CN115546113A - 掌子面裂隙图像与前方三维结构参数预测方法及*** - Google Patents

掌子面裂隙图像与前方三维结构参数预测方法及*** Download PDF

Info

Publication number
CN115546113A
CN115546113A CN202211121434.8A CN202211121434A CN115546113A CN 115546113 A CN115546113 A CN 115546113A CN 202211121434 A CN202211121434 A CN 202211121434A CN 115546113 A CN115546113 A CN 115546113A
Authority
CN
China
Prior art keywords
image
crack
fracture
face
dimensional
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.)
Pending
Application number
CN202211121434.8A
Other languages
English (en)
Inventor
潘东东
李轶惠
许振浩
王孝特
贺迎春
余腾飞
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202211121434.8A priority Critical patent/CN115546113A/zh
Publication of CN115546113A publication Critical patent/CN115546113A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Remote Sensing (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种掌子面裂隙图像与前方三维结构参数预测方法及***，根据获取的对应已开挖掌子面图像以及语义分割模型，得到裂隙识别图像，将裂隙识别图像与获取的对应已开挖掌子面图像的裂隙像素点矩阵进行替换，得到融合图像；根据融合图像与第一预测模型，得到前方掌子面裂隙分布图预测结果；根据融合图像进行岩体三维重构，利用岩体三维重构，将裂隙划分为以迹线形态出露和以面状形态出露各种，分别提取得到不连续参数；根据不连续参数与第二预测模型，得到前方岩体裂隙三维参数预测结果；本发明实现了隧道掌子面近前方裂隙二维与三维参数预测，能够为工程施工提供有效的指导。

