[发明专利]基于卷积神经网络的盾构机护盾间隙估计方法

摘要

本发明公开了一种基于卷积神经网络的盾构机护盾间隙估计方法，其特征是通过对被测盾尾间隙处的局部区域进行激光标定，然后利用工业摄像机进行图像采集，将采集到的带有激光标定点的管片局部图像传入到计算机中，采用基于卷积神经网络的图像超分辨率重建方法，对采集到的图像进行超分辨率重建得到高分辨率图像，选用合适的图像处理算法对采集到的图像进行分析、处理和计算得到盾尾间隙的大小，从而实现非接触式自动测量。本发明实现了盾尾间隙的自动测量，降低了盾构环境下光照的要求，使得盾构护盾间隙自动化测量能够用于盾构的全周期中，有助于实现盾构施工的精确化和自动化。

主权项

1.基于卷积神经网络的盾构机护盾间隙估计方法，其特征在于，包括以下步骤：步骤一、激光器(6)及工业摄像机(1)安装：在盾尾内壁(4)圆周方向上设置三个间隙120°的采集盒(3)，三个采集盒(3)安装于盾尾推进油缸之间的筋板(2)处，在采集盒内设有两个激光器(6)和工业摄像机(1)，使采集区域激光射线与盾尾内壁(4)平行；步骤二、对被测盾尾间隙(5)处的局部区域进行激光标定：激光标定的参数为：投射到管片(7)上的两个激光点之间的距离d，两个激光点的连线与管片下边缘距离e，管片厚度f，平行激光射线到盾尾内壁(4)的距离h；步骤三、利用工业摄像机(1)对局部区域进行连续拍摄，得到局部区域低分辨率图像；利用照明灯具关闭、打开时各拍摄一张照片，在同一时刻分别获得低分辨率和高分辨率盾尾间隙局部区域图像；步骤四、利用卷积神经网络对低分辨率图像进行超分辨率重建：其中超分辨率重建的方法是：(1)建立训练所需要的外部图像库在同一时刻分别获得低分辨率和高分辨率盾尾间隙局部区域图像，得到在较长一段时间内的盾尾间隙局部区域低分辨率图像集{Yi}和对应高分辨率图像集{Xi}，以此作为外部图像库；(2)构建网络模型构建SRCNN模型，该模型由三层卷积层构成，分别为特征提取、非线性映射和高分辨率图像重构；(3)以外部图像库为训练对象，在低、高分辨率图像之间形成端到端的非线性映射，即获得端到端的映射F的一组网络参数Θ＝{W₁,W₂,W₃,B₁,B₂,B₃}，然后对网络参数进行训练；步骤五、将低分变率图像输入SRCNN模型，输出高分辨率图像：先输入一张给定的低分辨率图像Z，使其通过第一个卷积层以获得一组特征图，在第二层里，让这些特征图非线性映射到高分辨率的图块中，最后，通过聚合来重建出高分辨率的图像F(Y)；步骤六、对得到的高分辨率图像进行分析、处理和计算得到盾尾间隙(5)的大小；将两个激光点之间距离d值转化为像素的个数n，设定k为系数，另k＝d/n；L＝h+e‑f                   (10)通过对h、d、e、n、k按照上述公式进行计算，即可得出盾尾间隙L的值。