[发明专利]基于VGG卷积神经网络的隧道围岩级别智能判定方法

说明书

基于VGG卷积神经网络的隧道围岩级别智能判定方法，包括如下步骤：步骤一.采集隧道掌子面高分辨率图像数据，构建样本库；步骤二.从步骤一得到的样本库中随机选取样本作为训练集，剩余的作为测试集；步骤三.构建VGG深度卷积神经网络，通过训练降低损失函数值并更新网络权重参数，得到学习后的网络权重参数；步骤四.选择需要进行围岩分级的图像，作为卷积神经网络的输入，根据所得到的围岩级别预测，返回隧道掌子面对应的围岩分级评定结果。本发明基于卷积神经网络智能评估围岩等级，不需要进行现场或室内岩土体力学实验即可实现围岩级别判定，能规避因接触式采集围岩数据信息时的危险，实现了隧道与地下工程围岩分级工作的自动化与智能化。

技术领域

本发明涉及隧道与地下工程的勘察设计领域，适用于各种交通、水利水电等隧道与地下工程的勘察设计，具体为一种基于VGG卷积神经网络的隧道围岩级别智能判定方法。

背景技术

隧道是修筑在具有一定应力历史和构造迹象的多种围岩介质中的一种洞室结构体系，隧道围岩是指隧道周围一定范围内对隧道稳定性产生影响的岩土体，隧道周围的地层不管是岩体还是土体统称为隧道围岩。为满足隧道工程建设的需要，用综合指标或单一指标把围岩稳定程度划分为若干级别，这种分级称为围岩分级。对隧道的围岩级别作出正确的评价不仅关系到隧道的设计和施工方案、隧道的工程造价，而且还关系到隧道施工与运营期间的安全与稳定。因此，对岩体给出客观评价的围岩分级方案，是隧道设计和施工阶段的重要依据。

虽然规范给出了各级围岩的相关描述，但目前围岩分级的各项指标与围岩等级尚未建立精确的关系，并且部分围岩分级指标之间没有明确界限，所以隧道围岩分级受主观因素的影响较大。隧道围岩分级是一个经验性极强的领域，包含了多种不确定因素，很多情况都要依靠工程经验丰富的专家确定围岩等级。

目前，隧道围岩分级主要依靠现场采集定量、定性指标，根据规范要求方式进行选取。现场信息采集还存在获取难度高、工作量较大、误差较大、效率不高、采集过程安全性差的不足。因此，研究一种基于图像(非接触式)的隧道围岩特征提取并自动进行围岩分级的方法十分有意义，这能够很大程度上保证围岩分级的准确性、安全性。

发明内容

为克服现有技术存在的技术缺陷，本发明公开了一种基于VGG卷积神经网络的隧道围岩级别智能判定方法。

本发明所述基于VGG卷积神经网络的隧道围岩级别智能判定方法，包括如下步骤：

步骤一.采集隧道掌子面高分辨率图像数据，构建样本库；

步骤二.从步骤一得到的样本库中随机选取大于70％比例数量的样本作为训练集，剩余的作为测试集，并采用数据增广方法进行样本集的扩充,使其满足后续神经网络训练所需要的样本数量；

步骤三.构建VGG深度卷积神经网络，用于学习训练，通过训练不断降低损失函数值并更新网络权重参数，经过多次训练后，得到学习后更新了网络权重参数的神经网络；

步骤四.选择需要进行围岩分级的图像，作为卷积神经网络的输入，通过步骤三得到的卷积神经网络的迭代，并应用对应围岩分级训练集训练学习得到的网络权重参数，输出围岩对应级别预测；根据所得到的围岩级别预测，返回隧道掌子面对应的围岩分级评定结果。

优选的，所述步骤一中还包括对图像进行预处理的步骤；具体操作步骤如下：

将图像的R、G、B三个像素通道分解成单通道，对三个通道分别进行直方图均衡化，均衡化处理后的结果再进行合成，得到均衡化后的图像。

优选的，所述步骤2中数据增广可以引入imutils图像处理包对图像进行处理，具体步骤为：