Description

掌子面裂隙图像与前方三维结构参数预测方法及***
技术领域
本发明涉及隧道近前方岩体结构预测技术领域，特别涉及一种掌子面裂隙图像与前方三维结构参数预测方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
自然岩体经过漫长的地质作用，岩体内部发育了裂隙、节理、层理等众多结构面，在地下工程施工中，这些结构面影响工程岩体的力学性质和渗透性，进而对工程施工造成影响，更为严重的是可造成隧道岩体失稳、崩塌、突水突泥等灾害的发生。因此，获取工程岩体的裂隙参数并对前方未开挖工程的裂隙进行预测，对工程施工具有重要意义。
目前，学者运用较多方法试图建立起不连续面对隧道掌子面开挖的具体影响，如不连续性分析法和离散元法等。但不连续面的三维性质具有不确定性，测量方法也具有局限性，很难对隐藏在岩体内部的不连续特征参数以及位置进行分析和预测。为了获取未开挖掌子面前方的裂隙信息并对其进行预测，学者开发研究了钻井、雷达、钻孔、勘探等方法对掌子面前方进行直接探测，但这些方法成本高、效率低、测量分辨率有限。因此，近年来，很多学者开始利用间接法实现未知裂隙的测量与预测，主要通过对岩石露头面信息的测绘和分析来表示整个岩体，融合计算机视觉技术，对不连续面迹长、倾向、倾角等三维参数进行提取，并进行预测。
但是，发明人发现，现有技术的方案仍然受到几个方面的限制：
(1)掌子面的裂隙统计直接影响前方裂隙的评估质量；(2)尚无法根据岩石表面性质对岩体内部裂隙进行刻画；(3)掌子面开挖形成垂直掌子面与平行掌子面等多方向多类型裂隙，尚无法实现对掌子面裂隙的全覆盖式提取；(4)尚无法利用深度学习知识实现对掌子面前方裂隙图和岩体结构参数的预测。
发明内容
为了解决现有技术的不足，本发明提供了一种掌子面裂隙图像与前方三维结构参数预测方法及***，根据已开挖掌子面图像，实现了隧道掌子面近前方裂隙二维与三维参数预测，能够为工程施工提供有效的指导，具备较强的实用性和较高的综合性等优势。
为了实现上述目的，本发明采用如下技术方案：
本发明第一方面提供了一种掌子面裂隙图像与前方三维结构参数预测方法。
一种掌子面裂隙图像与前方三维结构参数预测方法，包括以下过程：
获取已开挖掌子面图像；
根据获取的对应已开挖掌子面图像以及语义分割模型，得到裂隙识别图像，将裂隙识别图像与获取的对应已开挖掌子面图像的裂隙像素点矩阵进行替换，得到融合图像；
根据融合图像与第一预测模型，得到前方掌子面裂隙分布图预测结果；
根据融合图像进行岩体三维重构，利用岩体三维重构，将裂隙划分为以迹线形态出露和以面状形态出露两种，迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，面状形态出露的裂隙利用共面性检验算法进行提取，得到不连续参数；
根据不连续参数与第二预测模型，得到前方岩体裂隙三维参数预测结果。
作为可选的一种实现方式，获取已开挖掌子面图像之后，还包括图像预处理过程，所述图像预处理至少包括：图像分割、图像旋转和图像标注；根据预处理后的图像进行裂隙识别。
作为可选的一种实现方式，第一预测模型为SA-RNN神经网络模型，SA-RNN神经网络模型包括多个SA-LSTM单元，SA-LSTM单元中，ConvLSTM的存储模式为双状态信息流模式，包括时间信息流和空间信息流，将时间信息流中序列进行互变价值。
进一步的，SA-RNN神经网络模型中，每层卷积层都与最后一层卷积层的输入层相连。
作为可选的一种实现方式，第二预测模型为WD-ARIMA-LSTM神经网络模型，WD-ARIMA-LSTM神经网络模型中：
利用小波去噪进行融合图像预处理得到时空序列数据集，将ARIMA模型与LSTM模型相结合，利用裂隙三维参数数据序列的相关性，通过ARIMA模型进行参数预测，通过LSTM模型进行误差修正，以获得最终预测值。
作为可选的一种实现方式，迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，包括：
根据裂隙拟合面在x和y坐标轴上的截距得到迹线形态出露的裂隙走向；
根据裂隙拟合面在x、y和z坐标轴上的截距得到迹线形态出露的裂隙倾向；
根据裂隙拟合面在x、y和z坐标轴上的截距以及迹线形态出露的裂隙走向，得到迹线形态出露的裂隙倾角；
通过裂缝像素点累加得到迹长，以单位空间裂隙数为裂隙密度。
作为可选的一种实现方式，面状形态出露的裂隙利用共面性检验算法进行提取，包括：
利用出露的面状裂隙对掌子面平行方向的不连续面进行提取，迹长为平面内最远两点之间的距离。
本发明第二方面提供了一种掌子面裂隙图像与前方三维结构参数预测***。
一种掌子面裂隙图像与前方三维结构参数预测***，包括：
数据获取模块，被配置为：获取已开挖掌子面图像；
裂隙识别模块，被配置为：根据获取的对应已开挖掌子面图像以及语义分割模型，得到裂隙识别图像，将裂隙识别图像与获取的对应已开挖掌子面图像的裂隙像素点矩阵进行替换，得到融合图像；
裂隙图像预测模块，被配置为：根据融合图像与第一预测模型，得到前方掌子面裂隙分布图预测结果；
三维裂隙提取模块，被配置为：根据融合图像进行岩体三维重构，利用岩体三维重构，将裂隙划分为以迹线形态出露和以面状形态出露各种，迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，面状形态出露的裂隙利用共面性检验算法进行提取，得到不连续参数；
三维结构预测模块，被配置为：根据不连续参数与第二预测模型，得到前方岩体裂隙三维参数预测结果。
本发明第三方面提供了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发明第一方面所述的掌子面裂隙图像与前方三维结构参数预测方法中的步骤。
本发明第四方面提供了一种电子设备，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发明第一方面所述的掌子面裂隙图像与前方三维结构参数预测方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明所述的掌子面裂隙图像与前方三维结构参数预测方法及***，能够预测前方掌子面裂隙分布图与获取的裂隙三维参数(迹长、走向、密度等)，实现了前方岩体结构自动智能的分析预测。
2、本发明所述的掌子面裂隙图像与前方三维结构参数预测方法及***，根据获取的掌子面裂隙图像，将裂隙划分为线状裂隙和面状不连续面，可实现对掌子面裂隙全覆盖预测，且根据裂隙分类不同采取不同的参数提取方法，更加合理准确地提取掌子面三维裂隙参数。
