岩质隧道炮孔图像识别算法及光面爆破参数优化研究

发布时间：2020-07-06 14:22

【摘要】：现阶段,我国已经成为世界上修建隧道和地下工程最多的国家,十三五以来,随着我国交通强国战略目标的提出,地下工程建设要求向高质量、精准化、智能化建设方向发展。由于钻孔爆破法施工简便、灵活、造价低和适用性强,铁路、公路及地铁等岩质隧道主要以钻孔爆破法开挖为主,并且以光面爆破技术应用最为广泛。由于地质条件复杂,岩体中常常赋存大量的层理及节理裂隙,应用光面爆破技术开挖隧道时,相应岩性特征下炮孔数量、间距及分布和装药量等参数尚缺乏系统性理论支撑,致使隧道开挖后常会出现严重的超欠挖,甚至会造成隧道塌方等事故。当前,图像分析、深度学习等人工智能方法在隧道衬砌病害检测和隧道内车辆识别等方面己经获得广泛应用。然而,相关技术在隧道智能爆破领域的应用比较缺乏。由于隧道炮孔参数直接影响爆后开挖效果,炮孔数量和间距等参数的智能优化可为实现隧道精细化爆破提供有力的技术支持。本文针对隧道炮孔参数的准确、快速获取及水平层状岩体隧道光面爆破参数优化开展研究,通过现场炮孔图像采集及分类、深度学习方法的改进、理论分析和现场试验及监测等方法,实现了隧道炮孔的自动化识别与位置定位,基于此进一步获得了炮孔数量及间距参数,最终实现了光面爆破参数的智能优化,并进行了工程应用。本文的主要工作及研究成果包括:(1)依托蟠龙山隧道和海螺峪隧道工程构建了隧道炮孔目标检测数据集,包括:单个炮孔图像数据集、多个炮孔图像数据集和多个炮孔困难图像数据集,共计28288幅炮孔图像。该数据集考虑围岩类型、光照强度、拍摄距离、拍摄角度的变化以及阴影、遮挡物等差异因素;提出反映炮孔种类和围岩破碎情况的三类标签:圆形炮孔(circular blasthole,bhc)、椭圆形炮孔(elliptical blasthole,bhe)和不规则形炮孔(irregular blasthole,bhi);统计炮孔孔径尺寸分布范围以及小尺度炮孔数量占比。(2)提出了基于轻量级网络SqueezeNet实现单个炮孔目标检测的改进Faster R-CNN(Region-based Convolutional Neural Network)方法。该深度学习方法集成多尺度输入、自上而下多层特征融合和基于距离约束的NMS(Non-maximum Suppression)炮孔过滤算法等策略,对不同尺度的炮孔均可实现有效识别,对假炮孔和伪炮孔可实现有效剔除;同时基于控制变量法进行了该改进Faster R-CNN模型超参数的选取,确定了适用于炮孔目标检测的训练迭代次数、锚框个数、NMS筛选框个数、学习率策略、分类置信度最小阈值和重合度阈值;最终实现了单个炮孔快速、高精确率和高召回率的识别。(3)提出了基于更深层网络ResNet-51分别实现多个炮孔和多个困难炮孔目标检测的改进Faster R-CNN方法。该类深度学习方法首先集成两阶段训练、自上而下多层特征融合、在线困难样本挖掘和基于距离约束的NMS多个炮孔过滤算法等策略,实现了对弱小、数量多且间隔分布的多个炮孔高召回率和较高精确率的识别;其次集成三阶段训练、top-down特征级联、focal loss损失函数和基于距离约束的NMS多个炮孔过滤算法,实现了对光线阴暗、含阴影遮挡的弱小、分辨率差的多个困难炮孔高召回率和较高精确率的识别。(4)从爆破动力作用和开挖后静力状态下两方面阐释了水平层状岩体隧道围岩损伤及失稳机理,从周边孔爆破损伤范围、周边孔炮孔连线与节理夹角的共同作用方面阐释了水平层状岩体隧道开挖断面不同部位爆破成型机理。通过现场试验,从调整周边孔炮孔间距、光爆层厚度、装药集中度、装药结构、掏槽孔最大装药量以及增设空孔等方面优化了水平层状岩体隧道光面爆破参数。优化后,隧道开挖轮廓成型较好。(5)提出了基于多个炮孔目标检测结果自动获取隧道炮孔数量和间距参数的算法,结合现场试验和监测获得的相关地质参数、装药参数和爆后效果,引入粒子群算法(Particle swarm optimization,PSO)与深层 BP(Deep Back Propagation,DBP)神经网络耦合模型,构建了隧道围岩地质条件、光面爆破炮孔及装药参数与爆后拱顶下沉、超欠挖和块石大小之间的非线性映射关系,并在给定的光面爆破参数搜索范围内,采用PSO算法智能搜索获得了满足围岩稳定条件的光面爆破参数。研究成果在层状岩体分布的蟠龙山隧道进行了成功应用,明显减小了隧道超挖,开挖轮廓成型较好,可为类似工程提供一定借鉴。
【学位授予单位】：山东大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：U452.12
【图文】：

