基于全局注意力机制和残差神经网络的TBM岩渣分类方法与流程

本发明属于图像处理和隧道tbm围岩适应性预测，具体涉及最红基于全局注意力机制和残差神经网络的tbm岩渣分类方法。

背景技术：

1、tbm施工即全断面隧道掘进机，主要施工过程为在硬岩环境中，利用全断面隧道掘进机旋转刀盘上的滚刀挤压剪切破岩，通过旋转刀盘上的铲斗齿拾起石渣，落入主机皮带机上向后输送，再通过牵引矿渣车或隧洞连续皮带机运渣到洞外。对于软弱围岩，围岩自稳性差，掘进扰动后在埋深、高地应力等作用下容易产生强烈的挤压大变形，导致tbm在掘进过程中发生卡机事故，造成护盾损毁。

2、对于坚硬岩层，单轴饱和抗压强度过高时，tbm掘进困难，刀具磨损严重。单轴饱和抗压强度主要影响开挖面整体稳定性及掘进速度，进而影响到tbm的掘进成本。

3、tbm法围岩工程地质分类还没有明确的技术规范，tbm参数需根据岩体等级的变化进行适当调整，对于岩体等级不准确的判断会影响tbm的掘进效率。然而，传统的围岩分级方法主要是基于钻爆法施工建立的，用以评价隧道围岩稳定性，难以适用于tbm掘进性能评价和预测。因此，提出一种适用于tbm隧道岩体的可掘性分级方法并实现可掘性等级的准确感知识别具有重要意义。目前国内外传统的围岩分级方法如rmr分级系统、q系统、bo分级方法以及hc分级方法等，常用于钻爆法施工的隧道稳定性评价和支护类型选择，难以有效指导tbm掘进性能评价和预测。

4、岩渣作为tbm掘进过程中围岩的直接产物，能够对岩体坚硬程度、岩体完整性进行表征，比如对于破碎围岩，岩渣粒径不均匀，伴随有大尺寸岩渣，对于完整坚硬岩渣，岩渣粒径均匀，多为小尺寸片状岩渣。在实际tbm施工中，依照设计图纸的地质钻探信息，只能对tbm所在掘进段围岩有一个初步的认知，实际掘进过程中围岩伴随有夹层，破碎带等区域，如何实时感知前方围岩对于动态调整tbm掘进参数有重要意义。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的基于全局注意力机制和残差神经网络的tbm岩渣分类方法解决了现有的tbm掘进过程中，难以准确获取前方围岩情况，进而影响tbm掘进施工的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：基于全局注意力机制和残差神经网络的tbm岩渣分类方法，包括以下步骤：

3、s1、采集不同围岩掘进段的岩渣出渣图片；

4、s2、构建基于全局注意力机制和残差神经网络的图像分割模型，并利用岩渣出渣图片对其进行训练，获得训练好的图像分割模型；

5、s3、利用训练好的图像分割模型定时对采集的岩渣出渣图片进行分割，获得若干局部岩渣二值图像；

6、s4、对若干局部岩渣二值图像进行分析预处理，获得预处理后的岩渣二值图；

7、s5、对预处理后的岩渣二值图进行岩渣参数计算，并根据岩渣参数对tbm岩渣分类。

8、进一步地，所述步骤s2中，基于全局注意力机制和残差神经网络的图像分割模型采用unet网络架构，包括编码器和解码器；

9、所述编码器采用resnet34卷积结构，用于提取图像特征；

10、所述解码器用于基于提取的图像特征，对图像进行解码复原；所述解码器在解码过程中，融合全局注意力机制。

11、进一步地，所述编码器采用resnet34卷积结构，包括依次连接的7x7卷积层、3x3最大池化层、第一卷积组conv2_x、第二卷积组conv3_x、第三卷积组conv4_x、第四卷积组conv5_x、平均池化层和输出层；

12、其中，第一卷积组conv2_x、第二卷积组conv3_x、第三卷积组conv4_x、第四卷积组conv5_x对应四次编码下采样，将特征分辨率分别下降为输入特征的1/4，1/8，1/16和1/32。

13、进一步地，训练所述图像分割模型时，损失函数l为：

14、

15、式中，yi为表示样本i的label，岩渣为1，背景为0；pi为表示样本i预测为正类的概率，li为每个样本得到的交叉熵损失函数值，i＝1,2,…,n为样本数量；