3、本发明所述的掌子面裂隙图像与前方三维结构参数预测方法及***，分别提出了LSTM-RNN和WD-ARIMA-LSTM综合模型，实现了隧道掌子面裂隙图像和三维参数的预测，考虑到隧道岩体结构不连续性等特性，将时间序列模型与长短期记忆模型相结合，综合预测前方岩体结构参数，降低了主观判断对预测的影响。
4、本发明所述的掌子面裂隙图像与前方三维结构参数预测方法及***，根据已开挖掌子面，建立贴合实际的岩体裂隙随机模型，验证该方法可行性，并引入MSE、SSIM、ORF和EP四个参数，对模型性能进行评价，解决了岩体结构预测准确性难以检验评测的问题。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例提供的掌子面裂隙图像与前方三维结构参数预测方法的流程示意图。
图2为本发明实施例提供的裂隙识别结果融合示意图。
图3为本发明实施例提供的预测近前方掌子面裂隙图示意图；
图4为本发明实施例提供的掌子面三维重构示意图(a稀疏重构，b密集重构)；
图5为本发明实施例提供的掌子面部分迹线状裂隙与面状裂隙示意图；
图6为本发明实施例提供的面状裂隙共面性检测算法说明图；
图7为本发明实施例提供的LSTM-RNN网络结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
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发明的示例性实施方式。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。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1：
如图1所示，本发明实施例1提供了一种掌子面裂隙图像与前方三维结构参数预测方法，包括以下过程：
获取已开挖掌子面图像；
根据获取的对应已开挖掌子面图像以及语义分割模型，得到裂隙识别图像，将裂隙识别图像与获取的对应已开挖掌子面图像的裂隙像素点矩阵进行替换，得到融合图像；
根据融合图像与第一预测模型，得到前方掌子面裂隙分布图预测结果；
根据融合图像进行岩体三维重构，利用岩体三维重构，将裂隙划分为以迹线形态出露和以面状形态出露各种，迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，面状形态出露的裂隙利用共面性检验算法进行提取，得到不连续参数；
根据不连续参数与第二预测模型，得到前方岩体裂隙三维参数预测结果更具体的，包括：
裂隙智能识别结果图，如图2所示，将结果图中识别出的裂隙像素点与原图中对应的裂隙像素点进行替换，实现裂隙智能识别结果图与原图融合，得到岩体裂隙识别融合图像。
岩体裂隙识别融合图像依次经过特征点提取、特征点匹配、匹配优化、三角化、位姿估计、BA优化等实现稀疏建模，建模效果如图4中的(a)所示，稀疏建模后，经过深度图估计，深度图优化，得到稠密建模，如图4中的(b)所示。
因为裂隙智能识别结果图与原图融合后，掌子面裂隙图将带有裂隙识别的RGB数值，可根据RGB数值将裂隙点与“背景”进行区分，获得裂隙点坐标。
进一步的，根据裂隙出露状态，将隧道掌子面裂隙划分为以迹线形态出露的裂隙和以面状形态出露的裂隙两种，如图5所示，实现掌子面裂隙全覆盖式裂隙提取，以迹线形态出露的裂隙通过不规则多边形拟合算法进行拟合，如图6所示。
不规则多边形拟合算法如下：假设裂隙点正常点子集为Mi，离散点子集为M0，则可定义裂隙拟合面为
Figure BDA0003847240700000081
倾向为
Figure BDA0003847240700000082
其中，a，b，c分别是平面在xyz三个坐标轴上的截距，数据集每个点到裂缝面的距离通过截距参数定义为欧氏距离：
Figure BDA0003847240700000083
其中，xi代表任意一个裂隙点，裂缝检测可简化为参数优选的最优化问题，可以表示为
Figure BDA0003847240700000084
式中为目标裂缝面，因为由回归生成的各裂缝面候选随机抽取的样本不能直接用Mi验证；因此，本实施例提供了一个特定参数进行验证：
假设支持度为s，距离阈值为τ，该参数可以表示为：
Figure BDA0003847240700000085
Figure BDA0003847240700000086
如果在最大迭代步长内支持量超过预定义的阈值，则满足迭代终止准则，并确定裂缝候选为最优解；每次检测后将相对应的数据集中拟合平面的点删除，再进行迭代，以找到下一个最优裂缝，直到整个点数据集足够小；假设q是通过数据集准确估计裂缝参数的概率，那么选取一个至少有一个异常值的样本的概率为1-q；因此，获得精确断裂面的最小迭代次数满足关系：
Figure BDA0003847240700000091
其中
Figure BDA0003847240700000092
如上所示，裂缝的方向可以由轴上的三个截距确定，如图6所示，用λ1、λ2和λ3分别表示走向、倾向和倾角：
Figure BDA0003847240700000093
Figure BDA0003847240700000094
Figure BDA0003847240700000095
通过计算裂缝像素点累加即可得到迹长l，采用微分累加方式逐步逼近其真实长度，裂隙密度采用单位空间裂隙数表示，通过上述计算实现了迹线出露裂隙迹长、走向、倾向、倾角和密度等三维参数的提取。
以面状形态出露的裂隙，多个小裂隙面可能共存于一个不连续面，因此，可以利用出露的面状裂隙对掌子面平行方向的不连续面进行提取，如图6所示，OXYZ为原始坐标，O′X′Y′Z′为转化坐标，转换矩阵如下：
Figure BDA0003847240700000096
平面abc为三个聚类裂隙面，O′X′方向为走向，O′Y′方向为倾角方向，O′Z′与平面O′X′Y′正交并与该平面的法向量方向相同，走向倾角通过原始坐标与R乘积完成坐标转换即可得到，迹长为平面(拟合得到的最大的平面)内最远两点之间的距离，可通过点点之间的迭代计算求出最远距离作为不连续面迹长：
lengt-dip(i,j)＝max(x′ij)-min(x′ij)；
lengt-strike(i,j)＝max(y′ij)-min(y′ij)；
本实施例中，i为不连续集编号，j为不连续集内聚类平面编号，dip为倾角，strike为走向，根据裂隙识别融合图像，生成裂隙图序列，利用SA-RNN改进网络对裂隙分布图进行预测，该模型为一个新的网络架构，一个RNN由四个叠置的ConvLSTM单元组成，因为掌子面裂隙图序列具有不规则性，不确定性强，为了能更有效地对裂隙图序列进行预测，对SA-LSTM单元进行了两项改进：
