一种基于监控视频的盾构隧道围岩质量判断方法

1.本发明涉及一种基于监控视频的盾构隧道围岩质量判断方法。


背景技术：

2.随着城市化的快速发展，对地下空间的合理开发利用已成为扩大城市容量和功能的有效途径。盾构法施工由于具有对环境影响小、开挖效率高和地层适应性强等优点，在我国各类地下空间施工建设中得到广泛应用。盾构机通常包括土压平衡盾构机和泥水平衡盾构机两类。其中，泥水平衡盾构机通过在泥水仓中产生适当压力泥浆并形成弱透水性泥膜，以此来抵抗开挖面的水土压力，而地质条件决定了盾构掘进的难易程度，也是盾构安全掘进的重要因素。因此有必要研究盾构施工产生数据与地质条件的关系。
3.传统的岩机映射模型构建中所采用的地质信息多以围岩参数出发，如围岩等级，但围岩等级主要依据前期的地勘报告给出，对于泥水盾构机来说一般无法通过围岩取芯来实时获取围岩属性，因此若采用围岩等级作为岩机映射模型的输入，一方面围岩等级无法实时更新，另一方面围岩等级主要由岩体完整程度和岩石强度确定并不能直接反映不同地层情况下的岩机映射关系。
4.目前盾构机可以通过plc数据采集系统实时获取盾构施工产生的大量历史掘进参数，但这些掘进参数并没有通过大数据的手段及时合理分析利用，盾构掘进参数的选择依然需要盾构司机结合地勘资料和出渣揭露的地质信息，根据司机经验和操作手册来调节。理论上，盾构出渣是与特定的地层情况有对应关系，因此可建立出渣图像与地质质量的模型对盾构的围岩质量进行判断。


技术实现要素：

5.为解决上述问题，提供一种能够根据出渣的视频图像判断出围岩质量的方法，本发明采用了如下技术方案：
6.本发明提供了一种基于监控视频的盾构隧道围岩质量判断方法，其特征在于，包括以下步骤：步骤s1，在盾构出渣口安装视频传感器，对视频传感器进行参数标定以及图像矫正；步骤s2，基于视频传感器在预定时间间隔内采集出渣图像；步骤s3，对出渣图像进行灰度化处理得到灰度出渣图像，并提取灰度出渣图像的灰度特征统计值；步骤s4，测定与出渣图像对应的掘进位置的地质质量参数评定指标；步骤s5，将灰度特征统计值作为输入参数，将地质质量参数评定指标作为输出参数，构建图像特征与地质参数的神经网络模型；步骤s6，采用遗传算法对图像特征与地质参数的神经网络模型根据评价指标进行超参数优化，生成最优的图像特征与地质参数的神经网络模型，并将其作为围岩质量判断模型；步骤s7，将视频传感器采集的出渣监控图像输入至围岩质量判断模型，获取与出渣监控图像对应的掘进位置的围岩质量的判断结果。
7.本发明提供的一种基于监控视频的盾构隧道围岩质量判断方法，还可以具有这样的技术特征，其中，在步骤s1中，视频传感器为太阳能摄像机，参数标定包括对太阳能摄像
机的内参数矩阵和外参数矩阵进行标定，建立世界坐标系、摄像机坐标系以及图像坐标系之间的映射关系，图像矫正为基于反变换实现畸变图像的矫正。
8.本发明提供的一种基于监控视频的盾构隧道围岩质量判断方法，还可以具有这样的技术特征，其中，在步骤s3中，灰度特征统计值的提取包括表征灰度共生矩阵的统计参数，设定出渣图像的矩阵大小为m
×
n，f(x，y)为该出渣图像矩阵(x，y)点处的灰度值，且i＝f(x，y)，j＝f(x+dx，y+dy)，灰度共生矩阵为：
9.p(i，j|d，q)＝#{[(x，y)，(x+dx，y+dy)∈(m，n)
×
(m，n)|d，q，i，j]}
[0010]
式中，(dx，dy)表示点对的偏移，偏移量由距离和偏移方向决定，#代表集合中的元素数量，表征灰度共生矩阵的统计参数有能量、熵以及自相关性，能量为：
[0011]
ase＝∑i∑jp(i，j|d，θ)2，
