CN111879610A - 一种掘进过程中岩渣力学参数实时测量***及测量方法 - Google Patents

一种掘进过程中岩渣力学参数实时测量***及测量方法 Download PDF

Info

Publication number
CN111879610A
CN111879610A CN202010660600.6A CN202010660600A CN111879610A CN 111879610 A CN111879610 A CN 111879610A CN 202010660600 A CN202010660600 A CN 202010660600A CN 111879610 A CN111879610 A CN 111879610A
Authority
CN
China
Prior art keywords
rock slag
rock
parameters
mechanical
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010660600.6A
Other languages
English (en)
Other versions
CN111879610B (zh
Inventor
唐旭海
杨涛
刘泉声
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202010660600.6A priority Critical patent/CN111879610B/zh
Publication of CN111879610A publication Critical patent/CN111879610A/zh
Priority to US17/372,571 priority patent/US20220011204A1/en
Application granted granted Critical
Publication of CN111879610B publication Critical patent/CN111879610B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/02—Details
    • G01N3/06—Special adaptations of indicating or recording means
    • G01N3/068—Special adaptations of indicating or recording means with optical indicating or recording means
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N1/00—Sampling; Preparing specimens for investigation
    • G01N1/28—Preparing specimens for investigation including physical details of (bio-)chemical methods covered elsewhere, e.g. G01N33/50, C12Q
    • G01N1/34—Purifying; Cleaning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/08—Investigating strength properties of solid materials by application of mechanical stress by applying steady tensile or compressive forces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N3/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N3/40—Investigating hardness or rebound hardness
    • G01N3/42—Investigating hardness or rebound hardness by performing impressions under a steady load by indentors, e.g. sphere, pyramid
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/40—Analysis of texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G01N2021/8592—Grain or other flowing solid samples
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0014—Type of force applied
    • G01N2203/0016—Tensile or compressive
    • G01N2203/0019—Compressive
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/0058—Kind of property studied
    • G01N2203/0069—Fatigue, creep, strain-stress relations or elastic constants
    • G01N2203/0075—Strain-stress relations or elastic constants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0208—Specific programs of loading, e.g. incremental loading or pre-loading
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/0202—Control of the test
    • G01N2203/0212—Theories, calculations
    • G01N2203/0218—Calculations based on experimental data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/022—Environment of the test
    • G01N2203/0244—Tests performed "in situ" or after "in situ" use
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/0641—Indicating or recording means; Sensing means using optical, X-ray, ultraviolet, infrared or similar detectors
    • G01N2203/0647—Image analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/067—Parameter measured for estimating the property
    • G01N2203/0676—Force, weight, load, energy, speed or acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2203/00—Investigating strength properties of solid materials by application of mechanical stress
    • G01N2203/02—Details not specific for a particular testing method
    • G01N2203/06—Indicating or recording means; Sensing means
    • G01N2203/067—Parameter measured for estimating the property
    • G01N2203/0682—Spatial dimension, e.g. length, area, angle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Geology (AREA)
  • Food Science & Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Processing Of Solid Wastes (AREA)

Abstract

本发明公开了一种掘进过程中岩渣力学参数实时测量***和测量方法，包括岩渣输送带、清洗装置、图像采集装置、现场加载装置、搬运装置、室内物理力学实验装置和岩渣测量***，岩渣输送带输送岩渣，清洗装置清洗岩渣，图像采集装置采集图像，现场加载装置对岩渣进行现场力学加载程序，得到现场力学参数，室内物理力学实验装置得到岩渣对应的力学性能实验测定参数，岩渣测量***对采集的图像信息进行处理，通过数据库建立映射数据样本，机器学习模块建立训练模型，从而实时测量掘进过程中岩渣力学参数，不需人工介入，自动采集大量数据，为掘进机智能控制驾驶、隧洞深部力学参数反演、岩爆智能预测和控制提供了大数据支持，具有实时性的特点。