分析、现场试验及监测和智能优化方法，深入研究了隧道掌子面炮孔图像智能识别逡逑及炮孔参数自动获取方法和光面爆破现场试验及爆破参数智能优化方法。具体技术逡逑路线如图１．２所示。逡逑１．４．３主要创新点逡逑（１）

模型训练时候选目标分类和边框定位分阶段的问题，Ｆａｓｔ邋Ｒ－ＣＮＮ提出了多任务训练逡逑算法，实现了分类和边框回归的合并。逡逑图２．２为Ｆａｓｔ邋Ｒ－ＣＮＮ目标检测模型，包括三步：候选区域选择、特征提取、分逡逑类和边框回归定位。与Ｒ－ＣＮＮ及ＳＰＰ－ｎｅｔ相同的是，ＦａｓｔＲ－ＣＮＮ模型候选区域选逡逑择还是采用Ｓｅｌｅｃｔｉｖｅ邋Ｓｅａｒｃｈ算法。不同的是：①引入ＲＯＩ邋Ｐｏｏｌｉｎｇ层（可以看作只逡逑有一个尺度的ＳＰＰ层），允许任意尺寸的图像输入，且生成固定尺寸的输出；②提逡逑出多任务损失函数，使用Ｓｏｆｔｍａｘ邋ｌｏｓｓ代替了邋ＳＶＭ，使用ＳｍｏｏｔｈＬｌ邋ｌｏｓｓ代替逡逑Ｂｏｕｄｉｎｇ－ｂｏｘ回归，且将二者合并，统一了训练过程，既加快了训练速度又提高了逡逑算法准确度。逡逑其中，Ｓｏｆｔｍａｘ回归分类过程如下：逡逑对于多分类问题，物体类别标签少￡邋｛１，２，…，Ｃ丨可以有Ｃ个取值，给定一个逡逑样本ｘ，ｓｏｆｔｍａｘ函数回归预测属于类别ｃ的条件概率表示为：逡逑１６逡逑

逦Ｂ：邋ＳＴ邋：卜邋＿逦－＇方岭：：Ｈ邋Ｒｅｇｒｅｓｓｏｒ逡逑ｃ邋ＣＳＶＭ逡逑图２．１邋Ｒ－ＣＮＮ目标检测模型逡逑Ｆｉｇ．２．１邋Ｔｈｅ邋ｏｂｊｅｃｔ邋ｄｅｔｅｃｔｉｏｎ邋ａｒｃｈｉｔｅｃｔｕｒｅ邋ｏｆ邋ｔｈｅ邋Ｒ－ＣＮＮ逡逑值得注意的是，Ｒ－ＣＮＮ需要预先提取候选区域，再固定尺寸后通过ＣＮＮ进行逡逑特征提取，然后通过ＳＶＭ分类器分类及通过Ｂｏｕｎｄｉｎｇ－ｂｏｘ邋Ｒｅｇｒｅｓｓｏｒ精确定位，其逡逑候选区域存储存在占用磁盘空间大的问题，固定尺寸存在目标几何形变的问题，每逡逑个区域候选均需ＣＮＮ提取特征存在多次提取特征的时间花费问题，分阶段分类和逡逑定位存在计算复杂及计算耗时等缺陷。因此，为解决ＣＮＮ输入任意大小图像的问逡逑题，Ｋａｉｍｉｎｇ邋Ｈｅ邋等借助邋ｓｐａｔｉａｌ邋ｐｙｒａｍｉｄ邋ｐｏｏｌｉｎｇ邋（ＳＰＭ）［ｉ４５］的思想提出了邋ＳＰＰ－ｎｅｔ［１４６］，逡逑其主要贡献是在ＣＮＮ的卷积层和全连接层之间引入空间金字塔池化层（ｓｐａｔｉａｌ逡逑ｐｙｒａｍｉｄ邋ｐｏｏｌｉｎｇ，邋ＳＰＰ）；邋ＳＰＰ－ｎｅｔ的另一点贡献是将候选区域直接映射到卷积特征图逡逑上

本文编号：2743754