首先，将ConvLSTM的单状态存储模式转换为双状态信息(包括时间和空间)流模式；
其次，将时间信息流中序列进行互变价值，其并不影响神经网络的收敛性。
网络结构如图7所示，分为四个部分，右边是SA-RNN网络结构，SA-LSTM具有不同卷积核，多个SA-LSTM单元形成SA-RNN，相当于卷积层用于提取特征，该方法通过加大输入输出之间的距离，更好地学习裂隙图序列的空间特征；每层卷积层都与最后一层卷积层的输入层相连，在第四层的最后，一个1×1的卷积层被用来降低了信息的维度；如图3所示，根据相近的16个已开挖掌子面(每隔2米获取一个掌子面图像)，获取掌子面裂隙图像，建立掌子面裂隙图像序列，输入SA-RNN神经网络模型，输出接下来待开挖4个掌子面裂隙分布图。
将以迹线形态出露裂隙的迹长、走向倾向、倾角、密度等三维参数以及面状形态出露裂隙的倾向、倾角、密度三维参数进行训练学习，并对前方相对应参数进行预测。
针对每个三维参数建立序列数据集，将序列数据集输入WD-ARIMA-LSTM混合模型实现结构参数的预测：首先利用小波去噪(WD)进行预处理，再对处理后的序列进行预测，将ARIMA模型与LSTM模型相结合，利用裂隙三维参数数据序列的相关性，通过ARIMA模型提取线性信息预测效果评价模块，通过LSTM模型进行误差修正，以获得最终预测值。
为了降低噪声的影响，利用小波阀值去噪将噪声去除，包括：
(1)根据裂隙三维参数序列的小波基的特点，选择合适的小波基函数，分解层次，分解得到不同频带的子波信号；
(2)根据序列数据信号，选择合适的阈值和阈值函数，保留有用信息，除去噪声分量；
(3)进行逆变换，重构实现信号去噪的目的。
去噪处理后的时空序列数据集利用ARIMA模型进行参数预测，包括以下几步：
(1)首先判断裂隙序列数据集的平稳性，若时间序列的波形图在某一值附近波动，之后通过ADF图检验是否存在单位根，进一步验证平稳性；
(2)若数据集不平稳，需利用差分平稳化处理之后，进行白噪声检验；
(3)通过对自相关图和偏自相关图拖尾性和截尾性情况的分析，判断该采用何种时间序列模型(包括AR模型、MA模型、ARMA模型、ARIMA模型)；
(4)根据信息准则，确定模型p、q等参数数值；
(5)进行参数估计，以及评估模型的合理性，包括参数和残差序列的检验；
(6)根据己通过检验的模型进行预测，估计掌子面近前方裂隙序列的未来值，ARIMA输出预测数值后，利用LSTM进行训练学习，LSTM抓住序列中的某些规律或特征，有效解决梯度不稳定的问题。
预测效果评价模块利用参数等对裂隙图像预测模块和岩体结构预测***进行评价。首先，提出MSE，SSIM，ORF，EP四个参数对裂隙图像预测模块输出的裂隙预测图进行评价，三维结构预测模块直接利用预测值与真实值之间比值的平均值来衡量准确率，各参数计算公式如下：
Figure BDA0003847240700000121
Figure BDA0003847240700000122
Figure BDA0003847240700000123
Figure BDA0003847240700000124
其中，P是预测图，G是真实裂隙轨迹，mn为图像大小，μ_p和μ_g为P和G像素的平均值，σ_p和σ_g为P和G像素的方差，c_1和c_1是两个与像素值有关的常数的范围内，n为裂隙面垂直方向，κ为相近掌子面相关裂隙数量。
实施例2：
本发明实施例2提供了一种掌子面裂隙图像与前方三维结构参数预测***，包括：
数据获取模块，被配置为：获取已开挖掌子面图像；
裂隙识别模块，被配置为：根据获取的对应已开挖掌子面图像以及语义分割模型，得到裂隙识别图像，将裂隙识别图像与获取的对应已开挖掌子面图像的裂隙像素点矩阵进行替换，得到融合图像；
裂隙图像预测模块，被配置为：根据融合图像与第一预测模型，得到前方掌子面裂隙分布图预测结果；
三维裂隙提取模块，被配置为：根据融合图像进行岩体三维重构，利用岩体三维重构，将裂隙划分为以迹线形态出露和以面状形态出露各种，迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，面状形态出露的裂隙利用共面性检验算法进行提取，得到不连续参数；
三维结构预测模块，被配置为：根据不连续参数与第二预测模型，得到前方岩体裂隙三维参数预测结果。
具体的，本实施例中：
图像数据采集包括隧道掌子面图像采集、图像预处理和数据集建立三部分，利用摄像机或手机，拍摄掌子面全局照片和局部裂隙照片，全局照片应为多角度掌子面裂隙图片，不少于10张(为了后续掌子面三维重构提供充足数据来源)。
局部裂隙图像应为掌子面校对宽大的裂隙特写图片(细微裂隙对工程影响较小，本方法暂不考虑)，拍摄后的掌子面图片需要进行图像预处理，包括图像裁剪、旋转、对称等，扩充数据集，为了更裂隙识别模块中语义分割模型更好地训练，扩充后的数据集利用标注工具进行标注，建立掌子面裂隙数据集。
裂隙识别模块包括裂隙识别和像素矩阵替换两部分，图像数据采集***建立的裂隙图像数据集按照训练集：测试集＝9:1的比例输入语义分割模型进行训练，输出裂隙智能识别结果图，如图2所示，将结果图中识别出的裂隙像素点与原图中对应的裂隙像素点进行替换，实现裂隙智能识别结果图与原图融合，最终输入岩体裂隙识别融合图像。
岩体裂隙识别融合图像输入三维裂隙提取模块，图像依次经过特征点提取、特征点匹配、匹配优化、三角化、位姿估计、BA优化等实现稀疏建模，建模效果如图4中的(a)所示，稀疏建模后，经过深度图估计，深度图优化，得到稠密建模，如图4中的(b)所示。因为裂隙智能识别结果图与原图融合后，掌子面裂隙图将带有裂隙识别的RGB数值，可根据RGB数值将裂隙点与“背景”进行区分，获得裂隙点坐标。
进一步，根据裂隙出露状态，将隧道掌子面裂隙划分为以迹线形态出露的裂隙和以面状形态出露的裂隙两种，实现掌子面裂隙全覆盖式裂隙提取。以迹线形态出露的裂隙通过不规则多边形拟合算法进行拟合，如图6所示。
不规则多边形拟合算法如下：假设裂隙点正常点子集为Mi，离散点子集为M0，则可定义裂隙拟合面为
Figure BDA0003847240700000141
倾向为
Figure BDA0003847240700000142
其中，a，b，c分别是平面在三个坐标轴上的截距，数据集每个点到裂缝面的距离通过截距参数定义为欧氏距离：
Figure BDA0003847240700000143
其中，xi代表任意一个裂隙点，裂缝检测可简化为参数优选的最优化问题，可以表示为
Figure BDA0003847240700000144