Description

一种掘进过程中岩渣力学参数实时测量***及测量方法
技术领域
本发明涉及岩渣力学测量技术领域，具体涉及一种掘进过程中岩渣力学参数实时测量***及测量方法。
背景技术
随着掘进机技术的发展，TBM、盾构等掘进技术基本已经代替传统的开挖方法。掘进过程中，常遇到岩体过硬导致刀片受损，还有岩爆、塌方等地质灾害。为了避免地质灾害和提高掘进效率，实时了解开挖面和隧道岩体的力学性能，需要现场实时监测岩渣的性质。
但是，现有技术中，点荷载、钻孔取芯等传统岩石力学监测和检测需要大量的人工介入，并通过人工取样到实验室进行力学实验，在运输岩渣的过程中，会造成岩体扰动和饱水率变化等，这会对测量结果造成不良影响。
发明内容
根据现有技术的不足，本发明的目的是提供一种掘进过程中岩渣力学参数实时测量***及测量方法，可以通过岩渣力学测量，获得岩渣岩体力学参数，为掘进机智能控制驾驶、隧洞深部力学参数反演、岩爆智能预测和控制提供了大数据支持。
为了解决上述技术问题，本发明采用的技术方案为：
一种掘进过程中岩渣力学参数实时测量***，包括：
岩渣输送带，用于输送岩渣；
清洗装置，设在所述岩渣输送带两侧，用于清洗岩渣；
图像采集装置，设在所述清洗装置后方且设在所述岩渣输送带两侧和上方，用于采集岩渣的图像；
现场加载装置，用于对岩渣进行现场力学加载程序，得到现场力学参数；
搬运装置，设在所述岩渣输送带和所述现场加载装置间，用于将岩渣从所述岩渣输送带上搬运到现场加载装置上；
室内物理力学实验装置，对现场加载装置处理完的岩渣进行室内物理力学实验，得到岩渣对应的力学性能实验测定参数；
岩渣测量***，包括图像处理模块、数据库和机器学习模块，所述图像处理模块用于对采集的图像信息进行处理，得到岩渣的图像灰度均值、岩渣纹理特征参数，所述数据库用于建立岩渣的图像、现场力学参数和力学性能实验测定参数一一对应的映射数据样本，所述机器学习模块基于所述数据库建立训练关系，获得连接系数矩阵，生成训练模型。
进一步地，所述清洗装置包括水枪组，两组所述水枪组分别设在所述岩渣输送带两侧，每组水枪组包括多个水枪。
进一步地，所述图像处理模块包括灰度值处理、图像增强处理、图像灰度均值计算和纹理特征参数提取；
所述灰度值处理通过加权平均法对图像进行灰度处理，将采集到岩渣的图像由彩色图像转化为灰度图像；
所述图像增强处理采用线性滤波方法将灰度图像进行图像平滑处理；
所述图像灰度均值计算得到图像灰度均值；
所述纹理特征参数提取计算得到岩渣纹理特征参数。
进一步地，所述纹理特征参数提取通过GLCM算法提取岩渣纹理特征参数，实现对能量、熵值、对比度、逆差分矩4个岩渣图像纹理特征参数提取。
进一步地，所述现场力学加载程序包括加载程序、松弛程序和卸载程序，所述加载程序、松弛程序和卸载程序循环进行，得到所述现场力学参数，所述现场力学参数包括硬度值、弹性模量。
进一步地，所述现场加载装置包括加载底板、推动板和压头，加载底板上设有加载区域，推送板设在加载底板上并通过推送机构推动，进而推动岩渣，压头设在加载区域上方并通过加载机构推动在竖直方向上运动，进而对岩渣进行加载。
进一步地，所述加载底板上设有岩渣固定立柱，多个所述岩渣固定立柱通过岩渣固定机构驱动移动，固定岩渣。
进一步地，所述力学性能实验测定参数包括单轴抗压强度、泊松比、弹性模量、裂隙发育程度分级。
进一步地，所述机器学习模块基于BP神经网络实现，输入参数为图像灰度均值、岩渣纹理特征参数、现场力学参数，输出参数为岩石类别、力学性能实验测定参数。
一种掘进过程中岩渣力学参数实时测量方法，包括：
步骤1、岩渣输送岩渣，清洗装置清洗岩渣，图像采集装置采集图像，并将图像通过图像处理模块处理后得到图像灰度均值、岩渣纹理特征参数，并将图像灰度均值、岩渣纹理特征参数储存到数据库内；
步骤2、搬运装置将岩渣从岩渣输送带上搬运到现场加载装置上，对岩渣进行现场力学加载程序，得到现场力学参数，并将现场力学参数储存到数据库内；
步骤3、对现场加载装置处理完的岩渣进行室内物理力学实验，得到岩渣对应的力学性能实验测定参数，并将力学性能实验测定参数储存到数据库内；
步骤4、通过数据库建立岩渣的图像、现场力学参数和力学性能实验测定参数一一对应的映射数据样本；
步骤5、机器学习模块训练图像灰度均值、岩渣纹理特征参数、现场力学参数、力学性能实验测定参数，生成训练模型，其中，输入参数为图像灰度均值、岩渣纹理特征参数、现场力学参数，输出参数为力学性能实验测定参数和岩渣的岩石种类；
步骤6、通过训练模型实时测量掘进过程中岩渣的力学参数，重复步骤1和步骤2，将图像灰度均值、岩渣纹理特征参数和现场力学参数输入到模型内，生成力学性能实验测定参数和岩渣的岩石种类，完成对岩渣的力学参数测量。
与现有技术相比，本发明具有以下优点和有益效果：
1.本发明所述的一种掘进过程中岩渣力学参数实时测量***及测量方法，和传统的点荷载、钻孔取芯等岩石力学监测和检测方法相比，不需要大量的人工介入，装置自动采集大量数据。
2.本发明所述的一种掘进过程中岩渣力学参数实时测量***及测量方法，相比于传统的点荷载、钻孔取芯等岩石力学监测和检测方法只能采集较少的数据，样本采样点选取受人为因素影响较强，本发明能对岩渣进行现场大量测量，在掘进过程中，为掘进机智能控制驾驶、隧洞深部力学参数反演、岩爆智能预测和控制提供了大数据支持。
3.本发明所述的一种掘进过程中岩渣力学参数实时测量***及测量方法，具有实时性，在大数据的支持下，本发明通过机器学习能实时对现场的大量岩渣进行识别，实时输出岩石类型和力学性能特征参数。
附图说明
图1为本发明掘进过程中岩渣力学参数实时测量方法的流程图
图2为本发明盾构机掘进的示意图。
图3为本发明岩渣输送带、清洗装置、图像采集装置、现场加载装置、搬运装置的示意图。
图4为本发明现场加载装置的俯视图。
图5为本发明现场加载装置的主视图。
图6为本发明现场加载装置中加载底板、推动板、多个岩渣固定立柱连接的示意图。
图7为本发明现场力学加载程序中现场加载荷载-位移变化曲线示意图。
