一种非接触式隧道掌子面围岩含水量检测方法及系统

1.本公开属于隧道施工技术领域，具体涉及一种非接触式隧道掌子面围岩含水量检测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.掌子面围岩富水性是影响围岩稳定的关键因素，也是围岩分级中的重要修正参数。隧道围岩普遍具有吸水软化特性，尤其弱胶结围岩在吸水条件下极易产生结构劣化、强度衰减，是目前此类隧道围岩控制的世界性难题，如果能精准监测隧道围岩动态含水率，隧道在掘进和维护过程中就可以根据不同的围岩含水率变化情况，及时预测隧道围岩破坏情况、判定隧道围岩松动范围，实时调整隧道围岩支护参数及补强支护方案，对隧道围岩冒顶事故的发生做到早预防早治理，提高隧道掘进及服务期间的安全性。
4.据发明人了解，现有的隧道围岩含水率检测方法通常需要人工定期巡检并记录下出水位置和出水情况，对于重点出水区域，需要进一步实施打孔作业，安装含水率检测设备进行出水量的检测，检测设备在使用前需要进行检验校正，安装过程中还应对仪器、传感器、材料、传输导线进行连续性检验，以保证设备质量的稳定性，含水率检测设备的安装和使用过程十分繁琐并且需要定期检查更换部件，整体检测工作强度繁重。在现有的检测条件下，含水率检测数据实时性差，数据处理效率低，难以及时对井下透水事故进行预报预警。


技术实现要素：

5.为了解决上述问题，本公开提出了一种非接触式隧道掌子面围岩含水量检测方法及系统，通过图像信息对隧道围岩各个区域的富水程度进行判识，对于没有明显富水特征的区域，通过提取光谱信息可进一步对围岩含水量进行检测。
6.根据一些实施例，本公开的第一方案提供了一种非接触式隧道掌子面围岩含水量检测方法，采用如下技术方案：
7.一种非接触式隧道掌子面围岩含水量检测方法，包括：
8.获取待检测隧道掌子面围岩的光谱信息和图像信息；
9.对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；
10.根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；
11.对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；
12.根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。
13.作为进一步的技术限定，通过预加热后的光谱成像仪拍摄隧道前方的待检测掌子面围岩图像，获取待检测隧道掌子面围岩的光谱信息和图像信息。
14.作为进一步的技术限定，在对所获取的图像信息进行出水状况的识别判断之前，采用yolov5目标检测进行所获取的待检测隧道掌子面围岩的图像信息的检测，对检测后的图像信息进行图像分区，得到分区图像。
15.进一步的，采用tensorflow深度学习算法识别判断所获取的分区图像，通过预设的分类识别模型判断所述分区图像中的掌子面围岩的出水类型；
16.其中，所述预设的分类识别模型采用inception-resnet-v2分类识别模型，使用不同大小的卷积核提取图像特征，同时计算1
×
1卷积、3
×
3卷积和5
×
5卷积，分别将输出结果沿通道维度堆叠，将堆叠后的输出结果传递到下一层，完成掌子面围岩出水类型的识别判断。
17.作为进一步的技术限定，所述掌子面围岩的出水类型包括表面干燥区域、潮湿或点滴状出水、股状或线状流水和涌泉状出水；在所得到的表面干燥的图像中选择掌子面围岩控制点。
18.作为进一步的技术限定，在对所获取的待检测隧道掌子面围岩得光谱信息和图像信息进行融合的过程中，采用均值归一化方法进行图像信息和光谱信息的融合，分别将图像信息和光谱信息的特征值归一化到指定区间内，得到掌子面围岩的图像光谱矩阵。
19.作为进一步的技术限定，根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测的具体过程为：
20.建立掌子面围岩含水量样本库；
21.构建所述含水量样本库和所述掌子面围岩的图像光谱矩阵之间的映射关系；
22.根据所得到的映射关系构建最小二乘支持向量机函数；
23.对所得到的最小二乘支持向量机函数优化求解，完成隧道掌子面围岩的含水量检测。
24.根据一些实施例，本公开的第二方案提供了一种非接触式隧道掌子面围岩含水量检测系统，采用如下技术方案：
25.一种非接触式隧道掌子面围岩含水量检测系统，包括：
26.获取模块，其被配置为获取待检测隧道掌子面围岩的光谱信息和图像信息；
27.识别模块，其被配置为对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；
28.选择模块，其被配置为根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；
29.计算模块，其被配置为对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；
30.检测模块，其被配置为根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。
31.根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
32.一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的非接触式隧道掌子面围岩含水量检测方法中的步骤。
33.根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