式中为目标裂缝面，因为由回归生成的各裂缝面候选随机抽取的样本不能直接用Mi验证。因此，本实施例提供了一个特定参数进行验证，假设支持度为s，距离阈值为τ，该参数可以表示为：
Figure BDA0003847240700000145
Figure BDA0003847240700000151
如果在最大迭代步长内支持量超过预定义的阈值，则满足迭代终止准则，并确定裂缝候选为最优解；每次检测后将相对应的数据集中拟合平面的点删除，再进行迭代，以找到下一个最优裂缝，直到整个点数据集足够小；假设q是通过数据集准确估计裂缝参数的概率，那么选取一个至少有一个异常值的样本的概率为1-q；因此，获得精确断裂面的最小迭代次数满足关系：
Figure BDA0003847240700000152
其中
Figure BDA0003847240700000153
如上所示，裂缝的方向可以由轴上的三个截距确定，如图6所示，用λ1、λ2和λ3分别表示走向、倾向和倾角：
Figure BDA0003847240700000154
Figure BDA0003847240700000155
Figure BDA0003847240700000156
通过计算裂缝像素点累加即可得到迹长l，采用微分累加方式逐步逼近其真实长度，裂隙密度采用单位空间裂隙数表示，通过上述计算实现了迹线出露裂隙迹长、走向、倾向、倾角、密度等三维参数的提取。
以面状形态出露的裂隙，多个小裂隙面可能共存于一个不连续面，因此，可以利用出露的面状裂隙对掌子面平行方向的不连续面进行提取，如图7所示，OXYZ为原始坐标，O′X′Y′Z′为转化坐标，转换矩阵如下：
Figure BDA0003847240700000161
平面abc为三个聚类裂隙面，O′X′方向为走向，O′Y′方向为倾角方向，O′Z′与平面O′X′Y′正交并与该平面的法向量方向相同，走向倾角通过原始坐标与R乘积完成坐标转换即可得到，迹长为平面(拟合得到的最大的平面)内最远两点之间的距离，可通过点点之间的迭代计算求出最远距离作为不连续面迹长：
lengt-dip(i,j)＝max(x′ij)-min(x′ij)；
lengt-strike(i,j)＝max(y′ij)-min(y′ij)；
本实施例中，i为不连续集编号，j为不连续集内聚类平面编号，dip为倾角，strike为走向，根据裂隙识别融合图像，生成裂隙图序列，利用SA-RNN改进网络对裂隙分布图进行预测，该模型为一个新的网络架构，一个RNN由四个叠置的ConvLSTM单元组成，因为掌子面裂隙图序列具有不规则性，不确定性强，为了能更有效地对裂隙图序列进行预测，对SA-LSTM单元进行了两项改进：
首先，将ConvLSTM的单状态存储模式转换为双状态信息(包括时间和空间)流模式；
其次，将时间信息流中序列进行互变价值，其并不影响神经网络的收敛性。
网络结构如图7所示，分为四个部分，右边是SA-RNN网络结构，SA-LSTM具有不同卷积核，多个SA-LSTM单元形成SA-RNN，相当于卷积层用于提取特征，该方法通过加大输入输出之间的距离，更好地学习裂隙图序列的空间特征；每层卷积层都与最后一层卷积层的输入层相连，在第四层的最后，一个1×1的卷积层被用来降低了信息的维度；如图3所示，根据相近的16个已开挖掌子面(每隔2米获取一个掌子面图像)，获取掌子面裂隙图像，建立掌子面裂隙图像序列，输入SA-RNN神经网络模型，输出接下来待开挖4个掌子面裂隙分布图。
三维结构预测模块将三维裂隙提取模块输出的以迹线形态出露裂隙的迹长、走向倾向、倾角、密度等三维参数以及面状形态出露裂隙的倾向、倾角、密度三维参数进行训练学习，并对前方相对应参数进行预测。
首先针对每个三维参数建立序列数据集，将序列数据集输入WD-ARIMA-LSTM混合模型实现结构参数的预测，首先利用小波去噪(WD)进行预处理，再对处理后的序列进行预测，将ARIMA模型与LSTM模型相结合，利用裂隙三维参数数据序列的相关性，通过ARIMA模型提取线性信息预测效果评价模块，通过LSTM模型进行误差修正，以获得最终预测值。
为了降低噪声的影响，利用小波阀值去噪将噪声去除，包括：
(1)根据裂隙三维参数序列的小波基的特点，选择合适的小波基函数，分解层次，分解得到不同频带的子波信号；
(2)根据序列数据信号，选择合适的阈值和阈值函数，保留有用信息，除去噪声分量；
(3)进行逆变换，重构实现信号去噪的目的。
去噪处理后的时空序列数据集利用ARIMA模型进行参数预测，包括以下几步：
(1)首先判断裂隙序列数据集的平稳性，若时间序列的波形图在某一值附近波动，之后通过ADF图检验是否存在单位根，进一步验证平稳性；
(2)若数据集不平稳，需利用差分平稳化处理之后，进行白噪声检验；
(3)通过对自相关图和偏自相关图拖尾性和截尾性情况的分析，判断该采用何种时间序列模型(包括AR模型、MA模型、ARMA模型、ARIMA模型)；
(4)根据信息准则，确定模型p、q等参数数值；
(5)进行参数估计，以及评估模型的合理性，包括参数和残差序列的检验；
(6)根据己通过检验的模型进行预测，估计掌子面近前方裂隙序列的未来值，ARIMA输出预测数值后，利用LSTM进行训练学习，LSTM抓住序列中的某些规律或特征，有效解决梯度不稳定的问题。
预测效果评价模块利用参数等对裂隙图像预测模块和岩体结构预测***进行评价，首先，提出MSE，SSIM，ORF，EP四个参数对裂隙图像预测模块输出的裂隙预测图进行评价，三维结构预测模块直接利用预测值与真实值之间比值的平均值来衡量准确率：
Figure BDA0003847240700000181
Figure BDA0003847240700000182
Figure BDA0003847240700000183
EP＝|∑P(i,j)-∑G(i,j)|/mn
其中，P是预测图，G是真实裂隙轨迹，mn为图像大小，μp和μg为P和G像素的平均值，σp和σg为P和G像素的方差，c1和c1是两个与像素值有关的常数的范围内，n为裂隙面垂直方向，κ为相近掌子面相关裂隙数量。
实施例3：
本发明实施例3提供了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发明实施例1所述的掌子面裂隙图像与前方三维结构参数预测方法中的步骤。
实施例4：
本发明实施例4提供了一种电子设备，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发明实施例1所述的掌子面裂隙图像与前方三维结构参数预测方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)