图8为本发明机器学习模块中BP神经网络结构示意图。
其中：1、岩渣输送带；2、清洗装置；3、图像采集装置；4、搬运装置；5、现场加载装置；6、推送板；7-1、第一侧立板；7-2、第二侧立板；8、加载底板；9、压头；10、加载顶板；11、岩渣固定立柱；12、后置活动板；13、后置固定旋转轴；14、岩渣；15、切削器；16、盾构机；17、现场检测区点；18、直流电机；19、加载固定立柱。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
如图1和图3所示，一种掘进过程中岩渣力学参数实时测量***，包括岩渣输送带1、清洗装置2、图像采集装置3、现场加载装置5、搬运装置4、室内物理力学实验装置和岩渣测量***。
其中，岩渣输送带1用于输送岩渣14。
清洗装置2设在岩渣输送带1两侧，用于清洗岩渣14。
图像采集装置3设在清洗装置2后方且设在岩渣输送带1两侧或上方，用于采集岩渣14的图像。
现场加载装置5用于对岩渣14进行现场力学加载程序，得到现场力学参数。
搬运装置4设在岩渣输送带1和现场加载装置5间，用于将岩渣14从岩渣输送带1上搬运到现场加载装置5上。
室内物理力学实验装置，对现场加载装置5处理完的岩渣14进行室内物理力学实验，得到岩渣14对应的力学性能实验测定参数。
岩渣测量***包括图像处理模块、数据库和机器学习模块，图像处理模块用于对采集的图像进行处理，得到岩渣14的图像灰度均值、岩渣纹理特征参数，数据库用于建立岩渣14的图像、现场力学参数和力学性能实验测定参数一一对应的映射数据样本，机器学习模块基于数据库建立训练关系，获得连接系数矩阵，生成训练模型。
如图3所示，在岩渣输送带1输送岩渣14的过程中，通过清洗装置2清理、冲洗岩渣14；然后通过图像采集装置3采集岩渣14的图像并通过图像处理模块对采集的图像进行处理，得到岩渣14的图像灰度均值、岩渣纹理特征参数；通过搬运装置4将岩渣14从岩渣输送带1上搬运到现场加载装置5，然后通过现场加载装置5进行现场力学加载程序，得到现场力学参数；再对现场加载装置5处理完的岩渣14进行室内物理力学实验，得到岩渣14对应的力学性能实验测定参数；并基于图像、现场力学参数、力学性能实验测定参数的映射数据样本通过机器学习模块进行机器学习，得到训练模型，基于训练模型根据图像、现场力学参数，可以得到力学性能实验测定参数输出岩渣14的种类，实时确定现场岩渣14的性质。
得到训练模型后，后续不需要进行室内物理力学实验，通过图像采集装置3采集岩渣14的图像并通过图像处理模块对采集的图像进行处理，得到岩渣14的图像灰度均值、岩渣纹理特征参数，然后通过现场加载装置5进行现场力学加载程序，得到现场力学参数，将图像灰度均值、岩渣纹理特征参数、现场力学参数输入到训练模型中，可得到力学性能实验测定参数和岩渣14的种类，防止在运输岩渣14的过程中，造成岩体扰动和饱水率变化等，对测量结果造成不良影响。
本实施例基于图像识别和现场加载测量物理性质，对岩石进行物理性质初探，再通过实验室精准测量，最后通过机器学习，基于训练模型识别该岩渣14的种类。通过此方法，现场的工作人员基于训练模型对所开挖的岩石断面进行实时检测，结合观察对实时检测结果进行判断，以应对不同性质岩石带来的情况，能对大量岩渣14进行现场实时力学性质测量。在掘进过程中，为掘进机智能控制驾驶、隧洞深部力学参数反演、岩爆智能预测和控制提供了大数据支持。
本发明中，通过盾构机16进行掘进。
如图3所示，清洗装置2包括水枪组，两组水枪组分别设在岩渣输送带1两侧，每组水枪组包括多个水枪。在本发明实施例中，每组水枪组自上而下倾斜一定角度均匀排布有3个水枪，能够更加全面的将岩渣14清理冲洗干净。
岩渣输送带1的左边、右边和正上方分别设有转台，转台上分别固定图像采集装置3，图像采集装置3包括摄像头，摄像头从岩渣输送带1的左、右、上方分别采集图像，当岩渣14随着岩渣输送带1运动，清洗装置2对岩渣14进行清洗后，图像采集装置3可通过传感器检测到岩渣14到达摄像区域，三个摄像头同时开始工作进行高速拍照，采集从三个方位同时采集岩渣14图像，使采集的图像情况更加全面、清晰。采集完岩渣14图像之后，对图像进行处理，得到图像参数。
其中，传感器可以是光电传感器，当岩渣14到达摄像区域，挡住光电传感器的光线，光电传感器发出信号并通过控制器控制三个摄像头同时开始工作进行高速拍照。
下面对图像处理模块对图像的处理进行详细的说明。
图像处理模块包括灰度值处理、图像增强处理、图像灰度均值计算和纹理特征参数提取。
灰度值处理通过加权平均法对图像进行灰度处理，将采集到岩渣14的图像由彩色图像转化为灰度图像。
在对图像进行灰度值处理的过程中，约定f(x，y)为二维图片中坐标为(x，y)的点的灰度值,R(x，y)、G(x，y)、B(x，y)分别为坐标为(x，y)的点在红、绿、蓝分量上的值，本实施例用加权平均法对图像进行灰度处理：
f(x,y)＝0.30*R(x,y)+0.59*G(x,y)+0.11*B(x,y)
图像增强处理采用线性滤波方法将灰度图像进行图像平滑处理。图像增强是图像处理中最重要的方法之一，能优化图像质量，为随后的图像识别、图像处理提供基础。例如：在图像诊断过程，对比度增强能突出隐藏在数据中的重要特征，因此能减小数据估计和客观认识之间的差距。
首先假设要处理的数字图像的灰度级为L，输入f(n)为目标像素的灰度值，这个像素在整个图像中的位置为n：
n＝[n1,n2]
式中，n1、n2分别为目标像素所在的行和列。
f1(n)，f2(n)，…，f8(n)是与f(n)相邻的8个像素的灰度值，它们共同形成一个3×3的窗，即：
0≤f(n)≤L-1
0≤fi(n)≤L-1
式中，f(n)为目标像素的灰度值；fi(n)为目标像素的相邻像素的灰度值；i为相邻像素序号，i＝1，2，...，8均值滤波算法的输出定义如下：
Figure BDA0002578359860000071
式中，y(n)为滤波算法处理后的灰度值。其中
Figure BDA0002578359860000072
