本发明属于隧道围岩图像处理技术领域，具体涉及一种基于渣片图像识别获取围岩类别的方法。
背景技术：
隧道围岩等级分类在隧道施工中有着至关重要的作用，是隧道开挖后稳定性判定及相应支护措施选取的重要因素。传统的围岩分级依据岩石的强度，岩体的完整性，裂隙填充物，地下水及地应力等情况综合而定，由于工作量较大且难以获取，导致前期勘察中的围岩分级较为粗略。因此，在TBM掘进过程中，往往出现揭露岩体与前述所得到的岩体围岩分级不一致的情况。另外，由于TBM刀盘与护盾的存在，开挖后获取掌子面地质情况有限，实时获取围岩等级较为困难。现场施工中，掘进中岩体围岩分级并非依据国家标准规范中的方法定义，更多依靠已有勘察报告与现场工程师自身经验而定，可能存在划分有误与滞后的问题。这对于前方岩体情况的准确判定有着较大的制约。因此，找到一种实时且准确判定岩体围岩分级的方法非常重要。
技术实现要素：
针对上述现有技术中描述的不足，本发明提供一种基于渣片图像识别获取围岩类别的方法，用于解决现有掘进时围岩分级滞后及过于依靠人为经验的技术问题。
为解决上述技术问题，本发明所采用的技术方案如下：
一种基于渣片图像识别获取围岩类别的方法，步骤如下：
S1，获取渣片图像。
S2，将渣片图像传输至TBM主控室进行处理，得到处理后的渣片图像。
S2.1，提取拍摄彩色照片的彩色分量；
S2.2，依据图像的灰度关系和高斯函数进行平滑滤坡；
S2.3，将图像进行自适应直方均衡化，提高图像的对比度；
S2.4，多尺度计算彩色图像的梯度，选择最优值；
S2.5，对灰度图像进行形态学处理，突出图像提取的特征；
S2.6，图像进行极值标记和分水岭分割，得到分割图像；
S2.7，定义合并和停止规则进行区域合并，更加准确的得出分割图像；
S2.8，根据区域属性，获得待测物的特征参数。
S3，计算处理后渣片图像的围岩级别关联敏感特征集。
S3.1，从步骤S2中得到粒径累计分布图，并计算图像中各渣片的特征值。
S3.1.1，计算不均匀系数Cu，计算公式为：
Cu＝d60/d10 (1)；
其中，d60为限制粒径，是粒径累计分布图中的某粒径，小于该粒径的土含量占总渣片数量的60％；
d10—有效粒径，粒径累计分布图中的某粒径，小于该粒径的土含量占总渣片数量的10％。
S3.1.2，计算曲率系数Cc，计算公式为：
其中：d30为粒径累计分布图中的某粒径，小于该粒径的土含量占总渣片数量的30％。
S3.1.3，计算长度大于L的岩片数量N1。
S3.1.4，计算小于中轴与长轴比值0.8的渣片数量N2。
S3.1.5，计算中轴与长轴比值大于等于0.8且小于等于1的渣片数量N3。
S3.1.6，计算各渣片的周长C。
S3.1.7，计算各渣片的面积S。
S3.1.8，计算渣片总数量N。
S3.2，将各渣片特征值利用关联度分析法处理，得到围岩级别关联敏感特征集[Cu,Cc,N1,N2,N3]。
在步骤S3.1中获得的渣片特征值之间存在强耦合，严重影响后期围岩级别的划分，因此采用关联度分析方法，计算5个图像特征变量和围岩级别关联度。
S4，将得到的围岩类别关联敏感特征集作为数据样本，并采用AP聚类方法将数据样本划分k个聚类；
具体计算步骤可以是：先计算数据对象之间的相似度，得到相似矩阵；然后不断迭代R和A，得到簇中心；最后根据簇中心划分数据对象。
而且，AP聚类算法是一种根据数据对象之间的相似度自动进行聚类的方法，隶属于划分聚类方法的一种。R(m,n)描述了数据对象n适合作为数据对象m的聚类中心的程度，表示的是从m到n的消息；A(m,n)描述了数据对象m选择数据对象n作为其据聚类中心的适合程度，表示从n到m的消息。R(m,n)与A(m,n)越大，那么数据对象n就越有可能作为聚类的中心。AP聚类算法就是不断迭代更新每一个数据对象的吸引度和归属度，直到迭代一定的次数，将其余数据对象分配到相应的聚类中。所使用到的公式如下：
(1)吸引度迭代公式
Rt+1(m,n)＝(1-λ)·Rt+1(m,n)+λ·Rt(m,n)
其中：
(2)归属度迭代公式：
At+1(m,n)＝(1-λ)·At+1(m,n)+λ·At(m,n)
其中：