34.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的非接触式隧道掌子面围岩含水量检测方法中的步骤。
35.与现有技术相比，本公开的有益效果为：
36.本公开为判别掌子面围岩的不同富水程度提供了一种新的方法；通过高光谱成像仪对隧道围岩图像进行远程无接触采集，通过预训练的神经网络根据图像信息在宏观尺度上对围岩富水性进行判识，对于表面干燥区域的区域，可通过提取控制点处的光谱信息对含水量进行进一步检测。相较于传统的钻孔测量方法，本方法能对隧道前方的掌子面围岩含水量进行非接触检测，其操作简单、易于实现，含水率检测数据实时性强，数据处理效率高，可以智能化监测隧道围岩动态含水率，从而及时对井下透水事故进行预报预警，提高隧道掘进及服务期间的安全性。
附图说明
37.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
38.图1是本公开实施例一中的非接触式隧道掌子面围岩含水量检测方法的流程图；
39.图2是本公开实施例一中的非接触式隧道掌子面围岩含水量检测方法的技术路线图；
40.图3是本公开实施例一中的目标检测模型迁移训练流程图；
41.图4是本公开实施例一中的掌子面渗水及分区示意图；
42.图5是本公开实施例一中的inception-resnet-v2网络架构图和实施流程图；
43.图6是本公开实施例一中的控制点选择示意图；
44.图7是本公开实施例二中的非接触式隧道掌子面围岩含水量检测系统的结构框图。
具体实施方式
45.下面结合附图与实施例对本公开作进一步说明。
46.应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
47.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
48.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
49.实施例一
50.本公开实施例一介绍了一种非接触式隧道掌子面围岩含水量检测方法。
51.如图1和图2所示的一种非接触式隧道掌子面围岩含水量检测方法，包括：
52.获取待检测隧道掌子面围岩的光谱信息和图像信息；
53.对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；
54.根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；
55.对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；
56.根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。
57.具体的，本实施例包括数据采集部分和数据处理部分；数据采集部分通过高光谱成像仪获取含光谱信息的隧道掌子面图像；数据处理部分，主要包括3个阶段，第一阶段是利用目标检测模型对掌子面图像进行位置框定，结合框定结果对目标进行分区裁；第二阶段是通过预先训练的掌子面出水类别预测模型inception-resnet-v2对分区的出水情况进行判定；第三阶段是对出水情况判断为为表面干燥区域的分区进行光谱信息提取，结合分区光谱信息和图像信息，利用在实验室建立的偏最小二乘支持向量机模型对含水量进行进一步测定。
58.作为一种或多种实施方式，利用光谱成像仪拍摄隧道前方掌子面获取对应的掌子面图像；在采集数据前，需要对高光谱成像系统进行预先加热，目的是消除设备移动过程对图像采集质量的影响。
59.利用在cifar-10数据集上迁移训练的yolov5目标检测模型对掌子面位置进行目标检测，将检测结果以坐标的形式保存在txt文件中。迁移训练过程如图3所示。
60.作为一种或多种实施方式，根据目标检测文件和初始掌子面图片，采用自编程序对掌子面进行4
×
4分区裁剪，分区示意如图4所示。
61.利用分区结果建立掌子面出水样本数据库，出水类型包括：
①
表面干燥区域、
②
潮湿或点滴状出水、
③
股状或线状流水、
④
涌泉状出水，四种出水情况示意如图4所示，数字标签1～4分别代表表面干燥区域、潮湿或点滴状出水、股状或线状流水、涌泉状出水等四种出水类别。用数字标签1～4等4个标签对分区图像进行标记、预分类，每张分区图像的真实出水情况只属于一个类别。
62.作为一种或多种实施方式，利用tensorflow深度学习框架在掌子面出水样本数据集上对inception-resnet-v2网络模型进行训练。将数据库按8：2的比例随机分配为训练集和验证集两组，训练和验证过程可以对神经网络的权重和偏置进行逐步修正，提高计算精度，减少过拟合和欠拟合情况的出现。inception-resnet-v2网络使用不同大小的卷积核提取图像特征，同时计算1
×
1、3
×
3、5
×
5卷积，然后分别把他们的输出结果沿通道维度堆叠并传递到下一层。1
×
1、3
×
3、5
×
5等不同的卷积运算与池化操作可以更好的提取输入图像的纹理和阈值变化信息，并行处理这些运算并结合所有结果可以对分区的富水特征进行更好的提取。将训练好的网络模型和相关参数保存并封装；将分区结果输入封装后的inception-resnet-v2分类预测模型，对分区的出水状况进行判断。inception-resnet-v2网络架构图和分区富水性预测过程如图5所示。