1.一种掌子面裂隙图像与前方三维结构参数预测方法，其特征在于：
包括以下过程：
获取已开挖掌子面图像；
根据获取的对应已开挖掌子面图像以及语义分割模型，得到裂隙识别图像，将裂隙识别图像与获取的对应已开挖掌子面图像的裂隙像素点矩阵进行替换，得到融合图像；
根据融合图像与第一预测模型，得到前方掌子面裂隙分布图预测结果；
根据融合图像进行岩体三维重构，利用岩体三维重构，将裂隙划分为以迹线形态出露和以面状形态出露各种，迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，面状形态出露的裂隙利用共面性检验算法进行提取，得到不连续参数；
根据不连续参数与第二预测模型，得到前方岩体裂隙三维参数预测结果。
2.如权利要求1所述的掌子面裂隙图像与前方三维结构参数预测方法，其特征在于：
获取已开挖掌子面图像之后，还包括图像预处理过程，所述图像预处理至少包括：图像分割、图像旋转和图像标注；根据预处理后的图像进行裂隙识别。
3.如权利要求1所述的掌子面裂隙图像与前方三维结构参数预测方法，其特征在于：
第一预测模型为SA-RNN神经网络模型，SA-RNN神经网络模型包括多个SA-LSTM单元，SA-LSTM单元中，ConvLSTM的存储模式为双状态信息流模式，包括时间信息流和空间信息流，将时间信息流中序列进行互变价值。
4.如权利要求3所述的掌子面裂隙图像与前方三维结构参数预测方法，其特征在于：
SA-RNN神经网络模型中，每层卷积层都与最后一层卷积层的输入层相连。
5.如权利要求1所述的掌子面裂隙图像与前方三维结构参数预测方法，其特征在于：
第二预测模型为WD-ARIMA-LSTM神经网络模型，WD-ARIMA-LSTM神经网络模型中：
利用小波去噪进行融合图像预处理得到时空序列数据集，将ARIMA模型与LSTM模型相结合，利用裂隙三维参数数据序列的相关性，通过ARIMA模型进行参数预测，通过LSTM模型进行误差修正，以获得最终预测值。
6.如权利要求1所述的掌子面裂隙图像与前方三维结构参数预测方法，其特征在于：
迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，包括：
根据裂隙拟合面在x和y坐标轴上的截距得到迹线形态出露的裂隙走向；
根据裂隙拟合面在x、y和z坐标轴上的截距得到迹线形态出露的裂隙倾向；
根据裂隙拟合面在x、y和z坐标轴上的截距以及迹线形态出露的裂隙走向，得到迹线形态出露的裂隙倾角；
通过裂缝像素点累加得到迹长，以单位空间裂隙数为裂隙密度。
7.如权利要求1所述的掌子面裂隙图像与前方三维结构参数预测方法，其特征在于：
面状形态出露的裂隙利用共面性检验算法进行提取，包括：
利用出露的面状裂隙对掌子面平行方向的不连续面进行提取，迹长为平面内最远两点之间的距离。
8.一种掌子面裂隙图像与前方三维结构参数预测***，其特征在于：
包括以下过程：
数据获取模块，被配置为：获取已开挖掌子面图像；
裂隙识别模块，被配置为：根据获取的对应已开挖掌子面图像以及语义分割模型，得到裂隙识别图像，将裂隙识别图像与获取的对应已开挖掌子面图像的裂隙像素点矩阵进行替换，得到融合图像；
裂隙图像预测模块，被配置为：根据融合图像与第一预测模型，得到前方掌子面裂隙分布图预测结果；
三维裂隙提取模块，被配置为：根据融合图像进行岩体三维重构，利用岩体三维重构，将裂隙划分为以迹线形态出露和以面状形态出露各种，迹线形态出露的裂隙采用不规则多边形拟合算法进行拟合，面状形态出露的裂隙利用共面性检验算法进行提取，得到不连续参数；
三维结构预测模块，被配置为：根据不连续参数与第二预测模型，得到前方岩体裂隙三维参数预测结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的掌子面裂隙图像与前方三维结构参数预测方法中的步骤。
10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的掌子面裂隙图像与前方三维结构参数预测方法中的步骤。
CN202211121434.8A 2022-09-15 2022-09-15 掌子面裂隙图像与前方三维结构参数预测方法及*** Pending CN115546113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211121434.8A CN115546113A (zh) 2022-09-15 2022-09-15 掌子面裂隙图像与前方三维结构参数预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211121434.8A CN115546113A (zh) 2022-09-15 2022-09-15 掌子面裂隙图像与前方三维结构参数预测方法及***