16、当训练所述图像分割模型的岩渣出渣图片中分类样本不均衡时，损失函数lfl为：

17、

18、式中，为样本i预测为，γ为动态缩放因子，y为样本i的label，正类为1，负类为0。

19、进一步地，所述步骤s4具体为：

20、s41、对若干局部岩渣二值图像进行原图拼接复原，得到整体岩渣二值图像；

21、s42、对整体岩渣二值图像依次进行开运算操作、消除孤立噪点、消除岩渣之间的细长狭小连接以及平滑岩渣连通域的轮廓，获得预处理后的岩渣二值图。

22、进一步地，所述步骤s5中，岩渣参数包括正常岩渣比、不均匀系数以及曲率系数。

23、进一步地，所述正常岩渣比p的计算公式为：

24、

25、式中，sz为岩渣二值图中正常岩渣的出渣尺寸，s为岩渣二值图中所有岩渣出渣尺寸，n＝1,2,…,i为岩渣数量；

26、不均匀系数cu的计算公式为：

27、

28、曲率系数cc的计算公式为：

29、

30、式中，d60、d30和d10分别为将岩渣二值图中岩渣原始参数转换为长度刻度单位绘制的岩渣粒径累积曲线图中，纵坐标累积分布60％、30％和10％时所对应的横坐标直径值；其中，在岩渣粒径累积曲线图中，横坐标为颗粒直径，纵坐标为累积分布值；

31、进一步地，所述步骤s5中，对tbm岩渣分类的方法具体为：

32、定时计算采集岩渣图像的岩渣参数，将其与数据库中采集的各类围岩状态下的岩渣出渣参数进行对比，进而确定其围岩出渣分类等级；其中分类等级包括完整、较破碎、破碎和极其破碎。

33、本发明的有益效果为：

34、(1)本发明提供了一种基于全局注意力机制和残差神经网络的tbm岩渣分类方法，通过识别、参数提取及围岩适应性判别方法，其可以准确、实时地获取tbm掘进过程中的岩渣分割结果，通过岩渣的关键参数，包括曲率系数，片状岩渣占比，不均匀系数等，从而实时反馈给出tbm掘进过程前方的围岩状况。

35、(2)本发明方法能实现tbm岩渣数据集的分割精度的提高，同时提供了岩渣参数实时提取的方法，给出了基于岩渣参数实时预测围岩等级的一个方法，可以提高tbm和围岩实时交互的施工策略。

36、(3)本发明将实时采集的出渣图像中的岩渣分类为完整、较破碎、破碎和极其破碎四类中的一种，作为tbm掘进过程中前方围岩的适应性预测，帮助tbm驾驶司机实时感知围岩状态，调整掘进参数，提高因掘进参数调整不及时或者围岩突发状况导致的停机等状态，提高施工效率和施工安全。

技术特征：

1.基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，所述步骤s2中，基于全局注意力机制和残差神经网络的图像分割模型采用unet网络架构，包括编码器和解码器；

3.根据权利要求2所述的基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，所述编码器采用resnet34卷积结构，包括依次连接的7x7卷积层、3x3最大池化层、第一卷积组conv2_x、第二卷积组conv3_x、第三卷积组conv4_x、第四卷积组conv5_x、平均池化层和输出层；

4.根据权利要求2所述的基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，训练所述图像分割模型时，损失函数l为：

5.根据权利要求1所述的基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，所述步骤s4具体为：

6.根据权利要求1所述的基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，所述步骤s5中，岩渣参数包括正常岩渣比、不均匀系数以及曲率系数。

7.根据权利要求6所述的基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，所述正常岩渣比p的计算公式为：

8.根据权利要求6所述的基于全局注意力机制和残差神经网络的tbm岩渣分类方法，其特征在于，所述步骤s5中，对tbm岩渣分类的方法具体为：

技术总结
本发明公开了基于全局注意力机制和残差神经网络的TBM岩渣分类方法，包括：S1、采集岩渣出渣图片；S2、构建图像分割模型，并利用岩渣出渣图片对其进行训练；S3、利用训练好的图像分割模型定时对采集的岩渣出渣图片进行分割，获得若干局部岩渣二值图像；S4、对若干局部岩渣二值图像进行分析预处理，获得预处理后的岩渣二值图；S5、对岩渣二值图进行岩渣参数计算，并对TBM岩渣分类。本发明将实时采集的出渣图像中进行等级分类，作为TBM掘进过程中前方围岩的适应性预测，帮助TBM驾驶司机实时感知围岩状态，调整掘进参数，提高因掘进参数调整不及时或者围岩突发状况导致的停机等状态，提高施工效率和施工安全。

技术研发人员：冷彪,满金龙,高超,李锴,洪帅兵,刘飞,赵子华
受保护的技术使用者：中铁五局集团电务工程有限责任公司
技术研发日：
技术公布日：2024/4/17