本發(fā)明屬于隧道圍巖勘察領域，具體涉及一種基于地質雷達與遷移學習的隧道圍巖動態(tài)分級方法。

背景技術：

1、隧道圍巖質量分級是地質勘察過程中反映圍巖地質情況的方法，通過儀器設備對圍巖進行檢測，得到若干個主要評價指標。將地質情況不同但穩(wěn)定程度相似的巖體劃分為同一等級，將無限巖體情況劃分為穩(wěn)定程度不同的有限級別。準確的圍巖質量分級對指導隧道開挖方法、支護結構設計、施工過程安全穩(wěn)定和控制成本有至關重要的作用。如果圍巖分級結果與實際情況有出入，可能導致隧道支護結構設計沒有達到工程實際要求，存在施工安全風險；或者開挖方案和支護設計過于保守，增加施工成本。然而，在隧道地質勘察過程中，受限于勘察技術水平與復雜的地質條件，很難對隧道賦存圍巖地質環(huán)境的整體狀況進行準確把握。此外，斷層與斷裂帶、巖溶地區(qū)和富水破碎帶等隧道不良地質具有一定的隱伏性，難以準確揭露深長山嶺隧道的不良地質狀況。據(jù)統(tǒng)計，我國山嶺隧道工程地質勘察過程中，約35％的圍巖分級結果與實際情況不符。因此，在隧道開挖過程中，準確探明掌子面前方巖性變化情況，高效合理地評定圍巖等級，對指導隧道的進一步施工方案和完善支護設計具有重要的現(xiàn)實意義。

2、目前，在隧道施工階段，圍巖分級主要有兩種方法：一種是通過觀察隧道開挖后的掌子面來評價圍巖級別；另一種是采用地震反射波法、地質雷達法等隧道超前地質預報技術來量測和評定掌子面前方圍巖的等級。然而，無論使用哪種方法對圍巖進行分級，由于每個地質勘察人員的工作經(jīng)驗和理解水平不同，當他們使用個人主觀因素對同一種圍巖等級進行劃分時，即使采用同一套評價標準，也可能得出不同的結論。這種不確定性在地質環(huán)境愈加復雜和儀器設備操作誤差等因素的影響下尤為顯著。此外，傳統(tǒng)的隧道圍巖分級方法需要耗費大量的人力物力，不利于節(jié)約工期和經(jīng)濟成本。

3、近年來，隨著計算機運算性能的提升和數(shù)據(jù)訓練能力的加強，人工智能機器學習領域中的深度學習開始受到普遍關注。由于深度學習具有較好的泛化能力和魯棒性，目前已被廣泛應用于計算機視覺等領域。深度學習是一種采用計算機神經(jīng)網(wǎng)絡進行分析學習的技術，通過將數(shù)據(jù)輸入到卷積神經(jīng)網(wǎng)絡中自動訓練并進行特征提取，達到數(shù)據(jù)分類的效果。它不需要人工構建圖像特征，而是以端到端的方式輸出結果。陳培帥等人采用深度學習卷積神經(jīng)網(wǎng)絡對隧道超前地質預報中的富水破碎帶信息進行定位和預測，為工程提供依據(jù)。柳厚祥等人通過深度學習alexnet模型對隧道掌子面巖石特征進行識別，并采用色彩模型與數(shù)字圖像處理方法分別確定巖石巖性以及巖體節(jié)理裂隙發(fā)育情況，從而建立一套圍巖智能分級系統(tǒng)。

4、同時，中國公開了以下相關專利：

5、1.一種基于深度學習的隧道掌子面圍巖智能分級方法及設備，申請(專利)號：cn202111481523.9。該發(fā)明首先對隧道掌子面圍巖照片樣本進行標注和預處理，建立起訓練的掌子面圖像數(shù)據(jù)庫；隨后，通過搭建一個基于深度學習的圍巖分級預測模型，并使用掌子面圖像數(shù)據(jù)庫對模型進行訓練，從而構建出識別效果更加準確的預測模型。此外，本發(fā)明采用圖像切割技術，將待檢測的掌子面照片進行分割，并對每個子圖像進行獨立預測。最后，根據(jù)各個子圖像的預測結果進行綜合評價預測，從而實現(xiàn)了對掌子面圍巖的高效、準確判別。

