基于图像信息的隧道围岩智能分级方法与流程

本发明属于隧道围岩分级，具体涉及基于图像信息的隧道围岩智能分级方法。

背景技术：

1、隧道围岩分级是评价隧道围岩稳定性、确定隧道施工与隧道支护方式的重要依据。在工程实际中，由于勘测期间受到各种条件的制约，造成勘测结果不能完全准确反映隧道穿越岩层的实际地质情况，出现隧道开挖时围岩等级与勘测时给定的围岩等级不符，加之在隧道施工过程中，可能出现溶洞、涌泥、塌方等不良情况，需要对隧道围岩进行即时分级，以便及时调整隧道施工方式和支护方式，减小安全隐患。在现行的公路隧道围岩分级方法中，各影响指标的获取往往受多种因素影响，花费时间较长，并不能满足隧道施工进度要求。照相测量隧道围岩分级系统是基于对隧道掌子面图像识别分析，以获取隧道掌子面岩体结构的综合量化指标，进而采用规范分级方法对隧道掌子面岩体进行即时分级的隧道围岩分级系统。该系统通过matlab软件的编译，对掌子面图像进行识别分析生成掌子面表面的结构模型，再布设虚拟侧线实现对掌子面结构综合量化，最后结合掌子面岩体单轴抗压强度、地下水条件、初始地应力实现对掌子面岩体的分级。然而现有技术中，对于获取的图像没有进行充分拼接，且对于裂隙等没有进行充分的处理，进而数据为原始数据，没有进行充分处理，影响分级的精准度。

技术实现思路

1、本发明的目的在于提供的基于图像信息的隧道围岩智能分级方法，其通过对于图像的拼接、融合以及裂缝的提取等处理方式，其具有严谨的科学性、极高的准确性以及良好的推广性。

2、为了实现上述技术效果，本发明通过以下技术方案予以实现。

3、基于图像信息的隧道围岩智能分级方法，包括以下步骤：

4、s1)掌子面图像采集：将掌子面分割为若干区域，利用图像采集设备，分别获取掌子面上每个区域的图像；

5、s2)相邻区域图像的拼接与融合：针对相邻区域中的重合部分图像，利用surf算法进行图像拼接，并采用渐入渐出加权融合算法对拼接的图像进行图像融合；

6、s3)裂隙的提取、修复强化和识别：将融合的图像进行提取，得到与背景分离的原始裂隙，将原始裂隙修复强化后，得到裂隙二值图像，识别裂隙二值图像，得到裂隙图像；

7、s4)裂隙形态参数获取：利用裂隙图像获得每个裂隙的裂隙形态参数，所述裂隙形态参数包括裂隙长度、裂隙宽度裂隙方向以及裂隙率；

8、s5)建立隧道围岩分级模型：分别构建岩石强度预测模型和岩体完整度预测模型，得到岩石强度以及完整度，利用ahp法确定强度和完整度在隧道围岩层分级中的权重，并根据围岩分级模型中的层次分析模型输出围岩分级结果。

9、作为本发明的进一步改进，所述步骤s2)相邻区域图像的拼接与融合中，所述利用surf算法进行图像拼接具体为：获得图像的hessian矩阵，通过计算hessian矩阵行列式，得到像素局部极值点，作为图像的surf特征点；对于surf特征向量卷积运算，获得参考图像与匹配图像的特征点，利用欧式距离准则计算特征点相似度，在特征点相似度达到设定值时，匹配完成。

10、本技术方案中，所述surf特征向量卷积运算，具体为，采用厢式滤波器进行运算。

11、作为本发明的进一步改进，所述步骤s3)裂隙的提取、修复强化和识别中，所述裂隙的提取具体为：将融合图像依次进行图像灰度、图像去噪、图像二值化、边缘检测、裂隙形态学处理和杂点去除，得到原始裂隙。