Publications (1)

Publication Number Publication Date
CN115546113A true CN115546113A (zh) 2022-12-30

Family

ID=84726674

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211121434.8A Pending CN115546113A (zh) 2022-09-15 2022-09-15 掌子面裂隙图像与前方三维结构参数预测方法及***

Country Status (1)

Country Link
CN (1) CN115546113A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824163A (zh) * 2023-05-31 2023-09-29 南京坤拓土木工程科技有限公司 掌子面局部瞬时形态特征定量提取方法
CN117853766A (zh) * 2024-03-07 2024-04-09 山东大学 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及***
CN117854061A (zh) * 2024-03-07 2024-04-09 山东大学 基于三维点云的隧道掌子面迹线裂隙提取方法及***

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001032679A (ja) * 1999-07-16 2001-02-06 Ohbayashi Corp 切羽前方亀裂分布予測方法
CN103698817A (zh) * 2013-12-27 2014-04-02 上海川海信息科技有限公司 基于图像的地下洞室掌子面快速安全预测方法
CN104502990A (zh) * 2015-01-06 2015-04-08 中国地质大学（武汉） 一种基于数码图像的隧道掌子面地质调查方法
CN106225770A (zh) * 2016-08-26 2016-12-14 招商局重庆交通科研设计院有限公司 隧道掌子面地质多维数字化记录识别方法及***
CN107832505A (zh) * 2017-10-26 2018-03-23 山东大学 基于tsp***和块体理论的地下工程病态块体超前预测方法
CN109187548A (zh) * 2018-07-24 2019-01-11 西南交通大学 一种岩体裂隙识别方法
KR20190109094A (ko) * 2018-03-16 2019-09-25 주식회사 대림코퍼레이션 실시간 원격 막장면 관측 시스템 및 방법
JP2019196661A (ja) * 2018-05-11 2019-11-14 鹿島建設株式会社 切羽評価装置、切羽評価方法及びコンクリート材料吹付方法
CN112215820A (zh) * 2020-10-13 2021-01-12 仇文革 一种基于图像数据的隧道掌子面分析方法
CN112345542A (zh) * 2020-11-18 2021-02-09 西南石油大学 一种隧道掌子面裂隙快速识别的方法
CN112785709A (zh) * 2021-01-15 2021-05-11 山东大学 Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备
CN113256082A (zh) * 2021-05-07 2021-08-13 中交第二航务工程局有限公司 一种隧道掌子面智能地质素描及地质评价方法
JP2021183774A (ja) * 2020-05-21 2021-12-02 清水建設株式会社 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム
CN113743227A (zh) * 2021-08-06 2021-12-03 山东大学 基于切近摄影的岩体裂隙智能识别方法及***
CN113836617A (zh) * 2021-09-01 2021-12-24 山东大学 基于时间序列模型的掘进面前方裂隙类比预测方法及***
CN113836997A (zh) * 2021-08-12 2021-12-24 山东大学 一种隧道内岩体裂隙识别方法、装置及***
CN113838005A (zh) * 2021-09-01 2021-12-24 山东大学 基于维度转换的岩体裂隙智能识别与三维重构方法及***
CN114692273A (zh) * 2022-03-29 2022-07-01 中铁工程装备集团有限公司 面向tbm施工隧道地质字典建立方法及***
CN114842364A (zh) * 2022-07-04 2022-08-02 北京科技大学 一种露天矿山边坡图像裂隙参数提取方法及装置
CN114913423A (zh) * 2022-05-25 2022-08-16 中国电建集团成都勘测设计研究院有限公司 一种围岩裂隙信息的模型训练方法及提取方法
CN114913158A (zh) * 2022-05-23 2022-08-16 青岛地质工程勘察院(青岛地质勘查开发局) 一种水文地质岩体裂隙及裂隙渗水检测方法及***
CN114972384A (zh) * 2022-06-08 2022-08-30 沈阳工业大学 一种基于深度学习的隧道岩体智能快速区域分级方法