[0012]
熵为：
[0013]
ent＝-∑i∑jp(i，j|d，θ)lgp(i，j|d，θ)，
[0014]
自相关性为：
[0015][0016]
本发明提供的一种基于监控视频的盾构隧道围岩质量判断方法，还可以具有这样的技术特征，其中，在步骤s4中，地质质量参数评定指标为盾构推力指数fpi与刀盘扭矩指数tpi，盾构推力指数fpi的计算公式为：
[0017][0018]
式中，f为总推力，p为贯入度，
[0019]
刀盘扭矩指数tpi的计算公式为：
[0020][0021]
式中，t为刀盘扭矩，p为贯入度。
[0022]
本发明提供的一种基于监控视频的盾构隧道围岩质量判断方法，还可以具有这样的技术特征，其中，步骤s6包括以下子步骤：步骤s6-1，在测试范围内，对待优化的超参数进行随机选择构成初始种群并将初始种群作为当前种群；步骤s6-2，将当前种群中的每个个体的超参数分别赋给图像特征与地质参数的神经网络模型，采用k折交叉验证方法进行验证，得到每个个体相对应的图像特征与地质参数的神经网络模型的评价指标，基于评价指标评估当前种群中的个体的适应度；步骤s6-3，从当前种群中选择适应度大于0且适应度排序前25％的个体作为优质父代个体进行交叉、变异从而产生新的子代个体，并将该新的子代个体与优质父代个体进行组合，形成新的当前种群；步骤s6-4，重复进行步骤s6-2至步骤s6-3，直到迭代次数达到预定次数，得到评价指标最优的个体，该个体作为图像特征与地质参数的神经网络模型的最优超参数组合；步骤s6-5，将最优超参数组合赋给图像特征与地质参数的神经网络模型，得到最优的图像特征与地质参数的神经网络模型，即围岩质量判断模型。
[0023]
本发明提供的一种基于监控视频的盾构隧道围岩质量判断方法，还可以具有这样的技术特征，其中，超参数组合包括图像特征与地质参数的神经网络模型的隐藏层层数、各
个隐藏层的神经元个数、学习率、权值的l2正则化惩罚权重以及偏置的l2正则化惩罚权重。
[0024]
本发明提供的一种基于监控视频的盾构隧道围岩质量判断方法，还可以具有这样的技术特征，其中，评价指标为平均绝对百分比误差mape、均方根误差rmse、平均绝对误差mae以及决定系数r2中的一种。
[0025]
发明作用与效果
[0026]
根据本发明的一种基于监控视频的盾构隧道围岩质量判断方法，由于在盾构出渣口安装了视频传感器，因此可以对出渣图像进行实时采集。本发明以盾构推力指数fpi与刀盘扭矩指数tpi作为地质质量参数的评定指标，构建并优化了出渣图像特征与地质质量参数的神经网络模型，由于该评定指标与围岩参数具有良好的相关性，因此可以作为联系地层情况与掘进参数的桥梁，从而建立起盾构出渣与特定地层情况的对应关系。而且，该优化后的模型即围岩质量判断模型，将基于采集的出渣图像的灰度特征统计值作为输入，最终输出与该出渣图像对应的掘进位置的围岩质量判断结果，有效提高了该围岩质量判断模型对围岩质量的判断精度，极大降低了判断误差，不仅解决了传统岩机映射模型的输入参数无法实施更新的问题，又避免了盾构机通过plc数据采集系统采集的掘进参数无法合理利用的问题。
附图说明
[0027]
图1是本发明实施例中的基于监控视频的盾构隧道围岩质量判断方法的流程图；
[0028]
图2本发明实施例中的采用遗传算法进行模型优化的流程图。
具体实施方式
[0029]
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的一种基于监控视频的盾构隧道围岩质量判断方法作具体阐述。
[0030]
《实施例》
[0031]
