基于深度学习的隧道工作面岩石结构自动化判别

摘要：

从掌子面图像中快速准确获取建设阶段隧道工作面的表观岩体结构特征对于掌握待开挖围岩的稳定性及跟进阶段的施工决策意义重大.文章结合自研数字照相设备获取云南蒙屏高速公路13条隧道在不同工况、温湿度、照度、粉尘浓度环境下的150余个掌子面42100张图像样本,选取现场数据集出现的块体、层状、碎裂、散体、镶嵌等5种主要结构类型,以训练及测试损失率、准确率、召回率等为主要评价指标,建立基于TensorFlow-GPU的岩石隧道掌子面结构的卷积神经网络Inception-ResNet-v2模型,对模型进行训练并实现岩体结构类别的自动识别与分类.研究表明:(1)采用训练集和测试集中的掌子面图像对模型进行分类研究,训练、测试集的准确率分别达到98.21％和94.61％,召回率达到96.14％;(2)测试可视化结果显示Inception-ResNet-v2模型对复杂的现场条件具有较好的鲁棒性,而局部的错检现象需要通过进一步提高样本丰富性和纹理多样性来规避.

关键词：岩石隧道;深度学习;图像分类;卷积神经网络

所属期刊栏目：58

分类号：U456.3(隧道工程)

资助基金：云交科教[2018]25号项目;科技部创新人才推进计划重点领域创新团队

在线出版日期：2021-09-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：29-36