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001032679A (ja) * 1999-07-16 2001-02-06 Ohbayashi Corp 切羽前方亀裂分布予測方法
CN103698817A (zh) * 2013-12-27 2014-04-02 上海川海信息科技有限公司 基于图像的地下洞室掌子面快速安全预测方法
CN104502990A (zh) * 2015-01-06 2015-04-08 中国地质大学（武汉） 一种基于数码图像的隧道掌子面地质调查方法
CN106225770A (zh) * 2016-08-26 2016-12-14 招商局重庆交通科研设计院有限公司 隧道掌子面地质多维数字化记录识别方法及***
CN107832505A (zh) * 2017-10-26 2018-03-23 山东大学 基于tsp***和块体理论的地下工程病态块体超前预测方法
KR20190109094A (ko) * 2018-03-16 2019-09-25 주식회사 대림코퍼레이션 실시간 원격 막장면 관측 시스템 및 방법
JP2019196661A (ja) * 2018-05-11 2019-11-14 鹿島建設株式会社 切羽評価装置、切羽評価方法及びコンクリート材料吹付方法
CN109187548A (zh) * 2018-07-24 2019-01-11 西南交通大学 一种岩体裂隙识别方法
JP2021183774A (ja) * 2020-05-21 2021-12-02 清水建設株式会社 切羽評価システム、切羽評価学習システム、切羽評価方法、切羽評価学習方法、コンピュータプログラム
CN112215820A (zh) * 2020-10-13 2021-01-12 仇文革 一种基于图像数据的隧道掌子面分析方法
CN112345542A (zh) * 2020-11-18 2021-02-09 西南石油大学 一种隧道掌子面裂隙快速识别的方法
CN112785709A (zh) * 2021-01-15 2021-05-11 山东大学 Tbm搭载式围岩裂隙重建识别方法、装置、存储介质及设备
CN113256082A (zh) * 2021-05-07 2021-08-13 中交第二航务工程局有限公司 一种隧道掌子面智能地质素描及地质评价方法
CN113743227A (zh) * 2021-08-06 2021-12-03 山东大学 基于切近摄影的岩体裂隙智能识别方法及***
CN113836997A (zh) * 2021-08-12 2021-12-24 山东大学 一种隧道内岩体裂隙识别方法、装置及***
CN113836617A (zh) * 2021-09-01 2021-12-24 山东大学 基于时间序列模型的掘进面前方裂隙类比预测方法及***
CN113838005A (zh) * 2021-09-01 2021-12-24 山东大学 基于维度转换的岩体裂隙智能识别与三维重构方法及***
CN114692273A (zh) * 2022-03-29 2022-07-01 中铁工程装备集团有限公司 面向tbm施工隧道地质字典建立方法及***
CN114913158A (zh) * 2022-05-23 2022-08-16 青岛地质工程勘察院(青岛地质勘查开发局) 一种水文地质岩体裂隙及裂隙渗水检测方法及***
CN114913423A (zh) * 2022-05-25 2022-08-16 中国电建集团成都勘测设计研究院有限公司 一种围岩裂隙信息的模型训练方法及提取方法
CN114972384A (zh) * 2022-06-08 2022-08-30 沈阳工业大学 一种基于深度学习的隧道岩体智能快速区域分级方法
CN114842364A (zh) * 2022-07-04 2022-08-02 北京科技大学 一种露天矿山边坡图像裂隙参数提取方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
XIANGYANG XU ET AL: "Intelligent crack extraction and analysis for tunnel structures with terrestrial laser scanning measurement", ADVANCES IN MECHANICAL ENGINEERING, 6 September 2019 (2019-09-06) *
冷彪等: "隧道掌子面岩体裂隙快速识别方法", 西南交通大学学报, 9 October 2019 (2019-10-09) *
谢壮;陈宝林;傅金阳;祝志恒;郑静;阳军生;: "基于机器视觉三维重建技术的隧道掌子面岩体结构数字识别方法及应用", 铁道科学与工程学报, no. 04, 15 April 2019 (2019-04-15) *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824163A (zh) * 2023-05-31 2023-09-29 南京坤拓土木工程科技有限公司 掌子面局部瞬时形态特征定量提取方法
CN117853766A (zh) * 2024-03-07 2024-04-09 山东大学 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及***
CN117854061A (zh) * 2024-03-07 2024-04-09 山东大学 基于三维点云的隧道掌子面迹线裂隙提取方法及***
CN117853766B (zh) * 2024-03-07 2024-05-10 山东大学 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及***
CN117854061B (zh) * 2024-03-07 2024-05-10 山东大学 基于三维点云的隧道掌子面迹线裂隙提取方法及***

Similar Documents

Publication Publication Date Title
US20210319561A1 (en) Image segmentation method and system for pavement disease based on deep learning
Liu et al. Deep learning–based enhancement of motion blurred UAV concrete crack images
CN110084304B (zh) 一种基于合成数据集的目标检测方法
CN109409263B (zh) 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法
CN115546113A (zh) 掌子面裂隙图像与前方三维结构参数预测方法及***
US8385630B2 (en) System and method of processing stereo images
CN112232391B (zh) 一种基于U-net网络和SC-SAM注意力机制的大坝裂缝检测方法
CN109934847B (zh) 弱纹理三维物体姿态估计的方法和装置
CN111489301B (zh) 一种基于迁移学习用图像深度信息引导的图像去雾方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN107657644B (zh) 一种移动环境下稀疏场景流检测方法和装置
CN111046856B (zh) 基于动静态特征提取并行位姿跟踪与地图创建的方法
US11651581B2 (en) System and method for correspondence map determination
CN113838005A (zh) 基于维度转换的岩体裂隙智能识别与三维重构方法及***
KR20230009641A (ko) 구조물의 균열 탐지 방법
CN115546116A (zh) 全覆盖式岩体不连续面提取与间距计算方法及***
JP4836065B2 (ja) エッジトラッキング方法及びそのコンピュータプログラム
Ward et al. A model-based approach to recovering the structure of a plant from images
CN115202477A (zh) 基于异构孪生网络的ar观景互动方法及***
CN111488882B (zh) 一种用于工业零件测量的高精度图像语义分割方法
CN115731390A (zh) 一种灰岩隧道岩体结构面识别方法及设备
CN111914751A (zh) 一种图像人群密度识别检测方法及***
CN117853766B (zh) 基于掌子面和钻孔图像的隧道裂隙共面性匹配方法及***
CN117011196B (zh) 一种基于组合滤波优化的红外小目标检测方法及***
CN117523428B (zh) 基于飞行器平台的地面目标检测方法和装置

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