为规定的运算符号，其定义如下：
Figure BDA0002578359860000073
图像灰度均值计算得到图像灰度均值，将上述灰度值进行均值V计算
Figure BDA0002578359860000074
式中：N×M为图像的大小，f(i，j)为图像增强后像素点(i，j)的灰度值；M为图像长度的像素点数目；N为图像宽度像素点数目，i＝1，2，...，M-1；j＝1，2，...，N-1。
纹理特征参数提取计算得到岩渣纹理特征参数，对处理过的图像通过GLCM算法提取岩渣纹理特征参数。
纹理特征参数提取通过GLCM算法提取岩渣纹理特征参数，实现对能量、熵值、对比度、逆差分矩4个岩渣14图像纹理特征参数提取。
N×M为二维岩渣14图像大小，(x，y)为此图像中任意一点坐标。点(x，y)与图像中任意固定点形成点对(一般选取附近点)，相对该固定点发生移动，会得到不同的点对，点对的灰度值为(g1，g2)。将岩渣14图像(x，y)空间坐标灰度化，转化为“灰度对”(x，y)的描述方式，对岩渣14图像灰度矩阵做归一化处理：
Figure BDA0002578359860000075
Figure BDA0002578359860000076
式中：P(g1，g2)为灰度对归一化概率分布函数，N(g1，g2)为此灰度对出现的次数；θ为图像中任意一点(x，y)和图像中任意固定点连线与坐标轴横轴的夹角；N为灰度值的级数，即N个像素点。
为提高岩渣14图像识别的分辨效率，采用GLCM的能量、熵、对比图、逆差分矩4种参数提取岩渣14图像全局特征，作为纹理特征参数。用G(i，j)表示K×K阶共生矩阵，G表示灰度共生矩阵常用的特征，4种参数表示如下:
(1)能量ASM：反映岩渣14图像纹理粗细程度以及灰度分布的均匀程度。
Figure BDA0002578359860000081
(2)熵值ENT：表示岩渣14图像中纹理的复杂程度。
Figure BDA0002578359860000082
(3)对比度CON：反映岩渣14图像的纹理沟纹深浅程度。
Figure BDA0002578359860000083
(4)逆差分矩IDM：反映岩渣14图像纹理的同质性，度量岩渣14图像纹理局部变化量。
Figure BDA0002578359860000084
下面对现场加载装置5和现场力学加载程序进行详细的说明。
现场力学加载程序包括加载程序、松弛程序和卸载程序，加载程序、松弛程序和卸载程序循环进行，得到现场力学参数，现场力学参数包括硬度值、弹性模量。
如图4-图6所示，现场加载装置5包括加载底板8、推送板6、压头9，加载底板8用于实现加载时支撑被支撑的岩渣14，加载底板8上设有加载区域，推送板6设在加载底板8上并通过推送机构推动移动，用于推动岩渣14，压头9设在加载区域上方并通过加载机构推动加载岩渣14，搬运装置4将岩渣14放置在加载底板8上，推送板6通过推送机构将岩渣14推送到加载区域，
为了便于加载，多个加载固定立柱19均匀排布围成加载区域，多个岩渣固定立柱11用于固定岩渣14，岩渣固定立柱11通过岩渣固定机构移动，当加载机构加载岩渣14前，岩渣固定立柱11移动固定岩渣14，方便加载机构加载岩渣14，当加载完成后，岩渣固定立柱11移动松开岩渣14，推动板继续将岩渣14推送。
岩渣固定机构可以采用气缸、液压缸、电动推杆、丝杠螺母机构以及齿轮齿条机构中任意一种，只要能实现驱动岩渣固定机构移动，使多个岩渣固定机构移动固定岩渣14。
其中，推送机构可以采用气缸、液压缸、电动推杆、丝杠螺母机构以及齿轮齿条机构中任意一种，只要能实现推送板6移动，使岩渣14被推送至加载区域。
为了方便安装加载机构，加载底板8上设有第一侧立板7-1和第二侧立板7-2，第一侧立板7-1和第二侧立板7-2间设有加载顶板10，加载机构安装在加载顶板10上，压头9设在加载机构上，只要能实现压头9在竖直方向上移动加载岩渣14。
加载机构可以是直流电机18，将电能转化为机械能。
上述现场加载装置5中，现场力学加载程序为一个加载-松弛-卸载的循环。通常加载过程中荷载位移曲线表现为非线性弹塑性的特征，松弛阶段目的是消除卸载前与时间有关的黏性因子。这样，卸载的初始阶段可以被认为是纯粹的弹性恢复阶段，曲线是线弹性的。通过对样品的实验，得到多组数值，我们采取均值统计法经行处理，并剔除一些明显异常数据，得出对应图像样品的现场力学性能参数，包括硬度值、弹性模量。
在进行实验时，压头9逐渐压入试样后，压头9附近的材料首先产生弹性变形，随着载荷的增加，试样开始产生塑性变形，当压头9卸载时，弹性变形得到恢复。如图7所示，通过数据绘制载荷-位移变化曲线，并利用该曲线计算岩石的弹性模量和硬度。图中：hf残余深度，hl保载点起始位移，hmax最大位移。硬度H的计算公式为：
Figure BDA0002578359860000091
Figure BDA0002578359860000092
其中，Pmax表示最大加载压力，Ac指相应载荷下的接触投影面积，Ac指接触深度；
其中，hc与hmax有如下关系：
Figure BDA0002578359860000093
Figure BDA0002578359860000094
其中，hmax最大位移，S接触刚度。ε常数，0.75，vE弹性能量比，无因次；
得到接触投影面积和接触深度后，可通过下式计算出折算弹性模量Er：
Figure BDA0002578359860000095
其中，β与压头9几何形状相关的常数；
折算弹性模量可以用来体现压头9和试样的复合弹性形变，并可以转化为试样的真实弹性模量，计算表达式为：
Figure BDA0002578359860000101
其中，v试样泊松比，无因次；vi压头9泊松比，为常数；Ei是压头弹性模量，为常数。