63.作为一种或多种实施方式，对于识别结果为表面干燥区域的分区，在分区上设置16个控制点(如图6所示)，提取控制点处对应的光谱曲线，每条光谱曲线有200个波长点；保存每个控制点处的rgb和hsi颜色空间中r，g，b，h，s和i特征值，然后提取其灰度共生矩阵的能量、熵、对比度、逆差矩、相关性的5个图像纹理信息，共计11个图像特征。结合光谱和图像信息，即200个原始光谱和11个图像信息一共211个特征值。由于特征值包含图像和光谱两
种数据，其单位及量纲也是不一样的，即数量级存在较大差别，差别较大会导致数据的权重存在很大差异，进而造成预测误差较大。为了统一输入数据的数量级，采用均值归一化方法分别将图像和光谱特征值归一化到[0,1]之间，具体为：式中：x'为归一化的图像或光谱数据；x为初始图像或光谱数据；x
max
、x
min
分别为图像和光谱特征值的最小值、最大值。
[0064]
通过室内试验建立典型岩体不同含水量的样本库，样本信息包括光谱特征、图像特征和对应的含水量值。光谱特征为典型岩体光谱曲线的200个波长点值，图像特征包括rgb和hsi颜色空间中r、g、b、h、s、i特征值，灰度共生矩阵的能量、熵、对比度、逆差矩、相关性等图像纹理信息等11个图像特征，对光谱和图像特征进行归一化处理并保存，归一化方法采用上述均值归一化处理方法。
[0065]
利用样本的含水量值和样本的图像及光谱矩阵建立偏最小二乘支持向量机模型，获得含水量与图像光谱矩阵之间的映射关系。
[0066]
设定数据样本集{(x1，y1)，(x2，y2)，
…
，(x
t
，y
t
)}，其中xi∈rn，为样本归一化后的的光谱和图像特征值，yi∈r，为样本的含水量值，将样本数据集映射到高维空间的最小二乘支持向量机函数为：
[0067][0068]
式中，为非线性映射函数，b为偏差值，ω为权向量值。通过高维空间转换，最小二乘支持向量机函数的优化问题可以转化为求解下式：其中，转换的约束条件为式中：γ为正则化参数，γ＞0；e为样本数据集上的预测误差变量；ek为每一个样本的引入误差变量；yk为考虑偏差值和损失函数的约束条件。
[0069]
为求最优解，拉格朗日转换函数l的形式为式中，ak为拉格朗日乘子。
[0070]
将拉格朗日函l(ω,b,e,a)对变量ω,b,e,a求偏导，使用kkt最优性条件可得到如下线性方程组：
[0071][0072][0073]
[0074][0075]
通过计算求解线性方程组，可得到，式中，中a＝[a1,a2,
…
,an]；y＝[y1,y2,
…
,yn]；i＝[1,1,
…
,1]；为核函数。
[0076]
最小二乘支持向量机含水量预测函数最终可表示为
[0077][0078]
取不同的核函数可构成不同的最小二乘支持向量机模型，我们选用径向基函数作为预测模型的核函数，需要确定的参数仅为核参数σ和正则化参数γ。将两个参数的选择看作优化问题，采用遗传算法对σ和γ进行优选确定。设定σ的计算区间为[1，100]，γ计算区间为(0，100]，遗传算法初始种群规模设为20，评价函数采用均方误差倒数形式，最高迭代次数50次。将优化参数后的含水量预测模型进行保存封装，可用于第七步被识别为表面干燥分区的含水量检测。
[0079]
为判别掌子面围岩的不同富水程度提供了一种新的方法；通过高光谱成像仪对隧道围岩图像进行远程无接触采集，通过预训练的神经网络根据图像信息在宏观尺度上对围岩富水性进行判识，对于表面干燥的区域，可通过提取控制点处的光谱信息对含水量进行进一步检测。相较于传统的钻孔测量方法，本方法能对隧道前方的掌子面围岩含水量进行非接触检测，其操作简单、易于实现，含水率检测数据实时性强，数据处理效率高，可以智能化监测隧道围岩动态含水率，从而及时对井下透水事故进行预报预警，提高隧道掘进及服务期间的安全性。
[0080]
实施例二
[0081]
本公开实施例二介绍了一种非接触式隧道掌子面围岩含水量检测系统。
[0082]
如图7所示的一种非接触式隧道掌子面围岩含水量检测系统，包括：
[0083]
获取模块，其被配置为获取待检测隧道掌子面围岩的光谱信息和图像信息；
[0084]
识别模块，其被配置为对所获取的图像信息进行出水状况的识别判断，得到掌子面围岩的出水类型；
[0085]
选择模块，其被配置为根据所得到的掌子面围岩的出水类型，选择掌子面围岩控制点；
[0086]
计算模块，其被配置为对所获取的待检测隧道掌子面围岩的光谱信息和图像信息进行融合，得到掌子面围岩的图像光谱矩阵；
[0087]
检测模块，其被配置为根据所得到掌子面围岩的图像光谱矩阵完成隧道掌子面围岩的含水量检测。
[0088]
详细步骤与实施例一提供的非接触式隧道掌子面围岩含水量检测方法相同，在此不再赘述。
[0089]
实施例三
[0090]
本公开实施例三提供了一种计算机可读存储介质。
[0091]
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的非接触式隧道掌子面围岩含水量检测方法中的步骤。
[0092]
详细步骤与实施例一提供的非接触式隧道掌子面围岩含水量检测方法相同，在此不再赘述。
[0093]
实施例四
[0094]
本公开实施例四提供了一种电子设备。
[0095]
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的非接触式隧道掌子面围岩含水量检测方法中的步骤。
[0096]
详细步骤与实施例一提供的非接触式隧道掌子面围岩含水量检测方法相同，在此不再赘述。
[0097]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
[0098]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。