S5，将高斯核函数和多项式核函数加权融合，并对步骤S4中的每个聚类做LSSVM回归，得到k个子模型；
S6，将得到的k个子模型进行加权融合，得到围岩类别值，计算公式为
式中，μij表示j隶属于子模型i的程度，用样本j到第i类样本中心的距离与样本j到所有类样本中心距离总和的比值表示。
在TBM掘进时，通过架设在皮带机上方的高性能工业相机拍摄皮带机上的渣片，拍摄位置离掌子面100m间距，保证所分析渣片为实时获取。将拍摄后的图片传至TBM主控室电脑进行实时分析，获得处理后的渣片图像。从处理后的渣片图像中获得围岩类别关联敏感特征集，并对围岩类别关联敏感特征集进行聚类分析得到k个聚类，然后对每个聚类进行LSSVM回归，得到k个子模型，再对k个子模型进行加权融合得到围岩类别值。本发明对实时图像进行采集处理，无需人工参与，避免过度依靠人为经验，提高围岩分级的准确性和快速性。
具体实施方式
一种基于渣片图像识别获取围岩类别的方法，步骤如下：
S1，获取渣片图像。
S2，将渣片图像传输至TBM主控室进行处理，得到处理后的渣片图像。
S2.1，提取拍摄彩色照片的彩色分量；
S2.2，依据图像的灰度关系和高斯函数进行平滑滤坡；
S2.3，将图像进行自适应直方均衡化，提高图像的对比度；
S2.4，多尺度计算彩色图像的梯度，选择最优值；
S2.5，对灰度图像进行形态学处理，突出图像提取的特征；
S2.6，图像进行极值标记和分水岭分割，得到分割图像；
S2.7，定义合并和停止规则进行区域合并，更加准确的得出分割图像；
S2.8，根据区域属性，获得待测物的特征参数。
S3，计算处理后渣片图像的围岩级别关联敏感特征集。
S3.1，从步骤S2中得到粒径累计分布图，并计算图像中各渣片的特征值。
S3.1.1，计算不均匀系数Cu，计算公式为：
Cu＝d60/d10 (1)；
其中，d60为限制粒径，是粒径累计分布图中的某粒径，小于该粒径的土含量占总渣片数量的60％；
d10—有效粒径，粒径累计分布图中的某粒径，小于该粒径的土含量占总渣片数量的10％。
S3.1.2，计算曲率系数Cc，计算公式为：
其中：d30为粒径累计分布图中的某粒径，小于该粒径的土含量占总渣片数量的30％。
S3.1.3，计算长度大于L的岩片数量N1。
S3.1.4，计算小于中轴与长轴比值0.8的渣片数量N2。
S3.1.5，计算中轴与长轴比值大于等于0.8且小于等于1的渣片数量N3。
S3.1.6，计算各渣片的周长C。
S3.1.7，计算各渣片的面积S。
S3.1.8，计算渣片总数量N。
S3.2，将各渣片特征值利用关联度分析法处理，得到围岩级别关联敏感特征集[Cu,Cc,N1,N2,N3]。
在步骤S3.1中获得的渣片特征值之间存在强耦合，严重影响后期围岩级别的划分，因此采用关联度分析方法，计算5个图像特征变量和围岩级别关联度。
S4，将得到的围岩类别关联敏感特征集作为数据样本，并采用AP聚类方法将数据样本划分k个聚类；
具体计算步骤可以是：先计算数据对象之间的相似度，得到相似矩阵；然后不断迭代R和A，得到簇中心；最后根据簇中心划分数据对象。
而且，AP聚类算法是一种根据数据对象之间的相似度自动进行聚类的方法，隶属于划分聚类方法的一种。R(m,n)描述了数据对象n适合作为数据对象m的聚类中心的程度，表示的是从m到n的消息；A(m,n)描述了数据对象m选择数据对象n作为其据聚类中心的适合程度，表示从n到m的消息。R(m,n)与A(m,n)越大，那么数据对象n就越有可能作为聚类的中心。AP聚类算法就是不断迭代更新每一个数据对象的吸引度和归属度，直到迭代一定的次数，将其余数据对象分配到相应的聚类中。所使用到的公式如下：
(1)吸引度迭代公式
Rt+1(m,n)＝(1-λ)·Rt+1(m,n)+λ·Rt(m,n)
其中：
(2)归属度迭代公式：
At+1(m,n)＝(1-λ)·At+1(m,n)+λ·At(m,n)
其中：
S5，将高斯核函数和多项式核函数加权融合，并对步骤S4中的每个聚类做LSSVM回归，得到k个子模型；
S6，将得到的k个子模型进行加权融合，得到围岩类别值，计算公式为