12、作为本发明的进一步改进，所述裂隙形态学处理具体为利用闭运算，将相邻的裂隙进行桥接，使两个裂隙的膨胀区域重叠，利用重叠现象将桥接区域独立出来，完成裂隙的桥接。

13、作为本发明的进一步改进，所述步骤s3)裂隙的提取、修复强化和识别中，所述识别裂隙二值图像，得到裂隙图像具体包括以下步骤：

14、s31)主干提取：通过骨架化算法，提取裂隙的主干；所述主干还包括原有裂隙上的凸起；

15、s32)节点识别：对于每一个主干，按照逆时针方向计算其相邻的八个像素由黑转白的次数n，当n为1或n大于等于3时，为节点，当主干外周有2个或2个以上节点时，选取离重心最近的作为节点；

16、s33)裂隙识别：选取一个节点，沿着其主干延伸至另一个节点，则两个节点与主干构成一条裂隙；非主干裂隙则通过归并算法归并与非主干相连通的最近的裂隙的主干，则该非主干裂隙并入到预制最近的裂隙中。

17、作为本发明的进一步改进，所述岩石强度预测模型的建立具体为：以声波波速值与回弹值双指标作为输入变量，选用sigmoid函数作为激活函数建立bp神经网络结构，并选用min-max归一化方法进行计算模块，得到岩石强度预测模型。

18、作为本发明的进一步改进，所述岩石强度预测模型中，还包括岩石强度预测模型的训练验证，具体为：选取历史数据中的全样本集数据，将其按照75％、15％、15％的比例分为训练样本数据、验证样本数据以及测试样本数据，选用levenberg-marquardt算法进行训练，得到训练样本均方误差，验证样本均方误差以及测试样本均方误差，三者的拟合优度满足设定值，且全样本集数据拟合优度满足设定值时，则选用对应的岩石强度预测模型为最终岩石强度预测模型。

19、作为本发明的进一步改进，所述岩体完整度预测模型构建具体为：

20、a)训练图像预处理：将获得的区域图像、融合图像以及裂隙图像分别进行图像预处理；

21、b)unet卷积神经网络训练，采用unet卷积神经网络构建岩体完整度预测初始模型，选取历史数据中的样本图像，将样本图像按照60％、20％、20％的比例划分为训练集、验证集、测试集，并将上述的样本图像输入岩体完整度预测初始模型进行训练；

22、c)岩体完整度预测的构建：将训练的数据，通过计算损失值与正确率迭代更新网络参数使得验证集损失达到最小值，选取最小值达到稳定时的岩体完整度预测初始模型为岩体完整度预测模型；

23、d)岩体完整度预测值的输出：根据岩体完整度预测模型得到掌子面节理线、掌子面图像块、掌子面完整图像、掌子面节理识别效果，进而识别出体积节理数jv。

24、作为本发明的进一步改进，所述层次分析模型中，围岩分级结果的输出以岩体坚硬程度、岩体结构综合量化指标、地下水条件、初始地应力状态为指标，根据各个指标的权重，计算得到围岩分级结果。

25、作为本发明的进一步改进，所述围岩分级结果包括掌子面上每个区域的围岩分级结果。

26、首先，本发明中采用山岭隧道围岩智能化分级系统得到的分级结果准确率为92.3％，相较于勘测阶段分级的53.8％准确率有了较高的提升；总体而言，采用山岭隧道围岩智能化分级系统进行隧道围岩分级具有严谨的科学性、极高的准确性以及良好的推广性。

27、其次，本发明中，针对采集图像，采用灰度处理+图像去噪+图像二值化+边缘检测+形态学处理+杂点去除+裂隙识别的计算机视觉方法，高精度完美准确还原裂隙发育面貌，减少人工手绘的随意性。

28、本发明，充分考虑分区、裂隙处理等，尤其是针对多个模块分别进行了对应的预测模型构建，然后进行反复的验证等，得到准确度高的指标数值，进而得到比较好的预测值。