6、2.一種基于云計算的公路隧道圍巖分級方法，申請(專利)號：cn201911133442.2，針對公路隧道圍巖巖體性質和賦存條件十分復雜、參數(shù)測試數(shù)量有限、分級實施時難度較大等特點，本發(fā)明開發(fā)一種基于云分級方法。數(shù)碼攝像及深度學習技術獲取圍巖結構面發(fā)育程度參數(shù)的方法，可以極大地減少施工階段圍巖分級指標獲取時間，同時借助回彈試驗確定巖體強度，通過云計算技術確定巖體的完整程度，提高施工階段圍巖分級指標可靠度，并可以將隧道掌子面圖片保存于云端，便于類似工程參考交流、核查及協(xié)作。

7、上述方法與以前的方法相比，雖然有所進步，但其在隧道施工開挖過程中對掌子面及前方圍巖進行動態(tài)分級的效率和精確度有待進一步提高?，F(xiàn)有專利只是利用掌子面的照片，難以實現(xiàn)地質雷達的立體預報。

8、因此，本發(fā)明提供了一種基于地質雷達與遷移學習的隧道圍巖動態(tài)分級方法，將掌子面照片與掌子面前方20m地質雷達圖像結合預測預報，可實現(xiàn)地質雷達的立體預報。

技術實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于地質雷達與遷移學習的隧道圍巖動態(tài)分級方法。本發(fā)明旨在解決現(xiàn)有方法只是利用掌子面照片，未考慮掌子面前方20m范圍內(nèi)的地質雷達圖像，沒有實現(xiàn)真正的預測預報的問題。

2、為達到上述目的，本發(fā)明提供了一種基于地質雷達與遷移學習的隧道圍巖動態(tài)分級方法，包括以下步驟：

3、s1.圖像采集：采用移動拍照設備拍攝隧道掌子面，獲取隧道掌子面照片；

4、s2.提取隧道圍巖的表面特征；

5、s2.1對拍攝的隧道掌子面圖像進行數(shù)據(jù)增強；

6、s2.2制作表征數(shù)據(jù)集：根據(jù)巖石巖性、風化程度、含水情況、巖體結構類型和裂隙發(fā)育程度對隧道掌子面照片進行分類標注；

7、s2.3基于mobilenet網(wǎng)絡模型進行改進，搭建mobilenetv3卷積神經(jīng)網(wǎng)絡模型；

8、s2.4訓練mobilenetv3卷積神經(jīng)網(wǎng)絡模型，然后用mobilenetv3卷積神經(jīng)網(wǎng)絡模型檢測隧道掌子面的巖石巖性、風化程度、含水情況、巖體結構類型和裂隙發(fā)育程度；

9、s3.對隧道掌子面的軟弱夾層和裂隙進行識別與量化；

10、s3.1制作軟弱夾層數(shù)據(jù)集：對拍攝的隧道掌子面圖像進行數(shù)據(jù)擴張與篩選，然后采用深度學習語義分割標注工具labelme對圖像中的軟弱夾層帶進行標注，即勾勒出軟弱夾層在圖片中的位置；

