《Frontiers in Artificial Intelligence》:Real-time grading method of tunnel surrounding rock based on image recognition
编辑推荐:
为了实现施工过程中隧道围岩(surrounding rock)的快速、准确分级,研究人员提出了一种将图像处理与轻量级深度学习相结合的实时分级方法。研究人员开发了一个自动化流程,该流程结合图像处理技术与机器学习算法,用于提取和分类隧道围岩的特征参数,从而实现隧道
为了实现施工过程中隧道围岩(surrounding rock)的快速、准确分级,研究人员提出了一种将图像处理与轻量级深度学习相结合的实时分级方法。研究人员开发了一个自动化流程,该流程结合图像处理技术与机器学习算法,用于提取和分类隧道围岩的特征参数,从而实现隧道掌子面(palm surface)的实时监测与分级。研究表明:(1)按照所提出的岩石和隧道掌子面图像采集标准,将图像转换为灰度图、去噪、增强和归一化,有助于高效、准确地提取结构特征,并提高分类参数的精度;(2)构建了优化的岩性(lithology)识别与分类模型,并引入基于ShuffleNetV2卷积神经网络(convolutional neural network, CNN)的岩石硬度、强度和完整性感知方法,实现了围岩实时分级。在工程现场,该方法在岩性分类上达到85%的准确率,在岩体完整性(rock-mass integrity)评估上达到75%,在整体围岩等级(surrounding-rock grade)判定上达到80%,证实了其可行性和实用价值。这些结果为隧道围岩等级的科学评价提供了理论依据和工程应用价值。
论文解读
**研究背景与问题**
近年来,地下工程与隧道建设规模迅速扩大,对施工质量与进度提出了更高要求。围岩(surrounding rock)分类作为隧道设计与施工的基础,直接影响工程质量和进度。传统分类方法存在参数获取周期长、关键指标主观性强等局限;尽管已有学者引入智能方法,但现有研究多集中于单一分类方法或图像处理技术,缺乏对机器学习与多尺度图像表征的深度融合,尤其在复杂施工环境中,高精度、可部署、可解释的智能围岩分级方法仍面临挑战。为此,研究人员提出了一种集成轻量级深度网络与多尺度特征分析的隧道围岩实时分级方法,旨在平衡识别精度、实时性与工程可部署性,并解决复杂环境下的特征提取、模型部署及标准化问题。
**研究内容与结论**
研究人员开发了基于图像处理和轻量级深度学习的自动化流程,提取并分类围岩特征参数,实现了隧道掌子面(palm surface)的实时监测与分级。在工程现场测试中,该方法在岩性(lithology)分类上达到85%准确率,岩体完整性(rock-mass integrity)评估上达到75%,整体围岩等级(surrounding-rock grade)判定上达到80%,验证了其可行性与实用性。相关成果发表在《Frontiers in Artificial Intelligence》。
**主要技术方法**(不超过250字)
本研究主要采用以下关键技术方法:
1. **图像预处理**:对采集的岩石和掌子面图像进行灰度化、降噪(选用非局部均值降噪Non-Local Means Denoising)、增强(直方图均衡化Histogram Equalization)和归一化(Min-Max Scaling),以提升结构特征提取效率。
2. **岩性识别模型**:基于ShuffleNetV2卷积神经网络(CNN)构建,采用0.5×网格结构,通过通道分割与深度可分离卷积实现轻量化;训练集、验证集、测试集按7:1.5:1.5比例划分,共730张岩石图像(来源:西南地区铁路隧道现场采集、实验室及网络采集)。
3. **节理裂隙检测与分割**:采用改进的Canny算子(自适应高斯滤波与自适应阈值)进行边缘检测,再结合OTSU双阈值分割方法提取裂隙几何特征。
4. **围岩完整性评估与分级**:引入裂隙率(fissure ratio, K
s)和碎裂系数(fragmentation coefficient, K
b)评估岩体完整性,并通过线性内插与K
v值对应;结合岩石硬度(R
c)和地下水修正系数(K
1),基于改进的BQ方法(公式BW = 3R
c + 250K
v + 100×(1-K
1))实现围岩实时分级。