图1是本发明实施例中的基于监控视频的盾构隧道围岩质量判断方法的流程图。
[0032]
如图1所示，基于监控视频的盾构隧道围岩质量判断方法包括以下步骤：
[0033]
步骤s1，在盾构出渣口安装视频传感器，对视频传感器进行参数标定以及图像矫正。
[0034]
本实施例中，视频传感器安装在泥水盾构出渣脚手架上，安装位置和距离以拍摄画面最理想和不干扰施工为原则。
[0035]
其中，该视频传感器为带有无线网卡传输功能的太阳能摄像机或照相机，该太阳能摄像机的电池容量满足25天以上连续阴雨天续航。为保证视频质量，选用的太阳能摄像机配置应至少高于200万像素。
[0036]
本步骤的参数标定包括对该太阳能摄像机的内参数矩阵和外参数矩阵进行标定，从而建立世界坐标系、摄像机坐标系以及图像坐标系之间的映射关系，再基于反变换实现畸变图像的矫正。
[0037]
步骤s2，基于视频传感器在预定时间间隔内采集出渣图像。
[0038]
步骤s3，对出渣图像进行灰度化处理得到灰度出渣图像，并提取灰度出渣图像的灰度特征统计值。
[0039]
本步骤中，灰度特征统计值为图像的灰度均值与纹理特征，该灰度特征统计值的提取包括可以表征灰度共生矩阵的统计参数。具体地：
[0040]
设定出渣图像的矩阵大小为m
×
n，f(x，y)为该出渣图像矩阵(x，y)点处的灰度值，且i＝f(x，y)，j＝f(x+dx，y+dy)，由此，该灰度共生矩阵表示为：
[0041]
p(i，j|d，q)＝#{[(x，y)，(x+dx，y+dy)∈(m，n)
×
(m，n)|d，q，i，j]}
[0042]
式中，(dx，dy)表示点对的偏移，偏移量由距离和偏移方向决定，#代表集合中的元素数量。
[0043]
而表征灰度共生矩阵的统计参数有能量、熵以及自相关性，其中，能量为：
[0044]
ase＝∑i∑jp(i，j|d，θ)2，
[0045]
熵为：
[0046]
ent＝-∑i∑jp(i，j|d，θ)lgp(i，j|d，θ)，
[0047]
以及自相关性为：
[0048][0049]
步骤s4，测定与出渣图像对应的掘进位置的地质质量参数评定指标。
[0050]
由于盾构推力指数fpi和刀盘扭矩指数tpi与围岩参数如单轴抗压强度usc以及岩体完整性系数kv具有良好的相关性，因此，可以作为联系地层情况与掘进参数的桥梁。
[0051]
本实施例中，地质质量参数评定指标为盾构推力指数fpi与刀盘扭矩指数tpi。其中，盾构推力指数fpi的计算公式为：
[0052][0053]
式中，f为总推力，p为贯入度；刀盘扭矩指数tpi的计算公式为：
[0054][0055]
式中，t为刀盘扭矩，p为贯入度。
[0056]
步骤s5，将灰度特征统计值作为输入参数，将地质质量参数评定指标作为输出参数，构建图像特征与地质参数的神经网络模型。
[0057]
步骤s6，采用遗传算法对图像特征与地质参数的神经网络模型根据评价指标进行超参数优化，生成最优的图像特征与地质参数的神经网络模型，并将其作为围岩质量判断模型。
[0058]
本实施例中，评价指标包括平均绝对百分比误差mape、均方根误差rmse、平均绝对误差mae以及决定系数r2。
[0059]
图2本发明实施例中的采用遗传算法进行模型优化的流程图。
[0060]
如图2所示，该优化过程包括以下步骤：
[0061]
步骤s6-1，在测试范围内，对待优化的超参数进行随机选择构成初始种群并将初始种群作为当前种群。
[0062]
本实施例中，图像特征与地质参数的神经网络模型包含输入层、输出层以及隐藏层。其中，超参数包括隐藏层层数、各个隐藏层的神经元个数、学习率、权值的l2正则化惩罚权重以及偏置的l2正则化惩罚权重。