11、s3.2構建語義分割網(wǎng)絡模型：unet網(wǎng)絡模型；

12、s3.3訓練unet網(wǎng)絡模型，然后用unet網(wǎng)絡模型對隧道掌子面的軟弱夾層進行識別與提??；

13、s3.4隧道掌子面巖石裂隙的識別與量化；

14、s3.5計算巖石的破碎系數(shù)，評價掌子面巖石完整性；

15、s4.基于步驟s1～s3獲取的掌子面巖石信息，提取、換算圍巖分級指標，從而得到當前隧道掌子面圍巖分級結果；

16、s5.地質雷達超前地質預報；

17、s5.1隧道開挖過程中，對隧道掌子面實施超前地質預報，獲得掌子面前方地質的雷達圖像；

18、s5.2根據(jù)隧道開挖情況對解譯結果進行比對，將確認后的結果在地質雷達圖像中進行標注，然后將地質雷達進行深度學習目標檢測網(wǎng)絡模型的訓練；

19、s6.基于深度學習提取隧道掌子面前方圍巖特征，并與實際情況進行對比驗證，不斷提高解譯準確率。

20、進一步，所述數(shù)據(jù)增強的方式包括幾何變換、清晰度變換、色域轉換和添加噪聲；

21、幾何變換：通過旋轉、翻轉、平移、拉伸、鏡像中的一種或多種操作，對圖像進行處理，從而模擬移動拍照設備從不同角度對掌子面進行拍攝；

22、清晰度變換：通過中值濾波/均值濾波/高斯濾波對圖像進行模糊處理；

23、色域轉換：通過調(diào)整掌子面圖像的亮度，模擬隧道掌子面的不同明暗程度；

24、添加噪聲：通過添加椒鹽噪聲或高斯噪聲，模擬空氣中存在的粉塵。

25、進一步，所述步驟s2.3中，mobilenetv3卷積神經(jīng)網(wǎng)絡模型的改進包括：

26、(1)引入反向殘差結構；

27、(2)加入輕量級se模塊；

28、se模塊由壓縮和激勵兩部分組成；壓縮部分對深度卷積的輸出特征矩陣進行全局平均池化處理，激勵部分對壓縮后的特征矩陣通過兩個全連接層后輸出；

29、(3)改進激活函數(shù)；

30、改進mobilenet網(wǎng)絡模型原有的激活函數(shù)，提出h-swish激活函數(shù)，計算表達式如下：

31、relu6(x)＝min(max(x,0),6)

32、h-swish(x)＝x·relu6(x+3)/6

33、式中，x為非線性激活函數(shù)在第i個通道的輸入，relu6函數(shù)是最大輸出限制為6的relu函數(shù)；

34、(4)優(yōu)化網(wǎng)絡結構。

35、進一步，所述步驟s3.4，隧道掌子面巖石裂隙的識別與量化包括以下子步驟：

36、i.采用圖像分割法對掌子面巖石圖像中的裂隙進行識別與提取；

37、ii.基于拍照設備與掌子面巖石之間的距離，或者掌子面中存在已知幾何參數(shù)的參照物，然后根據(jù)圖片中目標區(qū)域的像素大小，按照相應的比例換算出裂隙實際大?。?/p>

38、iii.計算裂隙長度、裂隙寬度、裂隙面積和裂隙率；

39、裂隙長度：使用canny算子對巖石裂隙閾值分割后的圖像進行邊緣提取，并對巖石裂隙邊緣檢測圖像作骨架化處理，根據(jù)裂隙兩個邊緣的長度除以2進行近似計算；

40、裂隙面積：基于裂隙二值圖像中黑色像素點的個數(shù)，通過比例換算后得到；

41、裂隙寬度：通過近似計算，裂隙面積除以裂隙長度得到；

42、裂隙率：用面裂隙率的數(shù)值表示；

43、面裂隙率通過掌子面巖石表面所有裂隙的總面積與對應巖石面積的比值來表示。

44、進一步，所述圖像分割法為類間最大距離法。

45、進一步，所述步驟s3.4中，圖像分割前，將掌子面巖石圖像的灰度值調(diào)整至原圖像的30％以內(nèi)。

46、進一步，所述步驟s3.5中，巖石的破碎系數(shù)的計算表達式如下：

47、

48、式中：a為巖石圖像中所有裂隙的總面積；w、h為圖像的寬和高；b為巖石裂隙的平均寬度；kp為巖石的破碎系數(shù)。

49、進一步，所述步驟s3.5中，巖石的破碎系數(shù)與掌子面巖石完整程度的評價關系如下：

50、kp∈0.01～0.04，表示掌子面巖石較完整；kp∈0.04～0.08，表示掌子面巖石較破碎；kp>0.08，表示掌子面巖石破碎/極破碎。

51、進一步，所述步驟s4的具體步驟如下：

52、s4.1基于步驟s2獲取的巖石巖性與風化程度信息，根據(jù)規(guī)范得到各類巖石在不同風化程度下的單軸飽和抗壓強度取值范圍，然后將取值范圍的中值作為掌子面巖石強度指標；