作为其中一种实施例，如图5所示，加载底板8的一侧设置后置活动板12，后置活动板12通过后置固定旋转轴13与加载底板8铰接，当当加载完成后，岩渣固定立柱11移动松开岩渣14，推动板继续将岩渣14推送至后置活动板12上，后置活动板12收集到岩渣14之后，后置固定旋转轴13通过电动机带动转动，进而带动后置活动板12转动发生倾斜，岩渣14落下到岩渣14收集装置，岩渣14收集装置收集到的岩渣14可以进一步用于室内物理力学实验装置，对现场加载装置5处理完的岩渣14进行室内物理力学实验，得到岩渣14对应的力学性能实验测定参数，室内物理力学实验装置得到的力学性能实验测定参数比现场测定的数据更加丰富和准确。
力学性能实验测定参数包括单轴抗压强度σc、泊松比μ、弹性模量E、裂隙发育程度分级Cr。
下面参照图8训练模型的建立进行详细的描述。
机器学习模块基于BP神经网络实现，输入参数为图像灰度均值V、岩渣纹理特征参数TFP、现场力学参数FMP，输出参数为岩石类别TR、力学性能实验测定参数LMP，网络分为训练和测试两个阶段，具体过程如下：
给网络输入层、中间层和输出层各单位权值W归一化处理，通常取[-1.0～1.0]之间的随机值。第一层为输入层，包含3个神经元X1，X2，X3和1个截距b0；第二层为隐含层，包含4个神经元M1，M2，M3，M4和截距b1，第三层是输出层，包含2个神经元O1，O2。Wij为输入层到隐含层的权重值，Vji为隐含层到输出层的权重值。截距b0、b1可根据实验而定，通常取[1.0～5.0]。每个节点使用激活函数进行运算。
(1)正向传播时：
输入层到中间层：
Figure BDA0002578359860000111
其中，Wij表示输入层到中间层的权重值；Xj表示输入层的神经元，j＝1，2，3；Mi表示中间层的神经元，i＝1，2，3，4；所述b0表示输入层的截距；
若激活函数使用Sigmoid函数，则神经网络Mi的输出为outMi：
Figure BDA0002578359860000112
中间层到输出层：
Figure BDA0002578359860000113
其中Vji表示中间层到输出层的权重值，b1表示中间层的截距；
使用激活函数计算，则Oj的输出outoj为：
Figure BDA0002578359860000114
(2)反向传播时：
target记为目标值；output记为实际输出值，总体误差Etotal为：
Figure BDA0002578359860000115
对权重值Wij、Vji权值进行更新：
Figure BDA0002578359860000116
Figure BDA0002578359860000117
其中，u指学习效率，u取[0～1.0]，偏层数eij、dji为：
Figure BDA0002578359860000118
Figure BDA0002578359860000121
将提供的映射数据样本作为输入进行训练学习，直到满足收敛条件为止；然后再继续输入映射数据样本，继续循环往复，直到输入足够的样本为止，并储存连接系数矩阵。通过建立的连接系数矩阵，对现场的新样本进行测试识别。
首先在服务器数据空间内对岩渣14的颜色、纹理等图像信息和现场实验信息以图像形式显示在三维平台中，并对各项信息进行数值统计，并输出统计数据图表。三维平台在得出岩渣14的信息后，将上述数据实时传至服务器岩渣测量***，服务器岩渣测量***通过BP神经网络建立的训练关系，识别服务器接收的岩渣14信息，从而输出岩渣14的的种类和力学性能。
相比于传统的点荷载、钻孔取芯等岩石力学监测和检测方法只能采集较少的数据，样本采样点选取受人为因素影响较强，本发明能对岩渣进行现场大量测量，在掘进过程中，为掘进机智能控制驾驶、隧洞深部力学参数反演、岩爆智能预测和控制提供了大数据支持。
作为其中一种实施例，通过现场测量结果初步还原洞室岩石力学性质状态通过以下来初步实现。
如图2，切削器15工作后，盾构机16前端产生岩渣，通过岩渣输送带2将岩渣运输到现场检测区点17，现场检测区点17设有图像采集装置3，盾构机16前端与现场检测区点17的距离为d，F表示某一位置整个洞室的岩石力学性质状态，S表示在某一位置现场检测并通过机器学习识别后的岩渣力学数据参数，则有
F(x)＝S(x+d)
一种掘进过程中岩渣力学参数实时测量方法，包括：
步骤1、岩渣输送带1输送岩渣14，清洗装置2清洗岩渣14，图像采集装置3采集图像，并将图像通过图像处理模块处理后得到图像灰度均值、岩渣纹理特征参数，并将图像灰度均值、岩渣纹理特征参数储存到数据库内；
步骤2、搬运装置4将岩渣14从岩渣输送带1上搬运到现场加载装置5上，对岩渣14进行现场力学加载程序，得到现场力学参数，现场力学参数包括单轴抗压强度σc、硬度H等，并将现场力学参数储存到数据库内；
步骤3、对现场加载装置5处理完的岩渣14进行室内物理力学实验，得到岩渣14对应的力学性能实验测定参数，力学性能实验测定参数包括单轴抗压强度σc、泊松比μ、弹性模量E、裂隙发育程度分级Cr等，并将力学性能实验测定参数储存到数据库内；
步骤4、通过数据库建立岩渣的图像、现场力学参数和力学性能实验测定参数一一对应的映射数据样本；
步骤5、机器学习模块训练图像灰度均值、岩渣纹理特征参数、现场力学参数、力学性能实验测定参数，生成训练模型，其中，输入参数为图像灰度均值、岩渣纹理特征参数、现场力学参数，输出参数为力学性能实验测定参数和岩渣的岩石种类；
步骤6、通过训练模型实时测量掘进过程中岩渣的力学参数，重复步骤1和步骤2，将图像灰度均值、岩渣纹理特征和现场力学参数输入到模型内，生成力学性能实验测定参数和岩渣的岩石种类。
在上述步骤5中，数据库将图像、该图像上岩渣的现场力学参数、以及图像上岩渣的力学性能实验测定参数一一对应，建立包含图像-现场力学参数-力学性能实验测定参数的映射数据样本的数据库，基于映射数据样本完成神经网络训练，获得连接系数矩阵，建立训练模型，得到岩渣测量***，训练模型采用的是不断训练的BP神经网络结构，输入参数为图像灰度均值、岩渣纹理特征参数、现场力学参数，输出参数为岩渣的岩石种类、力学性能实验测定参数。
实时确定现场矿渣的性质：通过岩渣测量***对现场矿渣进行识别，实时输出岩渣的岩石种类和力学性能实验测定参数，包括单轴抗压强度σc、泊松比μ、弹性模量E、裂隙发育程度分级Cr、硬度H等。并根据监测识别的数据初步还原洞室岩石力学性质状态。