**研究结果**(保留每个小标题,简要说明通过什么研究得出什么结论)
**2. 隧道特征参数获取与处理**
**2.1 岩石图像采集标准**:研究人员提出了5条标准,包括使用≥20兆像素设备、白炽灯补光、爆破后通风30分钟或出渣后采集、选择结构特征明显的岩石并清洁表面、多角度拍摄等,确保图像质量,为后续岩性识别提供基础。
**2.2 隧道掌子面图像采集标准**:提出4条要求,包括保证足够亮度、无遮挡、低粉尘时拍摄、正面摄影以及地下水时使用防水设备,以减少图像噪声与畸变。
**2.3 图像预处理**:通过对比高斯滤波、中值滤波和非局部均值降噪(NL-Means),发现NL-Means的均方误差(MSE)最低(6.07)、峰值信噪比(PSNR)和结构相似性指数(SSIM)最高,因此选用NL-Means;采用直方图均衡化增强图像对比度,使裂隙和纹理更清晰;通过Min-Max归一化将像素值映射至[0,1],加速模型收敛并提高泛化能力。
**3. 隧道围岩自动感知与分类方法**
**3.1 岩石硬度自动感知**
**3.1.1 岩石图像数据集**:从西南地区铁路隧道(四川、云南)现场采集606张、实验室185张、网络219张,经筛选后得到730张图像(岩浆岩127张、沉积岩474张、变质岩129张),按7:1.5:1.5划分训练、验证、测试集。
**3.1.2 岩性识别模型建立**:基于ShuffleNetV2框架,采用0.5×、1.0×、1.5×三种网格宽度,设置100次迭代。模型包含卷积层(3×3卷积+BN+ReLU)、最大池化层、三个模块层(Unit1和Unit2比例为1:3,1:7,1:3)、全局池化层和全连接层。
**3.1.3 测试结果对比分析**:0.5×网格模型在测试集上准确率为87.58%,高于1.0×(86.97%)和1.5×(86.57%),且参数量与模型大小显著更小,因此选择0.5×网格用于岩性分类。
**3.1.4 岩石硬度**:通过ShuffleNetV2识别岩性,结合隧道地质勘察报告中的风化程度与饱和单轴抗压强度,依据岩石硬度等级表(表7)确定硬度。
**3.2 围岩完整性自动感知**
**3.2.1 节理裂隙边缘检测**:采用改进的Canny算子,集成自适应高斯滤波和自适应阈值,相比传统Canny算子能更好抑制噪声、保留更多信息,提高特征识别精度。
**3.2.2 裂隙体分割**:基于改进的OTSU双阈值分割方法(以OTSU最优阈值k为中心,区间[k-50, k+50]),将高于高阈值和低于低阈值的像素设为背景(白色),区间内设为前景(黑色),有效提取节理裂隙,改善传统OTSU的过分割与不连续问题。
**3.2.3 围岩完整性**:引入碎裂系数K
b = (P
c+P
e)/(w×h) + 2P
cP
e/√(w2+h2),综合考虑裂隙延展性与张拉性,并与K
v值建立线性对应关系(表9);同时考虑地下水修正系数K
1(定性判定),提出改进评价指标BW = 3R
c + 250K
v + 100×(1-K
1),依据BW值确定围岩等级(表11)。模型在笔记本电脑(Intel Core i7-12700H, 16GB RAM, NVIDIA RTX 3060)上运行,单次推理时间0.6毫秒,内存占用0.12MB,吞吐量128,385样本/秒,抗噪测试准确率仅下降3.8%。
**4. 隧道围岩实时分级方法的工程应用**
在雪峰山隧道(K2+K762至K2+K805段)和金云山隧道(K2+258至K2+290段)各选取10个掌子面进行验证。使用手机采集岩石和掌子面图像,上传系统分析,整个过程约20秒。对比实际开挖地质条件,岩性判断准确率85%,岩体完整性正确率75%,最终围岩等级判断准确率80%,满足工程要求。误判主要由低光照和高粉尘引起,需控制采集条件。
**讨论与结论**
**讨论**:
1. 本方法通过轻量级神经网络ShuffleNetV2与动态图像预处理结合,有效解决了复杂施工环境下的实时围岩分级问题。相比传统深度学习模型(如ResNet、VGG),ShuffleNetV2大幅减少参数量。但基于2D图像的完整性评估在空间连通性分析上存在局限,未来可结合LiDAR或3D重建技术改进。
2. 相比传统分类方法,本方法高效提取图像特征并分类,缩短时间。但理论算法需进一步优化,且未考虑地下水影响,在富水隧道中存在误差,需建立多因素分级方法。
3. 工程应用对比表明,识别结果与现场数据吻合度高(岩性85%、完整性75%、围岩等级80%),验证了有效性。但模型受数据集质量、样本数量和环境影响,未来可融合水文地质参数与迁移学习策略。
4. 数据集主要来自西南地区隧道,涵盖常见岩性,但地质领域覆盖不足,不同区域岩性、裂隙、风化、含水条件差异可能影响模型精度,需建立多区域、多类型、复杂水文地质的综合数据集。
**结论**:
1. 建立了围岩特征参数采集标准与方法,通过图像灰度化、降噪、增强和归一化,高效准确地提取掌子面结构特征信息,显著提高围岩分级参数精度。
2. 采用ShuffleNetV2卷积神经网络构建岩性识别与分类模型,实现快速准确识别岩石种类;提出岩石硬度和围岩完整性感知方法,支持实时分级。
3. 通过工程现场对比分析,验证了方法的可行性与实用性:岩性判定准确率85%,完整性评价正确率75%,最终围岩分类准确率80%,显著提升了围岩分级的效率与精度。