较单一、较浑浊、浑浊、极浑浊；第二分类结果包括极窄、窄、较窄、较宽、宽；第三分类结果包括小于极短、短、较短、较长、长；第四分类结果包括极少、少、较少、较多、多；第五分类结果包括干燥、点状、滴状、线状、股状。

22、在上述技术方案的基础上，优选的，步骤s3包括：

23、s31设置标准值域范围，将标准值域范围划分为5个子范围，将五个分类结果的5个类别一一对应至5个子范围，其中，五个分类结果分别记为第一分类结果、第二分类结果、第三分类结果、第四分类结果、第五分类结果；

24、s32获取第一分类结果、第二分类结果、第三分类结果、第四分类结果、第五分类结果的预测概率值，根据预测概率值和对应子范围的换算关系，计算五个分类结果的单项评分；

25、s33设置五个分类结果的权重，基于权重和单项评分计算得到综合得分。

26、在上述技术方案的基础上，优选的，单项评分的计算公式为：

27、

28、式中，表示第j1个分类结果的单项评分，j1＝1,2,3,4,5；表示第j1个分类结果对应的子范围j2的值域范围下限值，j2＝1,2,3,4,5；表示第j1个分类结果的预测概率值；表示第j1个分类结果的预测阈值；表示子范围j2的调整因子。

29、在上述技术方案的基础上，优选的，综合得分的计算公式为：

30、

31、式中，stotal为综合得分，表示第j1个分类结果的权重。

32、在上述技术方案的基础上，优选的，步骤s4包括：

33、将综合得分的值域范围划分为6个等级范围，按照综合得分从高到低将6个等级范围设为围岩级别1、围岩级别2、围岩级别3、围岩级别4、围岩级别5、围岩级别6，根据步骤s3计算得到的综合得分的值，将其归至对应的围岩级别，得到待识别图像的围岩级别。

34、本发明相对于现有技术具有以下有益效果：

35、(1)本发明通过构建深度学习模型并结合综合评分方法，实现了隧道掌子面围岩级别的智能确定，该方法不仅能够自动化处理大量图像数据，提高了围岩级别判定的效率和准确性，还能够综合考虑多个地质特征，包括围岩颜色、裂隙宽度、裂隙长度、裂隙组数和地下水发育程度，从而得到更全面、客观的评估结果，为隧道施工提供可靠的地质信息支持；

36、(2)本发明通过构建resnet50主干网络、特征金字塔网络和多分类头组成的深度学习模型，能够从不同尺度和层次上提取图像特征并进行综合分析。这种结构不仅提高了特征提取的深度和广度，还在处理各种不同地质特征时展现出了强大的适应性和高效性，使模型在训练后的识别精度大幅提升；

37、(3)本发明的分类网络中设计了五个专门的分类头，分别针对围岩颜色、裂隙宽度、裂隙长度、裂隙组数和地下水发育程度进行分类。这种设计不仅能够有效分离不同地质特征的影响，确保每个特征都能得到充分的分析与识别，还能通过综合这些分类结果，更全面地评估围岩的整体稳定性与质量；

38、(4)本发明引入的标准值域化和综合评分方法，将不同类型的地质特征评估结果统一到一个标准尺度上，并通过权重分配实现了多特征的综合考量，这种方法不仅解决了不同地质特征量化标准不一致的问题，还能够灵活调整各项特征的重要性，使得最终的围岩级别判定更加客观和全面。

技术特征：

1.一种隧道掌子面围岩级别智能确定方法，其特征在于，包括：

2.如权利要求1所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，深度学习模型包括resnet50主干网络、特征金字塔网络和分类网络，其中：

3.如权利要求2所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，第一分类头用于围岩颜色分类；第二分类头用于裂隙宽度分类；第三分类头用于裂隙长度分类；第四分类头用于裂隙组数分类；第五分类头用于地下水发育程度分类。

4.如权利要求3所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，深度学习模型对待识别图像进行处理的过程为：

5.如权利要求4所述的一种隧道掌子面围岩级别智能确定方法，其特征在于：

6.如权利要求4所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，第一分类结果包括单一、较单一、较浑浊、浑浊、极浑浊；第二分类结果包括极窄、窄、较窄、较宽、宽；第三分类结果包括小于极短、短、较短、较长、长；第四分类结果包括极少、少、较少、较多、多；第五分类结果包括干燥、点状、滴状、线状、股状。

7.如权利要求1所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，步骤s3包括：

8.如权利要求7所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，单项评分的计算公式为：

9.如权利要求8所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，综合得分的计算公式为：

10.如权利要求1所述的一种隧道掌子面围岩级别智能确定方法，其特征在于，步骤s4包括：

技术总结
本发明提出一种隧道掌子面围岩级别智能确定方法，涉及隧道工程勘察及施工技术领域，包括：S1构建深度学习模型，利用训练集对深度学习模型进行迭代训练，直至模型收敛，得到训练后的深度学习模型；S2获取待识别图像，将待识别图像输入训练后的深度学习模型，输出得到五个分类结果；S3将五个分类结果进行标准值域化，后采用综合评分方法对标准值域化的五个分类结果进行综合计算，得到综合得分；S4根据围岩级别规则对综合得分进行判定，得到待识别图像的围岩级别。本发明能实现智能、快速地获取隧道掌子面围岩级别的判定与评价。

技术研发人员：王祥,姚成志,岳建刚,李时亮,沈伟升,华丽晶,吕俊磊,李立,董跃龙,王俊涛
受保护的技术使用者：中铁第四勘察设计院集团有限公司
技术研发日：
技术公布日：2024/12/5