本发明具有实时性，在大数据的支持下，本发明通过机器学习能实时对现场的大量岩渣进行识别，实时输出岩石类型和力学性能特征参数。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种掘进过程中岩渣力学参数实时测量***，其特征在于，包括：
岩渣输送带，用于输送岩渣；
清洗装置，设在所述岩渣输送带两侧，用于清洗岩渣；
图像采集装置，设在所述清洗装置后方且设在所述岩渣输送带两侧和上方，用于采集岩渣的图像；
现场加载装置，用于对岩渣进行现场力学加载程序，得到现场力学参数；
搬运装置，设在所述岩渣输送带和所述现场加载装置间，用于将岩渣从所述岩渣输送带上搬运到现场加载装置上；
室内物理力学实验装置，对现场加载装置处理完的岩渣进行室内物理力学实验，得到岩渣对应的力学性能实验测定参数；
岩渣测量***，包括图像处理模块、数据库和机器学习模块，所述图像处理模块用于对采集的图像信息进行处理，得到岩渣的图像灰度均值、岩渣纹理特征参数，所述数据库用于建立岩渣的图像、现场力学参数和力学性能实验测定参数一一对应的映射数据样本，所述机器学习模块基于所述数据库建立训练关系，获得连接系数矩阵，生成训练模型。
2.根据权利要求1所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述清洗装置包括水枪组，两组所述水枪组分别设在所述岩渣输送带两侧，每组水枪组包括多个水枪。
3.根据权利要求1所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述图像处理模块包括灰度值处理、图像增强处理、图像灰度均值计算和纹理特征参数提取；
所述灰度值处理通过加权平均法对图像进行灰度处理，将采集到岩渣的图像由彩色图像转化为灰度图像；
所述图像增强处理采用线性滤波方法将灰度图像进行图像平滑处理；
所述图像灰度均值计算得到图像灰度均值；
所述纹理特征参数提取计算得到岩渣纹理特征参数。
4.根据权利要求3所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述纹理特征参数提取通过GLCM算法提取岩渣纹理特征参数，实现对能量、熵值、对比度、逆差分矩4个岩渣图像纹理特征参数提取。
5.根据权利要求1所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述现场力学加载程序包括加载程序、松弛程序和卸载程序，所述加载程序、松弛程序和卸载程序循环进行，得到所述现场力学参数，所述现场力学参数包括硬度值、弹性模量。
6.根据权利要求5所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述现场加载装置包括加载底板、推动板和压头，加载底板上设有加载区域，推送板设在加载底板上并通过推送机构推动，进而推动岩渣，压头设在加载区域上方并通过加载机构推动在竖直方向上运动，进而对岩渣进行加载。
7.根据权利要求6所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述加载底板上设有岩渣固定立柱，多个所述岩渣固定立柱通过岩渣固定机构驱动移动，固定岩渣。
8.根据权利要求1所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述力学性能实验测定参数包括单轴抗压强度、泊松比、弹性模量、裂隙发育程度分级。
9.根据权利要求1所述的掘进过程中岩渣力学参数实时测量***，其特征在于：所述机器学习模块基于BP神经网络实现，输入参数为图像灰度均值、岩渣纹理特征参数、现场力学参数，输出参数为岩石类别、力学性能实验测定参数。
10.一种掘进过程中岩渣力学参数实时测量方法，使用权利要求1-8所述的掘进过程中岩渣力学参数实时测量***，其特征在于，包括：
步骤1、岩渣输送岩渣，清洗装置清洗岩渣，图像采集装置采集图像，并将图像通过图像处理模块处理后得到图像灰度均值、岩渣纹理特征参数，并将图像灰度均值、岩渣纹理特征参数储存到数据库内；
步骤2、搬运装置将岩渣从岩渣输送带上搬运到现场加载装置上，对岩渣进行现场力学加载程序，得到现场力学参数，并将现场力学参数储存到数据库内；
步骤3、对现场加载装置处理完的岩渣进行室内物理力学实验，得到岩渣对应的力学性能实验测定参数，并将力学性能实验测定参数储存到数据库内；
步骤4、通过数据库建立岩渣的图像、现场力学参数和力学性能实验测定参数一一对应的映射数据样本；
步骤5、机器学习模块训练图像灰度均值、岩渣纹理特征参数、现场力学参数、力学性能实验测定参数，生成训练模型，其中，输入参数为图像灰度均值、岩渣纹理特征参数、现场力学参数，输出参数为力学性能实验测定参数和岩渣的岩石种类；
步骤6、通过训练模型实时测量掘进过程中岩渣的力学参数，重复步骤1和步骤2，将图像灰度均值、岩渣纹理特征参数和现场力学参数输入到模型内，生成力学性能实验测定参数和岩渣的岩石种类，完成对岩渣的力学参数测量。
CN202010660600.6A 2020-07-10 2020-07-10 一种掘进过程中岩渣力学参数实时测量***及测量方法 Active CN111879610B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010660600.6A CN111879610B (zh) 2020-07-10 2020-07-10 一种掘进过程中岩渣力学参数实时测量***及测量方法
US17/372,571 US20220011204A1 (en) 2020-07-10 2021-07-12 Real-time measurement system and measurement method for mechanical parameters of rock slag during excavation