[0063]
步骤s6-2，将当前种群中的每个个体的超参数分别赋给图像特征与地质参数的神经网络模型，利用k折交叉验证方法进行验证，得到每个个体相对应的图像特征与地质参数的神经网络模型的评价指标，基于评价指标评估当前种群中的个体的适应度。
[0064]
本实施例中的k折交叉验证方法是指将原始数据集随机分成k份，每次选择(k-1)份作为训练集，剩余的1份作为验证集，交叉验证重复k次，取k次准确率的平均值作为最终模型的评价指标，它可以有效避免过拟合和欠拟合状态的发生。
[0065]
步骤s6-3，从当前种群中选择适应度大于0且适应度排序前25％的个体作为优质父代个体进行交叉、变异从而产生新的子代个体，并将该新的子代个体与优质父代个体进行组合，形成新的当前种群。
[0066]
随着种群不断进化，优质个体不断积聚，采用逐代自适应的变异概率来不断降低变异概率从而保留优质个体。
[0067]
该变异概率的计算公式为：
[0068][0069]
式中，pi为第i代的变异概率，p0为初始变异概率，ω为[0,1]的随机数，n为总的种群进化代数。
[0070]
步骤s6-4，重复进行步骤s6-2至步骤s6-3，直到迭代次数达到预定次数，得到评价指标最优的个体，将该个体作为最优超参数组合。
[0071]
步骤s6-5，将最优超参数组合赋给图像特征与地质参数的神经网络模型，得到最优的图像特征与地质参数的神经网络模型，即围岩质量判断模型。
[0072]
评价模型预测精度的指标有平均绝对百分比误差(mape)、均方根误差(rmse)、平均绝对误差(mae)以及决定系数(r2)四个评价指标。实施例中，采用上述四个评价指标中的任意一种评价指标均可进行模型的评价。
[0073]
步骤s7，将视频传感器采集的出渣监控图像输入至围岩质量判断模型，获取与出渣监控图像对应的掘进位置的围岩质量的判断结果。
[0074]
本实施例中，该围岩质量的判断结果为与出渣监控图像对应的掘进位置的盾构推力指数fpi与刀盘扭矩指数tpi。
[0075]
实施例作用与效果
[0076]
根据本实施例提供的一种基于监控视频的盾构隧道围岩质量判断方法，以盾构推力指数fpi与刀盘扭矩指数tpi作为地质质量参数的评定指标，构建基于监控视频的围岩质量判断模型，通过将实施采集的出渣图像的灰度特征统计值输入至该围岩质量判断模型中最终得到围岩质量的判断结果。该方法分别将出渣图像的灰度特征统计值与围岩质量参数(fpi和tpi)作为围岩质量判断模型的输入与输出对应起来，不仅解决了传统岩机映射模型的输入参数无法实施更新的问题，又避免了盾构机通过plc数据采集系统采集的掘进参数无法合理利用的问题。
[0077]
实施例中，由于在盾构出渣口安装了视频传感器，因此可以对出渣图像进行实时采集，实现围岩质量判断模型的输入即出渣图像的灰度特征统计值能够实时更新的效果。
[0078]
实施例中，由于盾构推力指数fpi与刀盘扭矩指数tpi与围岩参数具有良好的相关
性，因此可以作为联系地层情况与掘进参数的桥梁，建立起盾构出渣与特定地层情况的对应关系，从而建立起了出渣图像特征与地质质量参数的神经网络模型。
[0079]
实施例中，由于采用了遗传算法并根据评价指标对初始构建的图像特征与地质参数的神经网络模型进行迭代优化，直至生成围岩质量判断模型，因此有效提高了该围岩质量判断模型对围岩质量的判断精度，极大降低了判断误差。
[0080]
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。