53、s4.2基于步驟s2獲取的巖石裂隙發(fā)育程度和巖體結構類型，以及步驟s3量化識別的掌子面巖石中的細小裂隙，根據(jù)巖石破碎系數(shù)以及對應的分類區(qū)間，按比例關系確定巖石完整程度指標；

54、s4.3基于步驟s2獲取的含水情況，得到含水情況調(diào)整系數(shù)；

55、s4.4采用地質羅盤對掌子面巖石結構面的傾角及其與洞軸線的夾角進行測量，從而得到結構面產(chǎn)狀調(diào)整系數(shù)；

56、s4.5巖石強度指標、巖體完整程度指標、含水情況調(diào)整系數(shù)以及結構面產(chǎn)狀調(diào)整系數(shù)通過bq圍巖分級計算公式計算得到圍巖質量指標，之后根據(jù)圍巖分級標準即得當前隧道掌子面圍巖分級結果。

57、進一步，所述步驟s5的具體步驟如下：

58、s6.1地質雷達圖像采集與解譯；

59、s6.2制作地質雷達信號數(shù)據(jù)集；

60、s6.3搭建mobilenet-ssd目標檢測模型；

61、基于ssd模型進行改進，引入mobilenet輕量化卷積神經(jīng)網(wǎng)絡作為ssd模型的主干特征提取網(wǎng)絡，從而搭建mobilenet-ssd目標檢測模型；

62、s6.4訓練mobilenet-ssd目標檢測模型，然后用mobilenet-ssd目標檢測模型提取隧道掌子面前方圍巖特征。

63、本發(fā)明的有益效果在于：

64、本發(fā)明采用深度學習的方法，結合隧道施工現(xiàn)場掌子面地質情況與地質雷達超前地質預報的成果，提出一種隧道施工過程中圍巖動態(tài)分級方法，具有重要的研究價值和工程意義，主要表現(xiàn)在以下幾點：

65、(1)在理論意義上，通過將超前地質預報技術和人工智能技術相結合，對隧道施工過程中掌子面前方的圍巖進行分級，開展多學科交叉融合探索性和前沿性的研究，有利于推動超前地質預報技術向智能化方向發(fā)展，同時也擴寬了人工智能在隧道工程領域的應用范圍。

66、(2)在工程意義上，采用深度學習方法提取隧道圍巖分級指標，使得隧道地質勘察和圍巖分級過程更加便捷、準確和智能，減少隧道地質勘查和圍巖分級過程中主觀因素的影響，提高工作效率，降低經(jīng)濟成本。

67、本發(fā)明以隧道施工過程中掌子面前方的圍巖為研究對象，通過采用移動拍照設備和地質雷達超前地質預報技術獲取隧道掌子面圖像以及掌子面前方的巖體信息，并采用深度學習方法對掌子面圖像以及地質雷達圖譜進行特征提取與識別，從而建立基于地質雷達超前地質預報技術與遷移學習的圍巖分級方法，實現(xiàn)在隧道施工開挖過程中對掌子面及前方圍巖進行快速、準確地圍巖動態(tài)分級。

68、這里說的動態(tài)是指每20m，需要進行一次地質雷達超前地質預報，獲得圖像數(shù)據(jù)，更新一次網(wǎng)絡。前方圍巖是指地質雷達超前地質預報技術可以預測掌子面前方的20m未開挖巖體的地質情況。實現(xiàn)地質情況的立體預測，包括隧道掌子面及前方20m，底面積是掌子面大小，高是掌子面前方20m。

69、本發(fā)明的其他優(yōu)點、目標和特征在某種程度上將在隨后的說明書中進行闡述，并且在某種程度上，基于對下文的考察研究，對本領域技術人員而言將是顯而易見的，或者可以從本發(fā)明的實踐中得到教導。本發(fā)明的目標和其他優(yōu)點可以通過下面的說明書來實現(xiàn)和獲得。