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010660600.6A CN111879610B (zh) 2020-07-10 2020-07-10 一种掘进过程中岩渣力学参数实时测量***及测量方法

Publications (2)

Publication Number Publication Date
CN111879610A true CN111879610A (zh) 2020-11-03
CN111879610B CN111879610B (zh) 2024-04-02

Family

ID=73150051

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010660600.6A Active CN111879610B (zh) 2020-07-10 2020-07-10 一种掘进过程中岩渣力学参数实时测量***及测量方法

Country Status (2)

Country Link
US (1) US20220011204A1 (zh)
CN (1) CN111879610B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113188975A (zh) * 2021-05-07 2021-07-30 中南大学 基于图像处理技术的岩体裂隙及飞石运动分析***及方法
CN113310949A (zh) * 2021-05-24 2021-08-27 山东大学 基于高光谱成像的tbm隧道搭载式岩渣矿物识别***及方法
CN114034840A (zh) * 2021-11-10 2022-02-11 广东粤海珠三角供水有限公司 泥水盾构出浆管道岩渣状态探测装置
CN114320316A (zh) * 2022-01-14 2022-04-12 重庆邮电大学 一种盾构机施工预警方法及装置
WO2022100609A1 (zh) * 2020-11-11 2022-05-19 上海中联重科桩工机械有限公司 用于工程机械的地质硬度识别方法及其***