式中，μij表示j隶属于子模型i的程度，用样本j到第i类样本中心的距离与样本j到所有类样本中心距离总和的比值表示。
下面以具体事例进行说明。
在TBM掘进时，通过架设在皮带机上方的高性能工业相机拍摄皮带机上的渣片，拍摄位置离掌子面100m间距，保证所分析渣片为实时获取。将拍摄后的图片传至TBM主控室电脑进行实时分析，获得处理后的渣片图像。
然后进行以下工序
1.围岩级别渣片图像特征的选取
围岩级别渣片特征是指充分反应围岩分级变化的最小图像特征子集。深入研究渣片及渣片图像发现：对于破碎岩体，除了滚刀刀刃下的粉碎颗粒外，皮带机上块状渣片较多，且渣片边缘无滚刀压痕，均为岩体本身受到TBM掘进时震动后自身裂隙增大自然脱落形成；对于完整岩体来说，岩体间裂隙较少，渣片的形成只受TBM滚刀刀间距的影响，因此板片状渣片较多；居于破碎与完整间的岩体，块状与片状岩体均存在，两者比例随着围岩完整性程度而变化。
从处理后的图像可获得粒径累计分布图，该粒径累积分布图中可获取渣片的特征值不均匀系数Cu和曲率系数Cc，两系数定义如下：
1)不均匀系数Cu
Cu＝d60/d10
式中：Cu—不均匀系数；
d60—限制粒径，颗粒大小分布曲线上的某粒径，小于该粒径的土含量占总渣片数量的60％；
d10—有效粒径，颗粒大小分布曲线上的某粒径，小于该粒径的土含量占总渣片数量的10％；
2)曲率系数Cc
式中：Cc—不均匀系数；
d30—颗粒大小分布曲线上的某粒径，小于该粒径的土含量占总渣片数量的30％；
渣片的特征值还有大于某长度的岩片数量N1；小于中轴与长轴比值0.8的数量N2，用以表征渣片的片状；中轴与长轴比值接近于0.8-1附近的数量N3，用以表征渣片的块状；各个渣片的周长C，面积S，渣片总数量N等八个渣片图像可获得的表观特征，但这些特征之间存在强耦合，严重影响了后期围岩级别的划分。因此，采用关联度分析方法，计算5个图像特征变量和围岩级别关联度，最终获得围岩级别关联敏感特征集[Cu,Cc,N1,N2,N3]。
而且，在隧道TBM掘进初始阶段，根据不同围岩级别下拍摄的渣片，并进行图像识别分析，获取每种围岩等级下的关联敏感特征集[Cu,Cc,N1,N2,N3]，为后续隧道TBM掘进时准确及时进行围岩分级提供基础数据库。
2.基于仿射传播(AP)聚类方法的多模型最小二乘支持向量机(LSSVM)软测量得到围岩级别
《GB 50218-1994工程岩体分级标准》中规定围岩分级分为Ⅰ-Ⅴ类五个级别。考虑计算的原因，相应的由1-5表示。针对围岩完整性形式多样性的特点，采用多模型建模分解合成的思想，能够在不同围岩完整性适应域内，有效分级系统非线性，并在每个局部模型中精确逼近真实围岩类别。建模时，在围岩类别关联敏感特征选取的基础上，对所有样本采用仿射传播(AP)聚类方法进行分类，然后对每一类建立子模型，再将所有子模型的结果进行合成，得到最终结果。
子模型输入样本表示为：X＝[x1,x2,…,xn]T
其中：xi＝(xi1,xi2,xi3,xi4,xi5)，i＝1,2,…,n，xi1,xi2,xi3,xi4,xi5分别为Cu,Cc,N1,N2,N3；子模型输出样本为Y＝[y1,y2,…,yn]T，yi(i＝1,2,…,n)为围岩类别值。
软测量的具体步骤如下：
步骤1.基于拍摄渣片图像处理后进行图像特征选取，选取围岩类别关联敏感特征值作为数据样本；
步骤2.采用AP聚类算法将数据样本划分为k个聚类；
步骤3.将高斯核函数与多项式核函数加权融合，分别对每个聚类做LSSVM回归，得到k个子模型；
步骤4.按照式对k个子模型加权融合输出最终围岩类别值。
μij表示样本j隶属于子模型i的程度，用样本j到第i类样本中心的距离与样本j到所有类样本中心距离总和的比值表示。
在模型应用时，实时采集泡沫图像特征并输入各子模型得到子模型输出结果，再将子模型输出结果进行合成得到一个对应的围岩等级。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，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。