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。