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830023B (zh) * 2023-02-16 2023-05-09 山东中都机器有限公司 基于图像处理的胶带输送机传输带缺陷检测方法
CN117292197A (zh) * 2023-10-10 2023-12-26 山东能源集团西北矿业有限公司 一种tbm接触界面的识别方法
CN117147552A (zh) * 2023-10-30 2023-12-01 北京交通大学 一种用于tbm隧洞的岩渣级配分析方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160124412A (ko) * 2016-10-17 2016-10-27 현대건설주식회사 Ｔｂｍ 디스크 커터 분석시스템 및 분석방법
CN107679293A (zh) * 2017-09-15 2018-02-09 三峡大学 一种适用于堆石坝坝料室内力学参数和碾压施工参数相互优选的方法
CN108253938A (zh) * 2017-12-29 2018-07-06 武汉大学 Tbm破岩矿渣数字近景摄影测量识别及反演方法
CN110823737A (zh) * 2019-10-15 2020-02-21 山东大学 一种适用于tbm的围岩力学参数自动测试***及方法
CN110823704A (zh) * 2019-10-15 2020-02-21 山东大学 一种tbm搭载的岩渣在线抗压强度测试***及方法
CN110954452A (zh) * 2019-12-10 2020-04-03 山东交通学院 Tbm搭载式自动获取岩渣粒径及强度特征试验装置及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110043267B (zh) * 2019-04-04 2020-07-31 山东大学 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报***及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160124412A (ko) * 2016-10-17 2016-10-27 현대건설주식회사 Ｔｂｍ 디스크 커터 분석시스템 및 분석방법
CN107679293A (zh) * 2017-09-15 2018-02-09 三峡大学 一种适用于堆石坝坝料室内力学参数和碾压施工参数相互优选的方法
CN108253938A (zh) * 2017-12-29 2018-07-06 武汉大学 Tbm破岩矿渣数字近景摄影测量识别及反演方法
CN110823737A (zh) * 2019-10-15 2020-02-21 山东大学 一种适用于tbm的围岩力学参数自动测试***及方法
CN110823704A (zh) * 2019-10-15 2020-02-21 山东大学 一种tbm搭载的岩渣在线抗压强度测试***及方法
CN110954452A (zh) * 2019-12-10 2020-04-03 山东交通学院 Tbm搭载式自动获取岩渣粒径及强度特征试验装置及方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022100609A1 (zh) * 2020-11-11 2022-05-19 上海中联重科桩工机械有限公司 用于工程机械的地质硬度识别方法及其***
CN113188975A (zh) * 2021-05-07 2021-07-30 中南大学 基于图像处理技术的岩体裂隙及飞石运动分析***及方法
CN113188975B (zh) * 2021-05-07 2022-07-15 中南大学 基于图像处理技术的岩体裂隙及飞石运动分析***及方法
CN113310949A (zh) * 2021-05-24 2021-08-27 山东大学 基于高光谱成像的tbm隧道搭载式岩渣矿物识别***及方法
CN114034840A (zh) * 2021-11-10 2022-02-11 广东粤海珠三角供水有限公司 泥水盾构出浆管道岩渣状态探测装置
CN114034840B (zh) * 2021-11-10 2024-06-14 广东粤海珠三角供水有限公司 泥水盾构出浆管道岩渣状态探测装置
CN114320316A (zh) * 2022-01-14 2022-04-12 重庆邮电大学 一种盾构机施工预警方法及装置

Also Published As

Publication number Publication date
US20220011204A1 (en) 2022-01-13
CN111879610B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
CN111879610A (zh) 一种掘进过程中岩渣力学参数实时测量***及测量方法
CN108253938B (zh) Tbm破岩矿渣数字近景摄影测量识别及反演方法
US6791695B2 (en) Shearographic imaging machine with archive memory for animation data and air handling system
CN111507990A (zh) 一种基于深度学习的隧道表面缺陷分割方法
US11657491B2 (en) Learning data collection apparatus, learning data collection method, and program
CN108460760B (zh) 一种基于生成式对抗网络的桥梁裂缝图像判别修复方法
CN113284109B (zh) 管道缺陷识别方法、装置、终端设备及存储介质
CN113240671B (zh) 一种基于YoloV4-Lite网络的水轮机转轮叶片缺陷检测方法
CN111325738B (zh) 一种用于横穿孔周边裂纹的智能检测方法及***
KR102565689B1 (ko) 딥러닝 기반 이동식 시설물 안전진단 및 모니터링 방법 및 장치
CN113504306B (zh) 一种基于超声相控阵低秩矩阵恢复的钢轨缺陷检测方法
CN115331002A (zh) 一种基于ar眼镜实现热力站故障远程处理方法
CN115272830A (zh) 一种基于深度学习的受电弓异物检测方法
CN115423743A (zh) 一种基于改进YOLOv5的热轧带钢表面缺陷检测方法
CN114119614A (zh) 一种远程检测建筑物的裂缝的方法
CN116012310A (zh) 基于线性残差注意力的跨海大桥桥墩表面裂缝检测方法
CN114881987A (zh) 基于改进YOLOv5的热压导光板缺陷可视化检测方法
Hamdi et al. Fully automated approach for patterned fabric defect detection
CN114943988B (zh) 一种基于实例分割和深度卷积神经网络的平面目标监测方法
CN111833335A (zh) 一种基于超分辨率重建的点阵结构缺陷检测方法及***
CN112730437B (zh) 基于深度可分离卷积神经网络的喷丝板表面缺陷检测方法、装置、存储介质及设备
CN116883831A (zh) 一种被遮挡的隧道表面裂缝识别方法
CN114821187A (zh) 一种基于判别学习的图像异常检测和定位方法及***
CN114549589A (zh) 一种基于轻量化神经网络的旋转体振动位移测量方法及***
JP2021116529A (ja) 土砂流動性判定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant